Sports Recommender Systems: Overview and Research Issues
Magistrat Villach(菲拉赫市政厅);Institute of Software Technology (Graz University of Technology)(格拉茨工业大学软件技术研究所)
本文综述体育推荐系统在健康饮食、训练、人才团队、比赛战术及电子竞技等场景中的应用与技术,分析最新进展并指出开放研究问题。
2023-12-06 cs.AI cs.IR
Recommender Systems for Sustainability: Overview and Research Issues
Graz University of Technology(格拉茨工业大学);Magistrat Villach(菲拉赫市政厅)
该研究综述了推荐系统在支持可持续发展目标(SDGs)中的应用现状,分析其整合的AI技术,并探讨未来研究的开放问题,为利用推荐系统推进可持续发展提供方向。
2024-12-04 cs.AI cs.IR
An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration
Graz University of Technology(格拉茨工业大学);Siemens Gas & Power(西门子天然气与电力公司)
推荐系统支持各种领域的决策,从简单的项目,如书籍和电影到更复杂的项目,如金融服务,电信设备和软件系统。在这种情况下,例如基于分析相似用户的偏好来确定推荐。与可以在项目目录中枚举的简单项目相反,复杂项目必须基于可变性模型(例如,特征模型),因为所有可能配置的完整枚举是不可行的,并且会触发显著的性能问题。在本文中,我们给出了一个潜在的新的研究路线,这是与推荐系统和机器学习技术在特征建模和配置的应用有关的概述。在此背景下,我们给出了推荐系统和机器学习的应用实例,并讨论了未来的研究问题。
2021-02-12 cs.AI cs.IR cs.SE
On conceptualisation and an overview of learning path recommender systems in e-learning
Universidad de Málaga(马拉加大学);University of Ljubljana(卢布尔雅那大学);Hamburg University of Applied Sciences(汉堡应用科学大学);University of Genova(热那亚大学);University of Peloponnese(伯罗奔尼撒大学);Instituto Politécnico de Bragança(布拉干萨理工学院)
该研究针对电子学习场景,提出学习路径及其学习指标的通用概念,嵌入5种不同推荐器构建推荐系统,以促进学生的学习与理解。
2024-06-07 cs.AI cs.IR cs.LG
Mobile Supply: The Last Piece of Jigsaw of Recommender System
The Chinese University of Hongkong(香港中文大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Alibaba Group(阿里巴巴集团)
本文针对推荐系统分页触发机制问题,提出名为 Mobile Supply 的新模块,引入列表价值概念并设计设备感知移动排序方法,通过离线和在线实验验证其能提升端侧推荐性能与用户体验,并已在大型在线食品平台部署获利。
2023-08-09 cs.AI cs.IR
Building a privacy-preserving Federated Recommender system for mobile devices
Département d’informatique et de recherche opérationnelle(计算机与运筹研究部)
提出一种两阶段联邦推荐系统流水线,通过分离非敏感偏好数据与设备内敏感上下文数据,在保护隐私的同时实现移动设备上的个性化推荐。
2026-05-27 cs.IR cs.LG
INTERPOS: Interaction Rhythm Guided Positional Morphing for Mobile App Recommender Systems
Independent Researcher(独立研究者);University of Kentucky(肯塔基大学);Louisiana State University(路易斯安那州立大学);University of Central Florida(中央佛罗里达大学)
针对移动应用推荐中用户交互间隔长、传统位置嵌入未考虑时间节律的问题,提出INTERPOS节律引导位置变形策略,整合入Transformer架构,在7个数据集的NDCG@K和HIT@K指标上超越SOTA模型。
2025-06-14 cs.IR cs.LG
Evolution of the user's content: An Overview of the state of the art
用户内容的演变仍然是一个准确推荐的问题,这就是为什么目前的研究旨在设计能够不断适应信息,匹配用户的兴趣的推荐系统(RS)。本文旨在解释这一问题点,概述了研究中提出的建议,其优点和缺点。
2013-05-08 cs.IR
Recommender Systems for Online and Mobile Social Networks: A survey
IIT-CNR(意大利国家研究委员会信息学与电信研究所)
本文综述了面向在线与移动社交网络的推荐系统,重点分析社交上下文信息如何提升推荐效果,以及标准算法在机会网络等分布式环境中的优化需求,并总结了现有系统的优缺点与开放挑战。
