Personality-Driven Social Multimedia Content Recommendation
Steklov Institute of Mathematics at St. Petersburg（圣彼得堡斯捷克洛夫数学研究所）
社交媒体营销在向广大受众推广品牌和产品价值方面发挥着至关重要的作用。为了提高广告收入，Facebook Ads等全球媒体购买平台不断减少品牌有机帖子的覆盖范围，推动品牌在付费媒体广告上投入更多资金。为了有效地运行有机和付费的社交媒体营销，有必要了解受众，定制内容以适应他们的兴趣和在线行为，这是不可能大规模手动完成的。与此同时，各种性格类型分类方案，如Myers-Briggs性格类型指标，通过以统一和结构化的方式对受众行为进行分类，可以在更广泛的范围内揭示性格特质与用户内容偏好之间的依赖关系。这个问题还有待于研究界深入研究，而不同的人格特质对内容推荐准确性的影响程度还没有被广泛利用和全面评估。具体来说，在这项工作中，我们调查的影响，人类的个性特征的内容推荐模型，通过应用一种新的个性驱动的多视图内容推荐系统，称为个性内容营销推荐引擎，或PersiC。我们的实验结果和真实案例研究表明，PersiC不仅能够执行高效的人性化多视图内容推荐，而且还可以提供可操作的数字广告策略建议，与原始的人工引导方法相比，部署后能够将数字广告效率提高420%以上。
2022-07-25 cs.AI cs.IR
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架，量化LLM推荐中个性与公平性的权衡，发现个性提示提升心理对齐但加剧公平差异，为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
FairEval: Evaluating Fairness in LLM-Based Recommendations with Personality Awareness
Beihang University（北京航空航天大学）；McGill University（麦吉尔大学）
本文提出FairEval框架，融合人格特质与八项敏感人口属性，系统评估LLM推荐公平性，并通过PAFS指标揭示ChatGPT 4o与Gemini 1.5 Flash在音乐和电影推荐中的偏差，强调提示鲁棒性对构建包容性推荐系统的重要性。
2025-04-10 cs.AI cs.HC cs.IR
Collaborative Filtering by Personality Diagnosis: A Hybrid Memory- and Model-Based Approach
随着互联网商务的发展，协同过滤（CF）算法被广泛应用于推荐系统中。这样的系统利用关于多个用户的已知偏好的知识来向其他用户推荐感兴趣的项目。CF方法已经被用来对网页、电影、书籍和玩具等项目进行推荐。研究人员已经提出并评估了许多生成推荐的方法。我们描述和评估一种新的方法，称为人格诊断（PD）。给定用户对某些项目的偏好，我们计算他或她与其他用户具有相同“个性类型”的概率，进而计算他或她喜欢新项目的概率。PD保留了传统相似加权技术的一些优点，因为所有数据都与每个预测有关，并且可以轻松地增量添加新数据。此外，PD具有有意义的概率解释，可用于证明、解释和增强结果。我们报告的实证结果的EachMovie数据库的电影评级，并从CiteSeer数字图书馆收集的计算机科学研究论文的用户简档数据。概率框架自然支持各种描述性的测量-特别是，我们考虑的信息值（VOI）计算的适用性。
2013-01-16 cs.IR
PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation
本文提出基于LLM和大五人格的PUB模拟器，从行为日志与物品元数据中推断人格并生成高保真合成交互，为推荐系统评估提供可扩展、可控的替代方案。
2025-06-05 cs.IR
Personalized recommendation against crowd's popular selection
海量数据中的个性化推荐问题越来越受到人们的关注。传统的研究大多忽略了推荐对象的受欢迎程度，导致推荐的个性化程度和准确性不高。本文提出了一种基于加权对象网络的个性化推荐方法，对推荐对象进行惩罚，即反人气指数（Anti-popularity index，AP），该方法与主流推荐方法相比，具有较低的计算复杂性，提高了推荐的个性化、准确性和多样性。
2014-05-13 cs.IR cs.SI physics.soc-ph
A Personalized Subreddit Recommendation Engine
本文旨在改进Reddit为其用户提供的通用建议。我们提出了一种新的个性化推荐系统，学习用户subreddit互动的存在和内容，使用隐式和显式信号提供强大的建议。
2019-05-03 cs.IR
Towards the design of user-centric strategy recommendation systems for collaborative Human-AI tasks
