Algorithmic Extremism: Examining YouTube's Rabbit Hole of Radicalization
YouTube及其幕后推荐算法在鼓励在线激进化方面所扮演的角色已经被记者和学者所提及。这项研究通过研究YouTube的算法在暗示激进内容方面所起的作用,直接量化了这些说法。在对近800个政治频道进行分类后,我们能够区分政治模式,以分析算法流量和各组之间的流量。在对每种渠道类型收到的建议进行详细分析后,我们驳斥了流行的激进化主张。相反,这些数据表明,YouTube的推荐算法积极阻止观众访问激进或极端主义内容。相反,该算法被证明更倾向于主流媒体和有线电视新闻内容,而不是倾向于左倾或政治中立频道的独立YouTube频道。因此,我们的研究表明,YouTube的推荐算法未能促进煽动性或激进的内容,正如之前几家媒体所声称的那样。
2019-12-24 cs.IR cs.SI
Weighted Random Walk Sampling for Multi-Relational Recommendation
在信息过载的网络中,个性化推荐系统是帮助用户找到最相关信息的重要工具。最常用的推荐框架假设用户交互的特点是一个单一的关系。然而,对于许多任务,例如社交网络中的推荐,用户-项目交互必须被建模为多个关系的复杂网络,而不仅仅是单个关系。最近的多关系分解和混合推荐模型的研究表明,使用扩展的元路径来捕获额外的信息,用户和项目在网络中可以提高在这样的网络中的推荐的准确性。大部分的工作集中在未加权的异构网络,并应用这些技术,加权关系必须简化为二进制的。然而,与加权边缘相关联的信息,例如用户评级,这可能是至关重要的推荐,在这样的二进制化中丢失。本文提出了一种边采样频率为边权重函数的随机游走采样方法,并应用该方法在加权异构网络中生成扩展元路径。通过这种采样技术,我们在多个数据集上的推荐准确性和模型生成效率方面都表现出了改进的性能。
2017-03-02 cs.IR cs.SI
Session-based Social Recommendation via Dynamic Graph Attention Networks
Facebook和Twitter等在线社区非常受欢迎,已成为许多用户日常生活的重要组成部分。通过这些平台,用户可以发现和创建其他人将使用的信息。在这方面,向用户推荐相关信息对于可行性至关重要。然而,在线社区中的推荐是一个具有挑战性的问题:1)用户的兴趣是动态的,2)用户受到他们的朋友的影响。此外,影响者可以是上下文相关的。也就是说,不同的朋友可以依赖于不同的主题。因此,对这两种信号进行建模对于建议至关重要。我们提出了一个基于动态图注意神经网络的在线社区推荐系统。我们使用递归神经网络对动态用户行为进行建模,并使用图形注意力神经网络对上下文相关的社会影响进行建模,该网络根据用户的当前兴趣动态推断影响者。整个模型可以有效地拟合大规模数据。几个真实世界的数据集上的实验结果表明,我们提出的方法在几个竞争性的基线,包括国家的最先进的模型的有效性。
2019-04-15 cs.IR
News Recommendation with Category Description by a Large Language Model
Waseda University(早稻田大学)
本文提出利用大语言模型自动生成新闻类别描述,并将其融入推荐模型,在MIND数据集上使AUC最多提升5.8%,验证了该方法的有效性。
2024-05-13 cs.AI cs.CL cs.IR
Thematic recommendations on knowledge graphs using multilayer networks
Spotify Ltd(Spotify有限公司)
我们提出了一个框架,以产生和评估基于多层网络表示的知识图谱(KG)的主题推荐。在这种表示中,每个层在KG中编码不同类型的关系,并且有向层间耦合以不同的角色连接相同的实体。不同类型的连接的相对重要性通过直观的显着性矩阵来捕获,该矩阵可以从数据中估计,调整以纳入领域知识,解决不同的用例或尊重业务逻辑。我们应用自适应的个性化PageRank算法的多层模型的KG生成项目项目的建议。这些建议反映了我们对内容的了解,适用于主题和/或冷启动建议设置。从用户数据中评估主题推荐提出了独特的挑战,我们通过开发一种方法来评估依赖于用户项目评级的推荐,但尊重其主题性质。我们还表明,显著性矩阵可以估计从用户数据。我们证明了我们的方法的效用显着提高消费指标在AB测试中,协同过滤提供低于标准的性能。我们还将我们的方法应用于使用公开数据的电影推荐,以确保我们的结果的可重复性。我们证明,我们的方法优于现有的主题推荐方法,甚至是竞争力的协同过滤方法。
2021-05-12 cs.IR cs.LG cs.SI
