Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders
Google(谷歌);OpenAI
本研究针对序列推荐器负反馈学习不足的问题,提出将显隐式负反馈纳入训练的“不推荐”损失函数,经工业级在线实验验证有效,并构建反事实框架实现响应度衡量,证实建模改进可提升推荐响应速度。
2023-08-23 cs.IR cs.LG
Existence conditions for hidden feedback loops in online recommender systems
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
我们探讨了在线推荐系统中隐藏的反馈环效应。反馈循环导致在线多臂强盗(MAB)建议退化为一个小的子集,失去覆盖范围和新颖性。我们研究了用户兴趣的不确定性和噪声如何影响反馈回路的存在。首先,我们证明了用户兴趣中的无偏加性随机噪声不会阻止反馈回路。其次,我们证明了重置用户兴趣的非零概率足以限制反馈回路并估计效果的大小。我们的实验证实了理论研究结果在模拟环境中的四个强盗算法。
2021-12-16 cs.IR cs.LG
How Researchers Could Obtain Quick and Cheap User Feedback on their Algorithms Without Having to Operate their Own Recommender System
大多数推荐算法都是基于历史基准数据集进行评估的。对历史基准数据集的评估是快速和廉价的,但排除了实际消费推荐的用户的观点。用户反馈很少被收集,因为它需要访问操作推荐系统。建立和维护一个可操作的推荐系统会给大多数研究人员带来无法承担的及时和经济负担。我们的目标是减少这种负担,以促进广泛的以用户为中心的评价推荐算法,特别是在该领域的新手研究人员。我们目前正在进行的评估工具,实现了一种新的范式,使用户为中心的评价推荐算法,而无需访问一个操作推荐系统的工作。最后,我们勾勒出我们计划在评估工具的帮助下进行的实验。
2022-12-14 cs.IR
Eye Tracking as a Source of Implicit Feedback in Recommender Systems: A Preliminary Analysis
本研究利用眼动追踪数据增强电影推荐的协同过滤模型,相比点击数据提升了性能,并验证了AOI时长与用户兴趣的一致性。
2023-05-12 cs.HC cs.IR
The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems
Scuola Normale Superiore and Università di Pisa(诺莱规范大学和比萨大学);Scuola Normale Superiore(诺莱规范大学);Sciences Po Paris(巴黎社会科学高等研究院);Università di Pisa(比萨大学);CNR and Scuola Normale Superiore(意大利国家研究委员会和诺莱规范大学)
本文研究推荐系统中反馈环的系统性影响,发现增加推荐采纳可能促进个体消费多样化,但时间推移下个体多样性会下降,强调需考虑反馈动态以改进推荐系统设计。
2026-02-18 cs.AI cs.IR
Learning Robust Recommender from Noisy Implicit Feedback
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Shandong University(山东大学)
隐式反馈的普遍性使得它在推荐系统的构建中不可或缺。但实际上并不能反映用户的实际满意度。例如,在电子商务中,很大一部分点击并没有转化为购买,许多购买最终都得到了负面评价。因此,它是重要的是要考虑到不可避免的噪声在隐式反馈。然而,很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中,我们探讨了去噪隐式反馈的推荐学习,包括训练和推理的中心主题。通过观察正常推荐训练的过程,我们发现,噪声反馈通常在早期阶段具有较大的损失值。受此观察的启发,我们提出了一种名为自适应去噪训练(ADT)的新训练策略,它通过两种范式(即,损失和重新加权损失)。此外,我们考虑额外的反馈(例如,rating)作为辅助信号,并提出了三种策略,将额外的反馈纳入ADT:微调,热身训练,碰撞推理。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例,并在三个有代表性的推荐模型上进行了测试。在三个基准测试上的大量实验表明,ADT在不使用额外反馈的情况下,显着提高了推荐的质量。此外,所提出的三种额外反馈策略大大增强了ADT的去噪能力。
2021-12-02 cs.AI cs.IR
Feedback Loop and Bias Amplification in Recommender Systems
