Private Recommender Systems: How Can Users Build Their Own Fair Recommender Systems without Log Data?
公平性是推荐系统的一个重要特性。虽然一些在线服务最近已经采用了公平意识系统,但许多其他服务还没有采用它们。在这项工作中,我们提出的方法,使用户建立自己的公平推荐系统。我们的方法可以产生公平的建议,即使服务不(或不能)提供公平的推荐系统。关键的挑战是用户不能访问其他用户的日志数据或项目的潜在表示。此限制禁止我们采用为服务提供商设计的现有方法。其主要思想是用户可以访问服务提供商显示的不公平推荐。我们的方法利用一个不公平的推荐系统的输出,构建一个新的公平推荐系统。我们的经验验证,我们提出的方法大大提高了公平性,而不会损害原来的不公平系统的性能。
2022-01-19 cs.IR
ReuseKNN: Neighborhood Reuse for Differentially-Private KNN-Based Recommendations
本文提出ReuseKNN,一种基于差分隐私的KNN推荐系统,通过识别小但高度可复用的邻居群体,减少需差分隐私保护的用户数量,在五个数据集上实验表明其准确性优于UserKNN和完全差分隐私方法,同时显著降低隐私风险。
2023-06-26 cs.IR
Towards Differential Privacy in Sequential Recommendation: A Noisy Graph Neural Network Approach
Shanghai University of Finance and Economics(上海财经大学)
针对现有差分隐私推荐系统无法适配序列推荐的动态依赖交互、且忽略敏感用户特征隐私风险的问题,提出DIPSGNN框架,通过分段机制保护用户特征、在图神经网络聚合步骤加校准噪声,实现序列推荐的差分隐私,在隐私与准确性平衡上优于现有方法。
2024-01-30 cs.CR cs.IR cs.LG
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
Evolution of the Online Rating Platform Data Structures and its Implications for Recommender Systems
线上评级平台代表了线上文商类商品消费的新趋势。这些平台上的用户评级数据是推荐系统算法的食物。理解推荐系统的演化模式及其机制是理解输入数据结构的关键。之前关于推荐系统输入数据分析的研究非常有限,2018年有一个明显的例外[6]。本文利用泊松过程分析了输入数据结构的演化机制。研究发现,齐次泊松过程无法刻画在线评级平台用户评级行为的形成机理,而非齐次泊松过程则与用户评级行为的形成过程相兼容。
2023-03-25 cs.IR
Recommender Systems in E-commerce
电子商业推荐系统在当前的数字世界中变得越来越重要。它们用于个性化用户体验,帮助客户快速高效地找到所需,并为企业增加收入。然而,存在与基于大数据的电子商业推荐系统相关联的若干挑战。这些挑战包括有限的资源、数据有效期、冷启动、长尾问题、可扩展性。在本文中,我们讨论了挑战和克服这些挑战的潜在解决方案。我们还讨论了不同类型的电子商业推荐系统,他们的优点和缺点。最后,我们总结了一些未来的研究方向,以提高电子商业推荐系统的性能。
2022-12-13 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
Partially Synthetic Data for Recommender Systems: Prediction Performance and Preference Hiding
本文展示了潜在的统计披露控制,用于保护数据的训练推荐系统。具体来说,我们使用一种合成数据生成方法来隐藏用户项矩阵中的特定信息。我们对原始数据应用一个转换,它改变了一些值,但保留了其他值。其结果是一个部分合成数据集,可用于推荐,但包含有关个人用户偏好的较少具体信息。合成数据具有对公司有用的潜力,这些公司有兴趣发布数据以允许外部方开发新的推荐算法,即,在推荐系统挑战的情况下,还降低了与数据盗用相关联的风险。我们的实验运行一组推荐系统算法对我们的部分合成数据集以及原始数据。结果表明,算法在部分合成数据上的相对性能反映了在原始数据上的相对性能。进一步的分析表明,原始数据的属性在合成下被保留,但对于某些示例,原始数据中可访问的属性隐藏在合成数据中。