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）
人工智能正被人类用来协作解决搜索和救援、制造等复杂任务。通过了解用户偏好并向人类推荐解决特定任务的不同策略，可以实现高效的团队合作。先前的工作集中在个性化的推荐系统，在电子商务或社交网络的背景下，相对较好地理解的任务。在本文中，我们试图了解设计以用户为中心的决策策略推荐系统时要考虑的重要因素。我们进行了一个人类受试者实验（n=60），测量不同的个性类型的用户对不同的策略推荐系统的偏好。我们在四种类型的策略推荐模式中进行了我们的实验，这些模式在先前的工作中已经建立：（1）单一策略推荐，（2）多个相似的推荐，（3）多个不同的推荐，（4）所有可能的策略推荐。虽然这些策略推荐方案已独立探索在以前的工作中，我们的研究是新颖的，因为我们同时采用所有这些策略的建议，为我们提供了一个深入的概述不同的策略推荐系统的看法。我们发现，某些人格特质，如诚实，显着影响对特定类型的系统的偏好（p < 0.01）。最后，我们报告了可用性，一致性和感知智能之间的有趣关系，其中更大的感知一致性的建议与自己的喜好导致更高的感知智能（p < 0.01）和更高的可用性（p < 0.01）。
2023-01-17 cs.AI cs.HC cs.IR
Enabling the Analysis of Personality Aspects in Recommender Systems
Macquarie University（麦考瑞大学）
现有的推荐系统主要集中在利用用户的反馈，例如，评级和评论，以检测相似的用户。因此，当用户之间没有共同感兴趣的项目时，它们可能会失败。我们称这个问题为数据稀疏没有反馈的共同项目（DSW-n-FCI）。基于个性的推荐系统已经显示出巨大的成功，以确定相似的用户基于他们的个性类型。然而，只有少数基于个性的推荐系统在文献中，要么发现个性明确通过填写问卷，这是一个繁琐的任务，或忽视用户的个人兴趣和知识水平的影响，作为一个关键因素，以提高推荐的接受度。因此，我们隐式地识别用户的个性类型，对用户没有负担，并将其与用户的个人兴趣和他们的知识水平结合起来。在真实数据集上的实验结果证明了该模型的有效性，特别是在DSW-n-FCI情况下。
2020-01-07 cs.CY cs.IR cs.LG
Uncertainty and Fairness Awareness in LLM-Based Recommendation Systems
Beihang University（北京航空航天大学）；McGill University（麦吉尔大学）
本文研究了大语言模型推荐系统中不确定性与公平性的影响，提出了一种新的评估方法并揭示了个性化与公平性之间的权衡。
2026-01-31 cs.AI cs.CL cs.CY
Deep Cross Networks with Aesthetic Preference for Cross-domain Recommendation
当购买外观第一的产品时，例如，服装，产品外观美学在决定过程中起着重要的作用。此外，用户的审美偏好可以被视为一种个性特征和基本需求，是领域无关的，可以作为知识转移的领域之间的桥梁。然而，现有的工作很少考虑产品照片中的美学信息进行跨域推荐。为此，在本文中，我们提出了一个新的深度审美偏好跨域网络（ACDN），其中表征个人审美偏好的参数在网络之间共享，以在域之间传递知识。具体来说，我们首先利用美学网络来提取相关特征。然后，我们将美学特征整合到跨领域网络中，以传递用户与领域无关的美学偏好。此外，网络交叉连接，使跨领域的双重知识转移。最后，在真实数据上的实验结果表明，我们提出的ACDN优于其他基准方法的推荐精度。研究结果还表明，用户的审美偏好可以有效地缓解跨域推荐中的数据稀疏问题。
2019-05-29 cs.IR
Multifaceted User Modeling in Recommendation: A Federated Foundation Models Approach
本文提出一种基于联邦基础模型的多面用户建模推荐方法，通过新型Transformer层与组门控网络分层捕捉用户兴趣多面性，并扩展至联邦设置以利用私有数据，在基准数据集上取得优越性能。
2024-12-22 cs.IR
You Are What You Eat... Listen to, Watch, and Read
Georgia Institute of Technology（佐治亚理工学院）
本文描述了一种数据驱动的方法，用于导出个性和媒体偏好之间的关系。这种关系的可量化表示可以用于推荐系统，并改善“冷启动”问题。在这里，数据由1，316个OkCupid约会档案的原始集合组成。在这些档案中，有800个被标记为16种可能的迈尔斯-布里格斯类型指标（MBTI）之一。一个个性特定的主题模型描述一个人最喜欢的书籍，电影，表演，音乐和食物使用潜在的Dirichlet分配（LDA）生成。有几个重要的发现，例如，直觉思维类型更喜欢科幻/幻想娱乐，外倾性与乐观的舞蹈音乐呈正相关，爵士乐，民间和国际美食与那些开放的经验呈正相关。许多其他相关性证实了先前的研究结果，描述了个性，写作风格和个人偏好之间的关系。(For完整的单词/个性类型关联见附录）。
