Optimizing an Utility Function for Exploration / Exploitation Trade-off in Context-Aware Recommender System
在本文中，我们开发了一个动态的探索/开发（exr/exp）策略的上下文推荐系统（CRS）。具体来说，我们的方法可以通过自动学习最佳权衡来自适应地平衡exr/exp的两个方面。这包括优化效用函数，该效用函数由已经推荐的点击和未点击文档的奖励的概率分布的线性化形式表示。在离线模拟框架内，我们将我们的算法应用于CRS，并使用真实的事件日志数据进行评估。实验结果和详细的分析表明，我们的算法优于现有的算法的点击率（CTR）。
2014-04-15 cs.IR
MARS: Memory Attention-Aware Recommender System
在本文中，我们研究的问题，建模用户的不同兴趣。以前的方法通常学习一个固定的用户表示，它具有有限的能力来表示用户的不同兴趣。为了模拟用户的各种兴趣，我们提出了一个记忆注意力感知推荐系统（MARS）。MARS利用记忆成分和新的注意力机制来学习深度\textit{adaptive user representations}。以端到端的方式进行训练，MARS自适应地总结用户的兴趣。在实验中，MARS在三个真实世界的数据集上的召回率和平均精度方面优于七种最先进的方法。我们还证明了MARS具有很好的解释性来解释其推荐结果，这在许多推荐场景中非常重要。
2018-05-18 cs.IR
An Affective Aware Pseudo Association Method to Connect Disjoint Users Across Multiple Datasets -- An Enhanced Validation Method for Text-based Emotion Aware Recommender
我们推导出一种方法，以提高我们已经开发的基于文本的情感感知推荐的评价。然而，我们没有实现一种合适的方法来主观地评估前N个建议。在这项研究中，我们引入了一种情感感知的伪关联方法，将不同数据集上的脱节用户连接起来，以便将数据文件组合起来，形成一个更广泛的数据文件。在同一数据集中的不同数据文件中找到的具有相同用户ID的用户通常是相同的用户。但是，具有相同用户ID的用户在不同的数据集中可能不是相同的用户。我们提倡一种情感感知的伪关联方法来关联不同数据集的用户。该方法通过最相似的用户情感向量（UVECs）将不同数据集上具有不同用户ID的用户连接起来。我们发现该方法改进了客观评估前N个推荐的评估过程。
2021-02-10 cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类，或者更简洁地说，是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是，组推荐是个性化推荐系统的改造。此外，这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战，研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Adversarial Item Promotion on Visually-Aware Recommender Systems by Guided Diffusion
针对现有视觉感知推荐系统对抗攻击图片易被检测、效果不稳定的问题，提出基于引导扩散的IPDGI攻击方法，生成高隐蔽性对抗图片，在两个电商数据集上验证了其在长尾商品推广和图片质量上的优势，揭示了系统真实脆弱性。
2024-05-23 cs.IR
Temporal-Aware User Behaviour Simulation with Large Language Models for Recommender Systems
本文提出DyTA4Rec模拟器，通过动态更新、时间增强提示和自适应聚合，使基于大语言模型的智能体能够建模用户兴趣的动态演化，从而显著提升推荐系统中模拟行为与真实行为的一致性。
2025-09-21 cs.IR