2023-06-28 cs.IR cs.LG cs.SI
Toward a Knowledge-based Personalised Recommender System for Mobile App Development
在过去的几年里,移动应用程序开发的领域已经大大超出了全球软件市场的平衡。随着移动软件公司数量的增长,以及智能手机技术的日益成熟,开发人员一直在不同的平台上构建几类应用程序。然而,开发人员在实施移动应用程序项目时面临着一些挑战。特别是,缺乏能够迅速有效地为开发人员提供个性化服务的综合系统。因此,开发定制的系统至关重要,这些系统可以向移动应用程序开发人员推荐适当的工具,IDE,平台,软件组件和其他相关工件。本文提出了一种新的推荐系统框架,包括一套强化的技术,旨在为移动应用程序开发人员提供一个独特的平台来浏览和搜索个性化的工件。该系统利用本体和语义网技术以及机器学习技术。特别地,新的RS框架包括以下组件:(i)领域知识推理模块:包括各种语义Web技术和轻量级本体;(ii)剖析和偏好:新提出的时间感知多维用户建模;(iii)查询扩展:通过语义增强用户查询来改善和增强检索结果;以及(iv)推荐和信息过滤:利用上述组件向指定用户提供个性化服务,并以最小的不匹配回答用户的查询。
2020-12-25 cs.IR cs.SE cs.SI
Text-based Emotion Aware Recommender
我们应用用户情感向量(UVECs)和电影情感向量(MVECs)的概念作为情感感知推荐系统的构建组件。我们建立了一个比较平台,由五个基于内容的过滤算法和协同过滤算法。我们采用了一个Tweets情感分类器,通过电影概述对电影的情感特征进行分类。我们构建MVEC从电影的情绪配置文件。我们跟踪用户的电影观看历史,通过取用户观看的所有电影的所有MVEC的平均值来制定UVEC。利用MVEC,我们建立了一个情感感知推荐器作为比较平台的算法之一。我们评估了这些推荐器生成的前N个推荐列表,发现情感感知推荐器的前N个列表显示了意外发现的推荐。
2020-07-28 cs.IR
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
Leveraging Deep Learning Techniques on Collaborative Filtering Recommender Systems
本文专门综述了基于深度学习的协同过滤推荐系统,系统梳理其研究热度、空白与忽视领域,以应对冷启动和数据稀疏性问题。
2023-04-18 cs.IR
The Bibliotelemetry of Information and Environment: an Evaluation of IoT-Powered Recommender Systems
物理图书馆环境中的物联网(IoT)基础设施是数字资源存储的综合混合方法的基础。物联网基础设施为集合中的项目提供移动、动态的寻路支持,其中包括基于位置的推荐功能。本文的模块化评价和分析澄清了用户根据其位置提出的建议请求的性质,并介绍了用户请求建议的图书馆主题领域。模块化移动设计允许在整个全球模块系统中深入探索用户的书目标识符,为本研究的重点浏览数据提供背景。Bibliotelemetry被引入作为图书馆馆藏中物联网中间件的评估方法。
2018-03-29 cs.DL cs.IR
Factors Influencing the Quality of the User Experience in Ubiquitous Recommender Systems
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普适推荐系统的必要性。然而,在移动设备中,需要考虑不同的因素,以便获得更有用的推荐并提高用户体验的质量。本文概述了与质量相关的因素,并提出了一种新的混合推荐模型。
2014-08-29 cs.CR cs.HC cs.IR
MobileRec: A Large-Scale Dataset for Mobile Apps Recommendation
University of Central Florida(中佛罗里达大学);University of Kentucky(肯塔基大学)
推荐系统在我们的数字生活中无处不在,从电子商务网站上的产品推荐到流媒体平台上的电影和音乐推荐。现有的推荐数据集,如Amazon Product Reviews和MovieLens,极大地促进了各自领域推荐系统的研究和开发。虽然移动用户和应用程序(又名应用程序)的数量在过去十年中呈指数级增长,但移动应用程序推荐系统的研究受到了极大的限制,主要是由于缺乏高质量的基准数据集,而不是产品,电影和新闻的推荐。为了促进应用推荐系统的研究,我们引入了一个名为MobileRec的大规模数据集。我们根据用户在Google Play商店上的活动构建了MobileRec。MobileRec包含1930万次用户交互(即,用户对应用程序的评论),在48个类别中拥有超过10K个独特的应用程序。MobileRec记录了总共70万不同用户的连续活动。这些用户中的每一个都与不少于五个不同的应用程序进行了交互,这与之前的移动应用程序数据集形成了鲜明对比,这些数据集只记录了每个用户的一次交互。此外,MobileRec还提供用户对已安装应用程序的评分和情绪,每个应用程序都包含丰富的元数据,如应用程序名称、类别、描述和总体评分等。我们证明,MobileRec可以作为一个很好的测试平台,通过比较研究几个国家的最先进的推荐方法的应用程序推荐。定量结果可以作为其他研究人员比较结果的基线。MobileRec数据集可在https:/…
2023-03-12 cs.IR cs.LG cs.SE
