A collaborative filtering model with heterogeneous neural networks for recommender systems
近年来，深度神经网络被引入到推荐系统中来解决协同过滤问题，在计算机视觉、语音识别和自然语言处理等领域取得了巨大的成功。一方面，深度神经网络可以用来对推荐系统中的辅助信息进行建模。另一方面，它也能够建模用户和项目之间的非线性关系。深度神经网络的一个优点是可以通过增加神经网络的深度来容易地增强算法的性能。然而，当利用深度神经工作来建模用户和项目之间的关系时，可能会出现两个潜在的问题。基本问题是，算法的复杂性随着神经网络深度的增加而显著增长。第二个是更深的神经网络可能会破坏算法的准确性。为了缓解这些问题，我们提出了一种混合神经网络，结合异构神经网络与不同的结构。在真实数据集上的实验结果表明，该方法在项目排序方面优于现有的方法。
2020-10-13 cs.IR cs.LG
The Stereotyping Problem in Collaboratively Filtered Recommender Systems
University of California, Berkeley（加利福尼亚大学伯克利分校）；Cornell Tech（康奈尔科技学院）；Technion（以色列理工学院）
推荐系统在我们访问在线信息的过程中起着至关重要的作用。我们表明，这样的算法诱导一种特定的刻板印象：如果一组项目的偏好是反相关的一般用户群体，那么这些项目可能不会一起推荐给用户，无论用户的偏好和评级历史。首先，我们引入了联合可访问性的概念，它衡量了一组项目可以被用户联合访问的程度。在标准的基于因子分解的协同过滤框架下研究了联合可达性问题，给出了联合可达性被破坏的理论充分必要条件。此外，我们表明，这些条件可以很容易地被违反时，用户表示为一个单一的特征向量。为了提高联合可访问性，我们进一步提出了一种替代的建模修复方案，该方案旨在使用多向量表示来捕获每个用户的多种兴趣。我们在真实和模拟数据集上进行了大量的实验，证明了标准单向量矩阵分解模型的刻板印象问题。
2021-10-04 cs.IR cs.LG
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach
South China Agricultural University（华南农业大学）；Sun Yat-sen University（中山大学）；South China University of Technology（华南理工大学）
本文提出广度协同过滤（BroadCF），用广度学习系统替代深度神经网络学习用户与物品间的非线性关系，并通过用户-物品评分协同向量预处理生成低维输入，在七个基准数据集上验证了其高效且准确的推荐性能。
2024-02-24 cs.IR cs.LG
Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling
CRITEO AI Lab \& LIGM, École Nationale des Ponts et Chaussées Paris France；CRITEO AI Lab Paris France；CRITEO AI Lab \& LIGM, École Nationale des Ponts et Chaussées；CRITEO AI Lab
本文提出对比式分词方法COSETTE和轻量级生成模型MARIUS，通过引入协同信号与解耦时间线建模，缩小生成式推荐系统与基于ID模型的性能差距。
2025-08-12 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；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）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Budget-Constrained Item Cold-Start Handling in Collaborative Filtering Recommenders via Optimal Design
Technion（以色列理工学院）；Yahoo Labs（雅虎实验室）；Outbrain Inc.（Outbrain公司）
众所周知，基于协同过滤（CF）的推荐系统提供了更好的建模用户和项目与相当大的评级历史。缺乏历史评级导致用户和项目冷启动问题。后者是这项工作的主要重点。目前大多数文献都通过整合基于内容的推荐技术来对新项目进行建模来解决这个问题。然而，在许多情况下，这样的内容是不可用的，问题是这个问题是否可以减轻使用CF技术只。我们将这个问题形式化为一个优化问题：给定一个新项目，一个可用用户池和一个预算约束，选择哪些用户分配给新项目的评级任务，以最小化我们模型的预测误差。我们表明，目标函数是单调supermodular，并提出有效的优化设计的算法，达到其最佳的近似。我们的研究结果通过使用Netflix数据集的实证研究进行了验证，其中所提出的算法优于手头问题的几个基线。
2016-09-20 cs.IR cs.LG
ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System
University of Minnesota Twin Cities（明尼苏达大学双子城分校）
本文提出ECORS方法，通过集成多种聚类算法并构建用户-用户矩阵，同时检测局部与全局异常值，从而显著提升协同过滤推荐系统中异常值检测的准确性。
2024-10-01 cs.HC cs.IR cs.LG
Making Recommender Systems Forget: Learning and Unlearning for Erasable Recommendation