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息，从而解决信息过载的问题。经过几年的研究和工业发现，寻找更好的算法来提高准确性和多样性指标，推荐的解释服务作为一种工具正在获得动力，在大多数情况下，通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上，解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中，我们评估如何不同的信息编码在知识图谱被认为是由用户时，他们被采用，以显示他们的解释。更确切地说，我们比较如何使用分类信息，事实的一个或两者的混合物在建设的解释，影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证，该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件，这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
Less is More: Towards Sustainability-Aware Persuasive Explanations in Recommender Systems
本文提出“可持续性感知的说服性解释”概念，以“少即是多”原则支持联合国可持续发展目标，并通过三领域用户研究验证其在用户接受度和潜在影响方面的积极效果。
2024-09-27 cs.IR
MovieMat: Context-aware Movie Recommendation with Matrix Factorization by Matrix Fitting
电影推荐系统广泛应用于NetFlix和Tubi等商业环境中。经典的推荐模型利用协同过滤、学习排序、矩阵分解和深度学习模型等技术来实现更低的营销费用和更高的收入。然而，电影观众在不同的语境中对同一部电影有不同的评价。重要的电影观看上下文包括观众情绪，位置，天气等。能够利用上下文信息对推荐器构建者有很大的好处。然而，流行的技术，如张量因式分解消耗不切实际的存储量，这大大降低了其在现实世界环境中的可行性。在本文中，我们利用的MatMat框架，矩阵分解矩阵拟合建立一个上下文感知的电影推荐系统，优于经典的矩阵分解和可比的公平性度量。
2022-04-27 cs.IR
A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings
State University of Maringá（马里兰州立大学）
推荐系统是改善用户在Web系统中查找相关信息的工具，因此他们不会面对太多的信息。为了产生更好的建议，应在建议过程中使用信息的上下文。上下文感知推荐系统被创建，实现了最先进的结果，并改进了传统的推荐系统。构建推荐系统的方法有很多，其中两个最突出的进展是使用嵌入来表示推荐系统中的数据，以及使用深度学习架构来向用户生成推荐。系统综述是一种形式化、系统化的文献综述方法，通过对已发表的相关研究进行分析，对某一研究领域的所有研究进行识别和评价。进行了系统的回顾，以了解如何将深度学习和嵌入技术应用于改进上下文感知推荐系统。我们总结了用于创建这些的架构以及它们所使用的域。
2020-07-09 cs.CV cs.IR
NFARec: A Negative Feedback-Aware Recommender Model
本文提出负反馈感知推荐模型NFARec，通过反馈感知超图卷积和基于Transformer Hawkes Process的情感极性预测任务，有效利用负反馈提升推荐性能。
2024-09-04 cs.IR
Improving the Shortest Plank: Vulnerability-Aware Adversarial Training for Robust Recommender System
针对推荐系统中投毒攻击仅影响部分易受攻击用户的问题，提出漏洞感知对抗训练（VAT），通过评估用户漏洞并施加自适应扰动，在降低攻击成功率的同时保持推荐质量。
2024-09-26 cs.IR
KB4Rec: A Dataset for Linking Knowledge Bases with Recommender Systems
开发一个知识感知的推荐系统，一个关键的数据问题是我们如何获得丰富的和结构化的知识信息的推荐系统（RS）项目。现有的数据集或方法要么使用来自原始推荐系统的边信息（包含很少种类的有用信息），要么利用私有知识库（KB）。在本文中，我们提出了第一个公共链接的KB数据集的推荐系统，命名为KB4Rec v1.0，它已经连接了三个广泛使用的RS数据集与流行的KB Freebase。基于我们的关联数据集，我们首先进行一些有趣的定性分析实验，在这些实验中，我们讨论了两个重要因素（即流行度和新近度）对RS项目是否可以链接到KB实体的影响。最后，我们提出了我们的链接数据集上的几个知识感知推荐算法的比较。
2020-12-28 cs.IR
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；TU Eindhoven（埃因霍温技术大学）