Frappe: Understanding the Usage and Perception of Mobile App Recommendations In-The-Wild
本文描述了一个真实世界的部署上下文感知的移动应用程序推荐系统(RS)称为Frappe。利用混合方法,我们进行了一个大规模的应用程序市场部署与1000个Android用户结合一个小规模的本地用户研究,涉及33个用户。由此产生的使用日志和主观反馈使我们能够收集有关(1)依赖于上下文的应用程序使用情况和(2)最终用户在与上下文感知移动应用程序推荐交互时的感知和体验的关键见解。虽然Frappe基于以使用为中心的评估指标表现得非常好,但小规模研究的见解揭示了一些负面的用户体验。我们的研究结果指出了一些可操作的经验教训,特别是与设计,部署和评估移动上下文感知RS在野外与真实用户。
2015-05-12 cs.IR
News Recommender System: A review of recent progress, challenges, and opportunities
如今,越来越多的新闻读者倾向于在线阅读新闻,他们可以从多个来源获得数百万条新闻文章。为了帮助用户找到正确的和相关的内容,新闻推荐系统(NRS)的开发,以缓解信息过载的问题,并建议用户可能感兴趣的新闻项目。在本文中,我们强调了新闻推荐领域所面临的主要挑战,并从最先进的技术中找出了可能的解决方案。由于使用深度学习模型构建推荐系统的快速增长,我们将讨论分为两个部分。在第一部分中,我们概述了NRS中使用的传统推荐解决方案,数据集,准确性之外的评估标准和推荐平台。在第二部分中,我们解释了NRS中应用的基于深度学习的推荐解决方案。不同于以往的调查,我们还研究了新闻推荐对用户行为的影响,并试图提出可能的补救措施,以减轻这些影响。通过提供最先进的知识,这项调查可以帮助研究人员和实际专业人员了解新闻推荐算法的发展。它还揭示了潜在的新方向
2021-07-09 cs.IR
All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era
该研究梳理大语言模型时代推荐系统的技术演进,提出列表式与对话式两条演化路径,指出二者最终汇聚于具备记忆、反思、工具能力的LLM智能体,并分析各阶段挑战与未来方向。
2024-07-14 cs.IR
Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives
本文综述了基于评论的推荐系统,分类总结最新方法,分析挑战,并提出多模态数据、多标准评分和伦理等未来研究方向。
2025-05-24 cs.IR
Multi-Stakeholder Recommendation: Applications and Challenges
推荐系统已成功应用于通过生成根据用户偏好定制的商品推荐列表来辅助决策。传统的推荐系统只关注于优化作为推荐接收者的最终用户的效用。相比之下,多利益相关者推荐试图生成满足最终用户和其他各方或利益相关者的需求的推荐。本文从实际应用、现有数据集、相应的研究挑战和潜在解决方案的角度概述和讨论了多利益攸关方的建议。
2017-07-27 cs.IR
Real-time Short Video Recommendation on Mobile Devices
近年来,短视频应用吸引了数十亿用户,以多样化的内容满足了他们的各种需求。用户通常会在短时间内在移动设备上观看多个话题的短视频,并非常迅速地对所观看的短视频给予显性或隐性的反馈。推荐系统需要实时的【形】感知用户的偏好,以满足用户不断变化的兴趣。传统上,推荐系统部署在服务器端返回一个排名的视频列表,从客户端的每个请求。因此,它不能在下一次请求之前根据用户的实时的【形】反馈来调整推荐结果。由于客户机-服务器传输延迟,它也无法立即利用用户的实时的【形】反馈。然而,随着用户不断观看视频和反馈,不断变化的上下文导致服务器端推荐系统的排名不准确。在本文中,我们提出了在移动设备上部署短视频推荐框架来解决这些问题。具体来说,我们设计并部署了一个小型的设备上的排名模型,以实现服务器端推荐结果的实时的【形】重新排名。我们通过利用用户对观看视频的实时的【形】反馈和客户端特定的实时的【形】功能来提高其预测准确性。在预测更加准确的基础上,进一步考虑候选视频之间的交互,提出了一种基于自适应束搜索的上下文感知重排序方法。该框架已部署在亿级用户规模的短视频应用快手上,有效观看、点赞和关注分别提升了1.28%、8.22%和13.6%。
2022-11-08 cs.IR
Meta Matrix Factorization for Federated Rating Predictions
Shandong University(山东大学);University of Amsterdam(阿姆斯特丹大学);Ahold Delhaize(皇家阿霍德德尔海兹集团)
联合推荐系统在隐私保护方面比集中在数据中心的传统推荐系统具有明显的优势。然而,以前的联合推荐系统的工作并没有充分考虑在移动环境中的存储,RAM,能源和通信带宽的限制。所提出的模型的规模太大,很难在移动设备上运行。现有的联合推荐系统需要在每个设备上微调推荐模型,使得难以有效地利用用户/设备之间的协同过滤信息。本文的目标是设计一个新的联邦学习框架,用于移动环境下的评级预测(RP)。我们介绍了一个联邦矩阵分解(MF)框架,命名为Meta矩阵分解(MetaMF)。给定一个用户,我们首先通过收集有用的信息与协作记忆模块获得一个协作向量。然后,我们采用了Meta推荐模块,以产生私人项目嵌入和RP模型的基础上,在服务器上的合作向量。为了解决生成大量高维项嵌入的挑战,我们设计了一种升维生成策略,首先生成一个低维项嵌入矩阵和一个升维矩阵,然后将它们相乘以获得高维嵌入。我们使用生成的模型为给定的用户在她的设备上生成私人RP。MetaMF即使在小RP模型下也显示出高容量,这可以适应移动环境的限制。我们在四个基准数据集上进行了大量的实验,将MetaMF与现有的MF方法进行了比较,发现MetaMF可以达到有竞争力的性能。此外,我们发现MetaMF实现了更高的RP性能比现有的联邦方法更好地利用用户/设备之间的协同过滤。