2016-12-13 cs.CL cs.IR cs.SI
Psychologically-Inspired Music Recommendation System
Penn State University（宾夕法尼亚州立大学）
在过去的几年里，自动推荐系统一直是音乐领域的一个主要焦点，Spotify、亚马逊和苹果等公司都在为用户提供最个性化的音乐建议方面展开竞争。开发人员仍然未能解决的挑战之一是考虑到音乐的心理和情感方面。我们的目标是找到一种方法，将用户的个人特质和他们当前的情绪状态整合到一个单一的音乐推荐系统中，同时进行协作和基于内容的过滤。我们试图将听众的个性和当前情绪状态与音频特征联系起来，以建立一个情感感知的MRS。我们将结果与基于Spotify API数据的传统MRS的输出进行定量和定性比较，以了解我们的进步是否对音乐推荐的质量产生重大影响。
2022-05-06 cs.AI cs.IR
A two-step model and the algorithm for recalling in recommender systems
当用户在推荐系统中找到感兴趣的推荐时，用户可能想要回忆过去推荐的相关项目以重新考虑或再次欣赏它们。如果系统能在每个用户的请求下捡起这样的“召回”物品，那么它必须深化用户体验。我们提出了一个模型和算法，这种个性化的“召回”在传统的推荐系统，这是一个应用程序的神经网络的联想记忆。在我们的模型中，“召回”项目可以反映每个用户的个性，而不仅仅是项目之间的天真相似性。
2013-10-23 cs.IR
SocRecM: A Scalable Social Recommender Engine for Online Marketplaces
在本文中，我们提出了SocRecM，一个新的社会推荐框架，在线市场的工作进展。我们证明，SocRecM不仅易于集成与现有的Web技术，通过一个REST风格的，可扩展的，易于扩展的基于服务的架构，但也揭示了在何种程度上，各种社会功能和推荐方法是有用的在线社交市场环境。
2014-05-08 cs.IR
Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach
University of Rochester（罗切斯特大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
协同过滤（CF）因其高效、准确和可扩展性而被广泛应用于大规模推荐引擎中。然而，在实践中，基于CF的推荐引擎在进行推荐之前需要用户和项目之间的交互，这使得尚未暴露给最终用户的新项目不适合进行交互。这就是所谓的冷启动问题。在本文中，我们介绍了一种新的方法，采用深度学习来解决这个问题，在任何CF为基础的推荐引擎。所提出的技术的最重要的特点之一是，它可以应用于任何现有的CF基于推荐引擎，而不改变CF核心的事实。我们成功地应用这种技术，以克服项目冷启动问题，在凯业必达的CF推荐引擎。我们的实验表明，所提出的技术是非常有效的解决冷启动问题，同时保持高精度的CF建议。
2016-11-16 cs.IR cs.LG
Revisiting Prompt Engineering: A Comprehensive Evaluation for LLM-based Personalized Recommendation
本文在单用户推荐场景下对23种提示类型、8个数据集和12个LLM进行大规模评估，发现简单提示在高效LLM上更优，并为平衡准确性与成本提供了实用选择建议。
2025-07-17 cs.IR
Content-based Recommendation Engine for Video Streaming Platform
Department of Computer Science Tribhuvan University（计算机科学系 Tribhuvan 大学）
本文提出一种基于内容的视频推荐引擎，利用TF-IDF和余弦相似度实现个性化视频推荐，提升用户参与度和观看体验。
2025-12-29 cs.IR cs.LG
Expanding Click and Buy rates: Exploration of evaluation metrics that measure the impact of personalized recommendation engines on e-commerce platforms
为了确定最适合电子商业业务的推荐模型，应该对购物网站进行实时评估，以实时测量个性化的影响。本文的目的是介绍和证明两个新的指标-点击率NoRepeat和点击购买率-这源于标准的指标，点击率（CTR）和购买率（BTR），分别。前一种变体解决了原始CTR中高估点击量的问题，而后者则说明了之前点击过的产品的购买情况，以验证度量中包含的购买是客户交互的结果。对多个数据集进行两个均值独立性的显著性检验，在每个新度量和其各自的父度量之间，以确定变体的新颖性和必要性。皮尔逊相关系数的计算，以评估线性关系的强度，并得出结论的可预测性因素之间的上述因素，以调查客户点击和购买之间的未知连接。此外，其他指标，如点击每客户，每客户的买家，每客户的点击等介绍，帮助解释客户行为的指标在电子商业网站的参考。