Awakening Dormant Users: Generative Recommendation with Counterfactual Functional Role Reasoning
Beihang University(北京航空航天大学);Kuaishou Technology(快手科技)
RoleGen通过反事实功能角色推理和生成行为骨干,有效提升沉睡用户转化率,实现Recall@1和订单量的显著增长。
2026-02-13 cs.IR
The Role of Bias in News Recommendation in the Perception of the Covid-19 Pandemic
新闻推荐系统(NR)已被证明可以塑造公共话语,并强制执行对民主产生关键,往往是有害影响的行为。早期关于媒体偏见影响的研究表明,媒体偏见对观点和偏好有很大影响。负责任的NR应该有去极化的能力,一旦他们超越准确性的措施。我们使用BERT 4 Rec算法进行序列预测,以研究新闻报道和用户行为的相互作用。基于实时数据和来自一个新闻媒体的大数据集的训练“事件突发”,“团结在旗帜周围”效应和“过滤气泡”在我们的数据科学和心理学之间的跨学科方法进行了研究。通过使用大量文章、关键字和用户行为数据集对模型进行训练,概述了超越准确性度量的公平NR的潜力。我们追踪了COVID-19大流行的新闻报道和用户行为的发展,从主要的医疗内容到更广泛的政治内容和辩论。我们的研究为负责任的新闻推荐的未来发展提供了第一个见解,即承认用户的偏好,同时刺激多样性和问责制,而不是准确性。
2022-09-15 cs.CY cs.IR
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
LFG: A Generative Network for Real-Time Recommendation
本文针对LFM在实时推荐中需重新训练的不足,提出LFG网络,通过深度神经网络动态生成用户潜在因子,在电影推荐实验中准确率优于传统矩阵分解,有效解决了实时推荐挑战。
2023-11-25 cs.IR
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
Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks
推荐可以从推荐时良好的用户状态表示中受益匪浅。最近利用循环神经网络(RNN)进行基于会话的推荐的方法表明,深度学习模型可以为推荐提供有用的用户表示。然而,当前的RNN建模方法仅通过考虑用户过去与之交互的项目序列来总结用户状态,而不考虑其他基本类型的上下文信息,例如用户-项目交互的关联类型,事件之间的时间间隔以及每次交互的时间。为了解决这个问题,我们提出了一类新的上下文循环神经网络推荐(CRNN),它可以考虑输入和输出层的上下文信息,并通过将上下文嵌入与项目嵌入相结合来修改RNN的行为,更明确地说,在模型动态中,通过将隐藏单元转换参数化为上下文信息的函数。我们将CRNN方法与RNN和非顺序基线进行了比较,并在下一个事件预测任务上显示出良好的改进。
2017-06-23 cs.IR
Role of Matrix Factorization Model in Collaborative Filtering Algorithm: A Survey
推荐系统应用信息检索技术来选择与给定用户相关的在线信息。协同过滤是目前应用最广泛的推荐系统构建方法。CF技术以用户项目评分的形式使用用户行为作为其用于预测的信息源。CF算法面临的主要挑战是评分矩阵的稀疏性和数据的增长性。矩阵分解很好地解决了这些挑战。在本文中,我们试图提出一个概述不同的MF模型的作用,以解决CF算法的挑战,这可以作为在这一领域的研究路线图。
2015-03-25 cs.IR
Information filtering in sparse online systems: recommendation via semi-local diffusion
随着互联网的迅速发展,人们面临着海量的信息和选择,推荐系统被开发出来以有效地支持用户在在线系统中的决策过程。然而,许多推荐算法遭受数据稀疏性问题,即用户-对象二分网络是如此稀疏,以至于算法不能准确地为用户推荐对象。这种数据稀疏性问题使得许多著名的推荐算法性能不佳。为了解决这个问题,我们提出了一种基于半局部扩散过程的用户-对象二分网络推荐算法。在Amazon和Bookcross两个稀疏数据集上的数值模拟表明,该方法的性能明显优于现有的方法,尤其是对于那些小度用户。提出了两种个性化的半局部扩散方法,进一步提高了推荐精度。最后,我们的工作表明稀疏在线系统与稠密在线系统有着本质的不同,所有基于稠密数据的算法和结论都应该在稀疏数据下重新检验。
2013-08-14 cs.IR
Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations
National University of Singapore(新加坡国立大学)
在线应用中信息的海量性和复杂性使得推荐对于用户查找感兴趣的信息至关重要。然而,在现实世界的应用中共存的两个主要限制(1)不完整的用户简档,和(2)用户偏好的动态性质继续降低推荐质量的方面,如及时性,准确性,多样性和新颖性。为了解决上述限制在一个单一的解决方案,我们提出了一种新的跨网络的时间感知推荐解决方案。该解决方案首先通过聚合来自多个源网络的用户偏好来学习目标网络中的历史用户模型。其次,用户级的时间感知的潜在因素学习,以发展当前的用户模型从历史模型,并进行及时的建议。我们通过使用Twitter源网络的辅助信息来说明我们的解决方案,以改善YouTube目标网络的推荐。在不同时间粒度下使用多个时间感知和跨网络基线进行的实验表明,所提出的解决方案在准确性,新颖性和多样性方面取得了优异的性能。
2020-08-25 cs.IR cs.LG cs.SI
Interactive Visualization Recommendation with Hier-SUCB
本文针对个性化可视化推荐缺乏交互性和实时反馈适应能力的问题,提出基于用户反馈学习的交互式PVisRec系统,并设计Hier-SUCB上下文组合半老虎机算法,在理论上改善遗憾界,实验证明其优于其他老虎机算法且可与离线方法相媲美。
2025-04-08 cs.IR
Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对序列推荐中物品多面特性与动态相关性带来的扩展难题,提出融合多嵌入策略与MoE架构的Fuxi-MME框架,通过解耦嵌入与专家层变换提升性能,在公开数据集上优于多个基线。
2025-10-29 cs.IR
Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation
下一个兴趣点(POI)推荐对于基于位置的服务提供商和用户都具有很大的价值。最近,递归神经网络(RNN)已被证明是有效的顺序推荐任务。然而,现有的RNN解决方案很少考虑邻居签到之间的时空间隔,这对于在下一个POI推荐中建模用户签到行为是必不可少的。在本文中,我们提出了一种新的LSTM变体,称为STLSTM,它在LSTM中实现了时间门和距离门,以捕获连续签入之间的时空关系。具体来说,一个时间门和一个距离门被设计用于控制短期兴趣更新,另一个时间门和距离门被设计用于控制长期兴趣更新。此外,为了减少参数的数量和提高效率,我们进一步将耦合输入和遗忘门与我们提出的模型相结合。最后,我们使用来自各种基于位置的社交网络的四个真实世界的数据集来评估所提出的模型。我们的实验结果表明,我们的模型显着优于国家的最先进的方法为下一个POI推荐。
2018-06-18 cs.IR
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来,真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本,在整个语料库上进行复杂的端到端算法是极具挑战性的。因此,传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率,旨在从大型语料库中高效地检索数百个条目,而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性,而匹配模块应该对多样性承担更多责任。在本文中,我们提出了一种新的异构图神经网络框架的多样化推荐(GraphDR)匹配,以提高推荐精度和多样性。具体来说,GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好,并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失,以平衡多样化匹配任务的推荐准确性和多样性。在实验中,我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标,并取得了显着的改善。为了更好地理解我们的模型,我们还进行了模型分析和案例研究。此外,GraphDR已经部署在一个知名的推荐系统上,影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach
Università degli Studi di Milano-Bicocca(米兰比可卡大学);University of Regensburg(雷根斯堡大学);National Research Council of Italy(意大利国家研究委员会)
