Learning Tree-based Deep Model for Recommender Systems
Alibaba Group（阿里巴巴集团）
基于模型的推荐方法近年来得到了广泛的研究。然而，在具有大型语料库的系统中，学习模型预测所有用户项目偏好的计算成本是巨大的，这使得完整的语料库检索非常困难。为了克服计算障碍，诸如矩阵因式分解的模型诉诸于内积形式（即，将用户-项目偏好建模为用户、项目潜在因素）和索引的内积，以促进有效的近似k-最近邻搜索。然而，在用户和项目特征之间结合更有表现力的交互形式仍然具有挑战性，例如，通过深层神经网络进行交互，因为计算成本。在本文中，我们关注的问题，引入任意先进的模型，推荐系统与大型语料库。我们提出了一种新的基于树的方法，可以提供对数复杂度w.r.t.甚至使用更有表现力的模型，如深度神经网络，也可以减少语料库的大小。我们的主要思想是预测用户的兴趣从粗到细遍历树节点在自顶向下的方式，并为每个用户节点对决策。我们还表明，树结构可以共同学习，以更好地与用户的兴趣分布的兼容性，从而促进训练和预测。两个大规模真实世界数据集的实验结果表明，该方法显着优于传统方法。在淘宝展示广告平台上的在线A/B测试结果也证明了该方法在生产环境中的有效性。
2018-12-21 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
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Pinterest（品趣志）；Stanford University（斯坦福大学）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。然而，使这些方法实用且可扩展到具有数十亿项目和数亿用户的网络规模推荐任务仍然是一个挑战。在这里，我们描述了我们在Pinterest开发和部署的大规模深度推荐引擎。我们开发了一种数据高效的图卷积网络（GCN）算法PinSage，它结合了高效的随机游走和图卷积来生成节点的嵌入（即，项），其合并了图结构以及节点特征信息。与现有的GCN方法相比，我们开发了一种基于高效随机游走的新方法来构造卷积，并设计了一种新的训练策略，该策略依赖于越来越难的训练样本来提高模型的鲁棒性和收敛性。我们还开发了一个高效的MapReduce模型推理算法，使用训练模型生成嵌入。我们在Pinterest上部署了PinSage，并在一个图表上的75亿个示例上对其进行了训练，该图表包含30亿个代表引脚和电路板的节点以及180亿条边。根据离线指标、用户研究和A/B测试，PinSage生成的推荐质量高于同类深度学习和基于图表的替代方案。据我们所知，这是迄今为止深度图嵌入的最大应用，为基于图卷积架构的新一代网络规模推荐系统铺平了道路。
2018-06-06 cs.IR cs.LG stat.ML
Leveraging Trust and Distrust in Recommender Systems via Deep Learning
Maastricht University（马斯特里赫特大学）
现实应用中经常出现用户偏好数据稀缺和冷启动问题，限制了协同过滤策略的推荐准确性。利用社会朋友和敌人的选择可以有效地面对这两个问题。在这项研究中，我们提出了一种执行社会深度成对学习的策略。首先，我们设计了一个排名损失函数，结合多个排名标准的基础上，在用户的选择，他们的朋友和敌人的选择，以提高在top-k推荐任务的准确性。我们通过深度学习策略捕捉用户偏好与信任和不信任关系的社会信息之间的非线性相关性。在每个反向传播步骤中，我们遵循社会负采样策略，以满足我们的排名损失函数的多个排名标准。我们在Epperly的基准数据集上进行了全面的实验，这是相关文献中报道的最大的公开数据集之一。实验结果表明，该模型击败了其他国家的最先进的方法，实现了11.49%的平均改善最有竞争力的模型。我们证明了我们的深度学习策略在捕获用户偏好与信任和不信任关系的社会信息之间的非线性相关性方面起着重要作用，并证明了我们的社会负采样策略在所提出的模型上的重要性。
2019-05-31 cs.IR cs.LG stat.ML
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
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
Deep Variational Models for Collaborative Filtering-based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
深度学习提供了精确的协同过滤模型来改善推荐系统的结果。深度矩阵分解及其相关的协作神经网络是该领域的最新技术;然而，这两种模型都缺乏必要的随机性来创建变分自编码器所展示的鲁棒、连续和结构化的潜在空间。另一方面，由于推荐系统的高稀疏性，通过变分自编码器的数据增强在协同过滤领域中不提供准确的结果。我们提出的模型应用变分的概念，注入随机性的深层架构的潜在空间，引入变分技术在神经协同过滤领域。该方法不依赖于用于生成潜在表示的特定模型。通过这种方式，这种方法可以作为插件应用于任何当前和未来的特定模型。所提出的模型已经使用四个代表性的开放数据集，三种不同的质量指标和最先进的基线进行了测试。结果表明，所提出的方法的优越性的情况下，变分富集超过注入噪声的影响。此外，提供了一个框架，使进行的实验的再现性。
2021-07-27 cs.IR cs.LG cs.NE
A Hybrid Recommender System for Recommending Smartphones to Prospective Customers
Verizon Communications（威瑞森通信）