2019-01-20 cs.IR
Considering Durations and Replays to Improve Music Recommender Systems
与其他媒体相比，音乐消费有其特殊性，特别是在收听时间和重播方面。音乐推荐可以考虑这些属性，以预测用户的行为。本文研究了它们的影响。因此，使用在流媒体平台上收集的日志创建了一个大型数据库，特别是收集收听时间。所提出的研究表明，高比例的收听事件意味着跳过动作，这可能表明用户不欣赏所收听的音轨。隐式喜欢和不喜欢可以从持续时间和重放的该信息中推导出，并且可以被考虑用于音乐推荐和用于音乐推荐引擎的评估。通常在文献中发现的定量研究证实，考虑二进制数据的基于邻域的系统在MAP@k方面给出了最佳结果。然而，对推荐曲目的更定性的评估表明，许多推荐的曲目通常以积极的方式评估，导致跳过或因此实际上不被欣赏。我们建议考虑隐式的喜欢/不喜欢作为推荐引擎的输入。评估表明，基于邻域的引擎仍然是最精确的，但根据持续时间和/或重放过滤输入对推荐引擎的目标有显着的积极影响。因此，可以通过考虑收听持续时间和重放来改进推荐过程。我们还研究了后过滤推荐曲目列表的可能性，以便限制将不愉快地收听（跳过和隐含的不喜欢）的曲目数量，并增加曲目欣赏（隐含的喜欢）的比例。几个简单的算法表明，该后过滤操作导致音乐推荐的质量的提高。
2017-11-14 cs.IR
Search Engine and Recommendation System for the Music Industry built with JinaAI
本文针对音乐搜索中仅凭歌名难以检索的问题，提出基于JinaAI构建神经搜索引擎与推荐系统，通过单一查询与歌词匹配提升搜索准确性和用户体验。
2023-08-07 cs.IR cs.LG
Continuous Online Evaluation of Recommendation Strategies in Social Science Academic Search
GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究机构）
本研究在社会科学学术搜索引擎GESIS Search中，利用STELLA框架实现并比较多种推荐算法，发现语义相似度推荐更受用户偏好，不同信息类型下推荐性能存在差异，为学术搜索推荐的连续评估提供了见解。
2026-07-30 cs.IR
A Scalable Recommendation Engine for New Users and Items
Duke University（杜克大学）；University College London（伦敦大学学院）
在许多数字环境中，诸如在线新闻和具有许多新用户和项目的电子零售，推荐系统面临若干挑战：冷启动问题），ii）如何学习用户对项目的偏好（测试和学习），以及iii）如何在具有无数人口统计和属性的许多用户和项目之间进行缩放。虽然许多推荐系统适应这些挑战的各个方面，但几乎没有解决所有问题的系统。本文介绍了一个协同过滤（CF）多臂强盗（B）与属性（A）推荐系统（CFB-A），以共同适应所有这些考虑。包括对MovieLens数据的离线测试、合成数据模拟和在线杂货店实验的经验应用表明，CFB-A导致累积平均奖励（例如，花费的总金钱或时间、点击次数、购买数量、平均评分等）相对于现存最强大的基线方法。
2023-02-27 cs.IR cs.LG
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
Query Completion Using Bandits for Engines Aggregation
通过在用户键入时建议完成的查询来帮助用户是搜索系统的一个常见功能，称为查询自动完成。查询自动完成引擎可以使用先前信号和可用信息（例如，用户是匿名的，用户有历史记录，用户在搜索之前访问过网站，等等。以改进其建议。有许多可能的策略，查询自动完成和一个挑战是设计一个最佳的引擎，考虑和使用所有可用的信息。当使用不同的策略来产生建议时，很难对这些异质的建议进行排名。另一种策略可以是聚合多个引擎，以便通过组合每个引擎的能力来不同地消化可用信息，同时保持每个引擎的简单性，从而增强推荐的多样性。因此，本研究的主要目标是找到这样的混合查询完成引擎，将击败任何单独采取的引擎。我们解决这个问题下的土匪设置和评估四个战略来克服这一挑战。在三个真实数据集上进行的实验表明，混合引擎的性能可以超过单个引擎。
2017-09-13 cs.IR
GenUP: Generative User Profilers as In-Context Learners for Next POI Recommender Systems
提出GenUP方法，利用自然语言用户画像作为LLM的上下文提示，解决POI推荐中的透明性和冷启动问题，提升准确性和可扩展性。
2025-06-20 cs.IR
IceBreaker: Solving Cold Start Problem for Video Recommendation Engines