本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
Interpreting Contextual Effects By Contextual Modeling In Recommender Systems
推荐系统已经被广泛应用于通过提供个性化项目推荐列表来辅助用户的决策。上下文感知推荐系统（CARS）在推荐过程中还考虑了上下文信息，因为用户对物品的品味可能因上下文而异。为了提高推荐的质量，已经提出并开发了几种上下文感知的推荐算法。然而，有有限的研究探索和讨论的能力，解释的上下文效果的推荐模型。在本文中，我们特别关注不同的上下文建模方法，重塑模型的结构，并探讨如何利用现有的上下文建模解释的上下文效果的推荐系统。我们比较了上下文效应的解释，以及在两个真实世界的数据集的推荐性能，以检查解释的质量。
2017-10-23 cs.IR
Position Paper on Simulating Privacy Dynamics in Recommender Systems
在这篇立场论文中，我们讨论了在推荐系统中模拟隐私动态的优点。我们从两个角度研究这个问题：首先，我们提出了一个概念性的方法，将隐私集成到推荐系统模拟，其关键要素是隐私代理。这些代理可以增强具有不同隐私偏好的用户的简档，例如，他们向推荐系统披露数据的倾向。此外，他们可以通过保护所有可能威胁隐私的行为来保护用户的隐私。例如，代理可以禁止用户的隐私威胁行为或应用隐私增强技术，例如，差分隐私，使行为不那么具有威胁性。其次，我们确定了隐私感知推荐系统模拟未来研究的三个关键主题：（一）我们如何建模用户的隐私偏好，并保护用户免受任何隐私威胁的行动？(ii)隐私代理在多大程度上修改用户的文档偏好？(iii)隐私偏好和隐私保护如何影响他人的建议和隐私？我们的概念性隐私感知模拟方法使研究隐私偏好和隐私保护对微观层面的影响成为可能，即，单个用户，而且在宏观层面上，即，所有推荐系统用户。通过这项工作，我们希望提出有关如何实现隐私感知模拟的观点，以便研究人员能够研究推荐系统中的隐私动态。
2021-09-14 cs.IR
A Systematic Literature Review on Process-Aware Recommender Systems
University of Qom（库姆大学）；RWTH Aachen University（亚琛工业大学）
在推荐系统中考虑业务的过程是非常有利的。虽然大多数研究在业务流程分析领域的描述性和预测性，构建一个流程感知的推荐系统的可行性进行了评估，在少数作品。原因之一可能是缺乏对过程挖掘潜在推荐问题的了解。因此，本文旨在识别和分析已发表的研究流程感知推荐系统技术在业务流程管理和流程挖掘领域。对2008年至2020年发表的33篇学术文章按几个方面进行了系统综述。在这方面，我们提供了一个国家的最先进的审查与关键的细节和研究人员更好地了解在这一领域追求的道路。此外，基于知识基础和整体视角，我们讨论了该领域的一些研究空白和开放性挑战。
2021-05-17 cs.IR cs.LG
A Survey on Fairness-aware Recommender Systems
Tianjin University（天津大学）；Monash University（莫纳什大学）；Nantong University（南通大学）；RMIT University（皇家墨尔本理工大学）；Griffith University（格里菲斯大学）
本文综述公平性感知推荐系统，梳理不同场景下的公平性概念、方法、数据集、指标、工业应用及与可信性原则的联系，并指出未来研究方向。
2023-06-01 cs.AI cs.IR
UPRec: User-Aware Pre-training for Recommender Systems
现有的顺序推荐方法依赖于大量的训练数据，并且通常遭受数据稀疏问题。为了解决这个问题，预训练机制已经被广泛采用，它试图利用大规模数据来执行自监督学习，并将预训练的参数传递到下游任务。然而，以前的预训练推荐模型侧重于利用用户行为序列和项目信息中的通用序列模式，而忽略了利用异构用户信息捕获个性化兴趣，这已被证明是有效的，有助于个性化推荐。在本文中，我们提出了一种方法来增强预训练模型的异构用户信息，称为用户感知的推荐（UPRec）。具体而言，UPRec利用用户属性和结构化社交图在预训练阶段构建自监督目标，并提出了两个用户感知的预训练任务.在多个真实大规模推荐数据集上的综合实验结果表明，UPRec能够有效地将用户信息整合到预先训练好的模型中，从而为用户提供更合适的推荐。
2021-02-22 cs.IR
Ontology-based Context Aware Recommender System Application for Tourism