Zhejiang University（浙江大学）
隐私法律和法规强制执行数据驱动的系统，例如，推荐系统，删除涉及个人的数据。由于机器学习模型可能会记住训练数据，因此数据擦除也应该忘记模型中的数据谱系，这引起了人们对机器遗忘（MU）问题的兴趣。然而，现有的MU方法不能直接应用于推荐。大多数推荐系统的基本思想是协同过滤，但现有的MU方法忽略了跨用户和项目的协作信息。本文提出了一个通用的可擦除推荐框架LASER，它由Group模块和SeqTrain模块组成。首先，分组模块根据超图学习到的协作嵌入相似度，将用户划分为均衡分组。然后，SeqTrain模块对具有课程学习的所有组顺序地训练模型。理论分析和两个真实数据集上的实验表明，LASER不仅可以实现有效的去学习，而且在模型效用方面优于最先进的去学习框架。
2022-03-22 cs.IR cs.LG
Collaborative Deep Learning for Recommender Systems
Hong Kong University of Science and Technology（香港科技大学）
协同过滤（CF）是一个成功的方法，通常被许多推荐系统使用。传统的基于CF的方法使用用户对项目的评分作为学习进行推荐的唯一信息来源。然而，在许多应用中，评级通常非常稀疏，导致基于CF的方法在其推荐性能方面显着下降。为了解决该稀疏性问题，可以利用诸如项目内容信息的辅助信息。协作主题回归（CTR）是一个有吸引力的最近的方法，采用这种方法，紧密耦合的两个组件，从两个不同的信息源学习。然而，当辅助信息非常稀疏时，CTR学习的潜在表示可能不是很有效。为了解决这个问题，我们从i.i.d.中概括了深度学习的最新进展。输入到非i.i.d.（基于CF的）输入，并提出了一种称为协作深度学习（CDL）的分层贝叶斯模型，该模型联合执行内容信息的深度表示学习和评级（反馈）矩阵的协作过滤。在来自不同领域的三个真实世界数据集上进行的大量实验表明，CDL可以显着提高最先进的技术水平。
2015-06-18 cs.CL cs.IR cs.LG
Modurec: Recommender Systems with Feature and Time Modulation
EPFL（洛桑联邦理工学院）
目前推荐系统的算法主要是基于协同过滤，它利用用户评分来发现数据中的潜在因素。不幸的是，这些算法没有有效地利用其他功能，这些功能可以帮助解决协同过滤的两个很好的识别问题：冷启动（没有足够的数据可用于新用户或产品）和概念转移（评级的分布随时间变化）。为了解决这些问题，我们提出了Modurec：一种基于自动编码器的方法，它使用特征调制机制结合了所有可用的信息，该机制已在多个领域证明了其有效性。虽然时间信息有助于减轻概念转移的影响，但当数据很少时，用户和项目特征的组合可以提高预测性能。我们在Movielens数据集上显示，与标准的基于自动编码器的方法和其他协同过滤方法相比，这些修改在大多数评估设置中产生了最先进的结果。
2020-10-13 cs.IR cs.LG
Collaborative Self-Attention for Recommender Systems
推荐系统（RS），这已经在广泛的应用中的一个重要组成部分，可以表示为一个矩阵完成（MC）问题。为了提高MC的性能，进一步提出了带边信息的矩阵完备化方法，称为归纳矩阵完备化（IMC）。在实际应用中，因式分解形式的内模控制由于其优化和实现效率而更受青睐。对于分解后的特征，传统的内模传播方法可以被解释为学习每个特征的独立表示，这些表示是相互独立的。此外，相同特征的表示跨所有用户/项目共享。然而，跨所有用户/项目的特征的独立特性和相同特征的共享特性可能限制模型的表达能力。该限制也存在于IMC的变体中，例如基于深度学习的IMC模型。为了突破这一局限性，本文将自我注意力机制的最新进展推广到内模传播，提出了一种上下文感知的协作自我注意力模型（CSA），它可以联合学习上下文感知的特征表示，并执行归纳矩阵补全过程。在实际遥感应用的三个大规模数据集上的实验证明了CSA的有效性。
2020-02-12 cs.IR cs.LG stat.ML
Inferring Communities of Interest in Collaborative Learning-based Recommender Systems
LIRIS, INSA Lyon（里昂国立应用科学学院LIRIS实验室）；INRIA（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；iExec Blockchain Tech（iExec区块链技术公司）
针对基于联邦学习和gossip学习的协同推荐系统的隐私漏洞，提出无需训练替代模型的社区推断攻击（CIA），实验显示其准确率比随机猜测高10倍，并发现“少共享”策略在GL中能更好平衡隐私与效用。
2025-04-15 cs.CR cs.IR cs.LG
CF-KAN: Kolmogorov-Arnold Network-based Collaborative Filtering to Mitigate Catastrophic Forgetting in Recommender Systems
Yonsei University（延世大学）；NAVER
针对推荐系统中基于MLP的协同过滤方法易出现灾难性遗忘的问题，提出基于KAN自编码器的CF-KAN方法，在准确率、抗遗忘能力和可解释性上均优于现有最优方法。
2024-09-11 cs.IR cs.LG
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