针对社交媒体推荐算法影响难研究的问题,提出以学术社交网络为代理,用图神经网络构建分离信息圈与行为预测的模型,模拟推荐信息圈并验证合作预测效果,公开代码以支持可复现。
2024-10-06 cs.AI cs.IR cs.LG
Exploring Fine-tuning ChatGPT for News Recommendation
本研究探索微调ChatGPT用于新闻推荐,通过设计排序和评分两种提示,在MIND数据集上验证了微调可显著提升个性化推荐性能,并有效缓解冷物品问题。
2023-11-10 cs.IR
A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
Bangladesh University of Engineering and Technology (BUET)(孟加拉国工程技术大学(BUET))
基于位置的社交网络(LBSN)使用户能够通过分享他们的签到、意见、照片和评论来与朋友和熟人进行社交。LBSN产生的大量数据开辟了一条新的研究途径,催生了一个新的推荐系统子领域,称为兴趣点(POI)推荐。POI推荐技术本质上利用用户的历史签到和其他多模态信息(诸如POI属性和友谊网络)来推荐适合于用户的下一组POI。大量早期的工作都集中在传统的机器学习技术上,使用数据集中手工制作的特征。随着最近深度学习研究的激增,我们已经目睹了利用不同的深度学习范例的各种各样的POI推荐工作。这些技术在问题表述、提出的技术、使用的数据集和特征等方面存在很大差异。据我们所知,这项工作是对所有主要的基于深度学习的POI推荐工作的第一次全面调查。我们的工作分类和批判性地分析了最近的POI推荐工作的基础上不同的深度学习范式和其他相关功能。这篇评论可以被认为是POI推荐领域的研究人员或从业人员的食谱。
2020-11-20 cs.IR cs.LG
Plausible Counterfactual Explanations of Recommendations
Faculty of Electrical Engineering(电气工程系);Czech Technical University in Prague(布拉格捷克技术大学)
本研究提出了一种在推荐系统中生成高度合理反事实解释(CE)的方法,并通过数值实验与用户研究验证了其有效性,为提升推荐系统的说服力与用户体验提供了新途径。
2025-07-10 cs.IR cs.LG
The importance of being dissimilar in Recommendation
相似性度量在基于记忆的最近邻方法中起着重要作用。它们基于邻近区域中的物品或用户的相似性向用户推荐物品。在本文中,我们认为,虽然它保持了领先的重要性,在计算建议,用户或项目之间的相似性应该配对的值相异性(计算不只是作为互补的相似性之一)。我们正式建模,并注入这个概念在一些最常用的相似性措施,并评估我们的方法显示其有效性的准确性结果。
2019-07-04 cs.IR
Joint Group Profiling and Recommendation via Deep Neural Network-based Multi-Task Learning
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Heudiasyc (Heuristics and Diagnosis of Complex Systems)(启发式与复杂系统诊断实验室)
本文提出一种基于深度神经网络多任务学习的联合群体画像与推荐框架,通过共享表示和注意力机制提升群体推荐准确性,并在真实数据集上验证其优于基线模型。
2025-03-05 cs.AI cs.IR cs.LG
VLSNR:Vision-Linguistics Coordination Time Sequence-aware News Recommendation
Beihang University(北京航空航天大学);Peking University(北京大学)
新闻表示和面向用户的建模都是新闻推荐的关键。现有的方法大多基于文本信息,而忽略了视觉信息和用户的动态兴趣。然而,与纯文本内容相比,多模态语义有利于增强对用户暂时和长期兴趣的理解。在我们的工作中,我们提出了一个视觉语言学协调的时间序列新闻推荐。首先,一个预训练的多模态编码器被应用到嵌入图像和文本到同一个特征空间。然后使用自注意网络学习时间序列。此外,一个注意GRU网络提出了充分的时间方面的用户偏好模型。最后,嵌入点击历史和用户表示来计算候选新闻的排名分数。此外,我们还构建了一个大规模的多模态新闻推荐数据集V-MIND。实验结果表明,我们的模型优于基线,并实现了我们独立构建的数据集上的SOTA。
2022-10-06 cs.AI cs.IR cs.LG
Knowledge-refined Denoising Network for Robust Recommendation