推荐系统是机器学习系统的一个子类，它采用复杂的信息过滤策略来减少搜索时间并向任何特定用户推荐最相关的项目。混合推荐系统将多种推荐策略以不同的方式结合起来，以发挥它们的互补优势。一些混合推荐系统结合了协同过滤和基于内容的方法来构建更健壮的系统。在本文中，我们提出了一个混合推荐系统，它结合了交替最小二乘（ALS）的协同过滤与深度学习，以提高推荐性能，以及克服与协同过滤方法，特别是有关其冷启动问题的限制。从本质上讲，我们使用ALS（协同过滤）的输出来影响深度神经网络（DNN）的推荐，该网络在大数据处理框架中结合了特征，上下文，结构和顺序信息。我们已经进行了几个实验，在测试所提出的混合架构的有效性，在推荐智能手机给潜在客户，并比较其性能与其他开源路由器。结果表明，该系统的性能优于现有的几个混合推荐系统。
2022-07-19 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
Joint Optimization of Tree-based Index and Deep Model for Recommender Systems
Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
大型工业推荐系统通常面临着巨大的语料库规模的计算问题。为了在响应时间限制下检索并向用户推荐最相关的项目，采用高效的索引结构是一种有效且实用的解决方案。基于树的深度模型（Tree-based Deep Model，TDM）\cite{zhu2018learning}使用树索引极大地提高了推荐的准确性。通过索引树层次结构中的项并训练满足树中的类最大堆性质的用户节点偏好预测模型，TDM提供了相对于树的对数计算复杂性。语料库的大小，使得在候选检索和推荐中能够使用任意的高级模型。在基于树的推荐方法中，树索引和用户节点偏好预测模型的质量在很大程度上决定了推荐的准确性。我们认为树索引和偏好模型的学习具有相互依赖性。我们的目的，在本文中，是开发一种方法来共同学习的索引结构和用户偏好预测模型。在我们提出的联合优化框架中，索引的学习和用户偏好预测模型在统一的性能指标下进行。此外，我们提出了一种新的层次用户偏好表示利用树索引层次。两个大规模真实数据集的实验结果表明，该方法显著提高了推荐准确率。在线A/B测试结果显示广告平台也证明了该方法在生产环境中的有效性。
2019-11-20 cs.IR cs.LG stat.ML
Deep Dynamic Neural Network to trade-off between Accuracy and Diversity in a News Recommender System
Ryerson University（瑞尔森大学）
新闻推荐系统的特点是一些独特的挑战，具体到新闻领域。这些挑战来自于读者对动态生成的新闻项目的快速变化的兴趣，这些新闻项目随时间不断变化。新闻阅读也是由读者的长期和短期利益驱动的。此外，新闻推荐系统需要多样性，不仅要让读者参与阅读过程，还要让他们接触到不同的观点和意见。在本文中，我们提出了一个深度神经网络，它将信息丰富的新闻和读者的兴趣共同学习到一个统一的框架中。我们从新闻的标题、摘要（正文）和分类（类别、子类别）中学习新闻的表征（特征）。我们从读者的点击历史中了解读者的长期兴趣，通过LSTMS从最近的点击中了解读者的短期兴趣，通过注意力机制了解读者的多样化兴趣。我们还对我们的模型应用了不同程度的注意力。我们在两个新闻数据集上进行了广泛的实验，以证明我们的方法的有效性。
2021-03-17 cs.AI cs.IR cs.LG
Deep Bayesian Multi-Target Learning for Recommender Systems
Alibaba Group（阿里巴巴集团）
随着电子商务平台提供的服务种类越来越多，评估其成功的标准也越来越多。这项工作介绍了一个多目标优化框架与贝叶斯建模的目标事件，称为深度贝叶斯多目标学习（DBMTL）。在该框架中，目标事件被建模为形成贝叶斯网络，其中有向链接由隐藏层参数化，并从训练样本中学习。贝叶斯网络的结构由模型选择决定。我们将该框架应用到淘宝直播推荐中，对点击率、用户在直播间停留时间、购买行为和互动等目标进行同步优化（并取得平衡）。与其他MTL框架和非MTL模型相比，所提出的方法有了显着的改进。我们的实践表明，通过集成的因果关系结构，我们可以有效地使目标的学习受益于其他目标，创造显著的协同效应，提高所有目标。DBMTL引导的神经网络构造符合特征与多目标连接的一般概率模型，比本文讨论的其他方法具有更弱的假设。这种理论上的普遍性带来了各种目标分布，包括稀疏目标和连续值的实际推广能力。
2019-02-25 cs.IR cs.LG stat.ML
Regularized Singular Value Decomposition and Application to Recommender System
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
奇异值分解（SVD）是主成分分析（PCA）的数学基础。SVD和PCA是机器学习、数据采掘、模式识别、人工智能、计算机视觉、信号处理等领域中最广泛使用的数学形式主义/分解之一。本文提出了一种正则化奇异值分解（RSVD），给出了一种有效的计算算法，并给出了一些理论分析。我们表明，虽然RSVD是非凸的，它有一个封闭形式的全局最优解。最后，我们将RSVD应用于推荐系统中，实验结果表明RSVD的性能明显优于SVD。
2018-04-13 cs.IR cs.LG stat.ML
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
Deep Learning on Knowledge Graph for Recommender System: A Survey
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
最近的研究进展已经证明了知识图谱（KG）在提供有价值的外部知识以改进推荐系统（RS）方面的有效性。知识图谱能够对连接具有一个或多个相关属性的两个对象的高阶关系进行编码。借助新兴的图神经网络（GNN），可以从KG中提取对象特征和关系，这是成功推荐的重要因素。在本文中，我们对基于GNN的知识感知深度推荐系统进行了全面的调查。具体来说，我们讨论了最先进的框架，重点是它们的核心组件，即，图嵌入模块，以及它们如何解决可扩展性、冷启动等实际推荐问题，并进一步总结了常用的基准测试数据集、评估指标以及开源代码。最后，我们总结了调查，并提出了潜在的研究方向，在这个快速增长的领域。
