Bias vs Bias -- Dawn of Justice: A Fair Fight in Recommendation Systems
Deakin University（德克萨斯大学）
本文提出一种公平感知的重排序方法，利用现有偏见纠正推荐系统中不同物品类别和人口群体的差异，在多个敏感属性上减轻偏见，且性能几乎不下降。
2025-06-23 cs.AI cs.IR
MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in Recommendation Systems
LinkedIn（领英）；Google（谷歌）
本文提出通用多目标重排序框架 MultiSlot ReRanker，通过顺序贪心算法和帕累托最优实现相关性、多样性与新鲜度的联合优化，并构建可配置模拟器以高效评估不同学习算法。
2024-01-11 cs.AI cs.IR
A Hybrid Cross-Stage Coordination Pre-ranking Model for Online Recommendation Systems
JD.com, Inc（京东公司）
针对预排序仅对齐下游导致的样本选择偏差问题，提出HCCP模型，融合召回、排序与重排序信息，并通过混合样本构建和Margin InfoNCE优化提升跨阶段协同及在线指标。
2025-02-14 cs.AI cs.IR
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
Web应用程序中信息的丰富性使得推荐对于用户和应用程序都是必不可少的。尽管现有的推荐系统的有效性，我们发现两个主要的限制，降低其整体性能：（1）无法提供及时的建议，为新的和现有的用户考虑用户偏好的动态性质，（2）没有完全优化的排名任务时，使用隐式反馈。因此，本文提出了一种基于深度学习的统一跨网络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的推荐。此外，本文将隐式反馈下的排序问题视为分类任务，并提出了一种通用的隐式数据个性化列表优化准则，以有效地对项目列表进行排序。我们说明了我们的跨网络模型使用Twitter的辅助信息的建议在YouTube的目标网络。与多个时间感知和跨网络基线的广泛比较表明，所提出的解决方案在准确性，新颖性和多样性方面是优越的。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的最先进的排序技术。
2020-08-25 cs.AI cs.IR cs.LG
Preference Diffusion for Recommendation
East China Normal University（华东师范大学）；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）
针对基于扩散模型的推荐系统，提出PreferDiff优化目标，将BPR转化为对数似然排序损失，结合变分推断和余弦误差，提升个性化排序性能并加快收敛。
2025-04-20 cs.AI cs.IR
RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems
Forth AI Singapore（Forth AI新加坡）；Shopee Singapore（Shopee新加坡）；Singapore Uni. of Tech. and Design（新加坡技术与设计大学）
RGAlign-Rec通过闭环对齐框架结合语义推理和增强查询模型，提升电子商务推荐系统的预测准确性和服务质量。
2026-02-13 cs.AI cs.CL cs.IR
Learning to Fast Unrank in Collaborative Filtering Recommendation
针对推荐系统遗忘效率低的问题，本文提出L2UnRank方法，通过p跳传播识别影响范围、计算结构与语义影响并进行排序感知的参数更新，在保持推荐质量的同时实现50倍加速的取消排名。
2025-11-10 cs.AI cs.IR cs.LG
A Parameter Update Balancing Algorithm for Multi-task Ranking Models in Recommendation Systems
Huawei Technologies Co., Ltd.（华为技术有限公司）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对推荐系统中多任务排序模型跨场景性能提升的挑战，提出参数更新平衡算法PUB，通过优化参数更新而非梯度或损失融合提升模型性能，在基准数据集和工业平台均验证了其有效性。
2025-02-12 cs.AI cs.IR cs.LG
Insight-centric Visualization Recommendation
Georgia Tech（佐治亚理工学院）；Adobe Research（奥多比研究中心）