Syone
在这项工作中，一个新的推荐系统（RS）的旅游。RS是上下文感知的，这是现在最先进的推荐系统的规则，并在用于对所提供的不同项目进行分组的旅游本体之上工作。所提出的RS混合了不同类型的混合器，创建了一个根据RS的成熟度而变化的合奏。从简单的基于内容的推荐开始，随着评分密度和用户基数的增加，迭代地添加流行度、人口统计和协作过滤方法。其结果是一个RS，在其生命周期中发生变化，并使用旅游本体和自然语言处理（NLP）正确绑定的项目，以特定的项目类别和Meta类别的本体。该项目分类有助于用户偏好和项目之间的关联，以及允许更好地对所提供的项目进行分类和分组，这反过来对于上下文感知过滤特别有用。
2022-12-29 cs.IR cs.LG
Tag-Aware Recommender Systems: A State-of-the-art Survey
在过去的十年中，社会标签系统已经吸引了越来越多的关注，从物理和计算机科学社区。除了标签系统的底层结构和动态性之外，人们还致力于统一标签信息，以揭示用户行为和偏好，提取项目之间的潜在语义关系，进行推荐等。本文综述了标签感知推荐系统的最新进展，着重介绍了三种主流的观点和方法：基于网络的方法、基于张量的方法和基于主题的方法。最后，我们概述了其他一些标签相关的工作和标签感知推荐算法的未来挑战。
2012-02-27 cs.IR cs.SI
A Look Into News Avoidance Through AWRS: An Avoidance-Aware Recommender System
The University of Tokyo（东京大学）；Nikkei Inc.（日经公司）
针对新闻回避加剧的问题，提出回避感知推荐系统AWRS，将回避作为核心因素融入推荐，在英、挪、日三语数据集上验证了其优于现有方法。
2025-01-21 cs.CL cs.IR
Combining Privileged Information to Improve Context-Aware Recommender Systems
Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo（圣保罗大学数学与计算机科学研究所）；Universidade Federal do Mato Grosso do Sul（南马托格罗索联邦大学）
推荐系统是一种信息过滤技术，可以用于预测项目（产品，服务，电影等）的偏好评级和/或输出用户可能感兴趣的项目的排名。上下文感知推荐系统（CARS）通过在推荐过程中结合可用的上下文信息来学习和预测用户的品味和偏好。上下文感知推荐系统研究的主要挑战之一是缺乏自动获取上下文信息的方法。考虑到这种情况下，在本文中，我们建议使用上下文信息的主题层次结构的项目（网页），以提高上下文感知推荐系统的性能。主题层次结构的构建扩展的LUPI为基础的增量层次聚类方法，认为三种类型的信息：传统的袋字（技术信息），并结合命名实体（特权信息I）与域术语（特权信息II）。我们评估了四个上下文感知推荐系统中的上下文信息。对每类信息分配了不同的权重。实验结果表明，结合两种特权信息的主题层次结构可以提供更好的推荐。
2019-01-04 cs.AI cs.IR
Causality-Aware Neighborhood Methods for Recommender Systems
Fuji Xerox（富士施乐）
广告商的商业目标，如增加销售额，与建议的因果效应相一致。以往的因果效应分析采用逆倾向评分法进行因果推理。然而，IPS易于遭受高方差。匹配估计量是因果推理领域的另一个代表性方法。它不使用倾向，因此不存在上述方差问题。在这项工作中，我们将传统的邻域推荐方法与匹配估计相结合，并为推荐的因果效应开发了鲁棒的排名方法。我们的实验表明，所提出的方法在因果效应的排名指标方面优于各种基线。结果表明，所提出的方法可以实现更多的销售和用户参与比以前的广告。
2021-01-30 cs.IR cs.LG
On the Efficiency of Sequentially Aware Recommender Systems: Cotten4Rec
Rensselaer Polytechnic Institute（伦斯勒理工学院）
Cotten4Rec通过线性时间余弦相似度注意力机制，在减少计算开销的同时保持推荐准确性，为大规模顺序推荐提供了高效的解决方案。
2026-02-06 cs.IR
TriMat: Context-aware Recommendation by Tri-Matrix Factorization
本文提出TriMat方法，利用三矩阵分解将上下文信息融入推荐系统，实验证明能同时提升准确性与公平性。
2025-09-30 cs.IR