众所周知,推荐算法会受到受欢迎程度的影响;一些受欢迎的项目被频繁推荐,而大多数其他项目则被忽略。这些建议然后被用户消费,他们的反应将被记录并添加到系统中:这通常被称为反馈循环。在本文中,我们提出了一种方法来模拟离线设置中的用户与用户的交互,并研究了反馈循环的影响,流行的偏见放大的几种推荐算法。然后,我们展示了这种偏见放大如何导致其他几个问题,如下降的聚合多样性,随着时间的推移,改变用户的口味的代表性,也同质化的用户体验。特别是,我们表明,反馈回路的影响一般是属于少数群体的用户更强。
2020-07-25 cs.IR
Implicit Feedback-based Group Recommender System for Internet of Thing Applications
随着基于物联网(IoT)的社交媒体应用的普及,人与人之间的距离大大缩短。因此,基于物联网的社交媒体中的推荐系统需要面向用户群体而不是单个用户开发。然而,现有的方法高度依赖于显式偏好反馈,忽略了隐式反馈的情况。为了弥补这一差距,本文提出了一个隐式反馈为基础的群体推荐系统,使用概率推理和非合作博弈(GREPING)基于物联网的社交媒体。特别地,未知的过程变量可以通过贝叶斯后验概率推断从可观察的隐式反馈估计。此外,可以计算全局最优的推荐结果与非合作博弈的援助。通过两组实验从效率和鲁棒性两个方面对GREPING进行了评估。实验结果表明,与基线方法相比,GREPING有明显的提升和相当的稳定性。
2021-04-23 cs.AI cs.IR
Exploring and Mitigating Gender Bias in Recommender Systems with Explicit Feedback
推荐系统是必不可少的,因为它们通过给我们个性化的建议来影响我们的日常行为和决策。Kindle、Youtube和Netflix等服务严重依赖其推荐系统的性能,以确保用户获得良好的体验并增加收入。尽管它们很受欢迎,但已经表明推荐系统复制并放大了现实世界中存在的偏见。由此产生的反馈创建了一个自我延续的循环,该循环恶化了用户体验,并导致随着时间的推移推荐被删除。此外,有偏见的建议也会强化基于性别或种族的刻板印象,从而强化我们生活的过滤气泡。在本文中,我们解决的问题,性别偏见的推荐系统与显式反馈。我们提出了一个模型来量化图书评级数据集和推荐系统产生的推荐中存在的性别偏见。我们的主要贡献是提供一个原则性的方法,以减轻建议中产生的偏见。我们从理论上表明,所提出的方法提供了公正的建议,尽管有偏见的数据。通过对公开图书评级数据集的实证评估,我们进一步表明,所提出的模型可以显着减少偏差,而不会对准确性产生显着影响。我们的方法是模型不可知的,可以应用于任何推荐系统。为了证明我们的模型的性能,我们提出了四个推荐算法的结果,两个从K-最近邻家庭,UserKNN和ItemKNN,和其他两个从矩阵分解家庭,交替最小二乘和奇异值分解。
2021-12-05 cs.IR
CoSimRec: Measuring Coordinated-Content Penetration in Recommender Feedback Loops
Communication University of China(中国传媒大学)
研究推荐反馈循环中协同内容渗透问题,提出CoSimRec离线代理评估框架,通过算法渗透率指标家族衡量相关情况,在多数据集和推荐器上评估,发现随机控制无显著正向渗透,基于流行度和反馈敏感排名有提升,同步感知排名降低APR。
2026-07-31 cs.IR cs.SI
Using the Context of User Feedback in Recommender Systems
我们的工作通常集中在为中小型电子商务门户网站推荐,其中没有明确的反馈,因此使用隐式反馈是必要的。尽管如此,对于一些隐式反馈特征,呈现上下文可能是高度重要的。在本文中,我们提出了一个模型的相关上下文功能影响用户反馈,提出利用这些功能的方法,发布一个数据集的真实电子商务用户包含多个用户反馈指标,以及其上下文,并最终提出购买预测和推荐实验的结果。捷克旅行社网站的真实用户的离线实验证实了利用演示上下文在购买预测和推荐任务的重要性。
2016-12-15 cs.HC cs.IR
NFARec: A Negative Feedback-Aware Recommender Model
本文提出负反馈感知推荐模型NFARec,通过反馈感知超图卷积和基于Transformer Hawkes Process的情感极性预测任务,有效利用负反馈提升推荐性能。
2024-09-04 cs.IR
Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations
The Chinese University of Hong Kong(香港中文大学)
本研究提出利用大语言模型处理显式反馈生成增强表示,集成到推荐模型中,以提升少样本场景下的推荐性能,并通过实验验证其有效性。
2023-12-21 cs.AI cs.IR
Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
本文研究隐式反馈排序任务中的推荐系统算法选择,基于72个数据集和24种算法构建元数据,发现预测算法排序可显著提升元模型相关性,且XGBoost在最佳算法识别上优于AutoGluon。
2024-09-09 cs.IR
Unbiased Recommender Systems with Implicit Feedback