可视化推荐系统简化了探索性数据分析（EDA），并通过自动生成可视化供用户探索，使所有技能水平的用户更容易理解数据。然而，大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制，我们引入了一类新的可视化推荐系统，自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果，以自动发现见解。一个关键的优点是，这种方法推广到各种各样的属性类型，如分类，数值和时间，以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性，我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight，它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究，结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
Understanding the Effects of Adversarial Personalized Ranking Optimization Method on Recommendation Quality
Polytechnic University of Bari（巴里理工大学）
推荐系统（RS）采用用户项目反馈，例如，评级，以匹配客户的个性化产品列表。top-k推荐的方法主要依赖于学习排名算法，其中，最广泛采用的是贝叶斯个性化排名（BPR），它基于成对优化方法。最近，BPR已被发现易受其模型参数的对抗性扰动。对抗性个性化排名（APR）通过对抗性训练过程增强BPR来缓解这个问题。APR在BPR上的准确性性能的经验改进导致其在几个推荐模型中的广泛使用。然而，一个被忽视的关键方面是APR的超精度性能，即，新颖性，覆盖率和放大的流行偏见，考虑到最近的结果表明，业务流程再造，APR的基石，是敏感的偏见和减少的建议新颖性的加剧。在这项工作中，我们建模的BPR和APR优化框架的学习特性，给出数学证据，当反馈数据有一个尾部分布，APR放大的流行偏见比BPR由于收到的正面更新短标题项目的数量不平衡。使用矩阵分解（MF），我们通过在两个公共数据集上进行初步实验来实证验证理论结果，以比较BPR-MF和APR-MF在准确度和超准确度指标上的性能。实验结果一致表明，新颖性和覆盖率的措施和令人担忧的放大偏见的退化。
2021-07-29 cs.AI cs.CR cs.IR
On Estimating Recommendation Evaluation Metrics under Sampling
Kent State University（肯特州立大学）；iLambda
自从Krichene和Rendle最近对基于抽样的top-k推荐评估指标进行研究（Krichene和Rendle 2020）以来，关于使用抽样评估推荐算法的有效性存在很多争论。尽管他们的工作和最近的工作（Li et al.2020）提出了一些基本方法，将基于抽样的指标映射到对整个项目集进行排名的全球对应指标，但对于如何将抽样用于推荐评估仍然缺乏理解和共识。所提出的方法要么是相当缺乏信息性的（将采样与指标评估联系起来），要么只能用于简单的指标，如召回率/精度（Krichene和Rendle 2020; Li等人2020）。本文介绍了一个新的研究问题，学习经验秩分布，和一个新的方法的基础上估计的秩分布，估计的top-k度量。由于这个问题与推荐抽样的基本机制密切相关，解决这个问题有助于更好地理解抽样的力量，并有助于解决我们是否以及如何使用抽样来评估推荐的问题。我们介绍了两种方法的基础上MLE（最大似然估计）和它的加权变种，和ME（最大熵）的原则，以恢复经验秩分布，然后利用它们的度量估计。实验结果表明，使用新的方法来评估推荐算法的top-k度量的基础上的优势。
2021-03-03 cs.AI cs.IR stat.ML
Zeroshot Listwise Learning to Rank Algorithm for Recommendation
针对排序学习在推荐中应用减少的问题，利用顺序统计量近似和幂律分布设计零样本列表级排序学习算法，实验证明其准确且公平。
2024-09-05 cs.IR
LLM as Explainable Re-Ranker for Recommendation System
Carnegie Mellon University（卡内基梅隆大学）
本文提出利用大语言模型作为可解释的重排序器，结合传统推荐模型提升推荐系统的准确性和可解释性。
2025-12-03 cs.IR
On the Relationship between Explanation and Recommendation: Learning to Rank Explanations for Improved Performance
向用户解释为什么推荐某些项目是至关重要的，因为它可以帮助用户做出更好的决策，提高他们的满意度，并获得他们对推荐系统（RS）的信任。然而，现有的可解释的推荐系统通常将解释作为推荐模型的一个副输出，这存在两个问题：（1）由于产生的解释通常依赖于模型，因此难以对其进行评估;（2）因此，解释如何影响推荐性能的研究较少。在本文中，解释建议制定为一个排名任务，并从数据中学习，类似于项目排名的建议。这使得有可能通过排名度量（例如，NDCG）。此外，本文将传统的项目排序扩展为项目-解释联合排序形式化，以研究有目的地选择解释是否可以达到某些学习目标，例如，提高推荐性能。然而，一个很大的挑战是，稀疏性问题的用户-项目-解释数据将不可避免地比传统的用户-项目交互数据，因为不是每个用户-项目对可以与所有的解释。为了缓解这个问题，本文提出了通过将三元关系视为两组二元关系来执行两组矩阵分解。在三个大数据集上的实验验证了该方法在解释排序和项目推荐方面的有效性。
2022-10-23 cs.IR
Alleviating the recommendation bias via rank aggregation