2020-08-09 cs.IR
ZeroMat: Solving Cold-start Problem of Recommender System with No Input Data
ZeroMat通过无输入数据预测用户-项目评分,有效解决推荐系统冷启动问题,优于经典矩阵分解和随机推荐方法。
2025-12-06 cs.IR
Effects of Using Synthetic Data on Deep Recommender Models' Performance
本研究探讨合成数据生成对解决推荐系统数据不平衡问题的有效性,通过六种方法生成合成数据并整合到原始数据集中,实验表明加入生成的负样本能持续提升AUC分数,证明数据增强策略可改善推荐系统性能。
2024-06-26 cs.IR
Towards Principled User-side Recommender Systems
传统上,推荐算法是为服务开发人员设计的。然而,最近,一个新的范例称为用户端推荐系统已被提出,他们使Web服务用户构建自己的推荐系统,而无需访问商业机密数据。这种方法为用户定义的公平系统打开了大门,即使服务的官方推荐系统并不公平。虽然现有的用户端推荐系统的方法已经解决了不使用日志数据构建推荐系统的挑战性问题,但它们依赖于启发式方法,并且从理论角度来看,构建用户端推荐系统是否是一个定义明确的问题仍然不清楚。在本文中,我们提供了用户端推荐系统的理论依据。具体来说,我们看到,隐藏的项目功能可以从用户可用的信息中恢复,使用户端推荐系统的建设定义明确。然而,这种理论上的方法并不有效。为了实现实用的,但理论上健全的推荐系统,我们提出了用户端推荐系统的三个理想的属性,并提出了一个有效的和高效的用户端推荐系统,\textsc{Consul},基于这些基础。我们证明,\textsc{Consul}满足所有三个属性,而现有的用户端推荐系统缺乏至少其中之一。在实验中,我们通过数值实验验证了特征恢复的理论。我们还表明,我们提出的方法实现了良好的权衡效果和效率,并通过案例研究表明,该方法可以检索信息,提供商的官方推荐系统不能。
2022-08-21 cs.IR
DS4RS: Community-Driven and Explainable Dataset Search Engine for Recommender System Research
本文提出DS4RS,一个社区驱动且可解释的数据集搜索引擎,支持语义搜索与相关性解释,提升推荐系统研究中数据集的可发现性和可复现性。
2025-08-13 cs.IR
A Survey on Data-Centric Recommender Systems
本文首次系统综述数据驱动的推荐系统,涵盖基础概念、数据三大问题、现有研究及未来方向,强调从模型中心向数据中心的范式转变。
2024-05-28 cs.IR
Comprehensive Privacy Analysis on Federated Recommender System against Attribute Inference Attacks
近年来,推荐系统对于提供满足用户偏好的个性化服务至关重要。通过个性化推荐服务,用户可以享受电影、书籍、广告、餐厅等多种推荐。尽管有很大的好处,个性化推荐通常需要收集个人数据进行用户建模和分析,这可能使用户容易受到属性推断攻击。具体地,现有集中式加密器在属性推断攻击下的脆弱性为恶意攻击者留下了推断用户的私有属性的后门,因为系统记住了它们的训练数据的信息(即,交互数据和辅助信息)。一种新兴的实践是在联合设置中实现推荐器系统,其使得所有用户设备能够协作地学习共享全局推荐器,同时将所有训练数据保持在设备上。然而,在联邦推荐系统中的隐私问题却很少被探讨。在本文中,我们首先设计了一个新的属性推理攻击执行一个全面的隐私分析的最先进的联邦推荐模型。实验结果表明,每个模型组件对属性推理攻击的脆弱性是不同的,突出了新的防御方法的需要。因此,我们提出了一种新的自适应隐私保护方法,以保护用户的敏感数据存在的属性推理攻击,同时最大限度地提高推荐精度。在两个真实数据集上的大量实验结果验证了我们的模型在推荐有效性和抵抗推理攻击方面的优越性能。
2023-03-19 cs.IR
LLM4MEA: Data-free Model Extraction Attacks on Sequential Recommenders via Large Language Models
本文提出LLM4MEA,利用大语言模型作为类人排序器与目标推荐系统交互生成高质量训练数据,显著提升对序列推荐器的模型提取攻击效果,并提出相应防御策略。
2025-07-22 cs.IR