互联网带来了所有形式的内容的巨大增长，其中，视频内容构成了发布和观看的总内容的主要支柱。因此，视频推荐引擎（如Hulu）必须寻找新颖和创新的方式向用户推荐新添加的视频。然而，新视频的问题在于它们缺乏任何类型的元数据和用户交互，以便能够为消费者对视频进行评级。为此，本文介绍了我们为Hulu为2018年ACM多媒体会议主办的基于内容的视频相关性预测（CBVRP）挑战赛开发的几种技术。我们在CBVRP数据集上采用不同的架构，以利用所提供的帧和视频级特征，并生成与其他视频相似的视频预测。我们还实现了几个集成策略，以探索这两种类型的功能之间的互补性。所取得的成果是令人鼓舞的，并将推动基于多媒体的视频推荐系统的研究边界。
2018-08-16 cs.IR cs.MM
A Tech Hybrid-Recommendation Engine and Personalized Notification: An integrated tool to assist users through Recommendations (Project ATHENA)
ATHENA项目旨在开发一个解决信息过载的应用程序，主要关注具有现代系统的个性化和用户体验设计的推荐系统（RS）。使用了两种机器学习（ML）算法：（1）用于基于内容的过滤（CBF）的TF-IDF;（2）具有矩阵分解的分类-奇异值分解（SVD），其应用于协同过滤（CF）和平均值（归一化）以用于CF的预测精度。菲律宾农业、水产和自然资源研究与发展委员会（PCAARRD）电子图书馆和SARAI项目出版物的学术研究与发展中的数据采样，以及用作训练集的模拟数据，以生成使用三种RS过滤（CF，CBF和个性化版本的项目推荐）的项目推荐。执行并讨论了一系列测试和TAM。调查结果允许用户参与在线信息，并快速评估应用程序产生的检索项目。兼容性测试（CoT）显示该应用程序与所有主要浏览器兼容，并且对移动设备友好。性能测试（PT）推荐的v-参数规格和TAM评估结果表明与总体正反馈密切相关，足以彻底解决信息过载问题作为本文的核心。提出了一种模块化架构，以解决信息过载问题，主要关注具有个性化和现代系统设计的RS。开发人员使用了两种ML算法，并对架构的简化版本进行了原型设计。进行并讨论了一系列测试（CoT和PT）和TAM评价。项目ATHENA增加了一个现代系统的UX功能设计。
2022-02-13 cs.IR cs.LG
SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents
Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Department of Mechanical & Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Faculty of Information, University of Toronto（多伦多大学信息学院）；University of California, San Diego（圣地亚哥大学）；ZBot Technology（ZBot技术）；Coolwei AI Lab（Coolwei人工智能实验室）
研究GEO攻击如何使推荐代理推广有缺陷产品，提出SafeGEO评估套件，发现攻击使缺陷产品入选率提升83.2%，简单防御可降低39.2%但无法完全消除风险。
2026-09-09 cs.AI cs.IR
Towards a Context-Aware IDE-Based Meta Search Engine for Recommendation about Programming Errors and Exceptions
研究表明，在软件开发和维护过程中，软件开发人员花费大约19%的时间在Web上查找信息。传统的网络搜索迫使他们离开工作环境（例如，IDE）并在Web浏览器中查找信息。它也没有考虑开发人员寻找解决方案的问题的背景。Web浏览器和IDE之间的频繁切换既耗时又分散注意力，基于关键字的传统Web搜索通常对解决问题没有多大帮助。在本文中，我们提出了一个基于Eclipse IDE的Web搜索解决方案，利用三个流行的Web搜索引擎提供的API-谷歌，雅虎，Bing和一个流行的编程问答网站，堆栈溢出，并捕获内容相关性，上下文相关性，流行度和搜索引擎的信心，每个候选结果对遇到的编程问题。使用所提出的方法与75个编程错误和异常的实验表明，包含与给定的异常相关联的不同类型的上下文信息可以提高给定的异常的推荐精度。实验与现有的两种方法和现有的Web搜索引擎证实，我们的方法可以比他们更好的召回率，平均精度和其他性能指标，很少的计算成本。
2018-07-06 cs.IR cs.SE
Thresholding for Top-k Recommendation with Temporal Dynamics