推荐系统的主要目标通常被称为“帮助用户找到相关的项目”，并相应地提出了许多推荐算法。然而，这些面向准确性的方法通常遭受的问题，推荐偏见的热门项目，这是不受欢迎的，不仅用户，而且项目提供商。为了缓解推荐偏差问题，我们提出了一个通用的排名聚合框架的现有算法的推荐结果，其中用户和项目为导向的排名结果线性聚合在一起，与一个参数控制的权重，后者的排名过程。典型算法在两个真实数据集上的实验结果表明，该框架能够有效地提高现有面向准确率的推荐算法的公平性，同时避免了显著的准确率损失。
2020-04-22 cs.IR cs.SI
Probabilistic Rank and Reward: A Scalable Model for Slate Recommendation
Criteo AI Lab（Criteo人工智能实验室）；CREST ENSAE
本文提出概率排序与奖励模型PRR，通过结合奖励与排序高效学习石板成功概率，在离策略奖励优化和大动作空间可扩展性上优于现有方法，并支持基于MIPS的低延迟推荐。
2024-07-05 cs.IR cs.LG stat.ML
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习（FL）已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务，例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功，但许多重要的深度学习用例，如排名和推荐任务，都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习（FEL）作为解决方案，以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本，实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明，与传统的设备上联邦学习相比，FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
B-Rank: A top N Recommendation Algorithm
本文提出了一种有效的推荐系统排序算法B-Rank。B-Rank基于超图上的随机游走模型。根据不同的设置，B-Rank在精度、召回率（19% - 50%）和列表间多样性（20% - 60%）方面优于其他最先进的算法。B-Rank很好地捕捉了流行和利基对象之间的差异。该算法产生非常有前途的结果稀疏和密集的投票矩阵。此外，一个推荐列表更新算法，以应付新的投票。该技术显著降低了计算复杂度。该算法实现简单，因为B-秩不需要参数调整。
2012-04-30 cs.IR physics.data-an
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
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université（索邦大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Air Liquide（液化空气集团）；Université Paris-Saclay（巴黎萨克雷大学）
提出将可解释推荐形式化为语句级排序问题，通过从评论中提取解释性语句并排序，避免生成式幻觉，支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
FINEST: Stabilizing Recommendations by Rank-Preserving Fine-Tuning
Georgia Institute of Technology（佐治亚理工学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
FINEST通过从推荐模型获取参考排名列表，并在模拟扰动下用保秩正则化微调模型，以稳定推荐输出，同时保持预测准确性。
2024-02-05 cs.IR cs.LG cs.SI
Two-Stage Session-based Recommendations with Candidate Rank Embeddings
Zalando SE
基于会话的推荐系统的最新进展由于其提供具有高召回率的实时个性化推荐的潜力而受到关注，特别是与矩阵分解和基于项目的协同过滤等传统方法相比。目前，最新的两种方法是短时注意/记忆优先级模型基于会话的推荐（STAMP）和神经注意基于会话的推荐（NARM）。然而，当这两种方法应用于Zalando（Fashion-Similar）的相似项目推荐数据集时，与简单的协作过滤方法相比，它们并不能开箱即用。为了提高相似项目推荐，我们建议集中精力提高排名的几个最相关的项目从原始的建议，通过使用的会话的用户的注意力网络编码的信息。当使用一种新的候选人排名嵌入，编码的全球排名信息的每个候选人在重新排名过程中，这种策略的有效性得到了证实。Fashion-Similar的实验结果显示，在20岁时，召回率和MRR的基线有了显着改善，在线测试的点击率也有了改善。此外，重要的是要从评估中指出这种方法在下一次点击预测问题上的潜力，因为当应用于STAMP和NARM时，它在两个公开的真实世界数据集上提高了20的召回率和MRR。
2019-08-22 cs.IR cs.LG
RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k Recommendation
本文提出RecRanker，通过自适应采样高质量训练数据、位置平移策略及融合传统推荐信号增强提示，并以逐点、逐对、逐列表三种排序任务的混合排序方法微调大语言模型，提升Top-k推荐性能。
2024-03-31 cs.IR
Rank-Constrained Deep Matrix Completion for Group Recommendation
Department of Computer Science, African University of Science and Technology（非洲科学与技术大学计算机科学系）；Faculty of Mathematics and Computer Science, Babes-Bolyai University（巴纳特-博雅大学数学与计算机科学学院）；Department of Computer Science, Baze University（贝泽大学计算机科学系）
提出Group RC-DMC框架，通过Set-Transformer聚合器整合群组级表示学习，结合低秩结构和注意力非线性建模，实现个体与群组级别的准确预测。
2026-06-01 cs.AI cs.IR
Learning to Rank Query Recommendations by Semantic Similarities
Yahoo! JAPAN Research（雅虎日本研究院）；Yahoo! Labs（雅虎实验室）；Yahoo! Research（雅虎研究院）
对与搜索引擎交互的分析表明，用户经常重新表达他们的查询。检查这些重新表达表明，精确查询焦点的建议是有帮助的，就像那些基于原始查询扩展的建议一样。但它也表明，查询，表达一些主题转移相对于原始查询可以帮助用户更快地访问他们需要的信息。我们提出了一种方法来确定从过去的用户查询的查询日志，无论是重点或转移的初始查询主题。该方法结合了各种基于点击、基于主题和基于会话的排序策略，并使用监督学习来最大化查询和推荐之间的语义相似性，同时使它们多样化。我们评估我们的方法使用的查询/点击日志的日本网络搜索引擎，我们表明，提出的三种方法的组合是显着优于任何单独采取。
2012-04-12 cs.AI cs.HC cs.IR
FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms
本文提出 FairSort 重排序模型，以跑道机制替代背包约束，并用二分搜索保障最小效用，从而在双边公平与个性化推荐质量间取得平衡。
2024-12-08 cs.GT cs.IR
Reasoning to Rank: An End-to-End Solution for Exploiting Large Language Models for Recommendation
Tsinghua University（清华大学）；Tencent Inc.（腾讯公司）
本文提出了一种端到端的推荐框架，通过强化学习优化大语言模型的推理过程，以提高推荐系统的性能。
2026-02-13 cs.IR
Minimizing Time-to-Rank: A Learning and Recommendation Approach
Duke University（杜克大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Stanford University（斯坦福大学）
考虑在线投票平台所面临的以下问题：用户被提供了一个备选方案列表，并被要求仅使用拖放操作按偏好顺序对它们进行排名。该平台的目标是推荐一个初始排名，最大限度地减少用户在达到她想要的排名所花费的时间。我们开发的第一个优化框架来解决这个问题，并作出理论和实践的贡献。在实践方面，我们在Amazon Mechanical Turk上的实验提供了两个关于用户行为的有趣见解：首先，用户的排名策略与选择或插入排序非常相似，其次，拖放操作所花费的时间与移动的位置数量呈线性关系。这些见解直接激发了我们的优化问题的理论模型。我们表明，计算一个最佳的建议是NP-难的，并提供精确的和近似算法的各种特殊情况下的问题。MTurk上的实验结果表明，与随机推荐策略相比，该方法将（平均）排名时间减少了50%。
2019-05-27 cs.HC cs.IR cs.LG
Efficient Pointwise-Pairwise Learning-to-Rank for News Recommendation
Amazon（亚马逊）；Zalando SE（扎兰多SE公司）
针对新闻推荐中逐点方法缺乏比较信息、成对方法计算昂贵的问题，提出一种整合逐点相关性预测与成对比较的可扩展框架，理论分析证明其性能提升条件，并在MIND和Adressa数据集上超越现有方法。
2024-09-26 cs.IR cs.LG
MLSA4Rec: Mamba Combined with Low-Rank Decomposed Self-Attention for Sequential Recommendation
School of Computer Science, South China Normal University（华南师范大学计算机学院）
MLSA4Rec通过结合Mamba和低秩分解自注意力，提升序列推荐的准确性与效率。
2024-07-18 cs.IR
A Line in the Sand: Recommendation or Ad-hoc Retrieval?