针对现有知识感知推荐存在任务无关知识传播与易受交互噪声影响的问题,提出知识精炼去噪网络KRDN,结合自适应知识精炼与对比去噪机制,在三个基准数据集上性能优于多种现有先进模型。
2023-04-28 cs.IR
An Equivalent Graph Reconstruction Model and its Application in Recommendation Prediction
本文针对基于图拉普拉斯正则化的推荐算法在大规模数据下计算代价高的问题,提出一种可精确求解的等价图重构模型,在保持预测精度的同时大幅降低计算开销。
2023-07-05 cs.IR
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong(香港大学)
推荐系统在许多Web应用中扮演着重要的角色,以满足用户的个性化兴趣和减轻信息过载。在这项调查中,我们回顾了开发的建议框架,重点是异构关系学习,其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中,这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题,最近的研究进展可以分为三个主要路线:社会推荐,知识图谱增强的推荐系统,和多行为推荐。我们讨论了每一类的学习方法,如矩阵分解,注意力机制和图神经网络,有效地提取异构上下文信息。最后,我们提出了一个探索性的前景,突出几个有前途的方向和机会,在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Style4Rec: Enhancing Transformer-based E-commerce Recommendation Systems with Style and Shopping Cart Information
National Taiwan University(台湾大学)
针对现有基于Transformer的电商序列推荐未有效利用商品风格与购物车数据的问题,提出Style4Rec系统,利用两类信息优化推荐,在合作企业数据集上多项指标显著优于基准,推动了个性化电商推荐发展。
2025-01-16 cs.AI cs.IR
PANE-GNN: Unifying Positive and Negative Edges in Graph Neural Networks for Recommendation
针对GNN推荐忽视负反馈的问题,本文提出PANE-GNN,通过正负二部图、兴趣/非兴趣嵌入、差异化消息传递及负图畸变对比训练,在四个真实数据集上超越现有基准。
2023-06-08 cs.IR
Improving Recommendation Fairness via Data Augmentation
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学);Ant Group(蚂蚁集团);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
基于协同过滤的推荐技术从用户的历史行为数据中学习用户的偏好,以帮助用户进行决策。近年来,推荐的公平性问题变得越来越重要。当推荐系统不能根据用户的敏感属性对不同的用户组表现得同样好时,它被认为是不公平的(例如,性别、种族)。已经提出了许多方法来通过优化预定义的公平性目标或改变不平衡的训练数据的分布来减轻不公平。然而,它们要么受到特定公平性优化指标的影响,要么依赖于重新设计当前的推荐架构。本文从数据增强的角度研究如何提高推荐公平性。推荐模型放大了不平衡的训练数据固有的不公平性。我们将不平衡的训练数据增加到平衡的数据分布,以提高公平性。所提出的框架通常适用于任何基于嵌入的推荐,并且不需要预先定义公平性度量。在两个真实数据集上的大量实验清楚地表明了我们所提出的框架的优越性。我们在https://github.com/newlei/FDA上发布源代码。
2023-02-21 cs.IR cs.LG
Improving Micro-video Recommendation by Controlling Position Bias
随着微视频应用的普及,微视频的数量和用户数量迅速增加,这凸显了微视频推荐的重要性。虽然微视频推荐可以自然地被视为顺序推荐,但以往的顺序推荐模型没有充分考虑微视频应用的特点,在归纳中存在偏差,位置的作用也不符合微视频场景的实际。因此,本文提出了一种基于位置解耦的微视频推荐模型PDMRec(Position Decoupled Micro-video Recommendation)。PDMRec采用独立的自注意模块对微视频信息和位置信息进行建模,然后将它们聚合在一起,避免了微视频语义和位置信息之间的噪声相关性被编码到序列嵌入中。此外,PDMRec提出了与微视频场景特征紧密匹配的对比学习策略,减少了微视频序列中位置的干扰。我们在两个真实世界的数据集上进行了广泛的实验。实验结果表明,PDMRec优于现有的多个国家的最先进的模型,并取得了显着的性能改善。