Price and Profit Awareness in Recommender Systems
TU Dortmund（多特蒙德工业大学）；University of Minnesota（明尼苏达大学）
学术界对推荐系统的研究主要集中在如何通过为每个用户确定最相关的项目来最大化用户的效用。然而，这些项目不一定是最大化服务提供商效用的项目（例如，在线零售商）在商业价值方面，例如利润。增加供应商效用的一种方法是纳入面向购买的信息，例如，价格，销售概率，以及由此产生的利润，到推荐算法。在本文中，我们特别关注价格和利润感知的推荐系统。我们提供了一个简短的概述，相关文献和数值模拟来说明这种方法的潜在商业利益。
2017-07-25 cs.AI cs.IR
A Survey of Affective Recommender Systems: Modeling Attitudes, Emotions, and Moods for Personalization
本文基于Scherer情感类型学提出态度、情绪、心境及混合四类情感推荐系统分类框架，系统梳理情感信号提取、架构与应用，并指出混合模型、大规模数据集和精确术语是未来方向。
2025-08-27 cs.IR
Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System
知识图谱在推荐系统中扮演着越来越重要的角色。近年来，基于图神经网络（GNNs）的推荐模型逐渐成为知识感知推荐（KGR）的研究热点。然而，基于GNN的KGR模型存在一个天然的缺陷，即稀疏监督信号问题，这可能会使其实际性能在一定程度上下降。受近年来对比学习在从数据本身挖掘监督信号方面取得成功的启发，本文重点研究了对比学习在知识感知推荐中的应用，提出了一种新的多层次交叉视图对比学习机制MCCLK。与传统的对比学习方法通过统一的数据增强方案（如损坏或丢弃）生成两个图视图不同，本文综合考虑了全局结构视图、局部协作视图和语义视图等三种不同的图视图来进行知识感知推荐。具体来说，我们认为用户项目图作为一个协作视图，项目实体图作为一个语义视图，和用户项目实体图作为一个结构视图。因此，MCCLK在局部和全局两个层面上跨三个视图执行对比学习，以自监督的方式挖掘全面的图特征和结构信息。此外，在语义视图中，提出了一个kNN（k-Nearest-Neighbor）项-项语义图构建模块，以捕捉以往工作中忽略的重要项-项语义关系。在三个基准数据集上进行的大量实验表明，我们所提出的方法比最先进的方法具有更好的性能。这些实现可在https://github.com/CCIIPLab/MCCLK上获得。
2022-04-19 cs.IR
R-UCB: a Contextual Bandit Algorithm for Risk-Aware Recommender Systems
Télécom SudParis（南巴黎电信学院）
移动上下文感知推荐系统可以自然地建模为探索/利用权衡（exr/exp）问题，其中系统必须在处理其当前知识（利用）和学习更多关于未知用户的偏好以改进其知识（探索）之间进行选择。强化学习社区已经解决了这个问题，但是他们没有考虑当前用户情况的风险水平，其中如果风险水平高，则推荐用户在其当前情况下可能不期望的项目可能是危险的。本文介绍了一种算法R-UCB，它考虑了用户的情况下的风险水平，自适应地平衡之间的exr和exp。对实验结果的详细分析揭示了exr/exp行为中的几个重要发现。
2014-08-10 cs.IR cs.LG
Are Recommenders Self-Aware? Label-Free Recommendation Performance Estimation via Model Uncertainty
DCST, Tsinghua University（清华大学人工智能研究院）；AIR, Tsinghua University（清华大学人工智能研究院）
本文研究推荐系统的自我感知能力，提出基于概率的列表分布不确定性（LiDu）方法，通过无标签方式估计推荐性能，实验证明其相关性优于现有估计器，为构建透明可自评估的推荐系统提供支撑。
2025-07-31 cs.IR cs.LG
Shilling Recommender Systems by Generating Side-feature-aware Fake User Profiles
Nanyang Technological University, Singapore（南洋理工大学，新加坡）
针对现有托攻击方法无法适配带侧特征推荐系统的问题，研究扩展Leg-UP框架、增强生成器以融入侧特征，生成感知侧特征的虚假用户画像，在基准测试中兼顾攻击效果与隐蔽性。
