Uncovering Cross-Domain Recommendation Ability of Large Language Models
本文提出LLM4CDR流程,利用源域购买历史和共享特征构建提示,通过大语言模型实现跨域推荐,实验表明其在域差距小、模型规模大时性能最佳。
2025-03-10 cs.IR
Towards effective research recommender systems for repositories
在本文中,我们认为,为什么以及如何整合的推荐系统的研究,可以提高存储库的功能和用户体验。我们在CORE Recommender中展示了最新的技术创新,它在全球知识库和期刊网络中提供研究文章推荐。CORE Recommender最近已经重新开发,并在CORE系统中投入生产,还部署在几个第三方存储库中。我们解释了这个独特系统的设计选择以及我们为继续提高所提供建议的质量而制定的评估流程。通过借鉴我们的经验,我们讨论的主要挑战,提供一个国家的最先进的推荐解决方案的知识库。我们强调了当前存储库基础设施在开发研究推荐系统方面的两个关键限制:1)缺乏用于暴露匿名用户交互日志的标准化协议和能力,匿名用户交互日志表示对于基于协作过滤的推荐系统至关重要的输入数据,以及2)在存储库中缺乏自愿的全局登录能力,这将使得能够基于过去的用户交互来创建个性化的推荐和通知解决方案。
2017-05-01 cs.DL cs.IR
Towards Creating a Standardized Collection of Simple and Targeted Experiments to Analyze Core Aspects of the Recommender Systems Problem
想象一下,您是一名老师,试图评估学生在特定学科的水平。如果你设计了一个只有难的问题的测试,而学生失败了,这主要证明学生不理解更高级的材料。一个更有见地的考试将包括不同类型的问题,不同的难度,真正了解学生的弱点和优势,从不同的角度。在推荐系统(RS)领域,我们通常会设计评估来衡量算法在复杂场景中优化目标的能力,这些场景代表了系统最有可能面临的现实挑战。然而,本文假设,测试算法解决简单和复杂任务/问题的能力将提供更详细的性能视图,以帮助在更细粒度的级别上识别解决方案在面对不同场景/领域时的弱点和优势。我们相信RS社区将从创建一系列标准化、简单且有针对性的实验中受益匪浅,这些实验就像一套“单元测试”一样,将单独评估算法解决核心挑战的能力,这些挑战构成了复杂的RS任务。更重要的是,这些实验超越了传统的通过/失败“单元测试“。针对实验集合运行算法允许研究人员凭经验分析算法在哪种类型的设置中表现最好以及在不同度量下表现到什么程度。我们不仅捍卫这一立场,在本文中,我们还提出了如何定义和共享这些简单而有针对性的实验的建议,并提出了使该项目成为现实的潜在后续步骤。
2021-10-08 cs.IR
Evaluating Conversational Recommender Systems via Large Language Models: A User-Centric Framework
The Hong Kong Polytechnic University(香港理工大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);City University of Hong Kong(香港城市大学)
本文提出CoRE框架,通过大语言模型评估对话推荐系统,结合用户评价和多代理辩论,提升用户体验评估的准确性。
2026-01-24 cs.IR
SARDINE: A Simulator for Automated Recommendation in Dynamic and Interactive Environments
本文提出灵活可解释的推荐模拟器 SARDINE,通过建模推荐对用户及有偏数据对系统迭代等动态交互机制,支持在九个环境中评估交互式与数据驱动推荐方法。
2024-04-08 cs.IR
Scalable Neural Contextual Bandit for Recommender Systems
Meta AI;Stanford University(斯坦福大学)
针对现有神经推荐系统探索未知用户偏好效率低、神经上下文赌博机计算成本高的问题,提出可扩展的认知神经推荐架构ENR,实现大规模汤普森采样,在性能、样本效率和计算成本上均显著优于现有基线算法。
2023-08-19 cs.AI cs.IR
Adversarial Item Promotion: Vulnerabilities at the Core of Top-N Recommenders that Use Images to Address Cold Start
Radboud University(拉德堡德大学)