在文献中，推荐和特设检索任务的流行方法在很大程度上是不同的。在这项工作中，我们认为，许多建议的问题也可以投为特设检索任务。为了证明这一点，我们通过结合标准的ad-hoc检索模型和使用流行的检索工具集，为RecSys 2018 Spotify挑战构建了一个解决方案。我们画了一个平行的播放列表的延续任务，并找到良好的扩展条款的查询在特设检索的任务，并表明，标准的伪相关反馈可以有效的协同过滤方法。我们还使用ad-hoc检索基于内容的推荐，通过将输入的播放列表标题作为查询，并将所有候选曲目与从背景数据中提取的元描述相关联。这两种方法的建议进一步补充了基于流行神经模型学习的跟踪嵌入的最近邻搜索。我们最终的推荐排名列表是由一个学习排序模型产生的。我们提出的使用ad-hoc检索模型的解决方案在RecSys 2018挑战赛的音乐推荐任务中取得了有竞争力的表现-在112个参赛团队中排名第7，在31个团队中排名第5，分别为主要和创意曲目。
2018-07-21 cs.IR
Learning to Rank Rationales for Explainable Recommendation
现有的推荐系统（RS）主要依赖于复杂的深度神经网络（DNN）模型结构，这使得很难在RS决策的同时提供解释。先前的研究人员已经证明，提供解释和推荐项目可以帮助用户做出明智的决定，并提高他们对不可解释的黑盒系统的信任。在与模型无关的可解释推荐中，系统设计者部署一个单独的解释模型来从决策模型中获取输入，并生成解释以满足说服力的目标。在这项工作中，我们探索的任务，排名文本的理由（支持证据）模型无关的可解释的建议。现有的理据排序算法大多只利用理据ID和交互矩阵来构建潜在的因素表示，而文本理据中的语义信息没有得到有效的学习。我们认为，这样的设计是次优的重要的语义信息的文字原理内，可以用来更好地配置文件的用户偏好和项目功能。针对这一问题，本文提出了一种语义增强贝叶斯个性化解释排序模型（SE-BPER），有效地将交互信息和语义信息结合起来。SE-BPER首先用Transformer模型生成的上下文化嵌入对潜在因子表示进行优化，然后用交互数据对它们进行优化。大量的实验表明，这种方法提高了rationales排名性能，同时简化了模型训练过程（更少的超参数和更快的收敛速度）。我们的结论是，结合语义和交互信息的最佳方式仍然是一个悬而未决的问题，在任务的理由排名。
2022-06-10 cs.IR
RADio -- Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
University of Amsterdam（阿姆斯特丹大学）；RTL Nederland B.V.（RTL荷兰有限公司）
在传统的推荐系统文献中，多样性通常被视为相似性的对立面，通常被定义为所识别的主题、类别或词模型之间的距离。然而，这并不能表达社会科学对多样性的解释，多样性解释了新闻机构的规范和价值观，我们在这里称之为规范多样性。我们介绍RADio，一个多功能的指标框架，以评估建议，根据这些规范的目标。RADio引入了秩感知的Jensen Shannon（JS）发散。这种组合说明了（i）用户观察列表中更下方的项目的倾向降低，以及（ii）与点估计相反的完全分布偏移。我们评估RADio的能力，以反映五个规范的概念，在微软新闻数据集和六个（神经）推荐算法的新闻推荐，我们的元数据丰富管道的帮助下。我们发现，RADio提供了有见地的估计，可以潜在地用于通知新闻推荐系统的设计。
2022-10-13 cs.IR cs.LG
GT-SEER: Geo-Temporal SEquential Embedding Rank for Point-of-interest Recommendation
兴趣点推荐是基于位置的社交网络中的一个重要应用，它从用户的签到序列中学习用户的偏好和移动模式来推荐兴趣点。然而，以前的POI推荐系统模型的基础上，张量分解或马尔可夫链模型，不能捕获序列中的上下文签到信息的签到序列。上下文检入信息意味着组成个人的日常检入序列的POI之间的互补功能。在本文中，我们利用嵌入学习技术来捕获上下文检入信息，并进一步提出了\textit{\textbf{SE}}顺序\textit{\textbf{E}}嵌入\textit{\textbf{R}}和（\textit{SEER}）模型POI推荐。具体地，\textit{SEER}模型在由POI嵌入学习方法建模的顺序约束下经由成对排序模型来学习用户偏好。此外，我们纳入了两个重要因素，即，时间影响和地理影响，引入\textit{SEER}模型来增强POI推荐系统。由于不同日期的时间序列的时间差异，我们提出了一个时间POI嵌入模型，并将时间POI表示到时间偏好排名模型，建立\textit{T}时间\textit{SEER}（\textit{T-SEER}）模型。此外，本文还将地理因素的影响引入到\textit{T-SEER}模型中，建立了\textit{\textbf{Geo-Temporal}} \textit{\textbf{SEER}}（\textit{GT-SEER}）模型。