Evaluation of recommender systems in streaming environments
推荐系统的评估通常是用有限的数据集来完成的。这意味着传统的评估方法仅适用于离线实验,其中数据和模型是固定的。然而,在现实世界的系统中,用户反馈是以不可预测的速率连续生成的。鉴于这种设置,一个重要的问题是如何评估算法在这样的流数据环境。在本文中,我们提出了一个prequential评价协议的推荐系统,适用于流数据环境,但也适用于固定设置。使用该协议,我们能够监控算法准确性随时间的演变。此外,我们能够进行可靠的比较评估的算法,通过计算显著性测试在一个滑动窗口。我们认为,除了适合于流数据,prequential评价允许检测的现象,否则将保持在离线和在线推荐系统的评估中被忽视。
2015-04-30 cs.IR
DataRec: A Python Library for Standardized and Reproducible Data Management in Recommender Systems
本文提出了开源Python库DataRec,通过提供统一的数据集准备、版本控制和框架集成例程,解决推荐系统研究中数据管理分散导致不可复现的问题,促进方法论标准化与公平基准测试。
2025-04-06 cs.IR
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
Machine Learning Approaches to Hybrid Music Recommender Systems
音乐推荐系统已经成为支持在线音乐流服务、在线音乐商店和私人收藏中对越来越大的音乐目录的访问的关键技术。用户与大型音乐目录的交互是一个复杂的现象,从不同的学科研究。我们调查我们的工作,调查混合音乐推荐系统的机器学习和数据采掘方面(即,集成不同推荐技术的系统)。我们提出了混合音乐推荐系统,完全基于数据和强大的所谓的“冷启动问题”的新音乐项目,有利于发现相关的,但非流行音乐。我们深入研究了音乐播放列表延续的具体任务,通过分析基本的播放列表特征,歌曲特征表示,以及播放列表和其中的歌曲之间的关系。
2018-07-16 cs.IR
Studying the Impact of Data Disclosure Mechanism in Recommender Systems via Simulation
近年来,依赖于用户个人数据的Web服务中的隐私问题引起了极大的关注。与联邦学习和差分隐私等现有隐私保护技术不同,我们探索了另一种减轻用户隐私担忧的方法,让他们能够控制自己的数据。为了实现这一目标,我们提出了一个隐私感知的推荐框架,让用户对他们的个人数据进行微妙的控制,包括隐式行为,例如,点击和观看。在这个新框架中,用户可以根据预期的隐私风险和潜在效用之间的权衡,主动控制要披露哪些数据。然后研究了用户在不同数据泄露机制和推荐模型下的隐私决策,以及用户的隐私决策对推荐系统性能的影响。为了避免现实世界的实验成本高,我们应用模拟来研究我们提出的框架的影响。具体来说,我们提出了一个强化学习算法来模拟用户的决定(与各种敏感性)下提出的平台机制在两个数据集上的三个代表性的推荐模型。仿真结果表明,与大多数实际应用所采用的“全有或全无”的二进制机制相比,具有更细的拆分粒度和更无限制的公开策略的平台机制可以为最终用户和平台带来更好的结果。这也表明,我们提出的框架可以有效地保护用户的隐私,因为他们可以获得可比的,甚至更好的结果与披露的数据少得多。
2022-10-20 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
CF Recommender System Based on Ontology and Nonnegative Matrix Factorization (NMF)
针对推荐系统数据稀疏与准确性问题,提出结合本体与非负矩阵分解(NMF)的协同过滤方法,实验表明其可降低稀疏性、提升准确率并推荐更相关项目。
2024-05-31 cs.IR
DotMat: Solving Cold-start Problem and Alleviating Sparsity Problem for Recommender Systems
冷启动和稀疏性问题是推荐系统的两个关键问题。在过去的二十年里,研究人员和工业实践者花费了大量的努力试图解决这些问题。然而,对于冷启动问题,大多数研究都依赖于引入边信息来传递知识。一个值得注意的例外是ZeroMat,它不使用额外的输入数据。稀疏性是一个较少注意到的问题。在本文中,我们提出了一个新的算法命名为DotMat,不依赖于额外的输入数据,但能够解决冷启动和稀疏性问题。在实验中,我们证明了像ZeroMat一样,DotMat可以在具有完整数据的推荐系统中获得有竞争力的结果,例如经典的矩阵分解算法。
