From Raw IDs to Semantic Planning: How Recommender Systems Utilize Information at Scale
University College Dublin(都柏林大学);Huawei Ireland Research Centre(华为爱尔兰研究中心);Huawei Technologies(华为技术有限公司)
探讨推荐系统如何利用信息,分析原始ID主导早期发展及语义信息封装于ID的原因,引入语义规划为未来方向,指出转变需在模型设计、评估及协调多方目标等方面做出改变。
2026-07-21 cs.IR
Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords
University of Science and Technology of China(中国科学技术大学);Huawei Technologies(华为技术有限公司)
针对生成式推荐器中物品分词引发的物品内部注意力过载问题,提出SST方法,通过IST与BCA优化表示,在多数据集与骨干模型上实现性能提升。
2026-08-25 cs.IR
Patent Analytics Based on Feature Vector Space Model: A Case of IoT
全球批准的专利数量每年都在快速增长,这就需要新的专利分析来有效地挖掘这些专利所附带的有价值的信息。向量空间模型(VSM)将文档表示为高维向量,其中每个维度对应一个唯一的术语。虽然最初是为信息检索系统提出的,但VSM在专利分析中也有广泛的应用,并用作将专利文档映射到结构化数据的基本工具。然而,VSM方法在应用于专利分析任务时存在一些局限性,例如损失了专利级语义和维数灾难问题。为了解决上述局限性,提出了一种基于特征向量空间模型(FVSM)的专利分析方法,该模型通过将专利文档映射到由卷积神经网络(CNN)提取的特征向量来构建。最后,本文介绍了FVSM在三种典型专利分析任务中的应用,专利相似性比较,专利聚类,专利地图生成进行了讨论。最后,以物联网技术相关专利为例,验证了FVSM的性能和有效性。所提出的FVSM可以被其他专利分析研究采用,以取代VSM,基于VSM可以执行各种大数据学习任务。
2019-04-17 cs.CL cs.IR
Forgetting the Words but Remembering the Meaning: Modeling Forgetting in a Verbal and Semantic Tag Recommender
我们认为,推荐系统是更成功的,当他们是基于对人们如何处理信息的透彻理解。在本文中,我们测试这一假设的背景下,社会标签系统。关于人们如何分配标签的认知研究表明,他们利用记忆中两个相互关联的知识层次:语义场或主题的概念层次,以及将语义层次上的模式转化为单词的词汇层次。标签研究的另一个分支揭示了时间依赖性遗忘对用户标签选择的强烈影响,使得最近使用的标签比“旧”标签具有更高的重用概率。在本文中,我们通过实施人类记忆的计算理论来对齐这两条链,该理论将两级概念和遗忘过程以标签推荐器的形式整合在一起,并在三个大规模的社交标签数据集(来自BibSonomy,CiteULike和Flickr)中进行测试。正如预期的那样,我们的研究结果揭示了时间的选择性影响:遗忘在词汇水平上的标签更明显。其次,基于此观察的广泛评估表明,标签推荐器将两个级别互连并在词汇级别上集成时间相关遗忘,从而获得高准确度的预测,并优于其他成熟的算法,例如协同过滤,成对交互张量因子分解,FolkRank和两种替代的时间相关方法。我们的结论是,标签识别器可以受益于超越显式水平的词同现,并从包括词汇水平上的遗忘过程。
2014-05-08 cs.IR
Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出OSA框架,通过建模用户反馈来显式整合偏好强度,保留序数语义以提升推荐系统性能。
2026-05-11 cs.IR
Adapting Large Language Models by Integrating Collaborative Semantics for Recommendation
针对LLM与推荐系统间的语义鸿沟,提出LC-Rec模型,通过学习型向量量化和统一语义映射生成项目索引,并设计对齐调优任务整合协作语义,实现直接生成推荐项目,超越现有基线。
2024-04-19 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
MSCRS: Multi-modal Semantic Graph Prompt Learning Framework for Conversational Recommender Systems
本文提出MSCRS框架,通过构建多模态语义图并结合提示学习与大语言模型,从文本和图像等维度丰富用户偏好,显著提升对话推荐系统的推荐准确性与响应自然度。
2025-04-25 cs.IR
Unified Semantic and ID Representation Learning for Deep Recommenders
针对传统ID类推荐的冷启动等问题与纯语义推荐的不足,提出融合ID与语义token互补优势的统一表示学习框架,结合余弦相似度与欧氏距离优化学习,在三个基准数据集上性能提升6%-17%且token规模降超80%。
2025-02-23 cs.IR
Semantic Grounding Strategies for Tagbased Recommender Systems