2022-08-09 cs.IR
Leveraging Long and Short-term Information in Content-aware Movie Recommendation
电影推荐系统基于个人的偏好和约束向用户提供电影的分级列表。两种类型的模型通常用于生成排名结果:长期模型和基于会话的模型。虽然长期模型表示用户和电影之间的交互,应该随着时间的推移缓慢变化,基于会话的模型编码的信息,用户的兴趣和变化的动态电影的属性在短期内。在本文中,我们提出了一个LSIC模型,利用长期和短期信息的内容感知的电影推荐使用对抗训练。在对抗过程中,我们训练一个生成器作为强化学习的代理,它顺序地向用户推荐下一部电影。我们还训练了一个尝试区分生成的电影列表和真实记录的分类器。电影的海报信息被整合,以进一步提高性能的电影推荐,这是特别必要的,当几个评级可用。实验结果表明,该模型具有较强的鲁棒性,具有一定的先进性。
2018-06-26 cs.IR
Garment Recommendation with Memory Augmented Neural Networks
University of Florence(佛罗伦萨大学)
时尚在社会中发挥着举足轻重的作用。适当地组合服装对于人们传达他们的个性和风格至关重要。此外,不同的活动要求服装要彻底选择,以遵守潜在的社会服装规则。因此,适当地组合服装可能不是微不足道的。时尚行业已经将其转化为一个巨大的收入来源,依靠复杂的推荐系统为客户检索和推荐合适的服装。为了执行更好的推荐,可以考虑用户偏好或购买历史来执行个性化建议。在本文中,我们提出了一个服装推荐系统对不同的服装项目,即上衣和下装,利用记忆增强神经网络(MANN)。通过训练存储器写入控制器,我们能够存储样本的非冗余子集,然后将其用于检索合适底部的排名列表以补充给定顶部。特别是,我们的目标是检索各种形式,其中某一服装可以结合起来。为了改进我们的建议,我们通过矩阵分解包含用户偏好。我们在IQON 3000上进行了实验,这是一个从在线时尚社区收集的数据集,报告了最先进的结果。
2020-12-11 cs.CV cs.IR
Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing
Montclair State University(蒙特克莱尔州立大学);Tulane University(杜兰大学);Southwest Jiaotong University(西南交通大学);Shanghai Jiao Tong University(上海交通大学)
本文提出三种基于 GNN 的推荐模型,利用残差连接与恒等映射缓解深层网络的过度平滑问题,并结合协同过滤提升预测准确率、可解释性及对用户兴趣变化的适应能力。
2024-12-04 cs.IR cs.LG
Infer Implicit Contexts in Real-time Online-to-Offline Recommendation
Koubei, Alibaba Group(阿里巴巴集团口碑);Tsinghua University(清华大学)
理解用户上下文对于成功的推荐至关重要,特别是对于O2O推荐,如Yelp,Groupon和口碑。与传统推荐中个人偏好大多是静态的不同,O2O推荐应该是动态的,以捕捉用户在时间和位置上的变化。然而,精确地推断用户的实时的【形】上下文信息,特别是那些隐式的,是非常困难的,这是O2O推荐的核心挑战。在本文中,我们提出了一种新的方法,称为混合注意力约束去噪自动编码器(MACDAE),推断隐式上下文,从而提高质量的实时的【形】O2O推荐。在MACDAE中,我们首先利用用户,项目和显式上下文之间的交互来推断用户的隐式上下文,然后将学习到的隐式上下文表示组合到端到端模型中以进行推荐。MACDAE在实际系统中工作得很好。我们对所提出的方法进行了离线和在线评估。在几个真实世界的数据集(Yelp,Dianping和Koubei)上的实验表明,我们的方法可以实现比最先进的显着改进。此外,在线A/B测试表明,在现实世界的流量中,点击率提高了2.9%,转化率提高了5.6%。我们的模型已经在口碑网的“猜你喜欢”推荐产品中得到了应用。
2019-07-08 cs.IR cs.LG stat.ML
A Recommendation Approach based on Similarity-Popularity Models of Complex Networks