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本研究针对隐式反馈推荐系统的位置偏差与流行度偏差,开发了适配排序学习、协同过滤及图神经网络社交推荐系统的无偏方法,以生成更贴合用户偏好的个性化推荐。
2026-08-18 cs.IR
Denoising Implicit Feedback for Recommendation
普遍存在的隐式反馈使其成为构建在线推荐系统的默认选择。虽然大量的隐式反馈消除了数据稀疏性问题,但缺点是它们在反映用户的实际满意度方面并不干净。例如,在电子商务中,很大一部分点击并没有转化为购买,许多购买最终都得到了负面评价。因此,它是至关重要的,以考虑到不可避免的噪声在隐式反馈的推荐训练。然而,很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中,我们探讨了去噪隐式反馈推荐训练的中心主题。我们发现嘈杂的隐式反馈的严重负面影响,即,拟合噪声数据阻止了推荐器学习实际的用户偏好。我们的目标是识别和修剪噪声的相互作用,从而提高推荐训练的质量。通过观察正常推荐训练的过程,我们发现,噪声反馈通常在早期阶段具有较大的损失值。受此启发,我们提出了一种新的训练策略,称为自适应去噪训练(ADT),它自适应地修剪训练过程中的噪声相互作用。具体来说,我们设计了两种自适应损失公式化的范例:截断损失,丢弃大损失的样本在每次迭代中的动态阈值;和重加权损失,自适应地降低大损失样本的权重。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例,并在三个有代表性的机器上测试了所提出的ADT策略。在三个基准测试上的大量实验表明,ADT显著提高了推荐的质量。
2021-01-03 cs.IR
Generalized Delayed Feedback Model with Post-Click Information in Recommender Systems
Nanjing University(南京大学)
预测转化率(例如,用户将购买项目的概率)是基于机器学习的推荐系统中的基本问题。然而,准确的转换标签显示后,很长一段时间的延迟,这损害了推荐系统的及时性。以前的文献集中在利用早期转换,以减轻这种延迟反馈问题。在本文中,我们表明,点击后的用户行为也提供信息的转化率预测,并可用于提高时效性。我们提出了一个广义延迟反馈模型(GDFM),统一后点击行为和早期转换为随机后点击信息,它可以用来训练GDFM在流的方式有效。基于GDFM,我们进一步建立了一个新的观点,延迟反馈引入的性能差距可以归因于时间差距和采样差距。受我们分析的启发,我们建议结合时间距离和样本复杂度来衡量点击后信息的质量。训练目标被相应地重新加权,以突出信息和及时的信号。我们在公共数据集上验证了我们的分析,实验性能证实了我们的方法的有效性。
2022-11-24 cs.AI cs.IR
Sequences, Items And Latent Links: Recommendation With Consumed Item Packs
推荐器通常通过使用协同过滤来基于显式反馈使用户(或项目)相关来个性化web内容,评级.收集这种反馈的困难最近促使人们考虑隐式反馈(例如,项目消耗以及相应的时间)。在本文中,我们介绍了消费项目包(CIP)的概念,使链接用户(或项目)的基础上,他们的隐式类似的消费行为。我们的建议是通用的,我们表明,它捕获三个新的隐式的搜索:基于用户的(CIP-U),基于项目的(CIP-I),和基于词嵌入(DEEPCIP),以及一个国家的最先进的技术,使用隐式反馈(FISM)。我们表明,我们的用户处理增量更新,将新鲜消费的项目。我们证明,所有这三个推荐者提供的推荐质量是具有竞争力的国家的最先进的,包括一个结合明确和隐含的反馈。
2017-12-07 cs.IR cs.SI stat.ML
Model-free Reinforcement Learning with Stochastic Reward Stabilization for Recommender Systems
Ant Group(蚂蚁集团);Tsinghua University(清华大学)
针对推荐系统中用户反馈随机导致无模型强化学习性能下降的问题,提出两种模型无关的随机奖励稳定化框架,用监督模型学习的反馈替代直接随机反馈,实验验证其优于多种RL推荐基线。
2023-08-25 cs.IR cs.LG
Improving Multi-modal Recommender Systems by Denoising and Aligning Multi-modal Content and User Feedback
针对多模态推荐系统中多模态内容噪声、用户反馈噪声及两者对齐的挑战,提出即插即用框架DA-MRS,通过构建跨模态物品图、设计去噪BPR损失及双重对齐策略,在多数据集与模型上实现显著提升。
2025-04-02 cs.IR
Unbiased Pairwise Learning from Implicit Feedback for Recommender Systems without Biased Variance Control