2020-03-25 cs.AI cs.IR cs.LG
CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]
ITA（巴西航空理工学院）；UFCG（巴西坎皮纳格兰德联邦大学）；UFMG（巴西米纳斯吉拉斯联邦大学）
推荐系统（RS）已经成为一个热门的研究课题，自2016年以来，深度学习方法和技术在这一领域得到了越来越多的探索。新闻RS旨在个性化用户体验，并帮助他们从一个庞大而动态的搜索空间中发现相关文章。这项研究的主要贡献被命名为CHAMELEON，这是一个深度学习元架构，旨在解决新闻推荐的特定挑战。它由一个模块化的参考架构组成，可以使用不同的神经构建块进行实例化。由于在新闻领域中关于用户过去交互的信息是稀缺的，因此可以利用用户上下文来处理用户冷启动问题。文章的内容对于解决项目冷启动问题也很重要。此外，在新闻领域中，项目（文章）相关性的时间衰减非常加速。此外，外部中断事件可能暂时吸引全球读者的注意力，这种现象通常被称为机器学习中的概念漂移。所有这些特点都明确建模本研究的上下文混合会话为基础的推荐方法，使用递归神经网络。本研究所解决的任务是基于会话的新闻推荐，即，仅使用当前用户会话中可用的信息进行下一次点击预测。提出了一种方法，为现实的时间离线评估这样的任务，重播流的用户点击和新鲜的文章被连续发布在新闻门户网站。两个大的数据集进行的实验表明，在许多质量因素，如准确性，项目覆盖率，新颖性，减少项目冷启动问题，与其他传统的和国家的最先进的会话为基础的推荐算法相比，CHAMELEON新闻推荐的有效性。
2019-12-29 cs.IR cs.LG stat.ML
AutoRec: An Automated Recommender System
Texas A&M University（德克萨斯A&M大学）
现实的推荐系统通常需要适应不断变化的数据和任务，或者系统地探索不同的模型。为了满足这一需求，我们提出了AutoRec，这是一个从TensorFlow生态系统扩展的开源自动化机器学习（AutoML）平台，据我们所知，这是第一个利用AutoML进行深度推荐模型搜索和超参数调整的框架。AutoRec还支持高度灵活的管道，可适应稀疏和密集输入、评级预测和点击率（CTR）预测任务以及一系列推荐模型。最后，AutoRec提供了一个简单、用户友好的API。在基准数据集上进行的实验表明，AutoRec是可靠的，可以在没有先验知识的情况下识别出与最佳模型相似的模型。
2020-06-26 cs.IR cs.LG stat.ML
Deep recommender engine based on efficient product embeddings neural pipeline
预测分析系统目前是人工智能领域，特别是机器学习领域最重要的研究和开发领域之一。预测分析的“圣杯”之一是“完美”推荐系统的研究和开发。在我们的论文中，我们提出了一种先进的管道模型，用于确定产品互补性，相似性和销售预测的多任务目标，使用应用于大数据顺序事务系统的深度神经模型。我们高度并行化的混合模型管道由无监督和有监督模型组成，分别用于生成语义产品嵌入和预测销售。我们的实验和基准测试流程是使用制药行业零售现实生活中的交易大数据流完成的。
2019-07-22 cs.AI cs.CL cs.IR
Hybrid Model with Time Modeling for Sequential Recommender Systems
Deep Learning Brazil – Federal University of Goiás（深度学习巴西机构——戈亚斯联邦大学）
基于深度学习的方法已成功用于推荐系统问题。使用递归神经网络，Transformers，和注意力机制的方法是有用的建模用户的长期和短期的偏好在顺序交互。为了探索不同的基于会话的推荐解决方案，Booking.com最近组织了WSDM WebTour 2021挑战赛，旨在对模型进行基准测试，以推荐旅行中的最终城市。这项研究提出了我们应对这一挑战的方法。我们进行了几个实验来测试推荐系统的不同最先进的深度学习架构。此外，我们还对神经专注推荐机（NARM）提出了一些修改，针对挑战目标调整了其架构，并实现了可用于任何基于会话的模型的训练方法，以提高准确性。我们的实验结果表明，改进的NARM优于所有其他国家的最先进的基准方法。
2021-03-07 cs.IR cs.LG
Multimodal Recommender Systems in the Prediction of Disease Comorbidity
Central Bucks High School South（中央巴克斯南高中）
本文提出基于NCF和DHF的深度学习推荐系统，利用患者既往共病和临床笔记预测疾病共病，在MIMIC-III上取得优于NLP方法的性能。
2023-08-30 cs.AI cs.CL cs.IR
From Gradient-Boosted Trees to Deep Recommenders: Practical Lessons from Migrating a Production Customer Support Recommender
Intuit（英图易公司）
本文介绍了将生产环境客户支持推荐系统从梯度提升树迁移到成对二元深度推荐器的实践，通过多种技术优化后，该方法在对话后期的推荐性能优于CatBoost基线。
2026-08-26 cs.AI cs.LG
Data Optimisation for a Deep Learning Recommender System
IKEA Group（宜家集团）；Oxford-Man Institute, University of Oxford（牛津大学牛津-曼研究所）