电子商务平台向其客户提供匹配客户偏好的推荐物品的排名列表。电子商务平台上的商家希望他们的商品尽可能出现在这些排名列表的前N位。在本文中,我们展示了无良商家如何创建物品图像,人为地推广他们的产品,提高他们的排名。使用图像来解决冷启动问题的推荐系统容易受到这种安全风险的影响。我们描述了一种新型的攻击,对抗性项目推广(AIP),直接打击前N名的核心:排名机制本身。推荐系统中对抗图像的现有工作研究了传统攻击的影响,这些攻击针对深度学习分类器。相比之下,我们的AIP攻击是嵌入式攻击,试图以欺骗排名器(而不是分类器)的方式推送特征表示,并直接导致项目提升。我们介绍了三个AIP攻击内幕攻击,专家攻击和语义攻击,这是相对于三个连续更现实的攻击模型定义。我们的实验评估了这些攻击的危险时,安装对三个代表性的视觉感知推荐算法的框架,使用图像来解决冷启动。我们还评估了潜在的防御措施,包括对抗性训练,并发现目前常见的技术并不能消除AIP攻击的危险。总之,我们表明,使用图像来解决冷启动打开推荐系统的潜在威胁具有明确的实际意义。
2020-10-20 cs.CR cs.CV cs.IR
Play to Your Strengths: Collaborative Intelligence of Conventional Recommender Models and Large Language Models
本文提出CoReLLa框架,通过联合训练传统推荐模型与大型语言模型并利用对齐损失解决决策边界偏移,使CRM处理简单样本、LLM处理复杂样本,从而发挥两者协同优势,显著提升推荐性能。
2024-03-25 cs.IR
The 1st Workshop on Human-Centered Recommender Systems
该研讨会聚焦以人为中心的推荐系统,旨在围绕鲁棒性、隐私、公平性、透明度和伦理等问题,探索更用户友好且负责任的推荐系统设计与评估方法。
2024-11-22 cs.IR
Recommender systems based on graph embedding techniques: A comprehensive review
University of Electronic Science and Technology of China(电子科技大学)
推荐系统作为缓解信息过载问题的关键工具,其目标是通过分析用户与项目之间的关系,从数百万候选项目中预测用户的偏好项目。为了解决推荐系统中的稀疏性和冷启动问题,研究者们采用了在推荐中引入边信息或知识的策略来发现隐藏的(间接的)用户-项目关系,旨在丰富推荐所需的观测信息(或数据)。然而,面对高复杂性和大规模的边信息和知识,该策略的有效实施依赖于推荐模型的可扩展性。直到机器学习流行之后,图嵌入技术才成为一个焦点,它可以有效地利用复杂和大规模的数据。有鉴于此,近年来,为推荐系统配备图嵌入技术得到了广泛的研究,似乎优于直接基于图拓扑分析实现的传统推荐。作为重点,本文从二分图、一般图和知识图谱的嵌入技术入手,回顾了基于图嵌入的推荐方法,并提出了基于图嵌入的推荐方法的一般设计流程。此外,通过仿真比较几种典型的基于图嵌入的推荐模型与最常用的传统推荐模型,发现传统推荐模型在预测隐式用户-项目交互方面的性能优于基于图嵌入的推荐模型,揭示了基于图嵌入的推荐模型在这些任务中的相对弱点。为了促进未来的研究,本文提出了在不同任务中权衡基于图嵌入的推荐和传统推荐的建议,并提出了开放性问题。
2022-03-22 cs.IR cs.LG
Simulating Filter Bubble on Short-video Recommender System with Large Language Model Agents
Tsinghua University(清华大学)
针对短视频平台过滤气泡形成机制不明的问题,本文提出基于大语言模型的模拟框架,复现用户-推荐交互,识别关键影响因素并测试干预策略,为缓解过滤气泡、促进内容多样性与公平性提供工具与方法。
2025-03-23 cs.AI cs.IR
Social Recommender Systems Based on Coupling Network Structure Analysis
在过去的几年里,推荐系统取得了巨大的成功,它可以显着地帮助用户找到相关的和有趣的项目,他们在信息时代。然而,这一领域的大量研究主要集中在预测二分用户-项目网络(以行为网络为代表)中的缺失链接。相对而言,对网络的社会影响,尤其是基于网络结构的属性的研究相对较少。本文首先分别从社交网络和行为网络中获得了相应的五个基于网络的特征,包括用户活跃度、平均邻居度、聚集系数、选型系数和区分度。提出了一种混合算法来整合来自两个各自网络的这些特征。随后,我们采用了一个机器学习过程,使用这些功能,在一个二元分类器的方法提供推荐结果。在真实数据集Flixster上的实验结果表明,该方法可以显著提高算法的精度。此外,由于基于网络的属性不仅考虑了社交活动,而且还考虑了行为网络中的用户偏好,因此,它的性能比社交网络或行为网络要好得多。此外,由于基于行为网络的特征包含了更多样和更有意义的结构信息,它们在揭示用户的潜在偏好方面起着至关重要的作用,这可能对深入理解社会和行为网络的结构和功能具有启发意义。
2012-04-09 cs.IR cs.SI physics.soc-ph
NS4AR: A new, focused on sampling areas sampling method in graphical recommendation Systems