针对隐式反馈中正负样本不确定及稀有项目被低估的问题,本文提出低方差无偏成对学习方法UPL,在避免有偏方差控制的同时提升推荐排序性能。
2023-04-14 cs.IR
An Evaluation Framework for Interactive Recommender System
传统的推荐系统向用户呈现相对静态的推荐列表,其中反馈通常限于接受/拒绝或评级模型。然而,这些简单的反馈模式可能仅提供关于用户为什么喜欢或不喜欢项目以及用户已经考虑了项目的哪些方面的有限见解。交互式推荐系统提供了一个机会,通过允许用户与推荐交互,提供反馈并实时影响结果,使用户参与到这个过程中。评估用户交互的影响通常需要大量的用户研究,这是耗时的,并且给研究人员有限的机会来调整他们的解决方案,而不必进行多轮的用户反馈。另外,用户体验和设计方面可能对用户反馈具有显著影响,这可能导致不一定评估整体解决方案中的一些底层算法决策的质量。因此,我们提出了一个评估框架,旨在模拟用户与推荐交互。我们制定的指标来评估质量的交互式的框架,一旦模拟完成后输出。虽然模拟不足以评估完整的解决方案,但结果可以帮助研究人员在进入用户研究阶段之前调整他们的解决方案。
2019-04-16 cs.HC cs.IR
Bilateral Self-unbiased Learning from Biased Implicit Feedback
Sungkyunkwan University(成均馆大学);Google Research(谷歌研究院);Seoul National University(首尔国立大学)
隐式反馈已被广泛用于商业推荐系统的构建。因为观察到的反馈代表用户的点击日志,所以在真实相关性和观察到的反馈之间存在语义鸿沟。更重要的是,观察到的反馈通常偏向于流行项目,从而高估了流行项目的实际相关性。虽然现有的研究已经开发出无偏的学习方法,使用逆倾向加权(IPW)或因果推理,他们只专注于消除项目的流行性偏见。在本文中,我们提出了一种新的无偏推荐学习模型,即双边SElf-unbiased推荐(BISER),以消除由推荐模型造成的项目曝光偏差。具体来说,BISER由两个关键组成部分组成:(i)自逆倾向加权(SIPW),以逐渐减轻项目的偏差,而不会产生高计算成本;以及(ii)双边无偏学习(BU),以弥合模型预测中两个互补模型之间的差距,即,基于用户和项目的自动编码器,缓解SIPW的高方差。大量的实验表明,BISER始终优于国家的最先进的无偏推荐模型在几个数据集,包括大衣,雅虎!R3、MovieLens和CiteULike。
2022-07-26 cs.IR cs.LG
Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education(教育部教育区块链与智能技术重点实验室);Guangxi Normal University(广西师范大学);Guangxi Key Lab of Multi-Source Information Mining and Security(广西多源信息挖掘与安全重点实验室);UniSA STEM, University of South Australia(南澳大利亚大学STEM学院);China University of Mining and Technology(中国矿业大学)
针对推荐系统中多原因潜在混杂因素导致的偏差问题,提出MCDCF方法,利用多原因因果效应估计学习替代变量,理论验证并在三个数据集上实验证明其能有效降低偏差、提升推荐准确性。
2024-10-16 cs.IR
Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning
Michigan State University(密歇根州立大学)
推荐系统通过向用户推荐个性化的商品或服务,在缓解信息过载问题方面起着至关重要的作用。绝大多数传统的推荐系统将推荐过程视为一个静态的过程,并遵循固定的策略进行推荐。在本文中,我们提出了一种新的推荐系统的能力,不断提高其策略,在与用户的互动。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程(MDP),并利用强化学习(RL)通过推荐试错项目并从用户的反馈中接收这些项目的强化来自动学习最优策略。用户的反馈可以是积极的和消极的,这两种类型的反馈都有很大的潜力,以提高推荐。然而,负反馈的数量远远大于正反馈,因此同时将它们合并是具有挑战性的,因为正反馈可能被负反馈所掩盖。在本文中,我们开发了一种新的方法,将它们纳入建议的深度推荐系统(DEERS)框架。基于真实电子商务数据的实验结果验证了该框架的有效性。进一步的实验已经进行了理解的重要性,积极和消极的反馈建议。
2018-08-10 cs.IR cs.LG stat.ML
Improving Recommender Systems Beyond the Algorithm
推荐系统在很大程度上依赖于学习算法的预测精度。大多数提高精度的工作都集中在学习算法本身。我们认为,这种算法的重点是短视的。特别是,由于学习算法通常会随着更多更好的数据而改进,因此我们建议将反馈生成过程作为提高准确性的替代和补充途径。为此,我们探讨了用户界面的变化如何影响反馈数据的质量和数量,从而影响学习的准确性。基于信息觅食理论,我们从信息气味和信息获取成本两个维度研究了界面设计选择对反馈质量和数量的影响。我们提出了一个用户研究这些接口因素的共同任务,选择一部电影看,这些因素可以有效地塑造和改善隐式的反馈数据,同时保持用户体验。