提出了推荐系统中用户数据收集的隐私保护要求。我们的研究有两个目的。首先，我们问对数据汇集的限制是否会损害基于RNN的推荐的测试质量。我们研究验证性能如何取决于可用的训练数据量。为此，我们使用了top-K准确性，目录覆盖率和新颖性的组合，因为传统的准确性指标不一定能为用户提供良好的推荐。其次，我们问，我们是否可以通过使用辅助数据源在最小数据下提高质量。为此，我们提出了知识转移，并构建了一个表示来衡量数据中购买行为之间的相似性。这是为了判断哪个源域贡献最大。我们的研究结果表明：（i）当训练规模增加到临界点以上时，测试性能会出现饱和。我们还讨论了不同的性能指标之间的相互作用，和数据的属性。此外，我们证明，（ii）我们的代表是有意义的测量购买行为。特别是，结果表明，我们可以利用二级数据，以提高验证性能，如果我们选择一个相关的源域，根据我们的类似措施。
2021-06-21 cs.IR cs.LG
Deep Multi-View Learning for Tire Recommendation
Université Lyon1（里昂第一大学）；Lizeo IT（Lizeo信息技术公司）
我们经常使用推荐系统，甚至没有注意到。他们建立了我们的个人资料，以便推荐我们最有可能感兴趣的内容。代表用户、他们与系统或产品的交互的数据可能来自不同的来源，并且具有各种性质。我们的目标是使用多视图学习方法来改进我们的推荐系统，并提高其管理多视图数据的能力。我们提出了几个国家的最先进的多视图模型应用到我们的工业数据之间的比较研究。我们的研究证明了在推荐系统中使用多视图学习的相关性。
2022-03-23 cs.IR cs.LG
Deep Context-Aware Recommender System Utilizing Sequential Latent Context
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Telekom Innovation Laboratories at BGU（BGU德国电信创新实验室）；Stern School of Business, New York University（纽约大学斯特恩商学院）
上下文感知推荐系统（CARS）通过感知和分析用户上下文来提供个性化服务。将上下文添加到推荐模型是具有挑战性的，因为上下文的添加可能增加模型的维度和稀疏性。最近的研究表明，将上下文信息建模为潜在向量可以解决稀疏性和维度挑战。本文提出了一种新的序列上下文潜在建模方法，通过生成上下文信息序列并将其上下文空间压缩为一个压缩的潜在空间，对上下文信息序列进行训练，构造一个长短期记忆（LSTM）编码解码器网络，并从网络的隐藏层提取序列潜在上下文，以压缩表示序列数据。我们提出了新的上下文感知推荐模型，扩展了神经协同过滤方法，并学习用户，项目和上下文的潜在特征之间的非线性相互作用，考虑到顺序的潜在上下文表示作为推荐过程的一部分。我们使用两个具有不同上下文维度的上下文感知数据集部署了我们的方法。我们的研究结果的实证分析验证了我们提出的顺序潜在的上下文感知模型（SLCM），超越了最先进的CARS模型。
2020-08-06 cs.LG stat.ML
Distributed Equivalent Substitution Training for Large-Scale Recommender Systems
Tencent Inc.（腾讯公司）
我们提出了分布式等效替换（DES）训练，一种新的分布式训练框架，用于大规模推荐系统的动态稀疏特征。DES通过减少通信，首次将完全同步的训练引入到大规模推荐系统中，从而使商业推荐系统的训练收敛更快，达到更好的CTR。DES通过用计算上等价的子运算符替换权重丰富的运算符并聚合部分结果而不是直接通过网络传输巨大的稀疏权重，从而需要更少的通信。由于在大规模深度学习推荐模型（DLRM）上使用同步训练，DES实现了更高的AUC（ROC下面积）。我们成功地将DES培训应用于工业场景的多个流行DLRM。实验表明，我们的实现优于国家的最先进的基于PS的训练框架，实现高达68.7%的通信节省和更高的吞吐量相比，其他基于PS的推荐系统。
2020-05-30 cs.IR cs.LG stat.ML
Top-N Recommender System via Matrix Completion
Southern Illinois University（南伊利诺伊大学）
Top-N推荐系统在工业界和学术界都得到了广泛的研究。然而，推荐质量远远不能令人满意。在本文中，我们提出了一个简单而有前途的算法。我们基于低秩假设填充用户-项目矩阵，同时保持原始信息。为此，采用非凸秩松弛而不是核范数来提供更好的秩逼近，并设计了一种有效的优化策略。在真实数据集上进行的一系列实验表明，该方法将Top-N推荐的准确率提高到了一个新的水平。
2016-01-19 cs.AI cs.IR cs.LG
Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Skoltech（斯科尔科沃科学技术研究所）
推荐系统已经成为广泛行业中个性化用户体验的重要工具。引起研究人员和行业专家关注的一个重要问题是新产品的冷启动问题。在这项工作中，我们提出了一个图神经网络推荐系统使用项目层次图和定制的架构来处理冷启动的情况下，项目。在多个数据集和数百万用户和交互上的实验研究表明，我们的方法在计算时间相当的情况下，比最先进的方法实现了更好的预测质量。
2020-12-01 cs.LG stat.ML
HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
随着在线社交媒体的流行，用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中，我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐（HSR），一个新的社会推荐框架，利用双曲几何，以提高性能。在双曲空间的帮助下，HSR可以学习高质量的用户和项目表示，以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验，我们表明，我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐，证明了社会推荐的有效性，在双曲空间。
2021-02-15 cs.IR cs.LG
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
