On hybrid modular recommendation systems for video streaming
推荐系统旨在通过向用户推荐适当的个性化内容,利用有关他们偏好的信息来提高用户参与度。我们提出了使能器,一个混合推荐系统,它采用各种机器学习(ML)算法来学习几种推荐算法的有效组合,并为给定的输入选择最佳的混合。具体来说,它集成了三个层,即训练器,训练底层的推荐器,混合器,确定最有效的推荐器组合,以及用于评估系统性能的测试器。该引擎集成了多种推荐算法,从协作过滤和基于内容的技术到基于神经网络的技术。它使用嵌套交叉验证来自动选择最佳ML算法以及给定输入的超参数值,根据特定的指标。该enabler可以轻松地扩展到包括其他搅拌器和搅拌器。在视频流媒体的背景下,该使能器已被广泛评估。在Movielens 1M基准数据集上进行测试时,它优于其他各种算法。此外,例如,它实现了0.8206的RMSE,而AutoRec和SVD的最新性能分别为0.827和0.845。在希腊一家大型电信运营商的生产环境中开发和测试了一个试验性的网上推荐系统。由电信运营商提供的视频流服务的志愿者客户在野外实地研究的背景下使用该系统,并使用试点收集的评级对启用者进行了后分析,证明它显着优于几种流行的推荐算法。
2019-01-05 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
MERGE: Next-Generation Item Indexing Paradigm for Large-Scale Streaming Recommendation
Bytedance(字节跳动);National University of Singapore(新加坡国立大学)
MERGE通过动态聚类和层次索引结构提升大规模流媒体推荐系统的物品索引效率和性能。
2026-08-12 cs.IR
AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations
基于深度学习的推荐系统(DLRS)通常具有嵌入层,其用于减少分类变量(例如,用户/项目标识符)的维度并在低维空间中有意义地转换它们。大多数现有的DLRS根据经验为所有用户/项目嵌入预先定义了固定且统一的维度。从最近的研究中可以明显看出,根据不同用户/项目的受欢迎程度,不同的嵌入大小是非常需要的。然而,由于大量的用户/项目及其流行度的动态性质,在推荐系统中手动选择嵌入大小可能非常具有挑战性。因此,在本文中,我们提出了一个基于AutoML的端到端框架(AutoEmb),它可以根据流行程度以自动和动态的方式启用各种嵌入维度。具体来说,我们首先增强了一个典型的DLRS,允许各种嵌入维度;然后我们提出了一个端到端的可区分框架,可以根据用户/项目的流行程度自动选择不同的嵌入维度;最后我们提出了一个基于AutoML的优化算法在流媒体推荐设置。基于广泛使用的基准数据集的实验结果证明了AutoEmb框架的有效性。
2020-02-28 cs.IR
Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data
CNRS(法国国家科学研究中心);LIPN(巴黎第十三大学计算机科学实验室);USPN(巴黎第十三大学);LTCI(法国电信学院);Télécom Paris(巴黎电信学院);Deezer Research(Deezer研究院);PACTE(政治与公共行动研究中心);Sciences Po Grenoble(格勒诺布尔政治学院)
本文通过全球音乐流媒体专有数据复现 LFM-2b 上的本地音乐推荐偏差研究,发现原结论稳健性不足,并公开数据集与代码以促进可复现研究。
2024-08-29 cs.DB cs.HC cs.IR
Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation
Kuaishou Technology(快手科技)
本文针对直播推荐的数据及时性问题,提出滑动窗口数据流范式 Sliver 及时间敏感的重新推荐策略,并在快手平台离线与在线实验中验证其能同时提升标签准确性和推荐及时性,显著改善 CTR 和 NFN。
2024-02-22 cs.AI cs.IR
AFEL-REC: A Recommender System for Providing Learning Resource Recommendations in Social Learning Environments
在本文中,我们提出了AFEL-REC,社会学习环境的推荐系统的初步结果。AFEL-REC是建立在一个可扩展的软件架构,以提供近实时的学习资源的建议。此外,AFEL-REC可以处理社交学习环境中存在的任何类型的数据,例如资源元数据,用户交互或社交标签。我们提供了在AFEL-REC中实现的三个推荐用例的初步评估,我们发现以标签的形式利用社交数据不仅有助于提高推荐的准确性,而且有助于提高覆盖率。这篇论文应该是有价值的研究人员和从业人员有兴趣在社会学习环境中提供资源建议。
2018-08-14 cs.IR
RecoWorld: Building Simulated Environments for Agentic Recommender Systems