推荐系统通常根据推荐项目或用户之间的相似性进行操作。基于标签的推荐系统利用标签的相似性。然而,标签大多是免费的用户输入的短语。因此,在没有语义基础的情况下计算的相似性可能导致不太相关的建议。在本文中,我们研究了用于标签相似性演算的语义基础。我们展示了一个全面的分析,从不同领域的20个本体的语义基础。研究还发现,目前可用的OWL本体非常狭窄,相似扩展的百分比相当小。WordNet的得分稍高,因为它更广泛,但不多,因为它不支持几个语义关系。此外,该研究表明,即使有如此多的扩展,建议也会发生很大变化。
2011-11-07 cs.IR cs.SI
Fine-grained Semantics Integration for Large Language Model-based Recommendation
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);Wuhan University(武汉大学)
TS-Rec通过细粒度语义集成提升基于LLM的推荐系统性能
2026-08-11 cs.IR
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐(HNCR),深度双曲表示学习方法,利用用户/项目之间的相互语义关系的协同过滤(CF)任务。HNCR包含两个主要阶段:邻居构建和推荐框架。第一阶段引入邻居构建策略,根据用户与项目的历史交互,为每个用户和项目构建语义邻居集。在第二阶段,我们开发了一个基于双曲几何的深层框架,将构建的邻居集集成到推荐中。通过一系列广泛的实验,我们表明,HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems
Université de Technologie de Compiègne(贡比涅技术大学);Vivocaz(Vivocaz公司)
本文提出一种结合基于嵌入和基于语义模型的方法,利用基于本体的知识图谱在推荐系统中生成事后解释,以提升可解释性、增强用户信任并促进电子商务应用。
2024-01-09 cs.AI 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
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功,以及不同的社交网络网站,如亚马逊和电影镜头,推荐系统正在创造前所未有的机会,以帮助人们浏览网页时,寻找相关的信息,并作出选择。通常,这些推荐系统分为三类:基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常,这些系统采用标准推荐方法,例如人工神经网络、最近邻或贝叶斯网络。然而,这些方法与基于web应用(诸如社交网络或语义web)的方法相比是有限的。在本文中,我们提出了一种新的方法,称为语义社会推荐系统,提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices
Snap Inc.(Snap公司)
本文探讨了在Snapchat中使用语义ID的挑战、实验及设计选择,展示了其在推荐系统中的应用效果和实际成果。
2026-04-05 cs.IR
When Do Pretrained Audio Representations Help Music Recommendation? A Study Across Ranking and Generative Interfaces
University of New South Wales(新南威尔士大学);School of Computing, Macquarie University(麦考瑞大学计算学院)
该研究评估六种音频编码器在三类音乐推荐系统中的效果,分析残差量化设计的影响,为现代音乐推荐系统的音频编码器选择及语义ID设计提供实用指导。
2026-10-28 cs.IR
Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals
ETH Zurich(苏黎世联邦理工学院);Meta AI
MSCGRec通过融合语义和协同信号,提升大规模物品集上的推荐性能。
2026-02-03 cs.IR
Learning Analogies and Semantic Relations
本文提出了一种基于信息检索的向量空间模型(VSM)的无标记文本学习算法,该算法可以解决学术能力倾向测验(SAT)中的语言类比问题。动词类比的形式为A:B::C:D,意思是“A对B就像C对D一样”;例如,mason:stone::carpenter:wood。SAT类比题提供了一个单词对A:B,问题是从五个选项中选择最相似的单词对C:D。VSM算法正确回答了374个大学水平类比问题中的47%(随机猜测将产生20%的正确率)。我们将其与认知科学和语言学的工作联系起来,并将其应用于自然语言处理中的一个难题,确定名词修饰语对中的语义关系,从而激发了这项研究。问题是根据名词(printer)和修饰语(laser)之间的语义关系,对名词-修饰语对(如“激光打印机“)进行分类。我们使用一个有监督的最近邻算法,通过在训练数据中找到最相似的名词修饰语对来为给定的名词修饰语对分配一个类。对于30类语义关系,在600个标记的名词修饰语对的集合上,学习算法获得了26.5%的F值(随机猜测:3.3%)。在5类语义关系下,F值为43.2%(随机:20%)。对于这些具有挑战性的问题,性能是最先进的。
2003-07-24 cs.CL cs.IR cs.LG
EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration
针对生成式推荐中行为与语义信息割裂的问题,提出双流生成框架 EAGER,通过共享编码器、双解码器、全局对比任务和语义引导迁移任务实现两类信息的协同利用,在四个公开基准上取得优于现有方法的性能。
2024-07-03 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
Rs4rs: Semantically Find Recent Publications from Top Recommendation System-Related Venues
针对现有学术搜索结果宽泛、手动查找顶会顶刊论文效率低的问题,研究团队开发了Rs4rs网页应用,支持对推荐系统领域顶会顶刊最新论文进行语义搜索,提升研究效率与资源获取便捷性。
2024-09-11 cs.IR
Semantic-Enhanced Relational Metric Learning for Recommender Systems
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);School of Computer Science and Engineering, The University of New South Wales(新南威尔士大学计算机科学与工程学院)
针对推荐系统中隐式关系缺乏语义的问题,提出SERML框架,从评论提取语义信号并构建回归模型增强关系度量训练,在四个公开数据集上表现优于或可比现有方法。
2024-06-07 cs.AI cs.IR
Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
Peking University(北京大学);Renmin University of China(中国人民大学)
会话式推荐系统(CRS)旨在通过交互式会话向用户推荐高质量的项目。尽管已经为CRS做出了一些努力,但仍有两个主要问题有待解决。首先,会话数据本身缺乏足够的上下文信息来准确理解用户的偏好。第二,在自然语言表达和项目级用户偏好之间存在语义鸿沟。为了解决这些问题,我们将面向单词和面向实体的知识图谱(KG),以提高CRS中的数据表示,并采用互信息最大化对齐单词级和实体级的语义空间。对齐的语义表示的基础上,我们进一步开发了KG增强的推荐组件,使准确的建议,和KG增强的对话组件,可以生成信息的关键字或实体的响应文本。大量的实验已经证明了我们的方法在推荐和会话任务上都有更好的性能。
2020-07-08 cs.AI cs.CL cs.IR
Sequence-level Semantic Representation Fusion for Recommender Systems
本文针对序列推荐中文本特征与 ID 特征直接融合效果不佳的问题,提出 TedRec,通过傅里叶变换在频域进行乘法式序列级融合,并利用 MoE 注入位置信息以增强文本表示。
2024-02-28 cs.IR
Joint Semantic and Structural Representation Learning for Enhancing User Preference Modelling
针对知识图谱推荐忽视连接语义且图谱不完整的问题,本文提出KIRS-CL框架,联合结构信息与预训练语言模型编码的语义表示,并采用对比预热策略,显著提升暖启动与冷启动推荐性能。
2023-04-24 cs.IR
Review Polarity-wise Recommender
利用评论信息来增强推荐,事实上的评论参与推荐系统,在过去的几年里受到越来越多的关注。其中,一个高级分支是从文本评论中提取突出方面(即,用户表达的项目属性),并将它们与矩阵分解技术相结合。然而,现有的方法都忽略了这样一个事实,即语义不同的评论往往包括相反的方面信息。特别是,正面评论通常表达用户喜欢的方面,而负面评论则描述用户拒绝的方面。因此,它可能会误导推荐系统作出不正确的决定,有关用户偏好建模。为此,在本文中,我们提出了一个审查极性明智的推荐模型,被称为RPR,区别对待不同极性的评论。具体地说,在该模型中,正面和负面评论被分别收集并用于分别对用户偏好和用户拒绝方面进行建模。此外,为了克服语义不同评论的不平衡问题,我们还开发了一种方面感知重要性加权方法来调整这两种评论的方面重要性。在八个基准数据集上进行的大量实验表明,与一系列最先进的审查基线相比,我们的模型具有优越性。此外,我们的方法可以提供一定的解释,以现实世界的收视率预测的情况。
2022-01-21 cs.IR
DAS: Dual-Aligned Semantic IDs Empowered Industrial Recommender System
Kuaishou Technology(快手科技)
DAS通过双对齐语义ID方法,提升推荐系统中多模态内容整合与协同信号对齐效率,有效解决信息损失与灵活性问题。
2025-11-24 cs.IR
Break the Optimization Barrier of LLM-Enhanced Recommenders: A Theoretical Analysis and Practical Framework
East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
本文通过理论分析和实践框架,解决LLM增强推荐系统中优化障碍问题,提出TF-LLMER框架,通过嵌入规范化和Rec-PCA方法提升推荐性能。
2026-04-22 cs.IR
EAGER-LLM: Enhancing Large Language Models as Recommenders through Exogenous Behavior-Semantic Integration