Joint Modeling of Search and Recommendations Via an Unified Contextual Recommender (UniCoRn)
Netflix Research（网飞研究院）
本文提出统一深度学习模型UniCoRn，联合处理搜索与推荐任务，以解决分开开发导致的维护复杂和技术债务问题。
2024-08-19 cs.AI cs.IR cs.LG
Deep Causal Reasoning for Recommendations
Wuhan University（武汉大学）
传统的推荐系统的目标是估计用户的评级的基础上观察到的评级从人口的项目。与所有观察性研究一样，隐藏的混杂因素是影响项目暴露和用户评级的因素，会导致估计中的系统性偏倚。因此，从因果关系的角度来消除混杂因素的影响是推荐系统研究的一个新趋势。观察到，在建议中的混杂因素通常是共享的项目，因此是多原因的混杂因素，我们模型的建议作为一个多原因多结果（MCMO）推理问题。具体来说，为了纠正混淆偏差，我们估计用户特定的潜变量，使项目曝光独立伯努利试验。生成分布由具有因子化逻辑似然的DNN参数化，并且通过变分推断估计难处理的后验。控制这些因素作为替代混杂因素，在温和的假设下，可以消除多原因混杂因素引起的偏倚。此外，我们表明，MCMO建模可能会导致高方差，由于稀缺的观测与高维因果空间。幸运的是，我们从理论上证明，引入用户特征作为预处理变量可以大大提高样本效率，减轻过拟合。模拟和真实世界数据集上的实证研究表明，所提出的深度因果推荐器比最先进的因果推荐器对未观察到的混杂因素表现出更强的鲁棒性。代码和数据集在https://github.com/yaochenzhu/deep-deconf上发布。
2022-11-21 cs.IR cs.LG
Quantitative analysis of Matthew effect and sparsity problem of recommender systems
HC Research（HC研究院）；HC Financial Service Group（HC金融服务集团）
推荐系统已经获得了巨大的商业成功。推荐技术在电子商务、在线音乐FM、在线新闻门户等领域得到了广泛的应用，然而与输入数据结构相关的一些问题对推荐系统的性能提出了严峻的挑战。其中两个问题是马太效应和稀疏性问题。马太效应严重地使推荐系统的输出偏向于受欢迎的项目。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一个简单的基准普遍采用的行业作为基线推荐系统的设计。了解协同过滤的底层机制是进一步优化的关键。本文对协同过滤特定上下文环境下的马太效应和稀疏性问题进行了深入的定量分析。我们比较了基于用户和基于项目的协同过滤的基本机制，并为工业推荐系统的构建者提供了见解。
2019-09-24 cs.IR cs.LG
Optimizing Deep Learning Recommender Systems' Training On CPU Cluster Architectures
Intel Technology India Private Ltd.（英特尔技术印度私人有限公司）；Intel Corporation（英特尔公司）；Intel China Co. Ltd.（英特尔中国有限公司）；Intel Russia（英特尔俄罗斯公司）
在过去的两年里，许多研究人员的目标是从HPC系统中挤出最后一点性能来执行AI任务。通常，这种讨论是在如何快速训练ResNet 50的背景下进行的。不幸的是，ResNet 50在2020年不再是一个代表性的工作负载。因此，我们专注于推荐系统，它占了云计算中心的大部分AI周期。更具体地说，我们专注于Facebook的DLRM基准。通过使其能够在为HPC定制的最新CPU硬件和软件上运行，与参考CPU实现相比，我们能够在单个插槽上实现超过两个数量级的性能提升（110倍），以及高达64个插槽的高扩展效率，同时适应超大型数据集。本文讨论了DLRM中的各种运营商的优化技术，以及这些不同的运营商强调系统的组成部分。所提出的技术适用于提出与DLRM相同的缩放挑战/特性的更广泛的DL工作负载集合。
2020-05-10 cs.DC cs.IR cs.LG
A Generic Network Compression Framework for Sequential Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Tencent（腾讯）；SIAT, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Zhejiang University（浙江大学）
顺序推荐系统（SRS）已经成为捕捉用户动态兴趣和生成高质量推荐的关键技术。当前最先进的顺序推荐模型通常基于嵌入式结构的深度神经网络，其中一个或多个中间（隐藏）层放置在输入嵌入层和输出softmax层之间。一般来说，这些模型需要大量的参数（例如使用大的嵌入维度或深度网络架构）来获得其最佳性能。尽管有效，但在某些时候，进一步增加模型大小可能更难在资源受限设备中部署模型，导致更长的响应时间和更大的内存占用。为了解决这些问题，我们提出了一个压缩的顺序推荐框架，称为CpRec，其中两个通用的模型收缩技术。具体来说，我们首先提出了一个块式自适应分解近似的输入和softmax矩阵，利用SRS中的项目服从长尾分布的事实。为了减少中间层的参数，我们引入了三个逐层参数共享计划。我们使用深度卷积神经网络实例化CpRec，考虑到推荐准确性和效率，使用膨胀的内核。通过广泛的消融研究，我们证明了所提出的CpRec可以在真实世界的SRS数据集上实现高达4 $\sim$ 8倍的压缩率。同时，CpRec在训练\inference期间更快，并且在大多数情况下优于其未压缩的对应物。
2020-05-26 cs.IR cs.LG
The Use of Machine Learning Algorithms in Recommender Systems: A Systematic Review
University of Waterloo（滑铁卢大学）