Meta Platforms, Inc.(Meta平台公司);National University of Singapore(新加坡国立大学);University of Illinois(伊利诺伊大学)
RecoWorld通过双视角架构和多轮强化学习,构建了代理推荐系统的模拟环境,旨在提升用户留存和参与度。
2026-07-28 cs.IR
From Clicks to Carbon: The Environmental Toll of Recommender Systems
本研究通过复现2013与2023年ACM RecSys会议的79篇论文实验流程,评估推荐系统研究的环境影响,发现深度学习算法的碳排放约为传统方法的42倍,单篇论文平均排放3,297千克CO2当量。
2024-08-22 cs.IR
Improving Minimax Group Fairness in Sequential Recommendation
本文针对序列推荐中特定用户群体性能不佳的问题,探索了三种DRO方法,发现CVaR DRO无需群体标注即可提升群体公平性与整体性能,在重叠群体场景中表现最优。
2025-01-30 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
Personalized Recommender Systems for Gym Workouts: A Reinforcement Learning Approach
Delft University of Technology(代尔夫特理工大学)
该研究针对健身房锻炼推荐问题,提出一种强化学习框架,将推荐扩展至完整锻炼方案制定,通过实验验证完整方案建模可提升奖励与用户参与度。
2026-09-01 cs.IR
SweetRS: Dataset for a recommender systems of sweets
如果整个矩阵是已知的,则基准推荐系统和矩阵补全算法可以大大简化。我们建立了一个\url{sweetrs.org}平台,可以对$77$糖果和糖果进行排名。超过$2000$的用户提交了超过$44000$等级的数据,生成了包含$28\%$的矩阵。在本报告中,我们给出了环境的完整描述,并在数据集上对\textsc{Soft-Impute}算法进行了基准测试。
2017-09-10 cs.IR
Towards Sharing Task Environments to Support Reproducible Evaluations of Interactive Recommender Systems
Insight Centre for Data Analytics(Insight数据分析中心);Data Science Institute, NUI Galway(爱尔兰国立大学戈尔韦分校数据科学研究所)
除了共享数据集或模拟之外,我们认为推荐系统(RS)社区应该共享任务环境。在这项工作中,我们提出了一个高层次的逻辑架构,这将有助于推理RS任务环境的核心组件,识别环境,数据集和模拟之间的差异;最重要的是,了解需要共享的环境,以实现可重复的实验。这项工作本身是有价值的初步基础,可以讨论和扩展。
2019-09-16 cs.AI cs.IR
Double-Wing Mixture of Experts for Streaming Recommendations
流推荐系统(SRS)通常仅在新接收的数据上训练推荐模型以解决用户偏好漂移,即,改变用户对物品的偏好。然而,这种做法忽略了历史数据中嵌入的长期用户偏好。更重要的是,数据流中常见的异构性大大降低了流推荐的准确性。原因是不同类型的用户(或项目)的不同偏好(或特征)无法通过统一模型很好地学习。为了解决这两个问题,我们提出了一个变量和水库增强采样的双翼混合专家模型框架,称为VRS-DWMoE,以提高流媒体推荐的准确性。在VRS-DWMoE中,我们首先设计了变分和随机增强的采样,以明智地用历史数据补充新数据,从而在捕获长期用户偏好的同时解决用户偏好漂移问题。在此基础上,我们提出了一个双翼混合专家模型(DWMoE)模型,首先有效地学习异构用户的偏好和项目的特点,然后提出建议的基础上。具体而言,DWMoE包含两混合专家模型(MoE,一个有效的集成学习模型),分别学习用户偏好和项目特征。此外,每个MoE中的多个专家学习不同类型的用户(或项目)的偏好(或特性),其中每个专家专门研究一个基础类型。大量的实验表明,VRS-DWMoE始终优于最先进的SRS。
2020-09-14 cs.IR
AutoAssign+: Automatic Shared Embedding Assignment in Streaming Recommendation
City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出强化学习框架AutoAssign+,通过Identity Agent动态共享、保留或消除ID嵌入,以缓解流式推荐冷启动并降低约20–30%内存。
2023-08-14 cs.IR cs.LG
AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale
The Walt Disney Company(华特迪士尼公司);Intuit(Intuit公司)