VirusCascade: Hijacking Collaborative Reflection in LLM-Powered Recommender Agents
Nanyang Technological University（南洋理工大学）；College of Computing and Data Science（计算与数据科学学院）
针对LLM驱动推荐智能体的协作反思机制，提出首个黑盒定向推广攻击VirusCascade，利用反思持久性与跨智能体传播实现系统级劫持，在四个数据集上达到最优定向曝光效果。
2026-10-01 cs.CR cs.LG cs.MA
AMEM4Rec: Leveraging Cross-User Similarity for Memory Evolution in Agentic LLM Recommenders
Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心）；College of Engineering and Computer Science, VinUniversity（越南 Vin 大学工程与计算机科学学院）；Computer Science, VinUniversity（越南 Vin 大学计算机科学）
AMEM4Rec通过跨用户记忆演化学习协作信号，提升智能大语言模型推荐系统的性能。
2026-02-09 cs.IR cs.LG
Time-Aware Music Recommender Systems: Modeling the Evolution of Implicit User Preferences and User Listening Habits in A Collaborative Filtering Approach
University of Salamanca（萨拉曼卡大学）；Illinois Institute of Technology（伊利诺伊理工大学）
在线流媒体服务已成为最流行的听音乐的方式。这些服务中的大多数都具有推荐机制，可以帮助用户从大量可用的音乐中发现他们可能感兴趣的歌曲和艺术家。然而，许多是不可靠的，因为它们可能没有考虑到上下文方面或不断发展的用户行为。因此，有必要开发考虑这些方面的系统。在音乐领域，时间是影响用户偏好和管理其效果的最重要因素之一，也是本文提出的工作背后的动机。这里，检查关于何时播放歌曲的时间信息。其目的是模拟用户偏好的演变形式的演变隐式评级和用户收听行为。在这项工作中提出的协同过滤方法，日常收听习惯被捕获，以表征用户，并为他们提供更可靠的建议。验证结果表明，该方法在生成上下文感知和上下文无关的推荐方面都优于其他方法
2020-08-26 cs.IR cs.LG
Collaboration-Aware Graph Convolutional Network for Recommender Systems
Vanderbilt University（范德堡大学）
图神经网络（GNNs）凭借其隐式捕捉协作效果的消息传递功能，已被成功地应用于推荐系统中。然而，大多数现有的推荐消息传递机制都是直接从GNN继承而来的，而没有仔细检查捕获的协作效果是否有利于预测用户偏好。在本文中，我们首先分析了如何通过消息传递捕获的协作效果，并提出了一个面向简化的拓扑度量，共同互动比（CIR），它衡量一个节点的特定邻居与其他邻居之间的互动水平。在展示了利用来自具有较高CIR的邻居的协作的好处之后，我们提出了一个定制的GNN，协作感知图卷积网络（CAGCN），它在区分非二部子图同构图方面超越了1-Weisfeiler-Lehman（1-WL）测试。在六个基准数据集上的实验表明，最好的CAGCN变体在Recall@20中的性能比最具代表性的基于GNN的推荐模型LightGCN高出近10%，并且还实现了约80%的加速比。我们的代码可在https://github.com/YuWVandy/CAGCN上公开获取。
2023-02-20 cs.IR cs.LG
Incorporating Recklessness to Collaborative Filtering based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）；Universidad Complutense de Madrid（马德里康普顿斯大学）；Instituto de Ciencias Matemáticas (CSIC-UAM-UCM-UC3M)（数学科学研究所（西班牙高等科学研究理事会-马德里自治大学-马德里康普顿斯大学-马德里卡洛斯三世大学））
针对推荐系统可靠性与覆盖率的两难问题，提出在基于矩阵分解的协同过滤推荐系统中引入考虑预测评分分布方差的鲁莽性项，实现风险调控并提升预测的数量与质量。
2024-05-21 cs.AI cs.IR cs.LG
Power of the Few: Analyzing the Impact of Influential Users in Collaborative Recommender Systems
DePaul University（德保罗大学）；Colorado University（科罗拉多大学）
与其他社交系统一样，在协同过滤中，少数“有影响力”的用户可能会对其他用户的推荐产生很大的影响，从而影响系统的整体行为。识别有影响力的用户并研究他们对其他用户的影响是一个重要的问题，因为它提供了对小群体如何无意或有意地影响整个系统行为的洞察。对这些影响进行建模还可以揭示模式和关系，否则这些模式和关系很难识别，希望能提高系统生成个性化内容的透明度。在这项工作中，我们首先正式的概念“影响力”的协同过滤使用的影响力歧视模型。然后，我们经验性地识别和表征有影响力的用户，并分析他们对系统的影响下，不同的底层推荐算法和三个不同的推荐域：工作，电影和书籍的建议。从这些实验中获得的见解可以帮助设计系统，这些系统不仅针对准确性进行了优化，而且还进行了调整，以减轻有影响力的用户的影响，当它可能导致系统结果的潜在不平衡或不公平时。