2018-02-21 cs.HC cs.IR
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);IIT Bhilai(印度理工学院比莱校区)
系统提供的建议解释是实现透明和可信赖的AI的重要组成部分。然而,在最先进的研究中,这是一个单向信号,以提高用户的接受度。在本文中,我们把解释的作用,并调查他们如何有助于提高质量的建议本身。我们设计了一个人在环框架,称为ELIXIR,用户反馈的解释是利用成对学习的用户偏好。ELIXIR利用对推荐和解释的反馈来学习用户特定的潜在偏好向量,通过基于项目相似性的邻域的标签传播来克服稀疏性。我们的框架实例化使用广义图推荐通过随机游走与重启。一个真实的用户研究的有见地的实验表明,在项目级反馈的电影和书籍推荐显着改善。
2021-04-30 cs.AI cs.IR cs.LG
DRIFT: A Federated Recommender System with Implicit Feedback on the Items
本文提出联邦推荐系统DRIFT,基于SAROS算法利用隐式反馈实现精准推荐,在保护用户隐私的同时保证线性计算复杂度和安全性。
2023-04-17 cs.IR cs.LG
Top-K Off-Policy Correction for a REINFORCE Recommender System
Google, Inc.(谷歌公司)
工业推荐系统处理非常大的动作空间--数百万个项目要推荐。此外,它们需要服务数十亿用户,这些用户在任何时间点都是唯一的,从而形成了复杂的用户状态空间。幸运的是,大量记录的隐式反馈(例如,用户点击、停留时间)可用于学习。然而,从记录的反馈中学习容易受到仅观察由先前版本的推荐器选择的推荐的反馈所引起的偏差的影响。在这项工作中,我们提出了一个通用的配方,解决这种偏见的生产前K推荐系统在YouTube上,建立了一个基于政策梯度的算法,即加强。本文的贡献是:(1)将REINFORCE扩展为具有数百万数量级动作空间的生产推荐系统;(2)应用偏离策略校正来解决从多个行为策略收集的日志反馈中学习的数据偏差;(3)提出一种新的top-K偏离策略校正来解释我们的策略一次推荐多个项目;(4)彰显探索价值。我们通过一系列的模拟和多个现场实验在Youtube上展示了我们的方法的有效性。
2021-12-15 cs.IR cs.LG stat.ML
Oh, Behave! Country Representation Dynamics Created by Feedback Loops in Music Recommender Systems
本研究通过LFM-2b数据集模拟反馈循环,发现多数推荐模型减少本地音乐占比,且流行度校准最优的ItemKNN国家校准最差,代表性不足国家用户受影响最大。
2024-08-21 cs.IR
Pareto-based Multi-Objective Recommender System with Forgetting Curve
针对推荐系统负反馈处理问题,提出结合艾宾浩斯遗忘曲线与帕累托优化的多目标推荐系统PMORS,在短视频场景的公开、工业数据集及微信视频号上线后均取得良好效果,GMV最高提升1.45%。
2024-02-01 cs.IR
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
Using consumer feedback from location-based services in PoI recommender systems for people with autism
University of Turin(都灵大学)
当向自闭症谱系障碍患者推荐兴趣点时,我们必须考虑到他们对噪音、亮度和其他影响他们感知地方的特征有特殊的感官厌恶。因此,推荐系统必须处理这些方面。然而,检索有关POI的传感器数据是一个真正的挑战,因为大多数地理信息服务器无法提供这些数据。此外,临时众包活动不能保证覆盖广大的地理区域,缺乏可持续性。因此,我们研究了从基于位置的服务收集的消费者反馈中提取关于位置的感官数据,人们自发地发布来自世界各地的评论。具体来说,我们提出了一个模型,用于从关于PoIs的评论中提取感官数据,并将其集成到推荐系统中,通过考虑用户偏好和兼容性信息来预测项目评级。我们通过将其整合到不同的推荐算法中,对自闭症和神经正常的人进行了测试。在测试中,我们使用了一个建立在众包活动中的数据集和另一个从TripAdvisor评论中提取的数据集。实验结果表明,该算法在使用TripAdvisor数据时获得了最高的准确率和排序能力。此外,通过联合使用这两个数据集,算法进一步提高了它们的性能。这些结果鼓励使用消费者的反馈作为一个可靠的信息来源的地方在包容性的推荐系统的发展。
2022-04-21 cs.AI cs.HC cs.IR
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