针对图推荐系统负采样的数量与质量问题,本文提出NS4AR方法,通过划分采样区域并利用AdaSim加权构建正负样本集,同时设计子集选择模型筛选核心负样本。
2023-10-01 cs.IR
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型,从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性,并开放框架与代码以保证可复现。
2024-10-25 cs.IR
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络(LBSN)(例如,Facebook)有很多因素(例如,评级,签到时间等)。这对兴趣点(POI)建议起着至关重要的作用。与评级不同,评论可以帮助用户详细阐述他们的意见,并根据相关的感兴趣因素(方面)分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论,但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知,这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中,我们提出了一个模型称为PERS(个性化可解释POI推荐系统),模型的评论方面类别的相关性,通过利用深度神经网络,制定了用户方面类别二分关系作为一个二分图,和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是:(i)基于用户通过评论发布的方面对用户和位置进行建模,(ii)利用深度神经网络对评论-方面类别相关性进行建模,(iii)提供多个上下文(例如,分类、空间等)在兴趣点推荐模型中,(iv)将用户对方面类别的偏好表示为二分关系,将其表示为位置-方面类别二分图,并使用基于二分核心和基于排名的方法,利用有序稠密子图提取的概念对可解释推荐进行建模,(v)使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
On-Device Recommender Systems: A Tutorial on The New-Generation Recommendation Paradigm
本教程系统梳理端侧推荐系统的研究现状、技术分类、部署推理、端上训练、隐私安全及未来方向,以应对云端推荐的资源、网络与隐私挑战。
2023-12-18 cs.IR
Learning Elastic Embeddings for Customizing On-Device Recommenders
在当今的背景下,由于隐私和网络延迟问题,在边缘设备而不是云服务器上部署数据驱动的服务(如推荐)变得越来越有吸引力。构建紧凑的设备上推荐系统的一个常见做法是压缩它们的嵌入,这通常是过度参数化的原因。然而,尽管有各种各样的设备和它们相关联的存储器约束,现有的存储器高效的推荐系统在每个设计和训练生存周期中仅专门用于固定的存储器预算,其中必须重新训练新模型以获得最佳性能,同时适应更小/更大的存储器预算。在本文中,我们提出了一种新的轻量级推荐模式,允许一个训练有素的推荐定制任意设备特定的内存限制,而无需再培训。其核心思想是为每个项目组合弹性嵌入,其中弹性嵌入是由自动搜索功能精心选择的一组嵌入块的串联。相应地,我们提出了一种创新的方法,即建议与普遍学习的弹性嵌入(规则)。为了确保所有候选嵌入块的表达能力,RULE在学习不同的嵌入块时强制执行多样性驱动的正则化。然后,设计了一个基于性能估计器的进化搜索函数,允许在任何内存约束下有效地专门化弹性嵌入,用于设备上的推荐。在真实数据集上的大量实验表明,RULE在内存预算紧张的情况下具有优异的性能。
2021-06-04 cs.IR
Equality of Learning Opportunity via Individual Fairness in Personalized Recommendations
在线教育平台在促进个人职业成功方面发挥着主要作用。因此,在构建覆盖式内容推荐服务的同时,必须根据平台价值观、背景和教学方法,确保为学习者提供平等的推荐学习机会。虽然确保学习机会平等的重要性在传统机构中得到了很好的研究,但如何通过推荐系统在在线学习生态系统中实现这种平等仍然没有得到充分的探讨。在本文中,我们形式化的教育原则,模型建议的学习属性,和一个新的公平性度量,将它们结合起来,以监测平等的学习者之间的推荐学习机会。然后,我们设想一个场景,其中教育平台应该以这样一种方式进行安排,即生成的建议在一定程度上满足所有学习者的每个原则,并限制到他们的个人偏好。在这种观点下,我们探讨了在一个大规模的课程平台推荐系统提供的学习机会,发现系统的不平等。为了减少这种影响,我们提出了一种新型的后处理方法,可以平衡个性化和推荐机会的平等性。实验表明,我们的方法导致更高的平等,在个性化的损失可以忽略不计。我们的研究在将人类学习的道德规范应用于建议方面向前迈进了一步,建议是智能教育系统的核心单元。
2020-10-27 cs.IR
Inclusive Ethical Design for Recommender Systems