推荐系统使用算法为用户提供产品或服务推荐。最近，这些系统一直在使用来自人工智能领域的机器学习算法。然而，选择一个合适的机器学习算法的推荐系统是困难的，因为在文献中描述的算法的数量。开发推荐系统的研究人员和实践者对当前算法使用方法的信息很少。此外，使用机器学习算法的推荐系统的开发通常存在问题和必须评估的开放性问题，因此软件工程师知道将研究工作集中在哪里。本文提出了一个系统的文献综述，分析了使用机器学习算法的推荐系统，并确定研究机会，软件工程研究。该研究的结论是贝叶斯和决策树算法被广泛应用于推荐系统，因为它们相对简单，和推荐系统的开发的需求和设计阶段出现提供了进一步研究的机会。
2016-02-24 cs.IR cs.LG cs.SE
Incremental Learning for Personalized Recommender Systems
LinkedIn Corporation（领英公司）
无处不在的个性化推荐系统的建立是为了实现两个看似冲突的目标，以提供高质量的内容，适合个人用户的口味，并迅速适应不断变化的环境。前者需要一个复杂的机器学习模型，该模型是在大量数据上训练的;后者需要频繁更新模型。我们提出了一种增量学习解决方案，以提供训练效率和模型质量。我们的解决方案是基于序贯贝叶斯更新和二次近似。我们的重点是大规模个性化逻辑回归模型，以及对深度学习模型的扩展。本文填补了理论和实践之间的差距，解决了一些实施时出现的挑战，将增量学习大型个性化推荐系统。详细的离线和在线实验表明，我们的方法可以显着缩短训练时间，同时保持模型的准确性。该解决方案部署在LinkedIn中，并直接适用于工业规模的推荐系统。
2021-08-13 cs.IR cs.LG
Learning Similarity Preserving Binary Codes for Recommender Systems
Rakuten Group, Inc.（乐天集团）
基于散列的推荐系统（RS）被广泛研究，以提供可扩展的服务。现有的系统方法结合三个模块来实现效率：特征提取，交互建模和二值化。在本文中，我们研究了一个未开发的模块组合的基于哈希的推荐系统，即紧凑的交叉相似性推荐（CCSR）。受跨模态检索的启发，CCSR利用最大后验相似度代替矩阵分解和评分重构来建模用户和项目之间的交互。我们在MovieLens 1 M，Amazon产品评论，Ichiba购买数据集上进行了实验，并证实CCSR优于现有的基于矩阵分解的方法。在Movielens 1 M数据集上，NDCG的绝对性能提高了15.69%，Recall的绝对性能提高了4.29%。此外，我们还深入研究了三个二值化模块：$sign$、scaled tanh和sign-scaled tanh。结果表明，虽然可微缩放双曲正切是流行的，在最近的离散特征学习文献中，一个巨大的性能下降时，发生缩放$tanh$的输出被强制为二进制。
2022-04-18 cs.IR cs.LG
Amazon Product Recommender System
University of Toronto（多伦多大学）
多年来，亚马逊上的评论数量大幅增长。在亚马逊上购买的客户通过从1到5星对产品进行评级并分享他们对产品的体验和意见的文本摘要来提供评论。对产品的评级进行平均以提供总体产品评级。我们分析了客户对特定产品（音乐曲目）的评分，以便为亚马逊上的数字音乐曲目构建推荐模型。我们测试了各种传统模型以及我们提出的深度神经网络（DNN）架构，以预测评论评分。Amazon评论数据集包含200，000个数据样本;我们在70%的数据集上训练模型，并在剩下的30%的数据集上测试模型的性能。
2021-01-30 cs.IR cs.LG
Neural Hybrid Recommender: Recommendation needs collaboration
Istanbul Technical University（伊斯坦布尔技术大学）
近年来，深度学习在计算机视觉、语音识别和自然语言处理方面取得了无可争议的成功。在这些具有挑战性的领域取得成功之后，它也被用于推荐系统，但主要是将内容特征纳入传统方法。在本文中，我们介绍了一个广义的神经网络为基础的推荐框架，很容易扩展额外的网络。这个名为NHR的框架，是神经混合推荐器的缩写，它允许我们从相同和不同的数据源中包含更详细的信息。我们已经研究了项目预测问题，但该框架也可以用于评级预测问题，只需对损失函数进行一次更改。为了评估这样一个框架的效果，我们已经测试了我们的方法在基准测试和尚未实验的数据集。在这些真实世界的数据集的结果表明，与最先进的方法相比，我们的方法的优越性能。
2019-09-29 cs.IR cs.LG
A cross-domain recommender system using deep coupled autoencoders
Patras University（帕特雷大学）
针对跨域推荐中的稀疏与冷启动问题，提出两种基于耦合自动编码器的深度学习方法，在保护用户隐私的同时实现物品潜在表示的非线性域间迁移，并在基准数据集上验证了优越性能。
2022-09-12 cs.IR cs.LG
Reusable Self-Attention Recommender Systems in Fashion Industry Applications
Zalando SE（扎兰多股份公司）
大量关于在推荐系统领域中应用自注意模型的实证研究是基于离线评估和标准化数据集上计算的度量。此外，他们中的许多人不考虑诸如项目和客户元数据之类的辅助信息，尽管深度学习分类器只有在包含大量异构类型的特征时才能充分发挥其潜力。此外，通常模型仅用于单个用例。由于这些缺点，即使相关，以前的作品并不总是代表其在现实世界的行业应用的实际有效性。在这次演讲中，我们通过展示现场实验结果来弥补这一差距，这些结果表明用户保留率提高了30%。此外，我们分享我们的学习和挑战，从建立一个可重用的和可配置的推荐系统，从时尚行业的各种应用程序。特别是，我们专注于时尚灵感用例，例如服装排名，服装推荐和实时个性化服装生成。
2023-01-17 cs.IR cs.LG
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