An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems
UNIST(蔚山科学技术院);Department of Computer Science and Engineering(计算机科学与工程学院)
所有用于推荐的学习算法都面临着在利用用户偏好的部分知识以获得短期满意度和探索其他用户偏好以获得长期覆盖之间不可避免的关键权衡。虽然探索是必不可少的推荐系统的长期成功,探索已被认为是降低用户满意度的风险。风险的原因是,选择用于探索的项目经常与用户的兴趣不匹配。为了减轻这种风险,推荐系统将选择用于探索的项目混合到推荐列表中,将项目伪装为推荐以引起对项目的反馈,从而发现用户的其他口味。这种混合方法已被广泛应用于许多广告商,但很少有研究,评估混合方法的有效性或提出一种新的方法来获得用户反馈而不欺骗用户。在这项工作中,我们的目标是提出一种新的方法,没有任何欺骗的反馈启发,并比较我们的方法与传统的混合方法进行评估。为此,我们设计了一个推荐界面,揭示了哪些项目是探索,并进行了主题内的研究与94 MTurk工人。我们的研究结果表明,用户留下了显着更多的反馈项目选择探索与我们的界面。此外,用户评价我们的新界面在新颖性,多样性,透明度,信任和满意度方面优于传统的混合界面。最后,路径分析表明,只有在我们的新界面,探索导致增加以用户为中心的评价指标。我们的工作为如何设计界面铺平了道路,该界面利用基于用户反馈信号的学习算法,提供更好的用户体验并收集更多反馈数据。
2021-08-12 cs.HC cs.IR cs.LG
Improving Rating and Relevance with Point-of-Interest Recommender System
Ryerson University(瑞尔森大学)
兴趣点推荐在基于位置的社交网络中是必不可少的。它使用户和位置更容易共享信息。最近,研究人员倾向于推荐POI,将它们视为需要大量表示查询项相关性的训练数据的大规模检索系统。然而,在检索系统中收集用户反馈是一项昂贵的任务。现有的POI推荐系统仅基于用户和项目(位置)交互进行推荐。然而,有许多反馈来源需要考虑。例如,当用户访问POI时,POI是关于什么的等等。在开发POI推荐器时,集成所有这些不同类型的反馈是必不可少的。在本文中,我们提出使用用户和项目信息和辅助信息,以改善检索系统中的推荐模型。我们开发了一个深层的神经网络架构,在协作和内容信息的存在下对查询项相关性进行建模。我们还提高了质量的学习表示的查询和项目,包括上下文信息的用户反馈数据。将这些学习到的表示应用于大规模数据集导致了显着的改进。
2022-02-17 cs.IR cs.LG
On the Value of Bandit Feedback for Offline Recommender System Evaluation
Criteo AI Lab(Criteo人工智能实验室)
在学术文献中,推荐系统经常被评估下一个项目预测的任务。该过程旨在回答以下问题:“给定到时间t的用户-项目交互的自然序列,我们能否预测用户在时间t+1将与哪个项目交互?".通过所述方法获得的评估结果然后被用作预测哪个系统将在在线设置中表现得更好的代理。然而,在线设置提出了一个微妙的不同问题:“给定用户与项目交互的自然序列,直到时间t,我们能让用户在时间t+1与推荐项目交互吗?".从因果关系的角度来看,系统执行干预,我们希望衡量其效果。下一个项目预测通常被用作一个后备目标,当有关干预措施及其效果的信息(显示的建议以及是否收到点击)不可用时。然而,当这种类型的数据可用时,它可以为可靠地估计在线推荐系统的性能提供很大的价值。通过一系列的模拟实验与健身房环境,我们显示传统的离线评估方案不足。此外,我们展示了如何利用所谓的强盗反馈进行有效的离线评估,更准确地反映在线性能。
2019-07-26 cs.IR cs.LG stat.ML
Learning Recommender Systems with Soft Target: A Decoupled Perspective
针对推荐系统标准Softmax损失易忽略潜在正反馈与真负反馈差异的问题,提出解耦软标签优化框架及对应损失函数与软标签生成算法,经多模型多数据集实验验证有效且通用。
2024-10-09 cs.IR
CRS Arena: Crowdsourced Benchmarking of Conversational Recommender Systems
CRS Arena是一个基于众包的对话式推荐系统基准测试平台,通过两两对战和用户反馈实现可靠评估,并发布包含474个对话的数据集及Elo排名。
2024-12-13 cs.IR
A Generic Coordinate Descent Framework for Learning from Implicit Feedback
University of Konstanz(康斯坦茨大学);National University of Singapore(新加坡国立大学);Google Inc.(谷歌公司)