2016-06-19 cs.IR cs.SI
RankGR: Rank-Enhanced Generative Retrieval with Listwise Direct Preference Optimization in Recommendation
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
RankGR通过列表级直接偏好优化提升生成检索的推荐效果，实现更精确的用户偏好建模和高效候选评估。
2026-02-09 cs.IR
Candidate Generation with Binary Codes for Large-Scale Top-N Recommendation
从大型语料库中生成前N个推荐对于大规模执行来说是计算昂贵的。在工业环境中，通常采用基于候选生成和重新排序的方法来缓解效率问题。然而，仍有待充分研究如何以及这些计划近似完整的排名（或需要多少候选人才能实现良好的近似），或开发系统的方法来有效地产生高质量的候选人。在本文中，我们试图调查这些问题，通过提出一个基于候选生成和重新排名的框架（CIGAR），它首先学习一个偏好保持二进制嵌入构建一个哈希表检索候选人，然后学习重新排名的候选人使用实值排名模型与面向候选人的目标。我们对由数百万用户/项目和数亿交互组成的几个大规模真实数据集进行了全面的研究。我们的研究结果表明，CIGAR显着提高了Top-N的准确性，对国家的最先进的推荐模型，同时减少查询时间的数量级。我们希望这项工作可以引起更多的关注，在推荐系统中的候选生成问题。
2019-09-12 cs.IR
EXTRA: Explanation Ranking Datasets for Explainable Recommendation
近年来，可解释推荐系统的研究引起了学术界和工业界的广泛关注，产生了各种各样的可解释模型。因此，它们的评估方法因模型而异，这使得比较不同模型的可解释性变得非常困难。为了实现评估推荐解释的标准方式，我们为EXplanaTion Ranking（表示为EXTRA）提供了三个基准数据集，可解释性可以通过面向排名的指标来衡量。然而，构建这样的数据集带来了巨大的挑战。首先，在现有的推荐系统中，用户-项目-解释三元组交互很少，因此如何找到替代方案成为一个挑战。我们的解决方案是从用户评论中识别几乎相同的句子。这个想法然后导致第二个挑战，即，如何有效地将数据集中的句子分类为不同的组，因为它具有二次运行时复杂度来估计任何两个句子之间的相似性。为了缓解这个问题，我们提供了一个更有效的方法，基于局部敏感哈希（LSH），可以检测近似重复的次线性时间为给定的查询。此外，我们公开了我们的代码，以允许社区中的研究人员创建自己的数据集。
2021-05-08 cs.IR
Improving Recommendation Relevance by simulating User Interest
Salesforce（赛富时）
大多数（如果不是所有的话）在线项目到项目推荐系统依赖于项目之间相似性的距离（排名）的估计。对于在线推荐系统，这种相似性度量的时间敏感性是非常重要的。我们观察到，建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling
针对推荐系统中因物品数量增长导致传统负采样引入偏差的问题，提出一种纠正排名估计的方法，通过提供WARP和LambdaRank的采样批处理版本并改进排名估计，有效提升了推荐模型的训练效率与质量。
2024-10-10 cs.IR
Boosting API Recommendation with Implicit Feedback
开发人员通常需要使用适当的API来有效地编程，但从大量候选者中确定他们所需的确切API通常是一项困难的任务。为了减轻负担，已经提出了多种API推荐方法。然而，目前大多数可用的API插件不支持将用户的反馈有效地集成到推荐循环中。在本文中，我们提出了一个框架，BRAID（提升推荐与隐式反馈），它利用学习排名和主动学习技术，以提高推荐性能。通过利用用户的反馈信息，我们训练一个学习排名模型来重新排名的推荐结果。此外，我们还通过主动学习加快了反馈学习过程。现有的基于查询的API推荐方法可以插入BRAID。我们选择了三种最先进的API推荐方法作为基线，以证明Hit@k（Top-k），MAP和MRR测量的BRAID性能增强。实验结果表明，在合理的开销下，随着反馈数据比例的增加，推荐性能相对于基线有了稳定而显著的提高。
2021-01-15 cs.IR cs.SE
Gated Rotary-Enhanced Linear Attention with Rank Modulation for Long-term Sequential Recommendation