2022-05-31 cs.IR
Doing Data Right: How Lessons Learned Working with Conventional Data should Inform the Future of Synthetic Data for Recommender Systems
我们提出的情况下,新出现的领域的合成数据在该地区的推荐系统应优先考虑“做正确的数据”。我们认为这个口号有两个方面:第一,我们不应该重复过去的错误,第二,我们应该探索合成数据在我们走向未来时所带来的全部机会。我们认为,明确关注数据集的设计和描述将有助于避免过去的错误与数据集的偏见和评估。为了充分利用合成数据的机会,我们指出,研究人员可以研究新的领域,如使用数据合成,以支持可重复性,使数据开放,以及公平,并推动我们的理解数据最小化。
2021-10-07 cs.IR
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台,以基于用户偏好提供个性化服务。在新闻网站中,大多数用户是匿名的,唯一可用的数据是匿名会话中的项目序列。由于这一点,典型的协同过滤方法,这是高度应用在许多应用中,是不是有效的新闻推荐。在这种情况下,基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比,基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中,我们提出的方案,使这些基于会话的推荐系统的多样性意识,并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题,它发生在系统缩小信息范围,剥夺用户多样性信息的时候。应用所提出的方案的结果表明,这些多样化的情况下,这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 cs.IR
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统,提出基于物品特征的新分类,并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
Improving incremental recommenders with online bagging
在线推荐系统通常处理连续的、潜在快速的和无界的数据流。推荐系统的包围方法在过去已经在批处理算法中使用,但是它们从来没有被研究过从数据流中学习的增量算法。我们评估在线装袋与增量矩阵分解算法的前N名的建议,只有积极的-二进制-评级。我们的研究结果表明,在线装袋是能够提高精度高达35%的基线,与小的计算开销。
2018-03-26 cs.IR
Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library
该研究全面综述推荐系统鲁棒性,将其分为对抗与非对抗两类梳理相关方法、数据集与指标,还提出对抗鲁棒性评估库ShillingREC并完成基础模型评估,指明领域挑战与未来方向。
2025-06-13 cs.IR
Exploring and Mitigating Gender Bias in Recommender Systems with Explicit Feedback
推荐系统是必不可少的,因为它们通过给我们个性化的建议来影响我们的日常行为和决策。Kindle、Youtube和Netflix等服务严重依赖其推荐系统的性能,以确保用户获得良好的体验并增加收入。尽管它们很受欢迎,但已经表明推荐系统复制并放大了现实世界中存在的偏见。由此产生的反馈创建了一个自我延续的循环,该循环恶化了用户体验,并导致随着时间的推移推荐被删除。此外,有偏见的建议也会强化基于性别或种族的刻板印象,从而强化我们生活的过滤气泡。在本文中,我们解决的问题,性别偏见的推荐系统与显式反馈。我们提出了一个模型来量化图书评级数据集和推荐系统产生的推荐中存在的性别偏见。我们的主要贡献是提供一个原则性的方法,以减轻建议中产生的偏见。我们从理论上表明,所提出的方法提供了公正的建议,尽管有偏见的数据。通过对公开图书评级数据集的实证评估,我们进一步表明,所提出的模型可以显着减少偏差,而不会对准确性产生显着影响。我们的方法是模型不可知的,可以应用于任何推荐系统。为了证明我们的模型的性能,我们提出了四个推荐算法的结果,两个从K-最近邻家庭,UserKNN和ItemKNN,和其他两个从矩阵分解家庭,交替最小二乘和奇异值分解。