Zhejiang University(浙江大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对大语言模型用于推荐时协同语义学习效率低等问题,提出非侵入式整合内外生行为语义的EAGER-LLM生成式推荐框架,经三个公开基准测试验证有效。
2025-02-20 cs.AI cs.IR
Debiasing Graph Transfer Learning via Item Semantic Clustering for Cross-Domain Recommendations
基于深度学习的推荐系统在缺乏训练交互数据时可能导致过拟合。这种过度拟合显著降低了推荐性能。为了解决这个数据稀疏性问题,跨域推荐系统(CDRS)利用来自辅助源域的数据来促进稀疏目标域上的推荐。大多数现有的CDR依赖于重叠的用户或项目来连接域和传递知识。然而,匹配用户是一项艰巨的任务,当数据来自不同公司时可能会涉及隐私问题,导致上述CDR的应用有限。一些研究通过转移学习到的用户交互模式来开发不需要重叠用户和项目的CDRS。然而,他们忽略了域之间的用户交互模式的偏见,因此遭受一个较低的性能相比,单域推荐系统。在本文中,基于上述研究结果,我们提出了一种新的CDRS,即语义聚类增强的去偏图神经推荐系统(SCDGN),不需要重叠的用户和项目,并可以处理域的偏见。更准确地说,SCDGN语义聚类项目从两个领域,并构建一个跨域的二分图生成的项目集群和用户。然后,通过这个跨域用户聚类图将知识从源传递到目标。此外,我们设计了一个去偏图卷积层SCDGN提取无偏结构知识的跨域用户聚类图。我们在三个公共数据集和一对专有数据集上的实验结果验证了SCDGN在跨域推荐方面优于最先进模型的有效性。
2022-11-07 cs.IR
Variable-Length Semantic IDs for Recommender Systems
HSE University(俄罗斯莫斯科高等经济大学)
本文提出可变长度语义ID用于推荐系统,通过离散变分自编码器学习自适应长度的物品表示,解决固定长度语义ID的不足。
2026-02-18 cs.CL cs.IR cs.LG
Discovering the Impact of Knowledge in Recommender Systems: A Comparative Study
推荐系统采用用户简档和适当的过滤技术来帮助用户在大量信息中找到更相关的信息。用户简档是用户真实需求的模型,在推荐过程中起着重要的作用。然而,一个全面的文献综述推荐系统已经证明没有具体的研究的作用和影响的知识,用户分析和过滤approaches。在本文中,我们回顾了文献中最突出的推荐系统,并研究了从不同来源提取的知识的印象。然后,我们得出了这一发现,语义信息从用户上下文有实质性的影响,基于知识的推荐系统的性能。最后,提出了一些改进基于知识的轮廓的新线索。
2011-09-01 cs.IR
Teach Me How to Denoise: A Universal Framework for Denoising Multi-modal Recommender Systems via Guided Calibration
提出通用引导同步蒸馏降噪框架GUIDER,通过重校准识别噪声交互、DBPR损失处理隐式反馈及最优传输蒸馏对齐模态与推荐语义,可即插即用提升多模态推荐系统性能。
2025-04-19 cs.IR
Exploring Deep Space: Learning Personalized Ranking in a Semantic Space
推荐系统利用内容和用户交互来生成适合用户偏好的推荐。最近对深度学习的兴趣激增,为利用这两种信息来源提供了新的机会。为了推荐项目,我们建议首先学习一个独立于用户的高维语义空间,其中项目根据其可替代性进行定位,然后学习一个用户特定的转换函数,根据用户过去的偏好将该空间转换为排名。所提出的架构的一个优点是,它可以被用来有效地推荐项目使用的内容描述的项目或用户项目评级。我们表明,这种方法在MovieLens 1M数据集上的性能明显优于最先进的推荐系统。
2016-08-22 cs.IR
SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress
Alibaba International Digital Commercial Group(阿里巴巴国际数字商业集团)
SIGMA通过语义引导和指令驱动方法,解决传统推荐系统在多任务和实时业务需求中的局限,提升推荐准确性和多样性。
2026-04-19 cs.IR cs.LG
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中,每个产品通常由多个语义属性(例如,袖子、衣领等)。当做出布料决定时,人们通常会表现出对不同语义属性的偏好(例如,带V领的衣服)。然而,大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好,这通常会导致较差的推荐性能。为了弥补这一差距,我们提出了一个新的语义属性解释推荐系统(SAERS)。具体来说,我们首先介绍了一个细粒度的可解释的语义空间。然后,我们开发了一个语义提取网络(SEN)和细粒度的偏好注意(FPA)模块,分别将用户和项目投射到这个空间中。通过SAERS,我们不仅能够为用户提供布料推荐,而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