针对生产推荐系统难以从聚合指标识别用户失败模式的问题,提出端到端智能体系统AURA,通过读取大规模日志进行定性诊断并生成代码级改进,已在流媒体平台验证并具跨领域迁移性。
2026-09-16 cs.AI cs.IR cs.LG
Continual Recommender Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(韩国大学)
本文系统梳理了持续推荐系统的背景、现有方法、实际部署中的持续学习应用及开放挑战,填补了现有持续学习教程未覆盖推荐系统特有需求的空白。
2025-07-05 cs.IR cs.LG
SUBER: An RL Environment with Simulated Human Behavior for Recommender Systems
ETH Zurich(苏黎世联邦理工学院);National University of Singapore(新加坡国立大学);A*STAR Singapore(新加坡科技研究局)
本文提出SUBER,一个利用大型语言模型模拟人类行为的合成环境框架,用于训练和评估基于强化学习的推荐系统,并在电影和图书推荐实验中验证其有效性。
2024-08-20 cs.IR cs.LG
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify;Carnegie Mellon University(卡内基梅隆大学)
研究通过针对性数据选择缓解时间分布漂移导致的性能下降,采用梯度表示与分布匹配提升模型性能,实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
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
MovieMat: Context-aware Movie Recommendation with Matrix Factorization by Matrix Fitting
电影推荐系统广泛应用于NetFlix和Tubi等商业环境中。经典的推荐模型利用协同过滤、学习排序、矩阵分解和深度学习模型等技术来实现更低的营销费用和更高的收入。然而,电影观众在不同的语境中对同一部电影有不同的评价。重要的电影观看上下文包括观众情绪,位置,天气等。能够利用上下文信息对推荐器构建者有很大的好处。然而,流行的技术,如张量因式分解消耗不切实际的存储量,这大大降低了其在现实世界环境中的可行性。在本文中,我们利用的MatMat框架,矩阵分解矩阵拟合建立一个上下文感知的电影推荐系统,优于经典的矩阵分解和可比的公平性度量。
2022-04-27 cs.IR
Reformulating Conversational Recommender Systems as Tri-Phase Offline Policy Learning
针对CRS依赖用户模拟器导致模拟有效而部署失效的问题,本文提出TCRS,融合基于模型的离线学习与可控用户模拟,以降低实时交互依赖并提升推荐鲁棒性、适应性与准确性。
2024-09-07 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
Why People Skip Music? On Predicting Music Skips using Deep Reinforcement Learning
音乐推荐系统是我们日常生活中不可或缺的一部分。最近的研究已经看到了基于黑盒推荐的方法,如深度强化学习(DRL)的重大努力。这些进步,以及对用户数据汇集和隐私的日益关注,导致了对构建负责任的推荐系统的强烈兴趣。成功的音乐推荐系统的一个关键要素是对用户如何与流媒体内容交互进行建模。通过首先理解这些相互作用,可以得出见解,以构建更透明和负责任的系统。这些交互的一个例子是跳过行为,这是一个可以衡量用户满意度、不满度或缺乏兴趣的信号。在本文中,我们研究了用户的历史数据的顺序预测用户的跳过行为的任务的效用。为此,我们适应DRL这个分类任务,其次是事后的可解释性(SHAP)和消融分析的输入状态表示。来自真实世界音乐流数据集(Spotify)的实验结果证明了我们的方法在这项任务中的有效性,表现优于最先进的模型。我们的方法和用户的历史数据的全面分析揭示了数据集中的时间数据泄漏问题。我们的研究结果表明,总体而言,用户的行为特征是最具歧视性的,我们提出的DRL模型预测音乐跳过。内容和上下文特征的影响较小。这表明应该收集并利用有限数量的用户数据来预测跳过行为。
2023-01-10 cs.IR
Reinforcement Learning-based Recommender Systems with Large Language Models for State Reward and Action Modeling
针对离线强化学习推荐系统难以获取有效用户反馈的问题,提出将大语言模型适配为环境(LE)以建模用户状态与奖励,并设计LEA方法联合优化监督组件与RL策略,有效提升了推荐性能。
2024-03-25 cs.IR
Do Offline Metrics Predict Online Performance in Recommender Systems?