What Are We Optimizing For? A Human-centric Evaluation of Deep Learning-based Movie Recommenders
Grouplens Research, University of Minnesota（明尼苏达大学GroupLens研究组）；Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所）；School of Computing, Clemson University（克莱姆森大学计算学院）
本文通过445名真实用户的调查评估四种深度学习电影推荐模型，发现其在多样性和用户满意度上弱于经典协同过滤，并提出以人为中心的设计与优化策略。
2024-05-01 cs.HC cs.IR cs.LG
FORCE: A Framework of Rule-Based Conversational Recommender System
Microsoft（微软）
会话式推荐系统（CRS）近年来受到了广泛的关注。然而，现有的工作大多集中在各种深度学习模型，这在很大程度上受到大规模人工标注数据集的要求的限制。这种方法不能处理工业产品中的冷启动情况。为了缓解这个问题，我们提出了FORCE，一个基于规则的会话推荐系统框架，帮助开发人员通过简单的配置快速构建CRS机器人。我们在两个不同语言和领域的数据集上进行实验，以验证其有效性和可用性。
2022-03-18 cs.AI cs.CL cs.IR
Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems
学习排序自2010年左右引入以来，是一种有效的推荐方式。著名的算法，如贝叶斯个性化排名和协作少即是多过滤，在学术界和工业界都留下了深刻的影响。然而，大多数学习排序方法专注于提高技术准确性指标，如AUC，MRR和NDCG。推荐系统的其他评价指标，如公平性，直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明，我们的算法是有竞争力的技术精度指标评估时，与其他算法。更重要的是，在我们的实验部分中，我们证明了Pareto Pairwise Ranking是最公平的算法，与其他9个当代算法相比。
2022-12-06 cs.AI cs.IR cs.LG
DADIN: Domain Adversarial Deep Interest Network for Cross Domain Recommender Systems
Central South University（中南大学）；Shanghai University of Engineering Science（上海工程技术大学）；The University of Melbourne（墨尔本大学）；Yongriver Institute of Technology（甬江理工学院）；Eastern Institute for Advanced Study（东方高等研究院）
提出DADIN模型，通过领域无关层和对抗训练实现跨域联合分布对齐，在Huawei和Amazon数据集上取得SOTA的CTR预测效果。
2023-05-20 cs.AI cs.IR cs.LG
Exploring The Role of Local and Global Explanations in Recommender Systems
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Northwestern University（西北大学）；University of Washington & Allen Institute for Artificial Intelligence（华盛顿大学和艾伦人工智能研究所）
众所周知，推荐可以提高推荐系统的透明度。这些解释可以是局部的，解释单个推荐，或者是全局的，解释一般的推荐模型。尽管它们被广泛使用，但很少有人对这两种方法的相对好处进行调查。它们是否为用户提供了相同的好处，或者它们服务于不同的目的？我们进行了一个30名参与者的探索性研究和30名参与者的控制用户研究与研究论文推荐系统，以分析如何提供参与者本地，全球或两者兼而有之的解释影响用户对系统行为的理解。我们的研究结果提供的证据表明，这两种解释都比单独解释如何改进推荐更有帮助，但在识别假阳性和假阴性方面，这两种解释似乎都不如单独使用全局更有帮助。然而，我们注意到，这两种解释方法可能会更好地比较在一个更高的风险或更不透明的域的上下文中。
2021-09-27 cs.HC cs.IR cs.LG
Membership Inference Attacks Against Recommender Systems
Shandong University（山东大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全研究中心）
近年来，推荐系统取得了令人瞩目的成绩，成为应用最广泛的网络应用之一。然而，推荐系统通常是在高度敏感的用户数据上训练的，因此来自推荐系统的潜在数据泄漏可能导致严重的隐私问题。在本文中，我们首次尝试量化的隐私泄漏的推荐系统，通过镜头的成员推理。与传统的隶属度推理对机器学习分类器相比，我们的攻击面临两个主要的区别。首先，我们的攻击是在用户级别，而不是在数据样本级别。第二，对手只能从推荐系统中观察到有序的推荐项目，而不是后验概率形式的预测结果。为了解决上述挑战，我们提出了一种新的方法，代表用户从相关的项目。此外，建立影子推荐器，以获得用于训练攻击模型的标记训练数据。大量的实验结果表明，我们的攻击框架实现了强大的性能。此外，我们设计了一种防御机制来有效减轻推荐系统的成员推理威胁。
2021-09-16 cs.CR cs.LG
Citation network applications in a scientific co-authorship recommender system
Sberbank（俄罗斯联邦储蓄银行）；National University of Science and Technology “MISIS”（国立研究型技术大学莫斯科钢铁合金学院）