2023-03-04 cs.IR cs.LG
Path-based Deep Network for Candidate Item Matching in Recommenders
大规模推荐系统主要包括两个阶段:匹配和排序。匹配阶段(也称为检索步骤)以低延迟和计算成本从十亿级项目语料库中识别一小部分相关项目。基于项目的协同过滤(Item-to-item collaborative filter,简称CF)和基于嵌入的检索(embedding-based retrieval,简称EBR)因其高效性而被广泛应用于工业匹配阶段。然而,基于项目的CF难以满足个性化,而EBR难以满足多样性。在本文中,我们提出了一种新的匹配架构,基于路径的深度网络(PDN),它可以结合个性化和多样性,以提高匹配性能。具体来说,PDN由两个模块组成:触发器网络和相似性网络。PDN利用触发器网络来捕获用户对他/她的每个交互项目的兴趣,并且利用相似性网络来基于这些项目的简档和CF信息来评估每个交互项目与目标项目之间的相似性。通过明确考虑用户的不同兴趣,\ie聚合相关两跳路径的相关权重(路径的一跳对应于用户-项目交互,另一跳对应于项目-项目相关),计算用户与目标项目之间的最终相关度。此外,我们描述了一个匹配系统的架构设计与建议PDN在一个领先的现实世界的电子商务服务(手机淘宝应用程序)。基于离线评估和在线A/B测试,我们表明PDN优于现有的解决方案,为相同的任务。在线结果还表明,PDN可以检索更个性化和更多样化的相关项目,以显着提高用户参与度。目前,PDN系统已成功部署于手机淘宝App及处理主…
2021-05-18 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
Current Challenges and Visions in Music Recommender Systems Research
音乐推荐系统(MRS)近年来经历了一个蓬勃发展,这要归功于在线流媒体服务的出现和成功,现在用户可以在指尖上获得世界上几乎所有的音乐。虽然今天的MRS大大帮助用户在这些庞大的目录中找到有趣的音乐,但MRS研究仍然面临着巨大的挑战。特别是当涉及到构建,合并和评估推荐策略,整合信息超越简单的用户-项目交互或基于内容的描述符,但深入挖掘到听众的需求,偏好和意图的本质,MRS研究成为一个大的努力和相关的出版物相当稀少。这篇趋势和调查文章的目的是双重的。我们首先从学术和行业的角度确定并阐明了我们认为MRS研究面临的最紧迫的挑战。我们回顾了解决这些挑战的最新技术,并讨论了其局限性。其次,我们详细介绍了我们为该领域的进一步发展所设想的未来可能的方向和愿景。因此,这篇文章应该服务于两个目的:让感兴趣的读者在MRS研究的当前挑战的概述,并通过确定有趣的,但研究不足,在该领域的方向,为年轻的研究人员提供指导。
2018-03-21 cs.IR
Offline Contextual Multi-armed Bandits for Mobile Health Interventions: A Case Study on Emotion Regulation
University of Virginia(弗吉尼亚大学)
通过移动电话等普及的电子设备提供治疗建议有可能成为长期健康行为管理的可行和可扩展的治疗媒介。但积极的治疗方案的实验可能是耗时的,昂贵的,在某些情况下完全不道德的。人们越来越感兴趣的方法,让实验者学习和评估部署前的一个新的治疗策略的有用性。我们提出了第一个发展的治疗推荐系统的情绪调节使用真实世界的历史移动数字数据n = 114高社交焦虑的参与者来测试新的情绪调节策略的有用性。我们探讨了一些离线上下文土匪估计学习,并提出了一个一般的框架学习算法。我们的实验表明,提出的双重鲁棒离线学习算法表现明显优于基线方法,这表明这种类型的推荐算法可以改善情绪调节。鉴于情绪调节在许多精神疾病中都会受损,并且这种推荐算法可以很容易地扩大规模,这种方法有可能增加许多人获得治疗的机会。我们还分享了一些见解,使我们能够将上下文强盗模型转化为这种复杂的现实数据,包括哪些上下文特征对于预测情绪调节策略的有效性最为重要。
2020-08-21 cs.HC cs.IR cs.LG
Designing Explanations for Group Recommender Systems
Institute of Software Technology Graz University of Technology(格拉茨工业大学软件技术研究所);Web Information Systems TU Delft(代尔夫特理工大学网络信息系统系)
出于各种原因,在推荐系统中使用推荐。必须支持用户更快地做出(高质量)决策。推荐系统的开发人员希望说服用户购买特定的商品。用户应该更好地理解推荐系统是如何工作的,以及为什么推荐一个特定的项目。用户还应该对项目域有更深入的了解。因此,设计解释以便实现特定的\emph{goals},诸如增加推荐的透明度或增加用户对推荐系统的信任。在本文中,我们提供了一个概述,现有的研究相关的解释推荐系统,并具体讨论相关方面的群体推荐方案。在这种情况下,我们提出了不同的方式来解释和可视化的基础上确定的偏好聚合策略的建议。
2021-02-24 cs.AI cs.IR
A Survey of Recommender System Techniques and the Ecommerce Domain
Pioneer Alpha(先锋阿尔法)