University of California, Berkeley(加州大学伯克利分校)
推荐系统在固有的动态设置中操作。过去的建议会影响未来的行为,包括观察哪些数据点以及用户偏好如何变化。然而,在生产系统中使用真实的用户动态进行实验通常是不可行的,并且现有的基于模拟的方法具有有限的规模。因此,许多最先进的算法被设计用于解决监督学习问题,并且仅通过离线度量来判断进度。在这项工作中,我们调查在何种程度上离线指标预测在线性能,通过评估11个在六个受控的模拟环境中。我们观察到,离线指标与在线性能在一系列的环境。然而,离线指标的改进导致在线性能的回报递减。此外,我们观察到,排名的变化取决于初始离线数据的数量。我们研究了增加探索策略的影响,并观察到它们的有效性,相比贪婪的建议,是高度依赖于推荐算法。我们提供了本文中所描述的环境和仿真器Reclab:一个可扩展的即用型仿真框架,网址为https://github.com/berkeley-reclab/RecLab。
2020-11-07 cs.IR cs.LG
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
Representation Learning in Low-rank Slate-based Recommender Systems
Cornell University(康奈尔大学)
本文针对推荐系统中状态和动作空间过大的问题,提出一种基于低秩MDP的样本高效表示学习算法,并构建了相应的板面推荐模拟环境。
2023-09-19 cs.AI cs.IR
Optimal Dataset Size for Recommender Systems: Evaluating Algorithms' Performance via Downsampling
本研究通过对7个数据集、12种算法和2个核心剪枝级别应用两种下采样方法,探索绿色推荐系统中能源效率与推荐质量的权衡,证明下采样可显著降低运行时间和碳排放,为节能推荐系统设计提供见解。
2025-02-14 cs.IR
KuaiSim: A Comprehensive Simulator for Recommender Systems
针对现有推荐系统模拟器在用户反馈、数据一致性和跨系统迁移方面的局限,提出综合模拟器KuaiSim,支持列表推荐、顺序推荐和留存优化三个层次任务,并提供评估基准,验证了其在多数据集上的灵活性与鲁棒性。
2023-10-19 cs.IR
Collaborative filtering, K-nearest neighbor and cosine similarity in home decor recommender systems
本文为DecorRaid公司开发了基于协同过滤、K近邻和余弦相似度的推荐系统框架,通过多视角评估和在线A/B测试,提出解决稀疏性和冷启动问题的混合推荐系统方案。
2024-02-09 cs.IR cs.SI
Optimized Recommender Systems with Deep Reinforcement Learning
Universitat Oberta de Catalunya(加泰罗尼亚开放大学)
推荐系统一直是在线零售商的基石。传统上,它们基于规则、相关性分数、排名算法和监督学习算法,但现在可以使用强化学习算法来生成有意义的推荐。这项工作研究和开发的手段,以建立一个可重复的测试平台,并评估不同的国家的最先进的算法在一个现实的环境。它需要一个建议,文献综述,方法,结果和评论。
2021-10-06 cs.IR cs.LG
RL4RS: A Real-World Dataset for Reinforcement Learning based Recommender System
NetEase Inc.(网易公司);Fuxi AI Lab(伏羲人工智能实验室)
本文提出首个开源真实世界数据集 RL4RS,并配套系统化评估框架、仿真环境、基线与反事实评估算法,以缩小基于强化学习的推荐系统研究与实际部署之间的现实差距。
2023-04-17 cs.IR cs.LG
A Food Recommender System in Academic Environments Based on Machine Learning Models
Tarbiat Modares University(塔比阿特·莫达雷斯大学)
本文针对大学环境中的饮食健康问题,构建了结合协同过滤、基于内容和基于知识的混合食物推荐系统,对比了多种机器学习模型,发现AdaBoost在准确率上表现最佳(73.70%)。
2023-06-26 cs.IR cs.LG
Lusifer: LLM-based User SImulated Feedback Environment for online Recommender systems
University of Windsor(温莎大学)
提出Lusifer,一个基于LLM的模拟环境,通过增量更新用户画像并利用文本元数据生成动态真实反馈,支持强化学习推荐系统的训练与冷启动场景,在预测准确性上与传统模型相当,但更擅长捕捉动态用户响应并提供可解释结果。
2025-03-29 cs.IR cs.LG
COUPA: An Industrial Recommender System for Online to Offline Service Platforms
Ant Group(蚂蚁集团)
本文提出工业推荐系统 COUPA,通过时间感知点过程和个性化位置选择器刻画用户偏好并缓解位置偏差,已在支付宝 O2O 场景部署并验证效果。
2023-04-25 cs.IR cs.LG
RecSim: A Configurable Simulation Platform for Recommender Systems