SPRIG: Semantic-ID-enhanced Paths for Knowledge Graph-based Generative Recommendation
Johannes Kepler University(约翰·开普勒林茨大学);Albatross AI(信天翁人工智能);Criteo AI Lab(Criteo人工智能实验室);Linz Institute of Technology(林茨工业大学)
提出SPRIG,一种将内容派生的语义ID集成到知识图谱路径推理中的生成式推荐器,结合两者优势,在电影和音乐数据集上以更少参数和计算成本取得竞争性能。
2026-10-06 cs.IR
Large Language Models Enhanced Hyperbolic Space Recommender Systems
Beijing Institute of Technology(北京理工大学);Guangdong Laboratory of Artificial Intelligence and Digital Economy(广东人工智能与数字经济实验室);Chongqing University(重庆大学)
针对现有推荐系统难以捕捉层次信息的问题,提出模型无关框架HyperLLM,从结构和语义角度提取整合层次信息,性能提升超40%,并增强训练稳定性。
2025-04-19 cs.AI cs.IR
Bridging RDF Knowledge Graphs with Graph Neural Networks for Semantically-Rich Recommender Systems
ScaDS.AI \& TU Dresden, Dresden, Germany metaphacts GmbH, Walldorf, Germany Fujitsu Ltd., Japan
该研究提出将 RDF 知识图谱的对象属性拓扑与数据类型属性内容集成到 GNN 推荐系统中,并在数百万节点图上验证语义信息可显著提升推荐效果。
2025-06-10 cs.AI cs.DB cs.IR
Recommender Systems with Generative Retrieval
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Google DeepMind(谷歌DeepMind);Google(谷歌)
该研究提出基于Semantic ID的生成式检索推荐方法,用Transformer序列模型自回归解码物品语义ID,在多数据集上性能超SOTA,还提升了冷启动物品的检索泛化能力。
2023-11-03 cs.IR cs.LG
LLMs as Better Recommenders with Natural Language Collaborative Signals: A Self-Assessing Retrieval Approach
提出SCORE框架,通过自然语言协同信号检索与自评估重排序,提升LLM推荐性能。
2025-05-26 cs.IR
Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators
Shandong University(山东大学);Renmin University of China(中国人民大学)
提出闭环仿真框架RecLoop,利用LLM用户代理比较生成式与传统推荐器,发现生成式推荐器在暴露层面不易形成信息茧房,但反馈循环仍会导致编码空间集中,且茧房严重程度取决于分词策略和模型规模。
2026-06-17 cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段,用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索,以有效地衡量用户的兴趣项目从庞大的候选池。然而,现有的工作主要是建立在预定义的检索渠道,包括用户CF(U2 U),项目CF(I2 I),嵌入式检索(U2 I),从而访问用户和项目之间的有限的相关性,这仅仅需要从潜在的交互的部分信息。在本文中,我们提出了一个模型无关的综合跨渠道(MIC)的方法,最大限度地利用固有的多渠道互信息,以提高匹配性能的大规模推荐。具体来说,MIC鲁棒模型内的用户-项目,用户-用户,项目-项目从潜在的相互作用在一个通用的模式。对于每个通道,MIC自然地将对与语义相似性对齐,并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计,但MIC直观地将其视为一个整体,使用户和项目之间的完整信息流。因此,MIC可以很容易地插入到其他检索推荐系统。大量的实验表明,我们的MIC帮助几个国家的最先进的模型,提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
TFNet: Multi-Semantic Feature Interaction for CTR Prediction
点击率(CTR)预测在计算广告和推荐系统中起着核心作用。在该领域中存在几种方法,例如逻辑回归(LR),因子分解机(FM)和基于深度学习的方法,如Wide&Deep,神经因子分解机(NFM)和DeepFM。然而,这样的方法通常使用每对特征的向量积,这忽略了特征交互的不同语义空间。在本文中,我们提出了一种新的基于张量的特征交互网络(TFNet)模型,该模型引入了一个操作张量,通过多个语义空间中的多切片矩阵来阐述特征交互。大量的离线和在线实验表明:TFNet:1)在典型的Criteo和Avazu数据集上的性能优于竞争性比较方法; 2)在中国最大的应用推荐系统腾讯MyApp的在线A/B测试中,收入和点击率都有很大的提高。