在这个大数据时代,当代人很难从在线平台中包含的大量数据中找到正确的数据。在这种情况下,需要一个信息过滤系统,可以帮助他们找到他们正在寻找的信息。近年来,出现了一个被称为推荐系统的研究领域。推荐器已经变得很重要,因为它们有许多实际应用。本文综述了电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域中推荐系统的不同技术和发展。通过分析这一主题的最新工作,我们将能够提供一个详细的概述,目前的发展,并确定现有的困难,在推荐系统。最后的结果给从业者和研究人员必要的指导和见解的推荐系统及其应用。
2023-02-21 cs.AI cs.IR
Reinforcement Learning to Optimize Long-term User Engagement in Recommender Systems
推荐系统在我们的日常生活中发挥着至关重要的作用。摘要流机制在推荐系统中得到了广泛的应用,尤其是在移动应用中。Feed流设置为用户提供了在永不结束的Feed中推荐的交互方式。在这种交互方式下,一个好的推荐系统应该更多地关注用户粘性,这远远超出了经典的即时度量,并且通常通过{\bf长期用户参与度}来衡量。直接优化长期用户参与度是一个重要的问题,因为学习目标通常不可用于传统的监督学习方法。虽然强化学习~(RL)很自然地适合长期回报最大化的问题,但将RL应用于优化长期用户参与仍然面临挑战:用户行为是多变的,难以建模,通常包括即时反馈~(例如点击、订购)和延迟反馈~(例如,停留时间、重访);此外,执行有效的离策略学习仍然不成熟,特别是当组合自举和函数近似时。为了解决这些问题,在这项工作中,我们引入了一个强化学习框架-FeedRec来优化长期用户参与度。FeedRec包含两个组件:1)~一个基于分层LSTM的Q-Network负责对复杂的用户行为进行建模; 2)~一个S-Network,模拟环境,辅助Q-Network,避免策略学习收敛的不稳定性。在合成数据和真实世界大规模数据上的大量实验表明,FeedRec有效地优化了长期用户参与度,并优于最先进的技术。
2019-07-11 cs.IR
Causal Inference in Recommender Systems: A Survey of Strategies for Bias Mitigation, Explanation, and Generalization
在信息过载的时代,推荐系统(RS)已经成为在线服务平台不可或缺的一部分。传统的RS估计用户的兴趣,并预测他们的未来行为,利用相关性的观察历史活动,他们的配置文件,和内容的互动项目。然而,由于没有考虑导致观察到的用户行为的内在因果原因,因此在生成的推荐中可能存在多种类型的偏差。此外,驱动用户活动的因果动机通常纠缠在这些RS中,无法保证推荐的可解释性和泛化能力。为了解决这些缺点,近年来,人们对利用因果推理技术增强传统RS的兴趣激增。在这项调查中,我们提供了一个系统的概述因果RS,并帮助读者获得这个有前途的领域的全面了解。我们从传统推理系统的基本概念出发,分析了传统推理系统由于缺乏因果推理能力而存在的局限性。然后,我们将讨论如何引入不同的因果推理技术来解决这些挑战,重点是去偏置,可解释性促进和泛化改进。此外,我们深入分析了因果RS的各种评估策略,特别是侧重于如何可靠地估计其性能与偏见的数据,如果利益的因果效应不可用。最后,我们为未来因果RS研究的潜在方向提供了见解。
2023-01-03 cs.IR
An Overview of Direct Diagnosis and Repair Techniques in the WeeVis Recommendation Environment
Graz University of Technology(格拉茨工业大学)
基于约束的排序器支持用户识别符合其愿望和需求的项目(产品)。例如金融服务和电子设备。在本文中,我们将展示如何分而治之为基础的(直接)诊断算法(没有冲突检测是必要的)可以利用基于约束的推荐方案。在这种情况下,我们提供了一个基于MediaWiki的推荐环境WeeVis的概述。
2021-02-24 cs.AI cs.IR
Fast-adapting and Privacy-preserving Federated Recommender System
在移动互联网时代,推荐系统已经成为帮助用户发现有用项目,从而缓解信息过载问题的不可替代的工具。最近基于深度神经网络(DNN)的推荐系统研究在提高预测准确率方面取得了重大进展,这在很大程度上归功于访问从用户设备收集的大量用户个人数据,然后集中存储在云服务器中。然而,随着全球对在线平台中用户隐私泄露的担忧日益增加,公众对此类滥用用户隐私的行为感到担忧。因此,开发一种既能达到高预测准确率又能高度保护用户隐私保护的推荐系统是迫切而有益的。为此,我们提出了一种基于DNN的推荐模型,称为PrivRec,运行在分散的联邦学习(FL)环境中,确保用户的数据在模型训练过程中永远不会离开他/她。另一方面,为了更好地拥抱FL中普遍存在的数据异构性,我们创新性地引入了一阶元学习方法,该方法只需很少的数据点就可以实现快速的设备内个性化。此外,防御潜在的恶意参与者,对其他用户构成严重的安全威胁,我们开发了一个用户级差分私有DP-PrivRec模型,使它无法确定是否存在一个特定的用户或不单独基于训练的模型。最后,我们在模拟FL环境中对两个大规模数据集进行了大量的实验,结果验证了我们提出的PrivRec和DP-PrivRec的优越性。
2021-09-11 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
Rethinking Financial Service Promotion With Hybrid Recommender Systems at PicPay
Federal University of Rio de Janeiro(里约热内卢联邦大学);PicPay
针对PicPay推广战略金融服务的挑战,提出切换式混合推荐系统,结合两种算法提升推广效果,A/B测试显示提升达3.2%。