这项工作的重点是top-k推荐的基础数据分布偏移超时的域。我们建议在现有的推荐引擎上学习每个项目的时间依赖性偏差。这种偏差学习过程在构建引擎时消除了数据稀疏性，同时捕获了在数据中观察到的最近趋势变化。我们提出了一个交替优化框架来解决偏差学习问题，并开发了处理各种常用的推荐评估标准，以及大量的项目和用户在实践中的方法。所提出的算法进行检查，离线和在线，使用从全球最大的零售商收集的真实世界的数据集。实验结果表明，偏见学习几乎总是可以提高推荐性能。我们鼓励其他从业者采用它作为一个标准的组成部分，在推荐系统的时间动态是一个规范。
2015-11-09 cs.IR cs.LG
On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models
Google Inc.（谷歌公司）
对于工业规模的广告系统，广告点击率（CTR）的预测是一个中心问题。广告点击构成了用户参与的重要类别，并且通常被用作广告对用户有用性的主要信号。此外，在按点击收费的广告系统中，广告客户按点击收费，点击率预期直接进入价值估计。因此，CTR模型开发是大多数互联网广告公司的重大投资。针对此类问题的工程设计需要许多适用于在线学习的机器学习（ML）技术，这些技术远远超出了传统的准确性改进，特别是在效率、可重复性、校准、信用归属方面。我们提出了一个案例研究部署在谷歌的搜索广告CTR模型的实用技术。本文提供了一个行业案例研究，突出了当前ML研究的重要领域，并说明了如何评估有影响力的新ML方法并使其在大规模工业环境中发挥作用。
2022-09-12 cs.IR cs.LG
RikoNet: A Novel Anime Recommendation Engine
National Institute of Technology Silchar（锡尔查尔国家理工学院）
动漫在今天很受欢迎，尤其是在年轻一代中。随着许多类型的可用节目，越来越多的人越来越多地被吸引到娱乐行业的这个利基部分。由于动漫最近获得了主流的关注，我们对用户的喜好和观看习惯的信息不足。因此，为这种相对模糊的娱乐媒体构建推荐引擎是一项艰巨的任务。在这种尝试中，我们已经建立了一个新的混合推荐系统，既可以作为一个推荐系统，并作为一种手段，探索新的动漫类型和标题。我们分析了这个领域的发展趋势和用户的观看习惯，提出了我们有效的解决方案。我们的解决方案采用深度自动编码器来完成预测评级和生成嵌入的任务。在此之后，我们使用动画标题的嵌入形成集群。这些聚类形成具有相似性的动画的搜索空间，并且用于找到与用户喜欢和不喜欢的动画相似的动画。该方法与预测收视率相结合，形成了一种新型的混合滤波器。在本文中，我们已经证明了这一想法，并比较了我们实现的模型与现有的最先进的技术的性能。
2021-06-24 cs.AI cs.IR cs.LG
Context-aware Deep Model for Entity Recommendation in Search Engine at Alibaba
Alibaba Group（阿里巴巴集团）
实体推荐通过帮助搜索用户为给定的查询找到相关的实体来为搜索用户提供改善的体验，已经成为当今搜索引擎不可或缺的功能。现有的研究通常只考虑显式实体的查询。它们通常无法处理没有实体的复杂查询，例如“什么食物适合寒冷的天气”，因为它们的模型无法推断输入文本的潜在含义。在这项工作中，我们认为，上下文传递有价值的证据，可以促进查询的语义建模，并考虑到实体推荐。为了更好地对查询和实体的语义进行建模，我们与关注的深度神经网络一起学习查询和实体的表示。我们评估我们的方法使用大规模的，现实世界的搜索日志，从一个广泛使用的商业中文搜索引擎。我们的系统已经部署在神马搜索引擎中，你可以在阿里巴巴的UC浏览器中获取它。在线A/B测试结果表明，点击率的印象效率提高了5.1%，页面浏览量增加了5.5%。
2019-09-06 cs.AI cs.CL cs.IR
DeepProphet2 -- A Deep Learning Gene Recommendation Engine
TheProphetAI（先知人工智能）
机器学习的最新进展为解决生命科学问题创造了新的强大工具。本文的目的是讨论基因推荐的人工智能（AI）的潜在优势。事实上，基因推荐引擎试图解决这个问题：如果用户对一组基因感兴趣，那么其他哪些基因可能与起始组相关，应该进行调查？这项任务是通过自定义深度学习推荐引擎DeepPract 2（DP 2）解决的，该引擎可通过https://www.generecommender.com?免费提供给全球研究人员utm_source= Deepcart2_paper&utm_medium =pdf.此后，说明了算法背后的见解及其实际应用。基因推荐问题可以通过将基因映射到度量空间来解决，在度量空间中可以定义距离来表示它们之间的真实语义距离。为了实现这一目标，基于transformer的模型已经在精心策划的免费论文语料库PubMed上进行了训练。本文描述了用于获得最佳偏差-方差权衡的多个优化过程，重点是嵌入大小和网络深度。在这种情况下，通过交叉验证评估了该模型发现与疾病和途径有关的基因集的能力。一个简单的假设指导了这一过程：该网络对途径和疾病没有直接的知识，但了解了基因的相似性及其相互作用。此外，为了进一步研究神经网络代表基因的空间，嵌入的维数被降低，结果被投影到人类可理解的空间。最后，一组用例说明了该算法在现实世界中的潜在应用。
2023-03-22 cs.IR cs.LG q-bio.QM