2021-12-05 cs.IR
A Brief History of Recommender Systems
互联网发明后不久,推荐系统就出现了,相关技术得到了学术界和工业界的广泛研究和应用。目前,推荐系统已经成为最成功的Web应用之一,每天通过推荐不同类型的内容为数十亿人提供服务,包括新闻提要,视频,电子商务产品,音乐,电影,书籍,游戏,朋友,工作等。这些成功的案例证明了推荐系统可以将大数据转化为高价值。本文简要回顾了Web推荐系统的发展历史,主要从两个方面:(1)推荐模型,(2)典型推荐系统的体系结构。我们希望通过这篇简短的回顾,能够帮助我们了解网络推荐系统的发展过程,这些点在未来会以某种方式连接起来,这将激励我们构建更先进的推荐服务,以更好地改变世界。
2022-09-05 cs.IR
Interaction-level Membership Inference Attack Against Federated Recommender Systems
联邦学习和推荐系统(FedRec)的结合已被广泛用于解决个性化推荐服务中日益增长的数据隐私问题。在FedRecs中,用户的属性信息和行为数据(即,用户-项目交互数据)被本地保存在他们的个人设备上,因此,这被认为是保护用户隐私的相当安全的方法。因此,FedRecs的隐私问题很少被探讨。不幸的是,最近的几项研究表明,FedRecs容易受到用户属性推断攻击,突出了FedRecs的隐私问题。在本文中,我们进一步研究了用户行为数据的隐私问题(即,用户项交互)。具体来说,我们进行了第一次系统的研究交互级的成员推断攻击的FedRecs。首先设计了一种交互级成员推断攻击器,然后采用经典的隐私保护机制--局部差分隐私(LDP)来防御成员推断攻击。不幸的是,实证分析表明,LDP是不能有效地抵御这种新的攻击,除非推荐性能在很大程度上受到损害。为了减轻交互级成员攻击的威胁,我们设计了一个简单而有效的防御方法,以显着降低攻击者的推理准确性,而不损失推荐性能。在三个真实推荐数据集(MovieLens-100 K、Steam-200 K和Amazon Cell Phone)上,使用两个广泛使用的FedRecs(Fed-NCF和Fed-LightGCN)进行了大量实验,实验结果表明了我们的解决方案的有效性。
2023-01-30 cs.IR
How Researchers Could Obtain Quick and Cheap User Feedback on their Algorithms Without Having to Operate their Own Recommender System
大多数推荐算法都是基于历史基准数据集进行评估的。对历史基准数据集的评估是快速和廉价的,但排除了实际消费推荐的用户的观点。用户反馈很少被收集,因为它需要访问操作推荐系统。建立和维护一个可操作的推荐系统会给大多数研究人员带来无法承担的及时和经济负担。我们的目标是减少这种负担,以促进广泛的以用户为中心的评价推荐算法,特别是在该领域的新手研究人员。我们目前正在进行的评估工具,实现了一种新的范式,使用户为中心的评价推荐算法,而无需访问一个操作推荐系统的工作。最后,我们勾勒出我们计划在评估工具的帮助下进行的实验。
2022-12-14 cs.IR
A Statistical Real-Time Prediction Model for Recommender System
推荐系统已经成为网上购物不可分割的一部分,随着电子商务网站的发展,推荐系统的可用性也在不断提高。一个有效的推荐系统对买卖双方都有很大的好处。我们考虑了用户活动和产品信息的过滤过程中,我们建议的推荐系统。我们的模型在RecSys Challenge 2015提供的数据集上取得了令人鼓舞的结果(约58%的真阳性和13%的假阳性)。本文旨在描述一个统计模型,这将有助于预测购买行为的用户在实时的【形】会话期间。
2020-12-01 cs.IR
PowerMat: context-aware recommender system without user item rating values that solves the cold-start problem
