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
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
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
A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions
推荐系统是当今互联网上最重要的信息服务之一。最近,图神经网络已经成为推荐系统的新的最先进的方法。在这项调查中,我们进行了全面的文献综述图神经网络为基础的推荐系统。本文首先介绍了推荐系统和图神经网络的发展背景和历史。对于推荐系统,一般来说,有四个方面来分类现有的作品:阶段,场景,目标和应用。对于图神经网络,现有的方法包括两大类,光谱模型和空间模型。然后讨论了将图神经网络应用于推荐系统的动机,主要包括高阶连通性、数据的结构特性和增强的监督信号。然后,我们系统地分析了图的构建,嵌入传播/聚合,模型优化和计算效率的挑战。之后,主要是,我们提供了一个全面的概述了大量现有的工作图神经网络为基础的推荐系统,按照上述分类。最后,我们提出了在这一领域的开放性问题和有前途的未来方向的讨论。我们在\url{https://github.com/tsinghua-fib-lab/GNN-Recommender-Systems}中总结了代表性论文及其代码库。
2023-01-12 cs.IR
A Survey on Reinforcement Learning for Recommender Systems
本文针对基于强化学习的推荐系统领域,梳理四类典型场景下的强化学习方法,分析现存挑战与解决方案,并提出未来潜在研究方向,为相关研究者与从业者提供参考。
2023-06-11 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
Deep Learning to Address Candidate Generation and Cold Start Challenges in Recommender Systems: A Research Survey
Indian Institute of Management Lucknow(勒克瑙印度管理学院);Indian Institute of Management Raipur(赖布尔印度管理学院)
在机器学习的商业应用中,推荐系统在成功和采用方面将占据领先地位。他们帮助用户加速搜索过程,同时帮助企业最大限度地提高销售额。在计算机视觉和语音识别领域取得巨大成功后,深度学习方法开始应用于推荐系统。当前关于推荐系统中深度学习的调查论文提供了基于类型的推荐系统的历史概述和分类。我们的论文解决了提供深度学习方法分类的差距,以解决推荐系统中的冷启动和候选生成领域的推荐系统问题。我们概述了推荐系统中的不同挑战,这些挑战与推荐本身有关(包括相关性,速度,准确性和可扩展性),与数据的性质有关(冷启动问题,不平衡和稀疏性)和候选生成。然后,我们提供了一个分类的深度学习技术来解决这些挑战。深度学习技术被映射到推荐系统中的不同挑战,提供了如何使用深度学习技术来解决这些挑战的概述。我们贡献了一个分类的深度学习技术,以解决推荐系统中的冷启动和候选生成问题。冷启动通过其他功能(音频、图像、文本)以及学习隐藏的用户和项目表示来解决。候选生成已经通过单独的网络、RNN、自动编码器和混合方法来解决。我们还总结了这些技术的优点和局限性,同时概述了未来的研究领域。
2019-07-17 cs.IR cs.LG stat.ML
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
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
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
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
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
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
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
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
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
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
Session-Based Hotel Recommendations: Challenges and Future Directions
在2019年,推荐系统挑战赛首次涉及电子旅游领域的现实任务,即在预订会话中推荐酒店。在这种情况下,本文的目的是确定和调查,我们认为是重要的特定领域的挑战,酒店搜索推荐系统的研究正面临着,从学术和行业的角度。我们专注于三个主要的挑战,即处理(1)多个利益相关者和价值意识的建议,(2)稀疏的用户数据和广泛的冷启动问题,(3)动态输入数据和计算的要求。为此,我们回顾了解决这些挑战的最新技术,并讨论了不足之处。我们详细介绍了未来可能的方向和愿景,我们设想该领域的进一步发展。因此,本文应该有两个目的:为感兴趣的读者提供该领域当前挑战的概述,并为2019年及以后的ACM推荐系统挑战赛提供新的方法。
2019-07-31 cs.IR