King Saud University(沙特国王大学);College of Computer and Information Sciences(计算机与信息科学学院)
推荐系统已经成为在线服务和商品的提供者和用户的重要工具,特别是随着越来越多地使用互联网来访问信息和购买产品和服务。提出了一种基于相似度-流行度模型的复杂网络推荐方法。我们首先从观察到的评级中构建一个以用户和项目为节点的网络模型,然后用它来预测看不见的评级。使用隐藏度量空间和点积相似性的相似性流行模型产生准确的收视率预测的前景进行了探讨。该方法的实施和实验比较基线和国家的最先进的推荐方法对21个数据集从不同的领域。实验结果表明,该方法产生准确的预测和优于现有的方法。我们还表明,所提出的方法在低维产生优越的结果,证明其有效性的数据可视化和探索。
2022-09-29 cs.IR cs.LG
Multi-Scenario User Profile Construction via Recommendation Lists
Huazhong University of Science and Technology(华中科技大学)
本文提出RAPI框架,通过推荐列表分析用户属性,评估不同信息条件下用户画像能力,实验显示其在准确性上达到0.764和0.6477。
2026-03-16 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
A Large-Scale Rich Context Query and Recommendation Dataset in Online Knowledge-Sharing
数据在机器学习研究中起着至关重要的作用。在推荐研究中,用户行为和边信息都有助于对用户进行建模。因此,具有丰富用户行为的大规模真实场景数据集将做出很大贡献。然而,要获得这样的数据集并不容易,因为它们中的大多数只由公司持有和保护。本文提出了一个新的大规模数据集,该数据集收集自一个知识共享平台,由10天内收集的约1亿次交互、798 K用户、165 K问题、554 K答案、240 K作者、70 K主题和超过501 K用户查询关键字组成。还有对用户、答案、问题、作者和主题的描述,这些都是匿名的。请注意,每个用户的最新查询关键字尚未包含在以前的开放数据集中,这些数据集揭示了用户的明确信息需求。我们的数据集的特点,并展示其潜在的应用推荐研究。实验结果表明,该数据集可用于评价一般的top-N推荐算法、顺序推荐算法和上下文感知推荐算法。该数据集还可以用于集成搜索和推荐以及带有负面反馈的推荐。此外,推荐之外的任务,如用户性别预测,最有价值的回答者识别和高质量答案识别,也可以使用该数据集。据我们所知,这是用于个性化推荐的最大的真实交互数据集。
2021-06-11 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
DVR: Micro-Video Recommendation Optimizing Watch-Time-Gain under Duration Bias
推荐系统很容易被数据中的偏见所误导。使用有偏数据训练的模型无法捕捉用户的真实兴趣,因此减轻偏置的影响以实现无偏推荐至关重要。在这项工作中,我们专注于微视频推荐中的一个重要偏见,持续时间偏见。具体而言,现有的微视频推荐系统通常将观看时间视为最关键的度量,其测量用户观看视频的时间。由于时长较长的视频往往具有较长的观看时间,因此存在一种时长偏差,使得较长的视频往往比短视频更受推荐。在本文中,我们的经验表明,常用的指标是脆弱的持续时间偏差,使他们不适合评估微视频推荐。为了解决这个问题,我们进一步提出了一个无偏的评估指标,称为WTG(简称观看时间增益)。实验结果表明,WTG可以减轻持续时间偏差,更好地衡量推荐性能。此外,我们设计了一个简单而有效的模型DVR(Debiased Video Recommendation的缩写),可以提供不同时长的微视频的无偏推荐,并通过对抗学习来学习无偏的用户偏好。基于两个真实数据集的大量实验表明,DVR成功地消除了持续时间偏差,并显着提高推荐性能超过30%的相对进步。代码和数据集在https://github.com/tsinghua-fib-lab/WTG-DVR上发布。
2022-08-10 cs.IR cs.MM
Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
Taobao & Tmall Group of Alibaba(阿里巴巴淘宝天猫集团)
针对触发式推荐中点击率预测的需求,提出CRRN模型,通过触发-目标交互层、级联兴趣融合模块和类别辅助成对损失优化,在工业与公开数据集及在线A/B测试中均优于现有方法。
2026-08-25 cs.IR