2019-05-14 cs.IR cs.LG cs.SI
Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System
University of Louisville（路易斯维尔大学）
推荐系统中的闭环反馈是一种常见的设置，可能会导致不同类型的偏见。一些研究已经通过设计方法来减轻这些偏见对建议的影响来处理这些偏见。然而，大多数现有的研究没有考虑系统的迭代行为，其中闭环反馈回路在将不同的偏差纳入推荐步骤的几个部分中起着至关重要的作用。我们提出了一个理论框架来模拟渐进演化的不同组成部分的推荐系统内的反馈回路设置，并推导出理论界和收敛性能的量化措施的用户发现和盲点。我们还使用现实生活中的数据集验证了我们的理论研究结果，并在我们的理论框架内实证测试了基本探索策略的效率。我们的研究结果奠定了理论基础，量化反馈回路的影响和设计人工智能和机器学习算法，明确纳入反馈回路的迭代性质在机器学习和推荐过程。
2020-08-21 cs.AI cs.HC cs.IR
Model-agnostic post-hoc explainability for recommender systems
School of Civil Engineering, Universidad Politécnica de Madrid（马德里理工大学土木工程学院）；School of Engineering, CUNEF University（CUNEF大学工程学院）
本研究针对推荐系统因深度学习降低可解释性的问题，提出并评估了模型无关的删除诊断方法，通过比较缺失特定数据训练的模型性能来量化影响，在NCF和SVD模型及MovieLens等数据集上验证了其通用性。
2025-09-12 cs.IR cs.LG
Movie Recommender System using critic consensus
PES University（PES大学）
推荐系统可能是现代互联网世界中最重要的行业增长代理之一。现有的推荐系统包括协同过滤推荐系统和基于内容的过滤推荐系统。这两种方法本质上是脱节的，需要持续存储用户偏好以获得更好的推荐。为了更好地整合这两个过程，我们提出了一个混合推荐系统的基础上整合的协作和基于内容的内容，考虑到顶级评论家的共识和电影评分。我们想提出一个新的模型，根据用户偏好和关键共识分数的组合推荐电影。
2021-12-22 cs.IR cs.LG
An Adaptive Similarity Measure to Tune Trust Influence in Memory-Based Collaborative Filtering
Shiraz University（设拉子大学）
推荐系统的目的是为每个用户提供相关的和潜在的有趣的信息。这通过利用已经记录的相似用户的倾向或检测与用户的感兴趣项目相似的项目来实现。在最近的研究中，如数据稀疏和冷启动问题的挑战。利用社会信息不仅可以提高预测精度，还可以解决数据稀疏性的挑战。在本文中，我们研究的影响，使用直接和间接的信任信息在基于记忆的协同过滤推荐系统。提出了一种自适应的相似性度量，并使用两种学习方案，贪婪和基于梯度的优化调整社会信息的贡献。所提出的方法的结果进行了比较与国家的最先进的基于内存和基于模型的CF方法在两个现实世界的数据集，Epperly和FilmTrust。实验表明，该方法在设计一个准确、全面的推荐系统方面是非常有效的。
2019-12-18 cs.IR cs.LG cs.SI
FNHSM_HRS: Hybrid recommender system using fuzzy clustering and heuristic similarity measure
Faculty of Computer Engineering, K. N. Toosi University of Technology（霍贾·纳西尔丁·图西工业大学计算机工程学院）；University of Bojnord（博季努尔德大学）
如今，推荐系统已经成为一个综合系统，帮助和指导用户在大量的数据在互联网上。协同过滤根据一组用户的评级向活跃用户提供服务。最简单、最容易理解和最成功的模型之一是在推荐系统中找到有品味的用户。在这种模式下，随着用户和项目数量的增加，系统面临着可扩展性问题。另一方面，当评级信息很少时，提高系统性能非常重要。本文提出了一种基于新的启发式相似性度量（NHSM）和模糊聚类的混合推荐系统FNHSM_HRS。在建议的系统中使用模糊聚类方法改善了可扩展性问题，并提高了系统推荐的准确性。该系统是基于协同过滤模型，并与启发式相似性度量，以提高系统的性能和准确性。基于MovieLens数据集的所提出的系统的结果的评估使用MAE、召回率、精确度和准确度测量来执行结果，这表明系统性能的改进和使用其他测量来查找相似性的协同过滤方法的推荐的准确性的提高。
2019-09-26 cs.IR cs.LG
Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems
South China University of Technology（华南理工大学）；University of Hong Kong（香港大学）；Australian National University（澳大利亚国立大学）