2026-08-29 cs.IR cs.LG
Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems
Huawei Technologies Canada（华为技术加拿大）
针对交互图存在漏链和虚假正向交互的问题，提出融合用户偏好、物品共现与图结构信息的贝叶斯图生成模型，并在四个基准数据集上验证其推荐有效性。
2024-01-22 cs.IR cs.LG
A Context-aware Recommender System for Hyperlocal News: A Conceptual Framework
由于对项目和信息的过滤和排序的需求增加，推荐系统（RS）在各种应用领域中已经流行。今天，有许多数据过滤和推荐的方法和算法。本文提出了一个在超本地新闻领域构建移动RS的概念框架。移动RS是为了满足新闻读者的特定需求而设计的，如时空相关性、新近性、实时更新和验证性新闻。本文还讨论了RS在分布式文件系统中的实现。
2017-12-02 cs.IR cs.SE
Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
Stanford University（斯坦福大学）；Google（谷歌）
大多数现有的推荐系统主要关注用户与内容的匹配，以最大限度地提高平台上的用户满意度。然而，越来越明显的是，内容提供方通过内容创建对用户满意度具有关键影响，在很大程度上决定了可用于推荐的内容池。因此，一个自然的问题出现了：我们是否可以设计考虑到用户和内容提供方的长期效用的路由器？通过这样做，我们希望维持更多的供应商和更多样化的内容池，以获得长期的用户满意度。了解建议对用户和提供者群体的全面影响是一项挑战。本文的目的是作为一个研究调查的一种方法，建立一个供应商意识的推荐，并评估其影响，在模拟设置。为了描述用户-推荐者-提供者的相互依赖关系，我们还通过形式化提供者动态来补充用户建模。由此产生的联合动力系统产生了一个弱耦合的部分可观察的马尔可夫决策过程驱动的推荐行动和用户反馈给供应商。然后，我们建立了一个REINFORCE推荐代理，创造EcoAgent，以优化用户效用和与推荐内容相关的提供商的反事实效用提升的联合目标，我们证明这相当于在一些温和的假设下最大化整体用户效用和平台上所有提供商的效用。为了评估我们的方法，我们引入了一个模拟环境捕捉用户，供应商和推荐之间的关键互动。我们提供了一些模拟实验，阐明了我们的方法的好处和局限性。这些结果有助于了解如何以及何时供应商意识的推荐代理是有益的，在建设多利益相关者的推荐系统。
2021-05-06 cs.IR cs.LG
Sequence-Aware Recommender Systems
推荐系统是数据采掘和机器学习技术在实践中最成功的应用之一。该领域的学术研究在历史上通常基于矩阵完成问题公式化，其中对于每个用户-项目对只有一个交互（例如，评级）。然而，在许多应用程序域中，可以随时间记录不同类型的多个用户-项交互。而且，最近的一些工作表明，这些信息可以用来构建更丰富的个人用户模型，并发现可以在推荐过程中利用的其他行为模式。在这项工作中，我们回顾现有的作品，考虑信息从这样的顺序排序的用户-项目交互日志在推荐过程中。基于这一审查，我们提出了相应的推荐任务和目标的分类，总结现有的算法解决方案，讨论方法论的基准时，我们称之为序列感知推荐系统，并概述了该领域的开放挑战。
2018-02-23 cs.HC cs.IR
Learning from Atypical Behavior: Temporary Interest Aware Recommendation Based on Reinforcement Learning
传统的鲁棒推荐方法将非典型的用户-项目交互视为噪声，并旨在通过某种噪声过滤技术来减少其影响，这通常面临两个挑战。首先，在现实世界中，非典型的互动可能会表明用户的临时兴趣不同于他们的一般偏好。因此，简单地将非典型交互作为噪声过滤掉可能是不合适的，并且会降低推荐的个性化。第二，由于没有明确的监督信号来指示交互是否是非典型的，因此难以获得临时兴趣。为了解决这个问题，我们提出了一个新的模型称为临时兴趣感知推荐（TIARec），它可以区分非典型的互动，从正常的没有监督和捕获的临时兴趣，以及用户的一般偏好。特别是，我们提出了一个强化学习框架，包含一个推荐代理和一个辅助分类器代理，这是联合训练的目标，最大化的推荐代理的建议的累积回报。在联合训练过程中，分类器Agent可以判断与推荐Agent推荐的项目的交互是否为非典型交互，并将从非典型交互中学习暂时兴趣的知识传递给推荐Agent，使得推荐Agent能够单独做出平衡用户一般偏好和暂时兴趣的推荐。最后，在真实数据集上进行了实验，验证了TIARec的有效性.