Insight SFI Research Centre for Data Analytics(Insight SFI数据分析研究中心);School of Information and Communication Studies(信息与传播研究学院);University College Dublin(都柏林大学)
推荐系统作为信息的媒介正变得越来越重要,有可能深刻地影响社会舆论。虽然正在制定办法,以确保这些系统是以负责任的方式设计的,但青少年尤其是一个潜在的弱势用户组,需要明确考虑。这一点尤其重要,因为它们不仅可以访问和使用推荐系统,而且还可以作为内容提供者。本文提出了推荐系统的道德设计的核心原则,并评估目前的方法,以确保遵守这些原则是否充分包括青少年用户的特殊需求和潜在的脆弱性。
2022-09-13 cs.AI cs.CY cs.IR
Embedding-based Recommender System for Job to Candidate Matching on Scale
在线招聘匹配系统已经成为凯业必达的核心技术和服务平台。在线征聘方案的主要挑战之一是使用推荐系统在职位和候选人之间提供良好的匹配。本文讨论了一个基于嵌入的推荐系统在大规模职位推荐中的应用技术。为了全面有效地学习职位和候选人的嵌入,我们通过对原始文本、语义实体和位置信息进行不同层次的表示学习,构建了一个融合嵌入。然后,使用融合嵌入的工件和候选人的集群来构建和训练支持运行时近似最近邻搜索的候选人检索的Faiss索引。在第一阶段的候选检索后,第二阶段的重排序模型,利用其他上下文信息被用来生成最终的匹配结果。离线和在线评估结果表明,我们提出的基于两阶段嵌入的系统在点击率(CTR),质量和归一化的折扣累积增益(nDCG)方面的显着改善,与我们的基线系统相比。我们进一步描述了支持CareerBuilder百万级职位和候选人匹配流程的系统部署。我们的职位与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。
2021-07-01 cs.IR
Deep Research for Recommender Systems
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Meituan(美团)
本文提出RecPilot多代理框架,通过生成用户为中心的报告替代传统物品列表,主动提升用户体验并减少用户决策负担。
2026-03-08 cs.IR
Exploring the Potential of LLMs for Serendipity Evaluation in Recommender Systems
本文通过元评估验证LLMs在推荐系统偶然性评估中的可行性,发现零样本LLMs可媲美传统指标,多LLM技术与辅助数据能进一步提升与人类视角的一致性,为偶然性评估提供新范式。
2025-07-23 cs.IR
MixRec: Individual and Collective Mixing Empowers Data Augmentation for Recommender Systems
针对推荐系统数据稀疏问题,提出MixRec框架,通过个体与集体混合机制实现高效数据增强,并辅以双重混合对比学习,在四个真实数据集上验证了其有效性、简洁性、高效性与可扩展性。
2025-04-23 cs.IR
FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling
联邦学习(FL)是一种从分散的用户数据中学习个性化推荐模型的可行技术。不幸的是,联合推荐系统很容易受到恶意客户端的中毒攻击。现有的推荐系统中毒方法主要集中在提高目标项目的推荐机会,由于经济激励。事实上,在现实世界中,攻击者也可能试图降低推荐系统的整体性能。然而,现有的一般FL中毒降低模型性能的方法要么是无效的或不隐藏中毒联邦推荐系统。本文提出了一种针对联邦推荐的简单有效的隐蔽中毒攻击方法--FedAttack。它的核心思想是使用全局最难的样本来颠覆模型训练。更具体地,恶意客户端首先基于本地用户简档推断用户嵌入。接下来,他们选择与用户嵌入最相关的候选项作为最难的负样本,并找到距离用户嵌入最远的候选项作为最难的正样本。然后,从这些中毒样本推断出的模型梯度被上传到服务器以进行聚合和模型更新。由于恶意客户端的行为与具有不同兴趣的用户有些相似,因此服务器无法有效地将其与正常客户端区分开来。在两个基准数据集上的大量实验表明,FedAttack可以有效地降低各种联邦推荐系统的性能,同时许多现有方法无法有效地检测或防御FedAttack。
2022-02-10 cs.IR
The Future is Agentic: Definitions, Perspectives, and Open Challenges of Multi-Agent Recommender Systems
University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Polytechnic University of Bari(巴里理工大学)
本文探讨多代理推荐系统从被动生成到主动规划的转变,提出基于状态代理的框架,分析其在提升推荐效果中的作用,并通过实验验证代理系统在不同场景下的有效性。
2026-06-28 cs.IR
PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion
The University of Queensland(昆士兰大学);Griffith University(格里菲斯大学);Shandong University(山东大学)
由于隐私问题的日益严重,去中心化在个性化服务,特别是推荐服务中迅速兴起。此外,最近的研究表明,集中式模型容易受到中毒攻击,从而损害其完整性。在推荐系统的背景下,这种中毒攻击的典型目标是通过干扰训练数据集和/或过程来促进对手的目标项目。因此,一种常见的做法是在分散式联邦学习范式下对推荐系统进行子系统化,这使得所有用户设备能够协作地学习全局推荐,同时将所有敏感数据保留在本地。在不向终端用户暴露推荐器和整个数据集的全部知识的情况下,这种联合推荐被广泛认为是对中毒攻击“安全”的。在本文中,我们提出了一个系统的方法,后门联邦推荐系统有针对性的项目推广。其核心策略是利用数据驱动型博客中普遍存在的固有的流行偏见。由于流行项目更容易出现在推荐列表中,我们创新设计的攻击模型使目标项目具有嵌入空间中流行项目的特征。然后,通过上传精心制作的梯度通过少量的恶意用户在模型更新,我们可以有效地增加一个目标(不受欢迎的)项目的曝光率,在所产生的联合推荐。对两个真实数据集的评估表明:1)我们的攻击模型以一种隐秘的方式显着提高了目标项目的曝光率,而不会损害中毒推荐的准确性; 2)现有的防御措施不够有效,突出了对联邦推荐系统的本地模型中毒攻击的新防御措施的需求。
2021-10-21 cs.AI cs.IR
STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
Kuaishou Technology(快手科技)
STCRank通过时空协同排序解决快手电商互动推荐系统中多目标协作与多槽协作问题,提升推荐效果与用户参与度。
2026-01-15 cs.IR
Fading to Grow: Growing Preference Ratios via Preference Fading Discrete Diffusion for Recommendation
University of Science and Technology of China(中国科学技术大学)
针对连续高斯噪声与离散推荐数据不匹配的问题,提出 PreferGrow 离散扩散推荐框架,通过偏好渐隐、比率建模与迭代增长重建偏好,并在五个基准上验证其理论与性能优势。
2025-09-30 cs.IR
DLRREC: Denoising Latent Representations via Multi-Modal Knowledge Fusion in Deep Recommender Systems
Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
DLRREC通过深度融合多模态和协同知识,提升深度推荐系统中潜在表示的去噪能力,从而实现更精确的推荐性能。
2025-11-29 cs.AI cs.IR
Large Language Model as Universal Retriever in Industrial-Scale Recommender System
Taobao & Tmall Group of Alibaba, China(淘宝与天猫集团(阿里巴巴))
本研究提出基于大语言模型的通用检索模型URM,通过多查询表示、矩阵分解和概率采样技术,实现工业级推荐系统中多目标的高效生成式检索,性能优于专用模型并提升广告核心指标3%。
2025-05-19 cs.IR cs.LG
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of California San Diego(加州大学圣地亚哥分校);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院)
本文提出个人智能体中介推荐(PAMR)范式,主张将推荐控制权从平台端排序转向用户端证据中介,并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 cs.IR
Does LLM Focus on the Right Words? Mitigating Context Bias in LLM-based Recommenders
Zhejiang University(浙江大学);OPPO Research Institute(OPPO研究院);Hangzhou City University(杭州城市大学)
本文提出GDRT方法,通过组分布鲁棒优化减轻LLM推荐系统中的上下文偏见,提升推荐准确性和公平性。
2026-01-25 cs.IR
Measuring Commonality in Recommendation of Cultural Content: Recommender Systems to Enhance Cultural Citizenship