在科学合作领域，共同作者的选择问题可能是一个令人生畏的问题。在本文中，我们提出了一个新的管道，有效地利用引文数据的链接预测任务的合著网络。特别是，我们探讨了基于不同图的数据聚合策略的推荐系统的功能。由于图神经网络证明了它们在与推荐系统相关的广泛任务上的效率，因此我们利用它们作为预测科学界潜在合作的相关方法。
2021-11-22 cs.DL cs.LG
The Architecture of Mr. DLib's Scientific Recommender-System API
Trinity College Dublin（都柏林圣三一学院）；National Institute of Informatics（国立信息学研究所）
学术界的推荐系统并不广泛。这可能部分是由于开发和维护推荐系统的难度和成本。许多学术产品的运营商，如数字图书馆和参考咨询经理避免这种努力，虽然推荐系统可以提供显着的好处，他们的用户。在本文中，我们介绍了DLib先生的“推荐即服务”（RaaS）API，该API允许学术产品的运营商轻松地将科学推荐系统集成到他们的产品中。DLib先生为研究文章生成推荐，但在未来，推荐可能包括论文，资助等学术产品的运营商可以向DLib先生请求推荐，并向其用户显示这些推荐。DLib先生可以在几个小时或几天内集成;从头开始创建一个等效的推荐系统对于学术运营商来说需要几个月的时间。DLib先生已被GESIS Sowiport和参考管理器JabRef使用。DLib是开源的，其目标是促进科学推荐系统的应用和研究。在本文中，我们提出了DLib先生的动机，架构和细节的有效性。DLib先生在两年的时间里提供了9400万条推荐，平均点击率为0.12%。
2018-11-26 cs.AI cs.DL cs.IR
Persia: An Open, Hybrid System Scaling Deep Learning-based Recommenders up to 100 Trillion Parameters
Kwai Inc.（快手公司）；Kuaishou Technology（快手科技）；ETH Zürich（苏黎世联邦理工学院）
基于深度学习的模型已经主导了生产推荐系统的当前景观。此外，近年来，模型规模呈指数级增长-从谷歌2016年的10亿参数模型到最新的Facebook模型，拥有12万亿参数。模型容量的每一次跳跃都带来了显著的质量提升，这让我们相信100万亿参数的时代即将到来。然而，即使在工业规模的数据中心内，这种模型的训练也具有挑战性。这种困难来自于训练计算的惊人异质性-模型的嵌入层可能包括总模型大小的99.99%以上，这是非常内存密集型的;而其余的神经网络则越来越计算密集型。为了支持如此庞大的模型的训练，迫切需要一个高效的分布式训练系统。在本文中，我们解决了这一挑战，仔细共同设计的优化算法和分布式系统架构。具体而言，为了保证训练效率和训练精度，设计了一种新的混合训练算法，其中嵌入层和密集神经网络采用不同的同步机制;然后构建了一个支持该混合训练算法的并行推荐训练系统Persia（parallel recommendation training system with hybrid acceleration）。理论论证和实证研究多达100万亿的参数进行了论证的制度设计和实施的波斯。我们公开了Persia（在https：//github.com/PersiaML/Persia），这样任何人都可以轻松地训练一个100万亿参数规模的推荐模型。
2021-11-23 cs.DC cs.LG
Capturing Knowledge of User Preferences: ontologies on recommender systems
过滤万维网的工具是存在的，但它们受到在这样一个动态环境中捕获用户偏好的困难的阻碍。我们探讨收购的用户简档的浏览行为和监督机器学习技术的应用程序，再加上本体表示提取用户的喜好不显眼的监测。一个多类的方法来进行论文分类，允许在配置文件的建设过程中使用的论文主题分类。Quickstep推荐系统，并在实际工作中进行了两项实证研究评估，测量使用分层主题本体与可扩展平面列表相比的有效性。
2002-03-08 cs.LG cs.MA
Fairness-in-the-Workflow: How Machine Learning Practitioners at Big Tech Companies Approach Fairness in Recommender Systems
Cornell University（康奈尔大学）；Loyola University Maryland（洛约拉大学马里兰州）
研究探讨了大型科技公司如何在推荐系统中处理公平性，识别了技术团队与法律、数据团队在公平性工作中的挑战，并提出可行的实践建议。
2026-02-27 cs.AI cs.CY cs.HC
A Recommender System-Inspired Cloud Data Filling Scheme for Satellite-based Coastal Observation
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
填补卫星成像云覆盖区域的缺失数据是提高对地观测数据数量和质量的重要任务。传统的云填充研究集中在连续的数值数据，如温度和蓝藻浓度在开放的海洋。由于海岸带地形复杂，对海岸带成像中的云数据填充问题研究较少。受网上购物推荐系统中数据填充方法的成功启发，本研究探讨了它们在卫星云数据填充任务中的应用。设计了一个数值实验，并进行了一系列的合成云覆盖的LandSat数据集，以检查不同的数据填充方案的性能。推荐系统启发的矩阵因子分解算法Funk-SVD在复杂沿海地区恢复景观类型的任务中表现出比传统数据填充方案DINEOF（数据插值经验正交函数）和Datawig的深度学习方法更高的计算精度和效率。新方法实现了最佳的填充精度，并达到了与DINEOF相当的速度，比深度学习快得多。建立了一个理论框架来分析DINEOF中的误差传播，并发现该算法需要修改以收敛到地面真值。本研究表明，Funk-SVD具有很大的潜力，以提高云数据填充性能，并连接推荐系统和云填充领域，以促进有用的算法的改进和共享。
2021-12-10 cs.LG eess.IV stat.AP