Google Research(谷歌研究院);Department of Computer Science, University of Texas at Austin(德克萨斯大学奥斯汀分校计算机科学系)
我们提出RecSim,一个可配置的平台,创作的推荐系统(RS),自然支持与用户的顺序交互的模拟环境。RecSim允许创建新的环境,反映用户行为和项目结构的特定方面,在一个抽象的水平,非常适合推动当前的强化学习(RL)和RS技术在顺序交互式推荐问题的限制。环境可以很容易地配置,以改变以下假设:用户偏好和项目熟悉度;用户潜在状态及其动态;选择模型和其他用户响应行为。我们概述了RecSim如何为RL和RS研究人员和从业者提供价值,以及它如何作为学术-工业合作的工具。
2019-09-26 cs.HC cs.IR cs.LG
Where to Explore: A Reach and Cost-Aware Approach for Unbiased Data Collection in Recommender Systems
st Qiang Chen(第一作者);nd Venkatesh Ganapati Hegde(第二作者)
本文提出一种兼顾覆盖与成本的无偏数据收集方法,通过优化内容展示位置,提升推荐系统长期质量的同时保持业务指标稳定。
2025-12-11 cs.IR cs.LG
Green Recommender Systems: Optimizing Dataset Size for Energy-Efficient Algorithm Performance
University of Siegen(锡根大学)
本文研究通过下采样优化数据集规模以实现节能推荐,发现FunkSVD和BiasedMF在稀疏数据上减半训练数据仍保持近完整性能,从而降低计算与环境成本。
2024-11-05 cs.AI cs.IR
AURO: Reinforcement Learning for Adaptive User Retention Optimization in Recommender Systems
Nanyang Technological University(南洋理工大学);Skywork AI(世沃人工智能)
针对推荐系统中用户留存优化的环境非平稳性挑战,提出AURO方法,通过状态抽象模块和基于性能的拒绝采样探索,在模拟器、MovieLens和短视频平台中取得优于基线的表现。
2025-02-26 cs.IR cs.LG
Sim2Rec: A Simulator-based Decision-making Approach to Optimize Real-World Long-term User Engagement in Sequential Recommender Systems
Nanjing University(南京大学);DiDi AI Labs(滴滴人工智能实验室);Peng Cheng Laboratory(鹏城实验室);City University of Hong Kong(香港城市大学);Lyft(来福车)
针对顺序推荐系统中长期用户参与度优化面临的现实差距问题,提出基于模拟器集合的Sim2Rec方法,通过环境参数提取与上下文感知策略训练,实现策略直接迁移至真实环境,并在合成及滴滴出行真实数据上取得显著性能提升。
2023-05-03 cs.IR cs.LG
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
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania(宾夕法尼亚大学);NEC Research Institute(NEC研究院)
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和(主要是自组织的)混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型,将用户,项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的,而是从给定的数据源自然出现的。与标准期望最大化(EM)学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合,这在推荐应用中是典型的。我们表明,次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明,适当的混合模型结合二级数据产生比k-最近邻(k-NN)更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
TEE-based decentralized recommender systems: The raw data sharing redemption
EPFL - Swiss Federal Institute of Technology Lausanne(洛桑联邦理工学院)
推荐器在今天的许多应用中是核心。最有效的推荐方案,例如基于协同过滤(CF)的那些,利用用户简档之间的相似性来进行推荐,但是潜在地暴露隐私数据。联邦学习和分散式学习系统通过让数据留在用户的机器上来保护隐私来解决这个问题:每个用户都对本地数据进行训练,并且只共享模型参数。然而,在网络上共享模型参数仍然可能导致隐私泄露。在本文中,我们提出了REX,第一个基于飞地的分散CF推荐。REX利用可信执行环境(TEE),如英特尔软件防护扩展(SGX),在处理器内提供屏蔽环境,以提高收敛性,同时保护隐私。首先,REX支持原始数据共享,这最终会加快收敛速度并降低网络负载。其次,REX完全保护隐私。我们分析了原始数据共享在深度神经网络(DNN)和矩阵分解(MF)算法中的影响,并展示了可信环境在REX全面实施中的好处。我们的实验结果表明,通过原始数据共享,REX与仅共享参数的标准分散方法相比,将训练时间显著减少了18.3倍,网络负载减少了2个数量级,同时通过利用值得信赖的硬件飞地以非常小的开销来充分保护隐私。