推荐系统已成为文化内容策划的主要手段,显著影响个人文化体验的性质。虽然大多数关于推荐系统的研究都是针对个性化用户体验进行优化,但这种模式并没有捕捉到推荐系统在总体上、在用户群体中影响文化体验的方式。尽管现有的新颖性、多样性和公平性研究探讨了系统如何与文化内容的更广泛的社会作用相关联,但它们并没有充分地将文化作为核心概念和挑战。在这项工作中,我们引入共性作为一个新的措施,反映了在何种程度上推荐熟悉特定类别的文化内容的用户群体。我们提出的共性度量响应一组参数开发通过跨学科的对话研究人员在计算机科学和社会科学和人文科学。参考的原则,支持非营利,公共服务媒体系统在民主社会中,我们确定的地址和内容多样性的普遍性,在加强文化公民的服务,特别是相关的目标,推荐系统提供文化内容。以电影推荐中的多样性为案例研究,在增强多元文化体验,我们实证比较系统的性能使用共性和现有的效用,多样性和公平性指标。我们的研究结果表明,共性捕获系统行为的属性补充现有的指标,并建议需要替代的,非个性化的干预措施,在推荐系统面向加强跨人群的用户的文化公民身份。通过这种方式,共性有助于越来越多的学术机构为数字媒体和ML系统开发“公共利益”理论。
2022-08-02 cs.CY cs.IR
Reinforced Preference Optimization for Recommendation
Taobao & Tmall Group of Alibaba, China(阿里巴巴淘宝&天猫集团);National University of Singapore(新加坡国立大学)
针对生成式推荐器中负样本质量低和奖励隐式的问题,提出ReRe方法,结合约束束搜索和辅助排序奖励,在三个数据集上显著提升排序性能。
2025-10-14 cs.IR
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
Comprehensive Fair Meta-learned Recommender System
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
在推荐系统中,一个常见的挑战是冷启动问题,其中系统中的新用户的交互非常有限。为了解决这一问题,近年来,许多研究工作将元优化思想引入到推荐场景中,即仅通过过去的几个交互项来学习用户偏好。其核心思想是学习全局共享的元初始化参数为所有用户,并迅速适应到本地参数为每个用户分别。它们的目标是通过对不同用户的偏好学习来获得通用知识,从而利用学习到的先验知识和少量的训练数据快速适应未来的新用户。然而,以前的工作表明,推荐系统通常容易受到偏见和不公平。尽管元学习成功地提高了冷启动的推荐性能,但公平性问题在很大程度上被忽视了。在本文中,我们提出了一个全面的公平元学习框架,命名为CLOVER,以确保公平的元学习推荐模型。我们系统地研究了推荐系统中的三种公平性-个人公平性,反事实公平性和群体公平性,并提出通过多任务对抗学习方案来满足所有三种公平性。我们的框架提供了一个通用的训练范式,适用于不同的元学习推荐系统。我们证明了三叶草的有效性,在三个真实世界的数据集上的代表性的元学习用户偏好估计。实验结果表明,CLOVER在不降低冷启动推荐性能的前提下,实现了综合公平性。
2022-06-09 cs.IR cs.LG
Item Recommendation from Implicit Feedback
Google Research(谷歌研究院)
商品推荐的任务是从一个庞大的商品目录中为用户选择最好的商品。项目识别者通常是从隐性反馈中训练出来的,隐性反馈只包括过去积极的行为。项目推荐的核心挑战是(1)如何从隐式反馈中制定训练目标和(2)如何在大型项目目录上有效地训练模型。本文介绍了项目推荐的基本概念、特点和常用方法。它首先介绍了这个问题,并讨论了不同的培训目标。主体涉及学习算法,并提出了采样为基础的算法,一般的神经网络和更有效的算法点积模型。最后讨论了项目检索器在检索任务中的应用。
2021-01-21 cs.IR cs.LG
Generate What You Can Trust: Content Credibility in Generative Recommenders
Data Science Institute, University of Technology Sydney(悉尼科技大学数据科学研究所);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对生成式推荐忽视内容可信度的问题,提出CreGR模型,在令牌化和生成阶段联合处理可信度,通过可信度感知令牌化和不对称掩蔽策略,在保持准确性的同时减少不可信内容推荐。
2026-10-06 cs.IR
Personalized News Recommendation: Methods and Challenges
个性化新闻推荐是帮助用户找到感兴趣的新闻信息、缓解信息过载的重要技术。它已经被广泛研究了几十年,并在改善用户的新闻阅读体验方面取得了显着的成功。但仍有许多未解决的问题和挑战需要进一步研究。为了帮助研究人员掌握个性化新闻推荐在过去几年中的进展,在本文中,我们提出了一个全面的概述个性化新闻推荐。不同于传统的新闻推荐方法分类,本文从个性化新闻推荐的核心问题、相关技术和挑战出发,提出了一种新的视角来理解个性化新闻推荐。我们首先回顾了个性化新闻推荐系统中解决每个核心问题的技术以及它们所面临的挑战。接下来,我们介绍了公共数据集和个性化新闻推荐的评估方法。然后,我们讨论了提高个性化新闻推荐系统的责任的关键点。最后,提出了几个值得进一步研究的方向。本文的研究为读者了解个性化新闻推荐领域提供了最新的、全面的观点。希望本文能对个性化新闻推荐以及自然语言处理和数据采掘等相关领域的研究起到一定的推动作用。