organization= School of Big Data \& Software Engineering, Chongqing University , city= Chongqing , postcode= 401331 , country= China
本文提出RecGRELA模型，通过门控旋转增强线性注意力模块和自适应秩调制模块，解决长尾序列推荐中长距离依赖建模、低秩缺陷和短期兴趣与长期兴趣区分的问题，实现高效推荐。
2026-03-24 cs.IR
Unbiased Cascade Bandits: Mitigating Exposure Bias in Online Learning to Rank Recommendation
曝光偏差是推荐系统中的一个众所周知的问题，其中物品和供应商在推荐结果中的代表性不相等。当偏见随着时间的推移而放大时，这是特别有问题的，因为一些受欢迎的项目在推荐列表中反复过度代表。这种现象可以被看作是一个推荐反馈循环：系统在不同的时间点重复推荐某些项目，用户与这些项目的交互会随着时间的推移放大对这些项目的偏见。这个问题已经被广泛研究的文献中基于模型或基于邻域的推荐算法，但较少的工作已经做了在线推荐模型，如那些基于多臂Bandit算法。在本文中，我们研究了一类著名的土匪算法称为线性级联土匪曝光偏差。我们分析了这些算法处理曝光偏差的能力，并在推荐结果中为项目和供应商提供了公平的代表性。我们的分析表明，这些算法未能公平对待物品和供应商，也没有充分探索每个用户的物品空间。为了减轻这种偏见，我们提出了一个折扣因子，并将其纳入这些算法，控制在每个时间步的项目的曝光。为了证明所提出的折扣因子在减轻曝光偏差方面的有效性，我们使用三种级联强盗算法在两个数据集上进行了实验，我们的实验结果表明，所提出的方法提高了物品和供应商的曝光公平性。
2021-08-07 cs.IR
Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务，通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小，以最大化个体满意度，实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Expand More, Shrink Less: Shaping Effective-Rank Dynamics for Dense Scaling in Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Tencent Inc.（腾讯公司）；Tencent Inc. Shenzhen China（腾讯公司深圳中国）
针对推荐模型扩展中的嵌入坍缩问题，提出RankElastor架构，通过参数化全混合和GLU改进的P-FFN模块缓解有效秩的阻尼振荡，提升表示表达能力并实现稳健扩展。
2026-05-22 cs.IR cs.LG cs.NA
Mitigating Exposure Bias in Online Learning to Rank Recommendation: A Novel Reward Model for Cascading Bandits
本文针对在线推荐中线性级联赌博机的曝光偏差问题，提出曝光感知奖励模型，结合隐式反馈和物品位置更新参数，在保持推荐准确性的同时提升曝光公平性，并给出理论遗憾界证明。
2024-08-08 cs.IR
EVNextTrade: Learning-to-Rank-Based Recommendation of Next Charging Nodes for EV-EV Energy Trading
School of Information Systems, Queensland University of Technology（昆士兰科技大学信息系统学院）；School of Computer Science, Queensland University of Technology（昆士兰科技大学计算机科学学院）
本文提出基于学习排序的方法，用于推荐适合电动汽车间能源交易的下一个充电节点，通过大规模城市电动车移动数据集和多维特征进行实验，证明LightGBM在排名性能上表现最佳。
2026-03-14 cs.IR cs.LG
A Multi-Objective Learning to re-Rank Approach to Optimize Online Marketplaces for Multiple Stakeholders
Expedia LPS（亿客行旅行社合作伙伴解决方案）