2022-06-01 cs.CR cs.DC cs.IR
A Methodology for the Offline Evaluation of Recommender Systems in a User Interface with Multiple Carousels
Politecnico di Milano(米兰理工大学)
许多视频点播和音乐流媒体服务向用户提供由若干推荐列表组成的页面,所述推荐列表即小部件或可滑动的旋转木马,每一个都构建有特定标准(例如,最近的电视连续剧等)。寻找有效的策略来选择要显示的旋转木马是一个具有巨大工业兴趣的活跃研究课题。在这种情况下,新算法的推荐的整体质量不能通过仅仅测量其个体推荐质量来评估。相反,应在已有其他建议清单的情况下对其进行评估,以说明它们如何相互补充。这是传统的离线评估协议所不考虑的。因此,我们提出了一个离线评估协议的旋转木马设置中,一个模型的推荐质量是衡量多少,它提高了一套已经可用的旋转木马。我们报告的实验公开可用的数据集上的电影域,并注意到,根据转盘设置的排名的算法的变化。特别是,当SLIM carousel可用时,矩阵分解模型往往是首选,而基于项目的模型则会受到惩罚。我们还建议将排名指标扩展到二维旋转木马布局,以考虑已知的位置偏差,即用户不会按顺序探索列表,而是集中在屏幕的左上角。
2021-05-13 cs.IR cs.LG
Familiarizing with Music: Discovery Patterns for Different Music Discovery Needs
本文基于Deezer用户调查与流媒体数据,研究不同音乐发现需求用户的探索行为差异,识别出流行度与流派代表性模式,为推断用户兴趣和改进音乐推荐系统提供依据。
2025-05-06 cs.HC cs.IR
FairRoad: Achieving Fairness for Recommender Systems with Optimized Antidote Data
The Ohio State University(俄亥俄州立大学);Amazon(亚马逊)
如今,推荐系统在塑造我们的数字环境和社交互动体验方面发挥着越来越重要的作用。然而,随着推荐系统在我们的社会中变得无处不在,近年来也见证了显着的公平性问题的推荐系统。具体来说,研究表明,推荐系统可能会继承甚至放大历史数据的偏见,从而提供不公平的推荐。为了解决推荐系统中的公平性风险,迄今为止,大多数以前的方法都集中在修改现有的训练数据样本或部署的推荐算法,但不幸的是,成功的程度有限。在本文中,我们提出了一种新的方法,称为公平推荐与优化解毒剂数据(FairRoad),其目的是提高推荐系统的公平性能,通过构建一个小的,精心制作的解毒剂数据集。为此,我们制定了我们的解毒剂数据生成任务作为一个数学优化问题,最大限度地减少了目标推荐系统的不公平性,同时不破坏部署的推荐算法。大量的实验表明,我们提出的解毒剂数据生成算法显着提高推荐系统的公平性与少量的解毒剂数据。
2022-12-13 cs.CR cs.CY cs.IR
Breaking Feedback Loops in Recommender Systems with Causal Inference
University of California Berkeley(加州大学伯克利分校);University of Michigan(密歇根大学)
推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在(1)做出推荐(2)收集用户对这些推荐的响应以及(3)基于该反馈重新训练推荐算法之间交替。在此过程中,推荐系统会影响随后用于更新的用户行为数据,从而创建一个反馈循环。最近的工作表明,反馈循环可能会损害推荐质量和同质化的用户行为,提高道德和性能的关注时,部署推荐系统。为了解决这些问题,我们提出了反馈循环因果调整(CAFL),这是一种使用因果推理可证明地打破反馈循环的算法,可以应用于任何优化训练损失的推荐算法。我们的主要观察是,一个推荐系统不会遭受反馈回路,如果它的原因因果量,即干预分布的建议用户评级。此外,我们可以通过调整推荐系统对用户偏好的预测,从观察数据中计算出这种干预分布。使用模拟环境中,我们证明了CAFL提高推荐质量相比,以前的校正方法。
2022-07-15 cs.IR cs.LG stat.ML
Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Calgary(卡尔加里大学)
本研究对伊朗约70个网站的大规模推荐系统进行离线与在线评估,比较基于内容、协同过滤、趋势及混合方法,并分析冷启动与流行度偏差。
2024-11-02 cs.AI cs.CL cs.IR
Adaptive information filtering for dynamic recommender systems
现实世界的动态环境需要自适应的信息过滤技术,即对系统数据的变化提供实时响应。许多增量算法是为此目的而设计的,它们通常受到随着时间的推移累积误差导致的越来越差的性能的挑战。在这封信中,我们提出了两个增量扩散为基础的个性化推荐算法,它集成了一些局部和快速更新,以达到近似的结果。除了快速的响应,所提出的算法的误差不随时间累积,也就是说,全局重新计算是不必要的。两个电影推荐系统和一个社会书签系统的算法准确性的几个指标证明了这一显着的优势。
2009-11-25 cs.IR cs.IT math.IT