2022-01-16 cs.IR
Collaborative Group-Aware Hashing for Fast Recommender Systems
Charles Darwin University（查尔斯达尔文大学）；University of Electronic Science and Technology of China（电子科技大学）；Agency for Science, Technology and Research, Singapore（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本文提出协同组感知哈希方法，通过整合组信息提升稀疏场景下推荐系统的精度和效率。
2025-12-23 cs.IR
Dynamic Intention-Aware Recommendation System
推荐系统在过去的几十年里得到了广泛的研究。与此同时，大数据的繁荣正在推动推荐系统发展的根本性变化。在本文中，我们提出了一个动态的意图感知推荐系统，以更好地促进用户找到所需的产品和服务。与以往的工作相比，我们的建议具有以下优点：（1）它考虑到用户的意图和需求，通过意图挖掘技术。通过从历史用户-项目交互中挖掘用户意图，以及从社交媒体和物联网中收集的各种用户数字痕迹，能够利用丰富的在线和离线用户数据提供更满意的推荐;（2）它包含嵌入异构源信息和多个域的共享表示的好处，以全面提供准确有效的推荐;（3）通过捕捉动态影响力，主动及时地推荐产品或服务，可以显著减少用户的参与和努力。
2017-03-10 cs.IR
CAPS: Context Aware Personalized POI Sequence Recommender System
万维网（WWW）和智能手机技术的革命已经成为社交网络取得巨大成功的关键因素。由于登记数据的可用性容易，基于位置的社交网络（LBSN）（例如，Facebook1等）在过去的十年中，已经大量探索了兴趣点（POI）推荐。虽然已经定义了许多POI分类器，但它们中的大多数都专注于推荐单个位置或上下文不一致的任意列表。当人们需要可以用于各种日常活动的上下文一致的位置列表时，依赖这样的系统是麻烦的，例如，行程规划。本文提出了一种称为CAPS（上下文感知个性化POI序列推荐系统），生成上下文相关的兴趣点序列相关的用户偏好的模型。据我们所知，CAPS是通过扩展递归神经网络（RNN）及其变体来制定上下文POI序列建模的第一次尝试。CAPS通过将多个上下文合并到隐藏层并将全局上下文（序列特征）合并到隐藏层和输出层来扩展RNN。它扩展了RNN的变体（例如，长短期记忆（LSTM））。本文的主要贡献是：（i）它通过多个约束（例如，分类的、社会的、时间的等等），(ii)它扩展了RNN，将单个项目的上下文和整个序列的上下文结合起来。它还扩展了RNN变体的门控功能，以包含多个上下文，以及（iii）针对两个真实世界的数据集评估所提出的模型。
2018-03-03 cs.IR
Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems
由Booking.com组织的ACM WSDM WebTour 2021挑战赛专注于在旅游领域应用会话感知推荐系统。给定用户旅行中的一系列旅行预订，我们希望推荐用户的下一个目的地。为了处理输出空间的大维度，我们提出了一个多对多的RNN模型，预测用户在每个序列步骤中选择的下一个目的地，而不仅仅是最后一个。我们展示了这是如何在多对一RNN中进行数据增强的计算效率替代方案，其中我们考虑从第一个元素开始的会话的每个子序列。我们的解决方案在最终排行榜中排名第四，准确率为0.5566。
2021-08-22 cs.IR cs.LG
Mobile recommender systems: Identifying the major concepts
本文确定了移动推荐系统的影响因素。推荐系统已经成为在存在信息过载问题的情况下被各种在线应用广泛使用的技术。电子商务、视频平台和社交网络等众多应用向其用户提供个性化推荐，这改善了用户体验和供应商收入。推荐系统的发展主要集中在提出新的算法，提供更准确的建议。然而，移动设备的使用以及互联网和网络基础设施的快速增长带来了使用移动推荐系统的必要性。网络和移动推荐系统之间的联系，以及如何在移动环境中的建议，可以改善描述。这项工作的重点是确定网络和移动推荐系统之间的联系，并提供坚实的未来方向，旨在导致在一个更集成的移动推荐域。
2018-05-06 cs.IR
Recommender for Its Purpose: Repeat and Exploration in Food Delivery Recommendations
本文针对外卖推荐中复购与探索行为的独特特征，提出 ReRec 和 ExpRec 两个独立模型，并在三个真实数据集上验证其在复购、探索及组合推荐任务中优于现有基线。
2024-02-22 cs.IR
On Popularity Bias of Multimodal-aware Recommender Systems: a Modalities-driven Analysis
本研究针对多模态感知推荐系统可能因多模态内容进一步放大流行度偏差的问题，分析了四种主流MRS算法在三个Amazon数据集上的表现，探究视觉、文本单模态对流行度偏差的影响，证实单模态会加剧该偏差，强调需更严谨评估模型性能。