推荐系统在许多现代公司中是一项重要的技术资产。随着对该技术精度要求的提高,越来越多的研究和投资被分配到该领域。推荐系统的一个重要的子领域是上下文感知推荐系统。由于输入数据收集的困难,上下文感知推荐系统的研究量远远少于推荐系统的其他子领域。在本文中,我们提出了一个新的算法命名为PowerMat来解决上下文感知的推荐问题。我们的理论建立在矩阵分解和Zipf定律,以及最近的研究工作,如DotMat。通过实验证明,我们的方法取得了优越的结果,经典的矩阵分解算法和其他上下文感知推荐系统,如MovieMat+。此外,通过理论分析,我们表明,我们的算法解决了上下文感知推荐的冷启动问题。
2023-03-11 cs.IR
Improving Semantic Similarity Measure Within a Recommender System Based-on RDF Graphs
针对信息爆炸下推荐系统的语义相似度度量需求,本文提出并实现了一种改进基于RDF图的推荐系统中语义相似度计算的方法,依托本体的结构化知识表示优化相关计算效果。
2023-07-20 cs.IR
Federated Conversational Recommender System
针对对话式推荐系统的集中式隐私泄露风险,提出一种结合去中心化处理与用户级差分隐私的联邦对话推荐框架,在保护隐私的同时实现了具竞争力的推荐性能。
2025-03-02 cs.IR
Data Watermarking for Sequential Recommender Systems
针对序列推荐系统的数据版权保护需求,提出DWRS方法,通过感受野引导在用户交互序列插入连续物品水印,在数据集和用户两种水印场景下,于5类模型、3个基准数据集上验证了其版权保护有效性且不影响模型效用。
2025-05-19 cs.IR
Group Validation in Recommender Systems: Framework for Multi-layer Performance Evaluation
解释试图在使用人工智能的平台上实现用户行为的模型的性能结果是研究人员和实践者继续面临的一个巨大挑战。虽然目前的评价工具有能力对一个系统的业绩提供可靠的总体概述,但它们在使用方面仍然缺乏一致性和有效性,这一点在最近关于这一专题的研究中显而易见。目前传统的评估技术往往无法检测到可能发生在较小的数据子集上的变化,并且缺乏解释这些变化如何影响整体性能的能力。在这篇文章中,我们专注于数据聚类的概念,用于评估在推荐系统应用程序的数据集,并应用邻域评估方法。这种新方法被称为基于邻域的评估,有助于更好地理解系统中更紧凑子集的关键性能变化,以帮助发现传统指标通常未注意到的弱点,并且通常被平均化。这个新的模块化评估层补充了现有的评估机制,并为推荐生态系统提供了几种应用的可能性,例如模型进化测试,欺诈/攻击检测以及托管混合模型设置的可能性。
2022-07-19 cs.IR
A Study on Enhancing User Engagement by Employing Gamified Recommender Systems
本研究全面综述游戏化推荐系统在各领域提升用户参与度的机制,对比不同推荐系统构建方法,深入分析其技术、局限等内容,指出研究空白与未来方向,为相关研究提供参考。
2025-08-02 cs.IR
RARD: The Related-Article Recommendation Dataset
推荐系统数据集用于推荐系统评估、训练机器学习算法和探索用户行为。虽然在电影、书籍和音乐领域有许多用于推荐系统的数据集,但来自研究论文推荐系统的数据集却相当少。在本文中,我们介绍了RARD,相关文章推荐数据集,从数字图书馆Sowiport和解释作为一种服务提供商先生DLib。该数据集包含向Sowiport用户显示的5740万条推荐信息。这些信息包括使用了哪些推荐方法(例如基于内容的过滤,刻板印象,最流行的),在基于内容的过滤中使用了哪些类型的功能(简单术语与关键词),从哪里提取功能(标题或摘要),以及推荐被交付和点击的时间。此外,数据集包含一个隐式的项目-项目评级矩阵,该矩阵是根据推荐点击日志创建的。RARD使研究人员能够训练用于研究论文推荐的机器学习算法,进行离线评估,并对DLib先生的推荐系统的数据进行研究,而无需自己实现推荐系统。在科学推荐系统领域,我们的数据集是独一无二的。据我们所知,没有数据集有更多的(隐式)评级可用,以及推荐算法的许多变化。该数据集可在http://data.mr-dlib.org上获得,并在Creative Commons Attribution 3.0 Unported(CC-BY)许可下发布。
2017-06-20 cs.IR
UserSimCRS: A User Simulation Toolkit for Evaluating Conversational Recommender Systems