近年来,对推荐系统的研究兴趣已经从显式反馈转向隐式反馈数据。各种各样的复杂模型已经被提出用于各种各样的应用。尽管如此,从内隐反馈中学习仍然是计算上的挑战。到目前为止,大多数工作都依赖于随机梯度下降(SGD)求解器,这些求解器很容易导出,但在实践中应用起来很有挑战性,特别是对于具有许多项目的任务。对于简单的矩阵分解模型,先前已经提出了一种有效的坐标下降(CD)求解器。然而,有效的CD方法还没有得到更复杂的模型。在本文中,我们提供了一个新的框架,推导出有效的CD算法复杂的推荐模型。我们识别并介绍了k-可分模型的性质。我们表明,k-可分性是一个足够的属性,允许有效的优化隐式推荐问题与CD。我们说明了这个框架上的各种国家的最先进的模型,包括因式分解机和塔克分解。总之,我们的工作提供了理论和积木,以获得高效的隐式CD算法复杂的推荐模型。
2016-11-15 cs.IR cs.LG
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题,提出反馈感知编码和多目标预测模块,并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
Learning to Recommend from Sparse Data via Generative User Feedback
Duke University(杜克大学);Renmin University of China(中国人民大学);Facebook, Inc(脸书公司);IIT Kanpur(坎普尔印度理工学院)
传统的基于协同过滤的推荐系统在用户-项目交互/评分非常缺乏的情况下往往表现不佳。为了解决这个问题,我们提出了一个学习框架,提高协同过滤与合成反馈回路(CF-SFL)模拟用户反馈。建议的框架包括一个“推荐”和一个“虚拟用户”。“推荐器”被公式化为CF模型,根据观察到的用户偏好推荐项目。“虚拟用户”估计来自推荐项目的奖励,并且除了观察到的用户偏好之外还生成\emph{feedback}。与“虚拟用户”连接的“推荐器”构造了一个闭环,该闭环向用户推荐项目并模仿用户对推荐项目的\emph{unobserved}反馈。合成反馈用于增强观察到的用户偏好并改善推荐结果。从理论上讲,这种模型设计可以被解释为反向强化学习,可以通过推出(模拟)有效地学习。实验结果表明,该框架能够丰富用户偏好的学习,并提高现有的协同过滤方法在多个数据集上的性能。
2020-12-17 cs.IR cs.LG stat.ML
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
Microsoft(微软)
研究针对传统推荐系统设计方法局限,提出Self-EvolveRec框架,集成用户模拟器与模型诊断工具建立定向反馈循环,并引入协同进化策略。实验证明该框架在推荐性能和用户满意度上显著优于现有基线。
2026-07-10 cs.AI cs.IR
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
Exponential Reward Weighting for Fine-Tuning Generative Recommenders under Sparse and Noisy Feedback
Netflix Research(Netflix研究院)
针对稀疏含噪反馈下生成式推荐器的过优化问题,提出Exp-RSFT方法,通过指数奖励加权和温度λ平衡覆盖与噪声成本,在多数据集上验证其优于PPO、DPO,可提升排序性能且无需额外数据。
2026-08-04 cs.IR
Tenrec: A Large-scale Multipurpose Benchmark Dataset for Recommender Systems
本文构建公开数据集Tenrec,覆盖四种推荐场景、约500万用户与1.4亿次交互,并通过十项任务和多个经典基线验证其多功能基准价值。
2023-06-04 cs.IR
A Closer Look on Gender Stereotypes in Movie Recommender Systems and Their Implications with Privacy
本文通过630人用户研究与四种推理算法,结合MovieLens 1M和Yahoo!Movie数据集,揭示电影推荐中的性别刻板印象可被用于隐私推断。
2025-01-08 cs.IR
Multi-Facet Recommender Networks with Spherical Optimization
隐式反馈在现代推荐系统中得到了广泛的研究。由于反馈通常是稀疏和不平衡的,它对用户和项目之间复杂交互的学习提出了很大的挑战。度量学习被提出来从隐式反馈中捕获用户-项目交互,但现有方法仅在单个度量空间中表示用户和项目,忽略了用户可以具有多个偏好和项目可以具有多个属性的事实,这导致潜在的冲突限制了它们在推荐中的性能。为了捕获用户偏好和项目属性的多个方面,同时解决其潜在的冲突,我们提出了新的框架,多方面推荐网络与球面优化(MARS)。通过设计一个跨方面的相似性度量,我们将用户和项目投影到多个度量空间中进行细粒度的表示学习,并只在适当的空间中进行比较。此外,我们设计了一个球形优化策略,以提高多方面的推荐框架的有效性和鲁棒性。在六个真实世界的基准数据集上进行的广泛实验显示,MARS带来了巨大的性能提升,在HR和nDCG指标方面,它不断实现比最先进的基线高出40%的改进。
2021-03-27 cs.IR