2020-06-29 cs.IR
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors
Amazon(亚马逊);Google Research(谷歌研究院);Anthropic(Anthropic公司);Meta AI
本文提出基于概念激活向量(CAV)的推荐框架,用于学习软属性的个性化语义、区分主客观属性,并通过交互式物品批评提升推荐效果。
2023-06-03 cs.AI cs.IR cs.LG
Beyond Uniform Token Training: A Multi-Target Framework for Learning Token-Weighted Objectives in Generative Recommenders
Carnegie Mellon University(卡内基梅隆大学);National Taiwan University(台湾大学);National Tsing Hua University(国立清华大学);Academia Sinica(中央研究院)
本文提出基于课程学习的生成推荐系统中的标记加权多目标学习方法,通过两种信息增益策略提升推荐性能,实验表明其在不同语义ID构造下表现优异。
2026-08-21 cs.IR
Usage-based vs. Citation-based Methods for Recommending Scholarly Research Articles
学术数字图书馆中的协同过滤器有两个主要的数据源:从收集大量分布式Open URL Web日志中获得的使用数据和从期刊文章中获得的引用数据。本研究探讨了这两种方法的实现所产生的建议的特点:'bX'系统的ExLibris和实验性的基于引用的推荐,Sarkanto。每个系统的推荐根据它们与用于生成它们的种子文章的语义相似性进行比较。由于两个系统中的所有推荐文献均未提供全文,因此种子文献与推荐文献之间的语义相似性被视为发表文献的期刊之间的语义距离。期刊之间的语义距离是根据该期刊中可用文章全文中所有术语之间的“语义向量”距离计算的,这项研究表明,基于引用的推荐比基于使用的推荐在语义上更加多样化。这些推荐器是互补的,因为大多数时候,当一个推荐器产生推荐时,另一个推荐器不产生推荐。
2013-03-29 cs.DL cs.IR
Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs
Central South University, Changsha, China(中南大学);Shopee Pte. Ltd., Shanghai, China(Shopee(上海)有限公司);Shopee Pte. Ltd., Singapore, Singapore(Shopee(新加坡)有限公司);Nanyang Technological University, Singapore, Singapore(南洋理工大学)
ReSID通过原生编码和语义量化提升推荐系统性能,实现比现有方法高超10%的准确率并大幅降低分词成本。
2026-02-02 cs.AI cs.IR
SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation
Northeastern University, China(中国东北大学)
针对LLM推荐系统中协同嵌入利用不足的问题,提出SAILRec模型,通过双端语义对齐和层次注意力引导,平衡内部语义知识与外部协同知识,在MovieLens-1M和Amazon-Book上优于基线。
2026-06-03 cs.IR
What Matters in LLM-Based Feature Extractor for Recommender? A Systematic Analysis of Prompts, Models, and Adaptation
Xi’an Jiaotong University(西安交通大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出RecXplore框架,通过模块化分析揭示LLM特征提取器中提示、模型和适应策略对推荐性能的影响,并展示其在多个数据集上的显著提升效果。
2026-01-28 cs.IR
Enriching Semantic Profiles into Knowledge Graph for Recommender Systems Using Large Language Models
Inha University(成均馆大学);Sogang University(成均馆大学)
本文提出SPiKE模型,利用大语言模型生成知识图谱中的语义轮廓,通过轮廓聚合和偏好匹配提升推荐系统性能。
2026-01-13 cs.AI cs.IR cs.LG
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
Semantic Convergence: Harmonizing Recommender Systems via Two-Stage Alignment and Behavioral Semantic Tokenization
Meituan(美团)
本文提出一种融合传统推荐模型与LLMs的新颖框架,通过Alignment Tokenization模块和监督学习任务实现协同信号与语言语义的两阶段对齐,并采用预缓存top-K结果优化在线推理,显著提升了召回率和系统可扩展性。
2024-12-18 cs.AI cs.CL cs.IR