Do We Care About Personalization and Explainability? An Interview Study with News Recommendation Engineers
University of Amsterdam（阿姆斯特丹大学）；Jheronimus Academy of Data Science（耶罗尼穆斯数据科学学院）；Birla Institute of Technology & Science, Pilani（比拉理工学院皮拉尼校区）；Eindhoven University of Technology（埃因霍温理工大学）
本研究通过访谈九家新闻机构的工程师，发现个性化因用户追踪、编辑控制等顾虑而受限，可解释性常被忽视，并提供了在新闻推荐流程中采纳可解释性的实用指南。
2026-09-21 cs.HC cs.IR
Unexpected Knowledge: Auditing Wikipedia and Grokipedia Search Recommendations
University of Calabria, ICAR-CNR（卡塔尼亚大学，ICAR-CNR）；University of Southern California（南加州大学）；University of Calabria, ICAR-CNR, Revelis s.r.l.（卡塔尼亚大学，ICAR-CNR，Revelis s.r.l.）
研究通过比较维基百科和Grokipedia的搜索推荐，发现两者均存在意外结果，但主题分布和推荐差异显著。
2025-12-18 cs.AI cs.IR
Requirements Engineering for General Recommender Systems
在推荐系统的需求工程中，软件工程师必须确定驱动推荐的数据。这是一项劳动密集型任务，容易出错且成本高昂。一个可能的解决方案是采用基于通用推荐框架的自动推荐系统开发方法。创建这样一个框架的一个步骤是确定推荐系统中使用的数据类型。在本文中，一个系统的审查已经进行了识别类型的用户和推荐数据项所需的一般推荐系统。提出了一个用户和项目模型，并解释了算法特定参数的一些考虑。另一个目标是研究大数据和物联网领域对推荐系统发展的影响。
2016-02-24 cs.IR cs.SE
Engineering Serendipity through Recommendations of Items with Atypical Aspects
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出通过推荐具有非典型方面的物品来设计偶然性的新任务，构建基于LLM的系统提取非典型方面并重排序推荐列表，实验证明其排名与真实排名高度相关。
2025-05-29 cs.AI cs.IR
Learning Complex Users' Preferences for Recommender Systems
Macquarie University（麦考瑞大学）
推荐系统（RS）已经成为非常有用的工具，以帮助客户与他们的决策过程中，找到他们感兴趣的项目，并减轻信息过载的问题。在RS中有两种不同的方法：（1）一般的搜索器，其主要目标是发现长期用户的偏好，以及（2）顺序搜索器，其主要焦点是在用户-物品交互的会话中捕获短期用户的偏好（这里，会话是指在一个购物事件中购买多个物品的记录）。虽然考虑短期用户的偏好可以满足他们当前的需求和兴趣，但长期用户的偏好最终为用户提供他们可能与之交互的项目。在这篇论文中，我们首先专注于提高一般RS的性能。现有的通用RS大多倾向于利用用户对共同项目的评分模式来检测相似用户。数据稀疏性问题（即缺乏可用信息）是当前通用RS的主要挑战之一，并且当用户之间没有共同感兴趣的项目时，它们可能无法提供任何推荐。我们称这个问题为数据稀疏，没有反馈的共同项目（DSW-n-FCI）。为了克服这个问题，我们提出了一个基于个性的RS中，相似的用户被确定的基础上，他们的个性特征的相似性。
2021-07-04 cs.IR cs.LG
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Parameterized Explanations for Investor / Company Matching
J.P.Morgan AI Research（摩根大通人工智能研究）
匹配公司和投资者通常被认为是一个高度专业化的决策过程。构建一个可以自动化这种推荐过程的人工智能智能体可以显着帮助降低成本，消除人为偏见和错误。然而，由于财务数据集的样本规模有限，而且不仅需要好的建议，而且需要解释为什么提出某项建议，因此这是一个具有挑战性的问题。在这项工作中，我们提出了一个表示学习为基础的推荐引擎，工作非常好，与小数据集，并演示了它如何可以与参数化的解释生成引擎，以建立一个可解释的推荐系统投资者-公司匹配。我们比较了我们的系统与人类产生的建议的性能，并证明了我们的算法在这项任务上执行得非常好的能力。我们还强调了可解释性如何帮助我们的系统在现实生活中的采用。
2021-10-27 cs.AI cs.IR q-fin.CP