2023-10-16 cs.AI cs.IR
Adaptive Multi-Agent E-Learning Recommender Systems
近年来,由于可用教育资源的过载,使得个人难以在互联网上手动搜索所需的资源,教育推荐系统已成为一种必要。电子学习推荐系统简化了从分散的万维网资源库中根据每个用户的需求收集合适的网页和web文档的繁琐任务,从而增加了研究它们的需求和好奇心。检索少数建议从一个非常巨大的收集网页使用不同的推荐技术成为一个富有成效的和时间效率的过程时,系统的功能与一组合作代理。在动态的网络环境中,系统还需要跟上不断变化的用户兴趣和网络资源,因此自适应性是决定推荐系统效率的一个重要因素。本文提供了这样的自适应多代理电子学习推荐系统的概述和实施它们的概念。它精确地提供了想要研究这种系统的最先进工作的研究人员所需的所有信息,从而使他能够决定自己系统的实现概念。
2020-12-17 cs.IR cs.MA
A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions
本教程针对传统推荐系统的隐私风险与联邦推荐系统的非独立同分布数据挑战,介绍个性化联邦推荐系统(PFedRecSys)的现有研究、四大研究方向分类及未来挑战与方向,为该领域研究与实践提供基础。
2024-12-11 cs.IR
SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework
本文提出隐私保护知识图谱框架 SAppKG,利用交互数据与应用属性辅助信息进行移动应用推荐,并在 Google Play 真实数据上验证其四项指标均优于基线。
2023-09-29 cs.IR cs.SI
Continual Recommender Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(韩国大学)
本文系统梳理了持续推荐系统的背景、现有方法、实际部署中的持续学习应用及开放挑战,填补了现有持续学习教程未覆盖推荐系统特有需求的空白。
2025-07-05 cs.IR cs.LG
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
近几十年来,推荐系统已经成为解决信息过载问题的重要工具。传统的推荐系统,然而,遭受数据稀疏和冷启动问题。为了解决这些问题,已经提出了大量的推荐算法来利用用户或项目的辅助信息(例如,社交网络和项目类别),在提高推荐性能方面表现出高度的有效性。这篇研究评论旨在提供一个全面和系统的调查最近的研究与边信息推荐系统。具体来说,我们提供了一个概述国家的最先进的推荐算法,从两个正交的角度与边信息。一个涉及不同的推荐方法:基于记忆的方法,潜在因素,表示学习和深度学习模型。其他的涵盖了边信息的不同表示,包括结构化数据(平面、网络和层次特征,以及知识图谱);和非结构化数据(文本、图像和视频特征)。最后,我们讨论了挑战,并提供了新的潜在方向的建议,随着本次调查的结论。
2019-11-08 cs.IR
Ten Challenges in Industrial Recommender Systems
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文基于华为诺亚方舟实验室十年推荐系统研发经验,结合行业技术演进趋势,提出工业推荐系统面临的十大挑战,以期为RecSys社区提供研究启发、推动推荐系统技术发展。
2023-10-07 cs.AI cs.IR
Blockchain-based Recommender Systems: Applications, Challenges and Future Opportunities
Qatar University(卡塔尔大学);De Montfort University(德蒙福特大学);University of Sharjah(沙迦大学);Harokopio University of Athens(哈罗科皮奥大学);San Jose State University(圣何塞州立大学)
推荐系统已经广泛应用于不同的应用领域,包括节能、电子商务、医疗保健、社交媒体等。这些应用需要分析和挖掘大量的各种类型的用户数据,包括人口统计、偏好、社交互动等,以便开发准确和精确的推荐系统。这些数据集通常包含敏感信息,但大多数推荐系统都专注于模型的准确性,而忽略了与安全和用户隐私相关的问题。尽管使用不同的风险降低技术来克服这些问题,但它们中没有一个在确保密码安全和保护用户的私人信息方面完全成功。为了弥合这一差距,区块链技术被认为是一种很有前途的策略,以促进推荐系统的安全性和隐私保护,不仅因为其安全性和隐私的显着特征,而且还由于其弹性,适应性,容错和信任特性。本文对基于区块链的推荐系统进行了全面的回顾,包括挑战,开放问题和解决方案。因此,引入了一个精心设计的分类法来描述安全和隐私挑战,概述现有框架,并在指出未来研究的机会之前讨论它们在使用区块链时的应用和好处。
2021-11-22 cs.IR cs.LG
Trustworthy Recommender Systems
University of Technology Sydney(悉尼科技大学);RMIT University(皇家墨尔本理工大学);Macquarie University(麦考瑞大学);Arizona State University(亚利桑那州立大学);Free University of Bozen-Bolzano(博尔扎诺自由大学)
本文综述了可信推荐系统(TRS),涵盖其动机、概念、构建挑战与未来方向,并提出一个支持TRS构建的新概念框架。
2023-11-17 cs.CR cs.IR cs.LG