2022-02-24 cs.IR
Less is More: Information Bottleneck Denoised Multimedia Recommendation
针对多媒体推荐中引入不相关特征的问题,提出基于信息瓶颈的去噪模型IBMRec,通过特征级和图级两级IB学习去除任务无关特征,在三个基准上验证了高性能和通用性。
2025-01-21 cs.IR
EasyRL4Rec: An Easy-to-use Library for Reinforcement Learning Based Recommender Systems
Tsinghua University(清华大学);University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学);AIR, Tsinghua University(清华大学AIR)
EasyRL4Rec是一个专为基于强化学习的推荐系统设计的易用代码库,提供多样化环境、统一评估标准和定制化状态与动作设计,以解决框架缺失、评估不一致和复现困难等问题。
2024-05-24 cs.IR cs.LG
Aggregate and Broadcast: Scalable and Efficient Feature Interaction for Recommender Systems
Kuaishou Technology(快手科技)
INFNet通过线性复杂度实现可扩展、任务感知的特征交互,提升推荐系统性能和扩展性。
2026-01-26 cs.IR
A Reproducibility Study of Product-side Fairness in Bundle Recommendation
Delft University of Technology(代尔夫特理工大学);University of Amsterdam(阿姆斯特丹大学)
本文通过三个数据集和四种先进捆绑推荐方法复现研究产品侧公平性,发现捆绑与商品层面曝光模式差异显著,且用户行为会显著影响公平性,为构建更公平的捆绑推荐系统提供依据。
2025-07-18 cs.AI cs.IR
Deep Learning feature selection to unhide demographic recommender systems factors
Universidad Politécnica de Madrid(马德里理工大学)
从隐藏因素中提取人口特征是一个创新概念,提供了多种相关应用。矩阵分解模型生成的因子不包含语义知识。本文提出了一种基于深度学习的方法:DeepUnHide,能够从协同过滤推荐系统中的用户和项目因素中提取人口统计信息。所提出的方法的核心是基于梯度的定位在图像处理文献中使用,突出每个分类类的代表性地区。验证实验使用两个公共数据集和当前基线。结果表明,与最先进的特征选择方法相比,DeepUnHide在进行特征选择和人口统计分类方面具有优越性。相关的和直接的应用包括推荐解释,公平的协同过滤和推荐给用户群体。
2020-06-17 cs.CV cs.IR cs.LG
Deep Learning on Knowledge Graph for Recommender System: A Survey
University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
最近的研究进展已经证明了知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面的有效性。知识图谱能够对连接具有一个或多个相关属性的两个对象的高阶关系进行编码。借助新兴的图神经网络(GNN),可以从KG中提取对象特征和关系,这是成功推荐的重要因素。在本文中,我们对基于GNN的知识感知深度推荐系统进行了全面的调查。具体来说,我们讨论了最先进的框架,重点是它们的核心组件,即,图嵌入模块,以及它们如何解决可扩展性、冷启动等实际推荐问题,并进一步总结了常用的基准测试数据集、评估指标以及开源代码。最后,我们总结了调查,并提出了潜在的研究方向,在这个快速增长的领域。
2020-03-25 cs.AI cs.IR cs.LG
iAgent: LLM Agent as a Shield between User and Recommender Systems
Rutgers University(罗格斯大学);University of Technology Sydney(悉尼技术大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Nanyang Technological University(南洋理工大学)
针对传统推荐系统用户直接暴露于算法导致利益受损的问题,提出用户-代理-平台新范式,利用 LLM Agent 作为护盾实现间接暴露以保护用户利益。