The use of Recommender Systems in web technology and an in-depth analysis of Cold State problem
University for Business and Technology(商业与技术大学)
在WWW(World Wide Web)中,数据的动态发展和传播使得Internet上的信息量巨大,但用户却无法在短时间内找到相关信息。因此,一个被称为推荐系统的系统被开发出来,以帮助用户通过他们的浏览活动轻松地找到他们的信息。换句话说,推荐系统是用于与大量信息交互的工具,其提供个性化视图以优先化用户可能感兴趣的项目。多年来,他们在人工智能技术方面取得了进展,其中包括机器学习和数据采掘。此外,推荐系统已经在电子商务、在线应用(诸如Amazon.com、Netflix和Booking.com)上进行了个性化。因此,这激发了许多研究人员将推荐系统的范围扩展到尚未真正解决的新挑战和问题领域,主要是向新用户进行推荐的情况下的问题,称为冷状态(即冷启动)用户问题,其中新用户可能不会产生太多搜索信息。因此,本文的目的是用一些有效的方法和挑战来解决上述冷启动问题,并从整体上识别和概述推荐系统的现状
2020-09-10 cs.AI cs.IR
Research on restaurant recommendation using machine learning
推荐系统是一个帮助用户过滤无关信息并根据用户的历史记录建立用户兴趣模型的系统。随着互联网信息的不断发展,推荐系统受到了业界的广泛关注。在这个数据和信息无处不在的时代,如何获取和分析这些数据已经成为许多人的研究课题。针对这种情况,本文对与机器学习相关的推荐系统做了一些简要的综述。通过分析机器学习在推荐系统中使用的一些技术和思想,让更多的人了解什么是大数据,什么是机器学习。最重要的一点是让大家了解机器学习对我们日常生活的深刻影响。
2022-08-10 cs.AI cs.IR
Mobile Information Retrieval
移动信息检索(Mobile IR)是信息检索(IR)的一个相对较新的分支,其关注于使用户能够使用移动终端来执行他们过去在桌面上执行的所有经典IR操作。这包括响应用户查询在本地存储库或网络上查找可用内容,以显式或隐式方式与系统交互,重新制定查询和/或可视化检索文档的内容,以及提供相关性判断以改进检索过程。本书的结构如下。第2章提供了一个非常简短的概述IR和移动IR,简要概述了什么在移动IR是不同的IR。第3章提供了移动IR的基础,看看移动设备的特点和他们带来的IR,第四章概述了可通过移动互联网搜索的文档集合,移动IR系统,这是某种程度上不同于经典的IR的;可用于实验,包括收集的数据,已成为移动IR的补充。同样,第5章审查移动信息需求的研究和用户日志分析。第6章回顾了旨在适应和改进用户界面以满足移动IR需求的研究。第7章,相反,回顾了上下文感知方面的工作,它研究了移动IR所使用的用户上下文的许多方面。第八章回顾了移动信息检索的一些评估工作,从两种主要的信息检索评估方法:用户研究和测试集的角度强调了移动信息检索与经典信息检索的区别。最后,第9章报告了本次审查的结论,简要强调了移动IR的一些趋势,我们相信这些趋势将推动未来几年的研究。
2019-02-05 cs.DL cs.HC cs.IR
On-Device User Intent Prediction for Context and Sequence Aware Recommendation
Samsung Research Institute(三星研究院)
为了提高推荐系统的准确性,引入了用户上下文。上下文感知推荐系统通常处理大量数据,这些数据必须上传并存储在云上,从而使用户的个人信息处于危险之中。虽然之前已经有关于隐私敏感和上下文感知推荐系统的研究,但还没有一个完整的系统部署在孤立的移动环境中。我们提出了一种安全有效的设备上机制来预测用户的下一个意图。用户的实时意图的知识可以帮助推荐系统在正确的时刻提供更相关的推荐。我们提出的算法是上下文和序列感知。我们将用户意图作为加权节点嵌入到n维向量空间中,其中每个维度代表特定的用户上下文因素。通过邻域搜索方法和序列匹配算法,寻找最相关的节点进行预测。我们的方法的评估是在一个不同的现实世界的数据集上完成的,在这个数据集上,它能够有效和鲁棒地解决行为漂移和序列模式等实际场景。我们的系统在标准数据集上针对类似问题域进行评估时,也优于大多数最先进的方法。
2019-09-18 cs.AI cs.IR
A Scenario-Oriented Survey of Federated Recommender Systems: Techniques, Challenges, and Future Directions
School of Software Engineering, Xi’an Jiaotong University(西安交通大学软件工程学院);City, University of London(伦敦城市大学);Ministry of Education Key Laboratory for Intelligent Networks and Network Security, the School of Information and Communication Engineering, and SMILES LAB, Xi’an Jiaotong University(教育部智能网络与网络 security key laboratory、信息与通信工程学院及SMILES实验室,西安交通大学)
本文从推荐场景角度系统综述联邦推荐系统,分析场景与联邦学习框架的耦合关系、场景特定方法、实际挑战与未来方向,旨在推动FedRec的现实部署。
2025-08-27 cs.AI cs.CR cs.IR