Synthetic Data-Based Simulators for Recommender Systems: A Survey
ITMO University(圣彼得堡国立信息技术机械与光学大学);Sber AI Lab(俄罗斯联邦储蓄银行人工智能实验室);AIRI(人工智能研究所);Sber(俄罗斯联邦储蓄银行)
本次调查的目的是提供一个全面的概述,在该领域的建模和仿真(M &S)的用户和推荐系统之间的交互和应用程序的M&S的工业推荐引擎的性能改进的最新趋势。我们从开发实现模拟的框架(模拟器)背后的动机开始,以及将它们用于训练和测试不同类型的推荐系统(包括强化学习系统)。此外,我们提供了一个新的一致的分类现有的模拟器的基础上,他们的功能,认可,和工业的有效性,而且使研究文献中发现的模拟器的总结。除此之外,我们还讨论了模拟器的构建模块:合成数据(用户,项目,用户-项目响应)生成方法,假设实验分析方法,用于模拟质量评估的方法和数据集(包括监控和/或关闭可能的模拟与现实差距的方法),以及总结实验模拟结果的方法。最后,本调查认为,在该领域的新出现的主题和开放的问题。
2022-06-22 cs.IR cs.LG cs.PF
Fine-Grained User Profiling for Personalized Task Matching in Mobile Crowdsensing
在移动人群感知中,找到任务和用户之间的最佳匹配对于确保人群感知系统的质量和有效性至关重要。现有的工作通常假设一个集中的任务分配的众测平台,没有解决需要细粒度的个性化任务匹配。在本文中,我们认为,它是必不可少的用户的偏好和可靠性的仔细表征的基础上匹配的任务。为此,我们提出了一个个性化的任务推荐系统的移动crowdsensing,推荐任务给用户的推荐分数的基础上,共同考虑到每个用户的偏好和可靠性。首先,我们提出了一个混合偏好度量来描述用户的偏好,利用他们的隐式反馈。然后,为了分析用户的可靠性水平,我们将问题形式化为一个半监督学习模型,并提出了一个有效的块坐标下降算法来解决这个问题。对于一些缺乏用户历史信息的任务,我们进一步提出了一种矩阵分解方法来推断用户在这些任务上的可靠性水平。我们进行了大量的实验,以评估我们的系统的性能,和评估结果表明,我们的系统可以实现优越的性能,在用户分析和个性化的任务推荐的基准。
2018-11-14 cs.IR
Mobile Multimedia Recommendation in Smart Communities: A Survey
由于互联网宽带接入的快速增长和现代移动设备的激增,各种类型的多媒体(例如,文本、图像、音频和视频)已经变得无处不在地随时可用。移动终端用户通常基于他们的个人兴趣和偏好来存储和使用多媒体内容。然而,诸如存储限制的移动终端挑战已经向用户引入了移动多媒体过载的问题。为了解决这个问题,研究人员开发了各种技术,为移动用户推荐多媒体。在这篇调查论文中,我们从三个智能社区的角度,即移动社会学习,移动事件指南和上下文感知服务,研究移动多媒体推荐系统的重要性。对现有研究的谨慎分析表明,主动的、基于传感器的和混合的推荐系统的实现可以改善移动多媒体推荐。然而,仍然有挑战和开放的问题,如纳入上下文和社会属性,这需要解决,以产生准确和值得信赖的移动多媒体推荐。
2013-12-23 cs.IR cs.MM
Autonomous Information Seeking: A Roadmap for Agentic Recommender Systems
National University of Singapore(新加坡国立大学);Polytechnic University of Bari(巴里理工大学);Renmin University of China(中国人民大学);University of Science and Technology of China(中国科学技术大学)
综述基于大语言模型的智能体融入推荐系统带来的转变,介绍基于自主性水平的分类法及三种核心范式,分析各范式采用的架构和智能体对关键组件的增强,探讨评估方法及未解决问题,指出开放挑战。
2026-07-07 cs.CL cs.IR
On-Device Model Fine-Tuning with Label Correction in Recommender Systems
Shanghai Jiao Tong University(上海交通大学);University of Texas at Dallas(得克萨斯大学达拉斯分校);Alibaba Group(阿里巴巴集团)
为了满足在线智能服务中低延迟、低成本、隐私性好的实际需求,越来越多的深度学习模型从云端卸载到移动设备上。为了进一步处理跨设备的数据异构性,卸载的模型通常需要在投入实时推理之前使用每个用户的本地样本进行微调。在这项工作中,我们专注于推荐系统中的基本点击率(CTR)预测任务,并研究如何有效地执行设备上的微调。我们首先识别每个单独用户的本地CTR(即,用于微调的局部数据集中的正样本的比率)倾向于偏离全局CTR(即,云上所有用户的混合数据集中的阳性样本的比率,用于训练出初始模型)。我们进一步证明,这样的CTR漂移问题使得设备上的微调,甚至有害的项目排名。因此,我们提出了一种新的标签校正方法,该方法只需要每个用户在设备上微调之前改变本地样本的标签,并且可以很好地将本地先验CTR与全局CTR对齐。三个数据集和五个CTR预测模型的离线评估结果以及手机淘宝的在线A/B测试结果证明了标签校正在设备上微调的必要性,也揭示了基于云的学习在没有微调的情况下的改进。
2022-10-21 cs.AI cs.IR cs.LG
Intelligent Request Strategy Design in Recommender System