2025-05-29 cs.CL cs.IR
A Survey on Diffusion Models for Recommender Systems
Shanghai Jiao Tong University(上海交通大学);Texas A&M University(德克萨斯农工大学);Yale University(耶鲁大学)
本文是首篇推荐系统领域扩散模型的全面综述,按全流程将相关研究分为数据工程、推荐模型、内容呈现三类,总结核心特征与未来方向,并维护了相关资源仓库。
2024-09-15 cs.AI cs.IR
An Empirical Study of Training ID-Agnostic Multi-modal Sequential Recommenders
该研究针对ID无关多模态序列推荐框架设计难题,梳理现有方法并提炼四大核心组件,通过多维度实验验证了该类推荐在性能、预训练增益及冷启动等场景下的潜力。
2024-10-07 cs.IR
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University(莫纳什大学)
提出多目标框架自动优化LLM提示,以生成更真实、多样化的用户模拟行为,缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL cs.IR
CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation
CogRec融合大型语言模型和Soar认知架构,通过符号推理与在线学习提升推荐系统的可解释性和准确性。
2025-12-30 cs.AI cs.IR
AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University(北京大学);HULU LLC(HULU有限责任公司);Alibaba Group(阿里巴巴集团)
近年来,深度学习模型在工业推荐系统中得到了广泛的应用,并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功,但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力,我们探索神经结构搜索(NAS)的潜力,并介绍AMEIR的自动行为建模,交互探索和多层感知器(MLP)调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段,并引入了一个新的搜索空间,其中包含三个定制的子空间,覆盖了现有的大多数方法,从而可以搜索到更好的模型。为了高效地找到理想的体系结构,AMEIR在三个阶段逐步实现推荐中的一次随机搜索,并将搜索结果汇总为最终结果。进一步的分析表明,AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型,这证明了我们设计的通用性。在各种场景下的大量实验表明,AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法,具有较低的模型复杂度和可比的时间成本,表明所提出的方法的有效性,效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
CauseRec: Counterfactual User Sequence Synthesis for Sequential Recommendation
基于历史行为的用户表征学习是现代推荐系统的核心。最近的进展,顺序推理机已经令人信服地证明了高能力,从给定的行为序列中提取有效的用户表示。尽管取得了重大进展,我们认为,单独建模的观察行为序列可能最终与一个脆弱的和不稳定的系统,由于嘈杂和稀疏的用户交互记录的性质。在本文中,我们建议学习准确和强大的用户表示,这需要对噪声行为不太敏感(攻击),并信任更多的不可或缺的,通过建模反事实数据分布。具体而言,给定一个观察到的行为序列,建议的CauseRec框架确定在细粒度的项目级别和抽象的兴趣级别的可扩展的和不可缺少的概念。CauseRec有条件地从反事实数据分布中对用户概念序列进行采样,通过替换原始概念序列中的不可缺少的概念。利用从合成的用户序列中获得的用户表示,CauseRec通过对比反事实与观察来执行对比用户表示学习。我们在真实世界的公共推荐基准上进行了广泛的实验,并通过多方面的模型分析证明了CauseRec的有效性。结果表明,所提出的CauseRec通过学习准确和鲁棒的用户表示,优于最先进的顺序排序器。
2021-09-11 cs.IR
CityHood: An Explainable Travel Recommender System for Cities and Neighborhoods
本文提出 CityHood,结合 Google Places 评论与多维指标进行兴趣建模,在 CBSA 和 ZIP code 尺度提供由 LIME 与自然语言解释支持的城市及社区旅行推荐。
2025-07-24 cs.IR cs.SI
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