Maximizing User Experience with LLMOps-Driven Personalized Recommendation Systems
Northeastern University（东北大学）；Columbia University（哥伦比亚大学）
本文探讨了将LLMOps集成到个性化推荐系统中的价值，指出其能提升大规模机器学习模型的效率与可靠性，同时需应对数据安全、模型可解释性及伦理挑战，最终旨在最大化用户体验并推动该领域的未来发展。
2024-04-01 cs.AI cs.IR
Driving Engagement in Daily Fantasy Sports with a Scalable and Urgency-Aware Ranking Engine
Unmesh Padalkar
本文提出一种可扩展的排名引擎，通过实时紧迫性特征和时间间隔编码提升每日幻想体育的推荐效果，实现9%的nDCG@1提升。
2026-04-15 cs.IR cs.LG
Solving Fashion Recommendation -- The Farfetch Challenge
MiQ Digital
推荐引擎是现代电子商务体验不可或缺的一部分，无论是对卖家还是最终用户。准确的推荐带来更高的收入和更好的用户体验。在本文中，我们提出了我们的解决方案ECML PKDD Farfetch时尚推荐挑战。这项挑战的目标是最大限度地提高点击的机会时，用户提出了一套时尚的项目。我们把这个问题当作一个二元分类问题来处理。我们的获奖解决方案使用Catboost作为分类器，使用贝叶斯优化进行超参数调整。我们的基线模型在验证集上实现了0.5153的MRR。超参数的贝叶斯优化将验证集上的MRR提高到0.5240。我们最终提交的测试集的MRR为0.5257。
2021-09-07 cs.IR cs.LG
Learning to Rank Query Recommendations by Semantic Similarities
Yahoo! JAPAN Research（雅虎日本研究院）；Yahoo! Labs（雅虎实验室）；Yahoo! Research（雅虎研究院）
对与搜索引擎交互的分析表明，用户经常重新表达他们的查询。检查这些重新表达表明，精确查询焦点的建议是有帮助的，就像那些基于原始查询扩展的建议一样。但它也表明，查询，表达一些主题转移相对于原始查询可以帮助用户更快地访问他们需要的信息。我们提出了一种方法来确定从过去的用户查询的查询日志，无论是重点或转移的初始查询主题。该方法结合了各种基于点击、基于主题和基于会话的排序策略，并使用监督学习来最大化查询和推荐之间的语义相似性，同时使它们多样化。我们评估我们的方法使用的查询/点击日志的日本网络搜索引擎，我们表明，提出的三种方法的组合是显着优于任何单独采取。
2012-04-12 cs.AI cs.HC cs.IR
An Comparative Analysis about KYC on a Recommendation System Toward Agentic Recommendation System
Hechu Tech（海楚科技）
本文提出利用代理AI的KYC推荐系统，通过对比不同垂直领域的性能，评估其在金融领域的应用效果。
2025-12-30 cs.AI cs.IR cs.MA
Manipulating Large Language Models to Increase Product Visibility
Harvard University（哈佛大学）
本文研究通过在产品信息页添加策略性文本序列（STS）操纵大语言模型推荐，实验证明该方法能显著提升目标产品被列为首选推荐的概率，为供应商带来竞争优势并可能影响AI搜索生态。
2024-09-02 cs.AI cs.CL cs.IR
Incentivising Exploration and Recommendations for Contextual Bandits with Payments
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
我们提出了一个基于上下文的强盗模型，以捕捉学习和社会福利目标的网络平台中存在的近视用户。通过使用支付来激励这些代理探索不同的项目/推荐，我们展示了平台如何学习项目的固有属性并实现次线性遗憾，同时最大化累积社会福利。我们还计算了激励平台的累积成本的理论界限。与该领域以前的作品不同，我们认为上下文是完全对抗的，对手的行为对平台是未知的。我们的方法可以提高用户在电子商务商店，推荐引擎和匹配平台上的各种参与度指标。
2020-01-22 cs.IR cs.LG stat.ML
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville（路易斯维尔大学）；Microsoft（微软）
本文研究了ChatGPT作为top-n对话式推荐系统的有效性，通过构建带反馈的重新提示流水线来精炼推荐结果，发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