Alibaba Group(阿里巴巴集团);Institute of Artificial Intelligence, Zhejiang University(浙江大学人工智能研究所);Shanghai Institute for Advanced Study of Zhejiang University(浙江大学上海高等研究院);Shanghai AI Laboratory(上海人工智能实验室);National University of Singapore(新加坡国立大学)
瀑布式推荐系统(Waterfall Recommender System,RS)是移动应用程序中流行的一种RS形式,它是一个由连续页面组成的推荐项目流,可以通过滚动浏览。在瀑布RS中,当用户完成浏览页面时,边缘(例如,移动电话)将向云服务器发送请求以获得新的推荐页面,这被称为寻呼请求机制。RS通常将大量项目放入一个页面中以减少来自众多寻呼请求的过度资源消耗,然而,这将降低RS根据用户的实时兴趣及时更新推荐的能力,并导致差的用户体验。直觉上,在页面中插入额外的请求以更高的频率更新推荐可以缓解这个问题。然而,先前的尝试,包括仅非自适应策略(例如,统一插入请求),最终将导致资源过度消耗。为此,我们设想了一种新的边缘智能学习任务,称为智能请求策略设计(IRSD)。它旨在提高瀑布RS的有效性,通过确定适当的时机,请求插入用户的实时意图。此外,我们提出了一个新的范例的自适应请求插入策略命名为基于Uplift的边缘智能请求框架(AdaRequest)。AdaRequest 1)通过基于注意力的神经网络将用户的实时行为与历史兴趣进行匹配,捕捉用户意图的动态变化。2)基于因果推理估计由插入的请求带来的用户购买的反事实提升。3)通过最大化在线资源约束下的效用函数来确定最终的请求插入策略。我们在离线数据集和在线A/B测试上进行了大量的实验,以验证AdaRequest的有效性。
2022-06-23 cs.AI cs.IR
Consumer-side Fairness in Recommender Systems: A Systematic Survey of Methods and Evaluation
Norwegian University of Science and Technology(挪威科技大学)
本文系统综述了推荐系统中消费者侧公平性的研究,提出基于高层次公平性解释的新型分类法,对现有方法和评估指标进行分类,并展望未来研究方向。
2023-05-16 cs.AI cs.CY cs.IR
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems
Université de la Polynésie Française(法属波利尼西亚大学);NzhinuSoft
在过去的二十年里,由于在线应用程序中数据量的爆炸式增长,推荐系统引起了人们的极大兴趣。一个特别的注意力已经支付给协同过滤,这是最广泛使用的应用程序,涉及信息推荐。协同过滤(CF)使用一组用户的已知偏好来对其他用户的未知偏好进行预测和推荐(推荐是基于用户的过去行为)。1990年代首次引入,提出了各种各样越来越成功的模式。由于机器学习技术在许多领域的成功,在推荐系统中应用这些算法已经越来越受到重视。在本文中,我们概述了推荐系统的CF方法、其两个主要类别及其评估指标。我们专注于经典的机器学习算法的CF推荐系统的应用,提出他们的进化,从他们的第一个用例,先进的机器学习模型。我们试图提供一个全面的CF系统(与Python实现)的比较概述,可以作为在这一领域的研究和实践的指导方针。
2021-06-22 cs.AI cs.IR cs.LG
On Gossip-based Information Dissemination in Pervasive Recommender Systems
普适计算系统采用分布式和嵌入式设备,以便以随时随地的方式提高、通信和处理数据。当然,其最突出的设备是智能手机,因为它的广泛扩散,不断增长的计算能力和无线网络功能。在这种情况下,我们重新审视了数字化口碑的实施,这表明离线和直接接近智能手机之间交换物品偏好。以这种方式协作和分散地收集数据有两个好处。首先,它允许附加例如位置敏感的上下文信息,以丰富收集的项目偏好。%增强设备上的建议。其次,模型构建不需要网络连接。尽管有这些好处,但这种方法自然会引发数据隐私和数据稀缺问题。为了解决这两个问题,我们提出了一种新的方法,将传统的寻找相似的对等体和交换项目偏好的方法从分散的领域转换为普适推荐系统。此外,我们提出了一个原型移动应用程序,实现拟议的设备到设备的信息交换的初步结果。25.9秒的平均ad-hoc连接延迟和6米内可靠的连接成功率支持了该方法的技术可行性。
2019-08-15 cs.IR cs.SI
Embedding in Recommender Systems: A Survey
City University of Hong Kong(香港城市大学);Baidu Inc.(百度公司);Hong Kong Polytechnic University(香港理工大学);Unaffiliated Researcher(无隶属机构)
该综述全面梳理推荐系统中矩阵、序列、图结构下的嵌入技术,探讨可扩展性挑战,介绍AutoML、哈希、量化及LLMs增强等新兴方向,指明研究挑战与未来方向。
2025-10-22 cs.AI cs.IR
AgentRecBench: Benchmarking LLM Agent-based Personalized Recommender Systems
Tsinghua University(清华大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
针对LLM智能体推荐系统缺乏标准化评估的问题,本文提出了包含交互模拟器、统一模块化框架及10种方法对比的AgentRecBench基准,验证了智能体系统的优越性并提供了核心组件设计指南。
2025-05-28 cs.AI cs.IR