随着深度学习技术已经扩展到现实世界的推荐任务，已经开发了许多基于深度神经网络的协同过滤（CF）模型，以基于各种神经架构（例如多层感知器、自动编码器和图神经网络）将用户-项目交互投影到潜在特征空间中。然而，大多数现有的协同过滤系统没有很好地设计来处理丢失的数据。特别是，为了在训练阶段注入负信号，这些解决方案在很大程度上依赖于从未观察到的用户-项目交互的负采样，并简单地将其视为负实例，这带来了推荐性能的下降。为了解决这些问题，我们开发了一个协作反射增强自动编码器网络（CRANet），它能够从观察到的和未观察到的用户-项目交互中探索可转移的知识。CRANet的网络架构是由一个反射受体网络和一个信息融合自动编码器模块组成的综合结构，它赋予了我们的推荐框架对交互和非交互项目的隐式用户成对偏好进行编码的能力。此外，基于参数正则化的捆绑权重方案被设计用于执行两阶段CRANet模型的鲁棒联合训练。最后，我们实验验证CRANet上的四个不同的基准数据集对应的两个推荐任务，去偏置的用户项目交互的负面信号，提高了性能相比，各种国家的最先进的推荐技术。我们的源代码可以在https://github.com/akaxlh/CRANet上找到。
2022-01-10 cs.AI cs.IR cs.LG
A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System
本文提出一种双阶段方法，通过反事实引入新交互来识别和缓解个体用户不公平性，提升用户与物品的参与度，验证了方法在MovieLens-100K和Amazon Beauty等数据集上的有效性。
2026-02-24 cs.CY cs.IR cs.LG
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
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems
Université de la Polynésie Française（法属波利尼西亚大学）；NzhinuSoft
在过去的二十年里，由于在线应用程序中数据量的爆炸式增长，推荐系统引起了人们的极大兴趣。一个特别的注意力已经支付给协同过滤，这是最广泛使用的应用程序，涉及信息推荐。协同过滤（CF）使用一组用户的已知偏好来对其他用户的未知偏好进行预测和推荐（推荐是基于用户的过去行为）。1990年代首次引入，提出了各种各样越来越成功的模式。由于机器学习技术在许多领域的成功，在推荐系统中应用这些算法已经越来越受到重视。在本文中，我们概述了推荐系统的CF方法、其两个主要类别及其评估指标。我们专注于经典的机器学习算法的CF推荐系统的应用，提出他们的进化，从他们的第一个用例，先进的机器学习模型。我们试图提供一个全面的CF系统（与Python实现）的比较概述，可以作为在这一领域的研究和实践的指导方针。
2021-06-22 cs.AI cs.IR cs.LG
Hotel Recommendation System Based on User Profiles and Collaborative Filtering
EtsTur İstanbul（EtsTur 伊斯坦布尔）；Bilgisayar ve Bilişim Fakültesi İstanbul Teknik Üniversitesi（伊斯坦布尔理工大学计算机与信息学院）；Bilgisayar Mühendisliği Bölümü Koç Üniversitesi（科奇大学计算机工程系）
如今，人们开始使用在线预订系统来计划他们的假期，因为他们有大量的选择。从这个大规模的选择中选择何时何地变得越来越困难。此外，有时消费者可能会错过更好的选择，因为在线预订系统上有丰富的信息。从这个意义上说，个性化服务，如推荐系统在决策中发挥着至关重要的作用。两种传统的推荐技术是基于内容的和协同过滤。虽然这两种方法都有各自的优点，但它们也有一定的缺点，其中一些可以通过结合这两种技术来解决，以提高推荐的质量。由此产生的系统被称为混合推荐系统。本文提出了一种新的混合式酒店推荐系统，该系统结合了基于内容和协同过滤的方法，为客户推荐他们需要的酒店，并节省他们的时间损失。
2020-09-21 cs.IR cs.LG
A Collaborative Process Parameter Recommender System for Fleets of Networked Manufacturing Machines -- with Application to 3D Printing
Department of Industrial and Operations Engineering, University of Michigan, Ann Arbor（工业与运作工程系，密歇根大学，安娜堡）；Department of Mechanical Engineering, University of Michigan, Ann Arbor（机械工程系，密歇根大学，安娜堡）；Thomas Lord Department of Computer Science, University of Southern California, Los Angeles（托马斯·劳德计算机科学系，南加州大学，洛杉矶）
针对同类型联网制造机器集群因机器间差异导致工艺参数优化效率低的问题，提出基于序列矩阵补全、结合谱聚类与交替最小二乘的协同推荐系统，经10台3D打印机组成的农场验证，其收敛最优参数的速度显著快于非协同方法。
2025-06-13 cs.LG
Safe Collaborative Filtering
CyberAgent（赛博代理公司）
针对个性化推荐中低满意度用户流失风险，提出最小化用户损失尾部CVaR的安全协同过滤方法，通过扩展iALS实现可扩展算法，并在真实数据集上验证其优异尾部性能与计算效率。
2024-02-28 cs.IR cs.LG
Deep density networks and uncertainty in recommender systems