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University(宾夕法尼亚州立大学)
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题,提出ESMR框架,融合Transformer情绪预测与混合推荐策略,兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
STAIR: Manipulating Collaborative and Multimodal Information for E-Commerce Recommendation
针对电子商务推荐中协同与多模态信息难以共存的问题,提出STAIR方法,采用逐步图卷积和受约束嵌入更新,在三个公开数据集上以低开销实现最先进性能。
2024-12-16 cs.IR
Graphs are everywhere -- Psst! In Music Recommendation too
本研究探讨了图卷积网络、GraphSAGE和图Transformer在音乐推荐中的应用,通过结合MFCC特征与图嵌入捕捉音乐项目与流派的复杂关系,实验证明图增强方法在预测流派偏好和推荐准确率上优于传统MFCC或协同过滤方法。
2025-04-04 cs.IR
SAM: A Self-adaptive Attention Module for Context-Aware Recommendation System
School of Data Science, Fudan University(复旦大学数据科学学院);School of Computer Science, Fudan University(复旦大学计算机科学技术学院)
近年来,文本信息在推荐系统中的作用越来越受到人们的重视。然而,现有的评价方法大多只关注评分中文本信息的表示学习,而忽略了文本信息可能引起的选择偏差。在这项工作中,我们提出了一种新的和一般的自适应模块,自适应注意力模块(SAM),它调整的选择偏差,通过捕获上下文信息的基础上,其表示。该模块可以嵌入到包含上下文信息的学习组件的推荐系统中。在三个真实数据集上的实验结果证明了我们的建议的有效性,与SAM的最先进的模型显着优于原来的。
2021-10-13 cs.IR cs.LG
A Jointly Learned Context-Aware Place of Interest Embedding for Trip Recommendations
The University of Melbourne(墨尔本大学)
旅行推荐是一种重要的基于位置的服务,它可以帮助用户从旅行计划中节省时间和精力。它的目的是为用户推荐一系列感兴趣的地方(POI),以最大限度地提高用户的满意度。当将POI添加到推荐行程时,理解推荐的上下文是至关重要的,包括POI流行度、在行程中共同出现的其他POI以及用户的偏好。这些背景因素在现有的研究中是单独学习的,而在现实中,它们共同影响用户对要访问的POI的选择。在这项研究中,我们提出了一个POI嵌入模型,共同学习这些上下文因素的影响。我们将学习的POI嵌入称为上下文感知的POI嵌入。为了展示这种嵌入的有效性,我们应用它来生成给定用户和时间预算的旅行建议。我们提出了两个行程推荐算法的基础上,我们的上下文感知POI嵌入。第一种算法通过将出行推荐问题转化为整数线性规划问题求解,从而得到精确的最优出行。为了提高计算效率,第二种算法基于自适应大邻域搜索来寻找最优行程。我们在真实数据集上进行了大量的实验。结果表明,我们提出的算法始终优于国家的最先进的算法在旅行推荐质量,与F1分数的优势高达43%。
2018-08-24 cs.IR cs.LG stat.ML
Information Foraging for Enhancing Implicit Feedback in Content-based Image Recommendation
用户隐式反馈在推荐系统中起着重要的作用。然而,寻找隐式特征是一项繁琐的任务。基于信息觅食理论中的信息气味模型,提出了一种通过隐含行为信号识别用户偏好的图像推荐方法。在第一部分中,我们假设,用户的感知得到改善与图像中的视觉线索作为行为信号,提供用户的信息气味在信息寻求。我们设计了一个基于内容的图像推荐系统来探索哪些图像属性(即,视觉提示或书签)帮助用户找到他们想要的图像。我们发现,用户更喜欢的视觉线索预测的建议,因此认为视觉线索作为良好的信息气味为他们的信息寻求。在第二部分中,我们研究了图像中的视觉线索与图像本身一起是否比它们各自更能被用户感知。我们评估了Pinterest图像集和WikiArt数据集上图像推荐中的信息气味伪影。我们发现我们提出的图像推荐系统支持通过信息觅食解释的信息气味模型的隐式信号。
2020-01-19 cs.HC cs.IR cs.MM