多目标推荐系统解决了推荐与多个可能冲突的标准相关的项目的困难任务。然而，这些系统通常被设计为解决一个单一的利益相关者的目标，通常，在在线商务中，消费者的输入和购买决策最终决定了推荐系统的成功。在这项工作中，我们解决多目标，多利益相关者，建议问题涉及一个或多个目标（S）每个利益相关者。除了消费者利益相关者之外，我们还考虑了另外两个利益相关者：提供商品和服务的供应商，以及负责通过推荐算法帮助消费者与供应商联系的中介。我们分析的多目标，多利益相关者，问题的角度来看，在线市场中介的目标是最大限度地提高其佣金通过其推荐系统。我们定义了一个多目标问题，涉及我们所有的三个利益相关者，我们解决了一个新的学习重新排名的方法，利用一个新的正则化函数的基础上的肯德尔tau相关性度量及其内核版本;给定为消费者建立的项目推荐的初始排名，我们的目标是重新排序，使得新的排序也针对次要目标进行优化，同时保持接近初始排序。我们评估我们的方法在Expedia提供的酒店推荐的真实数据集上，我们展示了我们的方法对面向业务规则的基线模型的有效性。
2017-08-03 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
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
SPARK: Adaptive Low-Rank Knowledge Graph Modeling in Hybrid Geometric Spaces for Recommendation
City University of Hong Kong（香港城市大学）；Beihang University（北京航空航天大学）
针对知识图谱增强推荐存在的噪声、稀疏性、几何空间适配不足及长尾物品建模差等问题，本文提出多阶段框架SPARK，通过低秩去噪、混合几何GNN、流行度感知自适应融合与对比学习实现更优的推荐效果，尤其提升长尾物品推荐性能。
2025-09-14 cs.IR
MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model
Imperial College London（伦敦帝国理工学院）
食物推荐系统已被证明是一种有效的技术，为饮食选择提供指导，这对患有慢性疾病的患者尤为重要。与其他多媒体推荐（如书籍和电影）不同，食物推荐任务高度依赖于当前的上下文，因为用户的食物偏好可以随着时间的推移而高度动态变化。例如，人们倾向于在一天的早些时候吃更多的卡路里，在晚餐时吃得少一点。然而，仍然有有限的研究工作，试图结合当前的背景和营养知识的食物推荐。因此，本文提出了一种新的餐厅食物推荐系统，根据用户的特殊营养需求推荐食物菜肴。我们提出的系统利用光学字符识别（OCR）技术和基于transformer的深度学习模型，学习排序（LTR）模型，进行食品推荐。给定菜单的单个RGB图像，系统然后能够根据输入的搜索关键字（例如，卡路里、蛋白质水平）。由于Transformer的特性，我们的系统还可以对看不见的菜肴进行排名。在一个自构造的菜单数据集MenuRank上进行了全面的实验来验证我们的方法。实验结果表明，LTR模型在食品推荐方面具有很大的潜力，其推荐准确率在77.2%~ 99.5%之间。
2022-10-15 cs.IR cs.LG
Understanding User Behavior in Carousel Recommendation Systems for Click Modeling and Learning to Rank
针对轮播推荐系统缺乏点击模型和排序学习研究的问题，本文提出通过眼动追踪用户研究构建公开数据集，以揭示浏览行为并推动新点击模型与学习排序方法的发展。
2023-07-04 cs.HC cs.IR
ITEM: Improving Training and Evaluation of Message-Passing based GNNs for top-k recommendation
Conservatoire national des arts et métiers（法国国立工艺学院）；Sorbonne Université（索邦大学）
本研究针对top-k推荐中基于消息传递的GNN训练与评估问题，提出排序损失平滑优化方法与个性化PageRank负采样策略，还拓展了归纳式用户中心评估协议，在多数据集和架构上实现性能与训练速度的双重提升。
2024-07-03 cs.IR cs.LG
Towards Efficient Communication and Secure Federated Recommendation System via Low-rank Training
College of Engineering & Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
针对联邦推荐系统的高通信成本及安全聚合兼容问题，提出CoLR低秩训练框架，在冻结多数参数的同时仅训练轻量参数，最高减少93.75%通信载荷且性能仅降约8%。
2024-02-28 cs.CR cs.DC cs.IR