Taboola（塔布拉）；DeepLab（深度实验室）
构建健壮的在线内容推荐系统需要学习用户偏好和内容特征之间的复杂交互。近年来，该领域从传统的多臂强盗和协同过滤技术迅速发展，新方法采用深度学习模型来捕获非线性。尽管取得了进展，但在线推荐的动态性质仍然带来了巨大的挑战，例如在探索和利用之间找到微妙的平衡。在本文中，我们将展示如何不确定性估计可以通过采用它们在一个乐观的开发/探索策略，更有效地探索新的建议。我们提供了一种新的混合深度神经网络模型，深度密度网络（DDN），它集成了基于内容的深度学习模型与协作方案，能够鲁棒地建模和估计不确定性。最后，我们将DNN整合到一个每天提供数十亿推荐的真实内容推荐系统中，并展示了在实践中使用DDN的好处。
2018-05-06 cs.IR cs.LG
Semi-supervised Collaborative Ranking with Push at Top
Michigan State University（密歇根州立大学）
现有的基于协作排名的推荐系统往往表现最好时，有足够的观察到的评级为每个用户和观察是完全随机的。在此设置下，推荐系统可以根据用户的兴趣适当地建议推荐列表。然而，当观察到的评级是非常稀疏的（例如，在没有评级数据可用的冷启动用户的情况下），并且不是随机均匀采样的，现有的排名方法无法有效地利用边信息来将知识从现有的评级转换为未观察到的评级。我们提出了一个半监督的协作排名模型，称为\texttt{S$^2$COR}，以提高冷启动推荐的质量。\texttt{S$^2$COR}通过协作学习排名模型，利用关于观察到的和缺失的评级的边信息，减轻稀疏性问题。这使得它能够处理丢失数据的情况下，不是随机的，但也有效地将可用的边信息纳入转导。我们在一些具有挑战性的现实世界数据集上对我们提出的算法进行了实验评估，并与最先进的冷启动推荐模型进行了比较。与最先进的算法相比，我们报告了更高质量的推荐。
2015-11-17 cs.IR cs.LG
From PARIS to LE-PARIS: Toward Patent Response Automation with Recommender Systems and Collaborative Large Language Models
JCIPRNET；National Taiwan University（台湾大学）
本研究针对专利审查意见答复自动化研究空白，提出PARIS及LLM增强的LE-PARIS系统，融合主题数据库、模板、推荐系统与LLM生成功能，经多范式验证可有效提升专利律师工作绩效。
2024-03-05 cs.CL cs.HC cs.IR
On Variational Inference for User Modeling in Attribute-Driven Collaborative Filtering
Walmart Labs（沃尔玛实验室）
推荐系统已成为在线电子商务平台不可或缺的一部分，推动了客户参与度和收入。大多数流行的推荐系统试图从用户过去的参与数据中学习，以了解用户的行为特征，并使用这些特征来预测未来的行为。在这项工作中，我们提出了一种方法来使用因果推理，通过时间上下文来学习用户属性的亲和力。我们制定这个目标作为一个概率机器学习问题，并应用基于变分推理的方法来估计模型参数。我们在两个真实世界的数据集上展示了所提出的方法在下一个属性预测任务上的性能，并表明它优于标准基线方法。
2020-12-02 cs.LG
Deep Latent Factor Model for Collaborative Filtering
University of Paris-Est（巴黎东部大学）
潜在因素模型在基于协同过滤的推荐系统中得到了广泛的应用。近年来，深度学习已经成功地解决了各种各样的机器学习问题。受深度学习成功的启发，我们提出了一个更深版本的潜在因素模型。基准数据集上的实验表明，我们提出的技术显着优于所有国家的最先进的协同过滤技术。
2019-12-10 cs.IR cs.LG stat.ML
Recommendations and User Agency: The Reachability of Collaboratively-Filtered Information
University of California, Berkeley（加州大学伯克利分校）；Canopy Crest（冠峰公司）
推荐系统通常依赖于经过训练的模型，以最大限度地提高预测用户偏好的准确性。在部署系统时，这些模型确定内容和信息对不同用户的可用性。这些目标之间的差距可能会产生意想不到的后果，导致过滤气泡和极化等现象。在这项工作中，我们直接考虑的信息可用性问题，通过用户追索权的镜头。利用可达性的思想，我们提出了一个计算效率高的审计顶级$N$线性推荐模型。此外，我们描述了模型的复杂性和必要的努力，用户施加控制他们的建议之间的关系。我们使用这种洞察力提供了一个新的角度对用户的冷启动问题。最后，我们通过对一个在广泛使用的电影评级数据集上训练的最先进模型的实证调查来证明这些概念。
2021-02-01 cs.IR cs.LG stat.ML
SeER: An Explainable Deep Learning MIDI-based Hybrid Song Recommender System
University of Louisville（路易斯维尔大学）
现有的音乐推荐系统主要依赖于基于矩阵分解的协同过滤方法或深度学习架构。深度学习模型通常使用元数据进行基于内容的过滤，或者通过从用户动作的时间序列中学习来预测下一次用户交互。尽管用于歌曲推荐的深度学习取得了进展，但没有人通过学习基于内容的序列模型来利用歌曲的序列性质。除了预测精度的重要性，其他重要方面也很重要，例如可解释性和解决冷启动问题。在这项工作中，我们提出了一个混合深度学习模型，称为“SeER”，使用协同过滤（CF）和深度学习序列模型的歌曲推荐，以提供更准确的个性化推荐，解决项目冷启动问题，并生成一个相关的歌曲推荐的解释。我们的评估实验显示，有前途的结果相比，最先进的基线和混合歌曲推荐系统的排名评价。此外，基于建议的离线验证测试，我们表明，我们的个性化的解释捕获的属性，是根据用户的喜好。