我们提出了一个可扩展的用户模拟工具包,以促进自动评价会话式推荐系统。它建立在一个既定的基于XML的方法,并扩展了几个新的元素,包括用户满意度预测,人物和上下文建模,并有条件的自然语言生成。我们展示了一个预先存在的电影推荐系统的工具包,并展示了它的能力,模拟真实的对话,同时只需要少量的手动注释的对话作为训练数据。
2023-01-24 cs.IR
Decentralized Recommender Systems
本文提出了一个分散的推荐系统,制定流行的协同过滤(CF)模型到一个分散的矩阵完成形式的一组用户。通过这种方式,数据存储和计算是完全分布式的。每个用户只能与其邻域交换有限的信息,避免了集中式融合。该系统的优点包括保护用户隐私,以及更好的可扩展性和鲁棒性。我们将我们提出的算法与FlickerUserFavor数据集上的几种最先进的算法进行了比较,并证明了分散式算法可以获得与其他算法相比具有竞争力的性能。
2015-03-05 cs.IR
Predictive accuracy of recommender algorithms
本文在受控实验中比较三种传统推荐算法与两种深度学习算法的预测准确性,发现深度学习算法表现较弱并探讨过拟合及正则化改进方向。
2024-06-26 cs.IR
Towards Employing Recommender Systems for Supporting Data and Algorithm Sharing
数据和算法共享是数据和人工智能驱动经济的重要组成部分。数据和算法的有效共享依赖于用户、数据提供者和算法提供者之间的积极互动。虽然推荐系统被称为有效地互连用户和电子商务环境中的项目,有一个缺乏研究的数据和算法共享的推荐系统的适用性。为了填补这一空白,我们确定了六个推荐方案,以支持数据和算法共享,其中四个方案与电子商务应用程序中的传统推荐方案有很大不同。我们使用基于OpenML数据和算法共享平台的交互数据的新数据集来评估这些推荐方案,我们也为科学界提供了这些数据集。具体来说,我们调查三种类型的推荐方法,即流行,合作,和基于内容的建议。我们发现,基于协作的建议在所有情况下提供最准确的建议。此外,推荐准确性在很大程度上取决于特定的场景,例如,对用户的算法推荐是比对数据集的算法推荐更困难的问题。最后,基于内容的方法生成覆盖大多数数据集和算法的最少受欢迎的推荐。
2022-10-26 cs.IR
A Survey on Incremental Update for Neural Recommender Systems
推荐系统(RS)旨在为用户提供个性化的商品推荐,以防止消费者的过度选择。虽然已经进行了广泛的研究,以解决RS的不同方面和挑战,学术研究和工业应用之间仍然存在差距。具体而言,大多数现有的模型仍然以离线方式工作,其中推荐器在大型静态训练集上进行训练,并在非常严格的测试集上进行一次性评估。RS将保持不变,直到进行下一批再培训。我们框架,如批量更新推荐系统(BURS)的RS。在现实中,他们必须面对的挑战是,RS预计将立即更新新的数据流,并根据新到达的数据为当前用户活动生成更新的建议。我们框架,如增量更新推荐系统(IURS)的RS。在这篇文章中,我们提供了一个系统的调查神经推荐系统的增量更新。我们首先介绍的主要概念和制定IURS的任务的调查。然后,我们说明了IURS的挑战相比,传统的BURS。之后,我们详细介绍了现有的文献和评价问题。最后,我们概述了一些突出的开放式研究问题,在这方面的调查。
2023-03-06 cs.IR
Real-World Recommender Systems for Academia: The Pain and Gain in Building, Operating, and Researching them [Long Version]
推荐系统的研究是一项具有挑战性的任务,构建和操作这样的系统也是如此。主要挑战包括不可复制的研究结果,处理噪声数据,以及回答许多问题,例如显示多少推荐,多久显示一次,以及如何最有效地生成推荐。在过去的六年中,我们为数字图书馆和参考咨询管理员建立了三个研究论文推荐系统,并对这些系统进行了研究。在这篇文章中,我们分享了我们在这段时间里所做的一些经验。除其他外,我们讨论了所需的技能,建立推荐系统,以及为什么文献提供了一些帮助,确定有前途的推荐方法。我们解释了创建一个随机化引擎来运行A/B测试的挑战,以及低数据质量如何影响文献计量学的计算。我们进一步讨论了为什么我们的几个实验结果令人失望,并提供了关于有多少研究人员对我们的推荐数据集感兴趣的统计数据。
2017-04-01 cs.IR
On the User Behavior Leakage from Recommender System Exposure