2023-08-24 cs.IR
Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems
针对推荐系统中个体公平性缺失问题，提出BankFair+方法，结合遗憾理论与模糊规划实现重排序，平衡个体与提供者公平性，实验验证其优越性。
2025-04-20 cs.IR
Structure Aware Incremental Learning with Personalized Imitation Weights for Recommender Systems
针对推荐系统中图神经网络增量训练时统一保留历史信息未考虑用户偏好差异的问题，提出自适应学习个性化模仿权重的训练策略，在多数据集上验证其性能优于现有增量学习技术。
2023-05-02 cs.IR
Seeing the Context: Enhancing Recommender Systems with Image-Derived Contextual Signals
Coller School of Management, Tel Aviv University（特拉维夫大学科勒尔管理学院）
本文提出从图像中提取情境信号（物理、社会、模态类别）并融合进推荐系统，通过ICE-Fuse与图对比学习验证，图像情境与评论信号互补，可增强推荐性能。
2026-10-07 cs.IR
ITM-Rec: An Open Data Set for Educational Recommender Systems
随着推荐系统的发展，出现了几种很有前途的推荐系统，如上下文感知推荐系统、多准则推荐系统和群组推荐系统。然而，教育领域可能不会受益于这些发展，由于缺乏信息，如背景和多重标准，在教育数据集。在本文中，我们宣布并发布了一个开放的数据集的教育推荐系统。该数据集不仅包括传统的评级条目，还包括丰富的信息，例如，它提供了一个测试平台，并使更多的机会来开发和检查各种教育推荐系统。
2023-03-17 cs.IR
Manipulating Visually-aware Federated Recommender Systems and Its Countermeasures
本文研究了视觉感知联邦推荐系统的安全问题，发现引入视觉信息能抵御现有模型投毒攻击，但也引入了图像投毒攻击这一新威胁，并提出利用扩散模型净化图像以防御攻击。
2023-05-16 cs.IR
KGUF: Simple Knowledge-aware Graph-based Recommender with User-based Semantic Features Filtering
本文提出KGUF模型，通过决策树利用用户画像过滤知识图谱中的语义特征，以更简单的形式化方法实现与SOTA相当或更优的推荐性能。
2024-03-29 cs.IR
Towards Confidence-aware Calibrated Recommendation
推荐系统利用用户的历史数据来学习和预测他们未来的兴趣，为他们提供适合他们口味的建议。校准确保推荐项目类别的分布与用户的历史数据一致。减少误校准给推荐系统带来了各种好处。例如，系统通过仅推荐流行类别而忽略用户简档上具有较少交互的类别变得不太可能。尽管取得了显著的成功，校准方法有几个缺点，如限制了推荐项目的多样性和不考虑校准的信心。这项工作，提出了一组属性，解决各个方面的一个所需的校准推荐系统。考虑到这些属性，我们提出了一个置信度感知的优化为基础的重新排名算法，找到校准，相关性和项目的多样性之间的平衡，同时占校准置信度的基础上用户简档大小。我们的模型在不同用户组的各种准确性和超准确性指标方面优于最先进的方法。
2022-08-22 cs.IR
A Fairness-aware Hybrid Recommender System
UC Santa Cruz（加州大学圣克鲁兹分校）
推荐系统被广泛应用于影响人们生活的各个领域。这引起了人们对这种制度可能加剧的偏见和歧视的关切。推荐系统中存在两种主要的固有偏差：观察偏差和不平衡数据引起的偏差。观察偏差的存在是由于反馈回路导致模型学习仅预测与先前相似的建议。当数据中存在系统性的社会、历史或其他环境偏见时，就会出现数据不平衡。在本文中，我们提出了一个混合公平意识推荐系统解决这两个偏见。我们的模型通过整合多个用户-用户和项目-项目相似性度量，内容和人口统计信息，同时解决推荐偏见，提供高效和准确的推荐。我们实现我们的模型使用一个强大的和表达概率程序设计语言称为概率软逻辑。我们在一个流行的电影推荐数据集上对我们的方法进行了实验评估，结果表明，与最先进的公平推荐系统相比，我们提出的模型可以提供更准确，更公平的推荐。
2018-09-13 cs.IR cs.LG stat.ML
BiFair: A Fairness-aware Training Framework for LLM-enhanced Recommender Systems via Bi-level Optimization
本文针对LLM增强推荐系统的公平性问题，提出基于双层优化的BiFair框架，同时缓解LLM表示中的先验不公平和推荐模型中的训练不公平，并通过自适应组间平衡机制在三个数据集上取得优于现有方法的公平性表现。
2025-07-06 cs.IR