2019-12-19 cs.IR cs.LG cs.SD
Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems
Duke University（杜克大学）；Virginia Tech（弗吉尼亚理工大学）
近年来，由于企业越来越需要帮助用户发现新的和相关的项目，协同过滤技术的快速发展，以提高推荐系统的性能。然而，大多数现有的文献集中在提供的项目相匹配的用户模型从用户的过去的喜好。一个好的推荐模型应该推荐已知的喜欢的项目和新奇的尝试项目。在这项工作中，我们引入了一个开发探索动机的变分自动编码器（XploVAE）的协同过滤。为了便于个性化推荐，我们构建了用户特定的子图，其中包含一阶接近捕获观察到的用户-项目交互的剥削和高阶接近探索。利用层次潜在空间模型学习给定用户的个性化项目嵌入，以及所有用户子图的总体分布。最后，在各种真实数据集上的实验结果清楚地表明了我们提出的模型在利用和探索推荐任务方面的有效性。
2021-06-10 cs.LG stat.ML
Beyond Parity: Fairness Objectives for Collaborative Filtering
Virginia Tech（弗吉尼亚理工大学）
我们研究了协同过滤推荐系统的公平性，该系统对历史数据中存在的歧视很敏感。有偏见的数据可能导致协作过滤方法对少数群体的用户做出不公平的预测。我们确定现有的公平性指标的不足，并提出了四个新的指标，解决不同形式的不公平。这些公平性度量可以通过向学习目标添加公平性项来优化。在合成数据和真实数据上的实验表明，我们的新指标可以更好地衡量公平性比基线，公平性目标有效地帮助减少不公平。
2017-11-30 cs.AI cs.IR cs.LG
DeepFair: Deep Learning for Improving Fairness in Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
推荐系统中缺乏偏见管理导致少数群体收到不公平的推荐。此外，公平与精确之间的权衡使得很难获得同时符合这两项标准的建议。在这里，我们提出了一种基于深度学习的协同过滤算法，该算法在不知道用户的人口统计信息的情况下，提供了公平性和准确性之间的最佳平衡的推荐。实验结果表明，它是可能的，使公平的建议，而不会失去一个显着比例的准确性。
2020-06-09 cs.AI cs.LG stat.ML
Privacy-preserving and yet Robust Collaborative Filtering Recommender as a Service
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究院（LIST））
协同过滤服务器以牺牲最终用户的隐私为代价提供有效的个性化服务。随着社会对隐私保护的日益关注和隐私保护法规的日益严格，设计一种既能保护隐私又能为隐私敏感用户提供推荐服务的鲁棒的推荐器成为一个迫切的研究挑战。我们的分析表明，现有的解决方案在几个方面存在不足，包括缺乏对最终用户的精确输出的关注和忽略相关的鲁棒性问题。在本文中，我们提供了一个通用的系统结构，潜在因素为基础的协同过滤过滤器，制定他们的模型训练和预测计算阶段，还描述了一个新的安全模型。针对务实的解决方案，我们首先展示了如何构建隐私保护，但强大的模型训练阶段的基础上现有的解决方案。然后，我们提出了两个密码协议来实现隐私保护的预测计算阶段，这取决于是否涉及额外的代理。与标准的Top-k推荐不同，作为我们隐私设计策略的结果，我们让最终用户检索预测高于阈值的未评级项目。实验结果表明，我们的新协议是相当有效的。
2019-10-09 cs.CR cs.IR cs.LG
Data Poisoning Attacks on Neighborhood-based Recommender Systems
Sun Yat-Sen University（中山大学）；South China University of Technology（华南理工大学）
目前，协同过滤推荐系统已被广泛应用于商业企业中以获取利润。基于邻域的协同过滤是一种常见而有效的方法。到目前为止，尽管它的有效性，有很少的努力，以探讨其鲁棒性和数据投毒攻击对其性能的影响。基于邻域的推荐系统容易被愚弄吗？为此，我们揭示了基于邻域的推荐系统的鲁棒性，并提出了一种新的数据投毒攻击框架编码的攻击目的和约束。首先给出了如何计算最优的数据投毒攻击，即UNAttack。我们注入一些精心设计的假用户的推荐系统，使目标项目将推荐给尽可能多的正常用户。在三个真实数据集上进行了大量的实验，以验证我们提出的方法的有效性和可移植性。此外，还发现了一些有趣的现象，例如：1）基于邻域的推荐系统具有很强的鲁棒性。2)虚假用户可以被转移到攻击最先进的协同过滤推荐系统，如神经协同过滤和贝叶斯个性化排名矩阵分解。
2019-12-01 cs.CR cs.IR cs.LG
Enhancing Collaborative Filtering Recommender with Prompt-Based Sentiment Analysis
New York University（纽约大学）