现代推荐系统被训练成从用户的历史行为数据预测用户潜在的未来交互。在交互过程中,尽管数据来自用户侧推荐系统也产生曝光数据,为用户提供个性化的推荐板。与稀疏的用户行为数据相比,系统暴露数据的体积要大得多,因为只有非常少的暴露项目会被用户点击。此外,用户的历史行为数据是隐私敏感的,通常通过仔细的访问授权来保护。然而,大量的推荐曝光数据通常受到较少的关注,并且可以在相对较大的范围内访问各种信息搜索者。在本文中,我们研究了推荐系统中的用户行为泄漏问题。我们表明,隐私敏感的用户过去的行为数据可以推断,通过系统暴露的建模。此外,可以仅从对该用户的当前系统暴露的观察来推断用户已经点击了哪些项目。鉴于系统曝光数据可以从相对较大的范围广泛访问的事实,我们认为,用户过去的行为隐私在推荐系统中具有很高的泄漏风险。更准确地说,我们进行一个攻击模型,其输入是当前推荐的物品名单(即,系统暴露),而输出是用户的历史行为。在两个真实数据集上的实验结果表明,用户行为泄漏的危险性很大。为了解决这一风险,我们提出了一个两阶段的隐私保护机制,首先选择一个子集的项目从曝光石板,然后替换所选择的项目与统一的或基于流行度的曝光。实验结果表明,推荐准确率和隐私泄露风险之间的权衡效果。
2022-10-24 cs.IR
A Comparative Study of Recommender Systems under Big Data Constraints
本文比较了EASE-R、SLIM、矩阵分解、P3Alpha和RP3Beta等推荐算法在大数据约束下的可扩展性、准确性、计算复杂度和可解释性,发现EASE-R和RP3Beta在大规模场景中性能与可扩展性平衡更优,为模型选择提供指导。
2025-04-11 cs.IR
DIET: Learning to Distill Dataset Continually for Recommender Systems
University of Science and Technology of China(中国科学技术大学);Kuaishou Technology(快手科技)
DIET通过持续蒸馏数据集提升推荐系统模型训练效率,压缩数据至原大小的1-2%,降低模型迭代成本60倍,且在不同架构间保持良好泛化性。
2026-03-26 cs.IR
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估,我们得出结论,语义推荐系统一般优于传统的推荐系统的准确性,精度和召回率方面,建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
Emotion-based Recommender System
Ratidar Technologies LLC(Ratidar科技有限公司)
研究针对推荐系统中用户情感分析不足的问题,创建新理论和指标,提供可视化技术,设计基于情感的推荐算法框架,经实验验证该框架能有效捕捉用户情感,提升推荐系统性能。
2026-07-20 cs.IR
Uncovering the information core in recommender systems
随着互联网的迅速发展和人们所面临的信息量的巨大化,推荐系统被开发出来,以有效地支持用户在在线系统中的决策过程。到目前为止,人们一直致力于设计新的推荐算法和改进现有的推荐算法。然而,很少有工作考虑不同的用户的推荐系统的性能的不同贡献。这样的研究可以帮助我们通过排除不相关的用户来提高推荐效率。在本文中,我们认为,在每个在线系统中存在一组核心用户谁携带的大部分信息的推荐。有了它们,推荐系统已经可以产生令人满意的推荐。我们的核心用户提取方法,使推荐系统,以达到90%的准确率,仅考虑20%的数据。
2014-02-25 cs.IR
HeteFedRec: Federated Recommender Systems with Model Heterogeneity
本文提出 HeteFedRec 框架,通过异构模型聚合策略和基于关系的集成知识蒸馏,解决联邦推荐中客户端资源异构导致的模型规模固定问题,实现个性化模型规模分配并提升训练效果。
2023-12-05 cs.IR
On the challenges of studying bias in Recommender Systems: A UserKNN case study
该研究以UserKNN为案例,通过合成数据与不同算法配置的对比实验,揭示了数据属性和实现配置会影响推荐系统流行度偏差的测量结论,强调偏差研究需明确说明算法配置与数据特性。
2024-09-12 cs.IR