Bias Mitigation for AI-Feedback Loops in Recommender Systems: A Systematic Literature Review and Taxonomy
Technical University of Munich Munich Germany;Technical University of Munich \& Fraunhofer Gesellschaft Munich Germany;Technical University of Munich;Technical University of Munich \& Fraunhofer Gesellschaft
本研究针对推荐系统AI反馈循环的偏差缓解问题,系统性综述24项相关研究,构建六维度可复用分类体系,为从业者提供方法选型参考,也为研究者指明领域空白方向。
2025-08-28 cs.IR cs.LG
Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback
Tokyo Institute of Technology(东京工业大学);SMN Corporation(SMN公司)
推荐系统广泛使用隐式反馈,如点击数据,因为它的普遍可用性。虽然点击的存在在某种程度上表明了用户的偏好,但没有这种点击并不一定表示用户的负面响应,因为用户可能没有接触到这些项目(正面-未标记问题)。这导致难以从隐式反馈中预测用户的偏好。以前的研究解决了积极的未标记的问题,通过统一的权重的损失的正反馈数据或估计的信心,通过EM算法的相关信息的每个数据。然而,这些方法未能解决非随机缺失问题,其中流行或频繁推荐的项目比其他项目更可能被点击,即使用户对它们没有相当大的兴趣。为了克服这些限制,我们首先定义一个理想的损失函数进行优化,以实现最大化的相关性的建议,并提出了一个无偏估计量的理想损失。随后,我们分析了所提出的无偏估计量的方差,并进一步提出了一个裁剪估计,其中包括作为特殊情况的无偏估计量。我们证明了裁剪估计预计将提高推荐系统的性能,通过考虑偏差方差权衡。我们进行半合成和真实世界的实验,并证明所提出的方法在很大程度上优于基线。特别是,所提出的方法对于训练数据中不太频繁观察到的罕见项目效果更好。实验结果表明,该方法可以更好地实现推荐具有最高相关性的项目的目标。
2020-02-09 cs.IR cs.LG stat.ML
Collaborative Metric Learning with Memory Network for Multi-Relational Recommender Systems
University of Cambridge(剑桥大学);University of Science and Technology of China(中国科学技术大学);Microsoft Research(微软研究院)
推荐系统在现代在线平台中的成功离不开对用户个人品味的准确捕捉。在日常生活中,大量的用户反馈数据随着用户与物品的在线交互以各种方式(例如浏览、购买和共享)而被创建。这些多种类型的用户反馈为我们提供了巨大的机会来检测个人的细粒度偏好。不同于大多数现有的推荐系统,依赖于一种类型的反馈,我们主张纳入多种类型的用户项目的互动更好的建议。基于观察到用户偏好的基本谱反映在与项目的各种类型的交互中,并且可以通过度量空间中的潜在关系学习来发现,我们提出了一个统一的神经学习框架,称为多关系记忆网络(MRMN)。它不仅可以建模细粒度的用户项关系,而且还使我们能够区分反馈类型的强度和多样性的用户偏好。大量的实验表明,所提出的MRMN模型优于竞争国家的最先进的算法在广泛的场景,包括电子商务,本地服务和工作推荐。
2019-06-24 cs.IR cs.LG stat.ML
LTP-MMF: Towards Long-term Provider Max-min Fairness Under Recommendation Feedback Loops
针对推荐反馈循环下供给方最大最小公平性难以长期保障的问题,提出在线排序模型LTP-MMF,经理论验证其长期遗憾值有次线性界,且在三个公开基准上长期表现优于基线。
2024-09-14 cs.IR
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich(苏黎世联邦理工学院);Stanford University(斯坦福大学);TU Eindhoven(埃因霍温技术大学)
本文提出一种考虑用户社会网络的推荐系统,以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
EchoTrace: Diagnosing Recursive Risks in LLM-Powered Recommender Systems
Ulsan National Institute of Science and Technology (UNIST)(蔚山科学技术院);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种角色感知的诊断框架,用于分析LLM推荐系统中反馈循环下的系统性风险,包括偏见、幻觉和自我强化的暴露模式。
2026-08-25 cs.HC cs.IR