协同过滤推荐系统是在线市场和电子商务中的一个重要应用。然而，CF推荐已被证明遭受持续的问题，与稀疏的用户评级，这将进一步导致冷启动问题。现有方法通过应用标记级情感分析来解决数据稀疏问题，该标记级情感分析将文本评论转换为情感分数作为用户评级的补充。在本文中，我们试图优化情感分析与先进的NLP模型，包括BERT和RoBERTa，并实验是否CF推荐已进一步增强。我们在Amazon US Reviews数据集上构建了训练器，并使用传统的微调范式以及新的基于自适应的学习范式来调整预训练的BERT和RoBERTa。实验结果表明，基于RoBERTa预测的情感评分的推荐系统性能最优，与基线推荐系统相比，MAP、NDCG和K点的精确度提高了30.7%.基于情感分析的学习范式虽然在纯情感分析方面优于传统的微调范式，但不能进一步改进CF推荐系统。
2022-07-19 cs.CL cs.IR cs.LG
BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System
多武装匪徒（MAB）提供了一个原则性的在线学习方法，以实现勘探和开发之间的平衡。多臂强盗算法由于其优越的性能和低反馈学习而无需学习在多种情况下采取行动，在推荐系统等应用中受到广泛关注。同样，在推荐系统中，协同过滤（CF）可以说是推荐系统中最早和最有影响力的方法。至关重要的是，新用户和不断变化的推荐项目池是推荐系统需要解决的挑战。对于协同过滤，经典的方法是离线训练模型，然后进行在线测试，但这种方法已经不能处理用户偏好的动态变化，即所谓的冷启动。那么在缺乏有效信息的情况下，如何有效地向用户推荐商品呢？为了解决上述问题，一个多臂强盗的协同过滤推荐系统已被提出，命名为BanditMF。BanditMF主要解决多臂Bandits算法和协同过滤中的两个难题：（1）如何解决有效信息稀缺条件下协同过滤的冷启动问题;（2）如何解决强社会关系域中Bandits算法由于独立估计与每个用户相关的未知参数而忽略用户之间的相关性而导致的次优问题。
2022-10-24 cs.IR cs.LG
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
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
Collaborative Diffusion Model for Recommender System
针对基于扩散的推荐系统在噪声注入导致个性化信息丢失及物品侧信息利用不足的问题，提出协同扩散模型CDiff4Rec，通过生成伪用户并整合真实与伪邻居的协同信号重建用户偏好，在三个数据集上取得优于竞争方法的效果。
2025-01-31 cs.IR
Handling Cold-Start Collaborative Filtering with Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
推荐系统中的一个主要挑战是处理新用户，他们也被称为$\textit{cold-start}$用户。在本文中，我们提出了一种新的方法来学习一系列最佳的问题，以访问冷启动用户的电影推荐系统。我们建议使用Deep Q Networks来学习面试问题，以创建用户简档，从而为冷启动用户提供更好的推荐。虽然我们提出的系统是使用电影推荐系统进行训练的，但我们的Deep Q Network模型应该可以推广到各种类型的推荐系统。
2018-06-16 cs.AI cs.IR cs.LG
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
Graph Attention Collaborative Similarity Embedding for Recommender System
我们提出了图注意力协作相似性嵌入（GACSE），一个新的推荐框架，利用合作信息的用户项目二分图的表示学习。该框架由两部分组成：第一部分通过注意力机制嵌入传播学习用户-项目关联等显式图协同过滤信息;第二部分通过辅助损失学习用户-用户相似度、项目-项目相似度等隐式图协同过滤信息。我们设计了一个新的损失函数，它结合了BPR损失和自适应裕度以及相似性损失来进行相似性学习。在三个基准上进行的大量实验表明，我们的模型始终优于最新的最先进的模型。
2021-02-05 cs.IR
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi（德里大学阿查里亚·纳伦德拉·德夫学院）；Swami Sharaddhanand College, University of Delhi（德里大学斯瓦米·沙拉德南德学院）；University of Delhi（德里大学）；Atma Ram Sanatam Dharam College, University of Delhi（德里大学阿特马·拉姆·萨纳坦·达拉姆学院）
在互联网上，网络冲浪者在搜索信息时，总是努力寻找推荐。由于信息领域的日益增长，产生推荐的解决方案变得更加困难。在本文中，我们已经计算基于熵的用户之间的相似性，以实现可扩展性问题的解决方案。利用这个概念，我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上，协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明，从一组有价值的排序者在第一级，只有那些排序者具有较低的熵在第二级比熵在第一级，作为值得信赖的排序者。最后，为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting
AIRI, HSE University（AIRI，俄罗斯伏尔加格勒国立大学）
提出基于协同重要性加权的特征选择策略，通过混合矩阵分解和最大体积算法排序特征，在冷启动推荐中以最少特征实现高准确度与高效率。
2025-08-08 cs.IR cs.LG
