Personality-Driven Social Multimedia Content Recommendation
Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
社交媒体营销在向广大受众推广品牌和产品价值方面发挥着至关重要的作用。为了提高广告收入,Facebook Ads等全球媒体购买平台不断减少品牌有机帖子的覆盖范围,推动品牌在付费媒体广告上投入更多资金。为了有效地运行有机和付费的社交媒体营销,有必要了解受众,定制内容以适应他们的兴趣和在线行为,这是不可能大规模手动完成的。与此同时,各种性格类型分类方案,如Myers-Briggs性格类型指标,通过以统一和结构化的方式对受众行为进行分类,可以在更广泛的范围内揭示性格特质与用户内容偏好之间的依赖关系。这个问题还有待于研究界深入研究,而不同的人格特质对内容推荐准确性的影响程度还没有被广泛利用和全面评估。具体来说,在这项工作中,我们调查的影响,人类的个性特征的内容推荐模型,通过应用一种新的个性驱动的多视图内容推荐系统,称为个性内容营销推荐引擎,或PersiC。我们的实验结果和真实案例研究表明,PersiC不仅能够执行高效的人性化多视图内容推荐,而且还可以提供可操作的数字广告策略建议,与原始的人工引导方法相比,部署后能够将数字广告效率提高420%以上。
2022-07-25 cs.AI cs.IR
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架,量化LLM推荐中个性与公平性的权衡,发现个性提示提升心理对齐但加剧公平差异,为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
FairEval: Evaluating Fairness in LLM-Based Recommendations with Personality Awareness
Beihang University(北京航空航天大学);McGill University(麦吉尔大学)
本文提出FairEval框架,融合人格特质与八项敏感人口属性,系统评估LLM推荐公平性,并通过PAFS指标揭示ChatGPT 4o与Gemini 1.5 Flash在音乐和电影推荐中的偏差,强调提示鲁棒性对构建包容性推荐系统的重要性。
2025-04-10 cs.AI cs.HC cs.IR
Personalized recommendation against crowd's popular selection
海量数据中的个性化推荐问题越来越受到人们的关注。传统的研究大多忽略了推荐对象的受欢迎程度,导致推荐的个性化程度和准确性不高。本文提出了一种基于加权对象网络的个性化推荐方法,对推荐对象进行惩罚,即反人气指数(Anti-popularity index,AP),该方法与主流推荐方法相比,具有较低的计算复杂性,提高了推荐的个性化、准确性和多样性。
2014-05-13 cs.IR cs.SI physics.soc-ph
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而,现有的新闻推荐方法大多只关注推荐准确率,而忽略了多样性。重新排序是一种广泛使用的后处理技术,以促进顶部推荐结果的多样性。然而,推荐模型并不完美,并且错误可能在级联推荐算法中传播和放大。此外,推荐模型本身并不具有多样性,这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中,我们提出了一种名为LeaDivRec的新闻推荐方法,这是一个完全可学习的模型,可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法,通常是基于点或成对排序,在LeaDivRec中,我们提出了一个更有效的列表式新闻推荐模型。更具体地说,我们提出了一个置换Transformer来考虑候选新闻之间的相关性,同时可以学习不同的表示相似的候选新闻,以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外,我们提出了一个多样性感知的正则化方法,以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱(KG)具有提供明确解释的能力,因此KG上的推理被研究用于可解释的推荐。然而,现有的基于KG的可解释推荐方法忽略了时间信息(如购买时间、推荐时间等),这可能导致不适当的解释。在这项工作中,我们提出了一种新的时间感知路径推理推荐(TPRec为短)方法,它利用时间信息的潜力,提供更好的推荐与合理的解释。首先,提出了一种有效的时间感知交互关系抽取组件,用于构建具有时间感知交互的协同知识图谱(TCKG),然后提出了一种新的时间感知路径推理方法用于推荐。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明,TPRec可以成功地利用TCKG,以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣,而不考虑候选新闻。然而,每个用户通常具有多个兴趣,并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法,该方法可以将候选新闻加入到用户建模中,以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络,使用候选人的新闻作为线索,模型候选人意识的全球用户兴趣。此外,我们提出了一个候选人感知的CNN网络,将候选新闻纳入本地行为上下文建模,并学习候选人感知的短期用户兴趣。此外,我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻,以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
Fairness-Aware Recommendation of Information Curators
本文重点介绍了我们正在努力创建有效的信息策展人推荐模型,可以为个人用户个性化,同时保持重要的公平性。具体地说,我们介绍了信息策展人推荐的问题,提供了一个高层次的公平意识的推荐概述,并介绍了一些初步的实验证据在现实世界的Twitter数据集。最后,我们对未来的方向提出一些想法。
2018-10-03 cs.IR
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模,捕捉用户的动态意图,能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上,而忽略了推荐多样性,尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR,因为它们假设用户意图是静态的,并依赖于后处理的建议列表,以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型,称为意图感知的多样化顺序推荐(IDSR)。具体来说,我们引入了一个隐式意图挖掘模块(IIM)到SR捕捉不同的用户意图反映在用户的行为序列。然后,我们设计了一个意图感知的多样性促进(IDP)损失来监督IIM模块的学习,并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明,IDSR在推荐多样性方面明显优于最先进的方法,同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升,健康饮食正引起越来越多的关注。然而,大多数现有的食品相关的研究工作集中在食谱检索,基于用户偏好的食物推荐,烹饪辅助,或菜肴的营养和热量估计,忽略了个性化的健康意识的食物推荐。因此,在这项工作中,我们提出了一个个性化的健康意识的食品推荐计划,即Market2Dish,映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分,即食谱检索,用户健康分析和健康意识的食物推荐。特别是,食谱检索的目的是获得可用的成分给用户,然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说,为了解决健康相关信息非常稀疏的问题,我们将一个词类交互机制纳入到所提出的深度模型中,以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐,我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外,大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
Uncertainty and Fairness Awareness in LLM-Based Recommendation Systems
Beihang University(北京航空航天大学);McGill University(麦吉尔大学)
本文研究了大语言模型推荐系统中不确定性与公平性的影响,提出了一种新的评估方法并揭示了个性化与公平性之间的权衡。
2026-01-31 cs.AI cs.CL cs.CY
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为(例如,性别)具有相似的模式,并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差,例如,总是向男性用户推荐体育新闻,这是不公平的,因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法,该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中,我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入,捕捉敏感的用户属性上的偏见信息,和其他的目的是学习一个无偏见的用户嵌入,只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外,我们提出将属性预测任务应用于偏差感知的用户嵌入,以增强其偏差建模能力,并且我们将对抗学习应用于无偏差的用户嵌入,以去除其中的偏差信息。此外,我们提出了一种正交正则化方法,以鼓励无偏置用户嵌入正交于有偏置的用户嵌入,以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名,我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明,该方法可以有效地提高新闻推荐的公平性,而性能损失较小。
2021-04-15 cs.IR
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题,以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而,这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此,受深度语义建模的最新发展的启发,我们提出了一个混合的深度语义矩阵分解(HDMF)模型,以进一步提高标签感知个性化推荐的性能,通过集成深度语义建模,混合学习和矩阵分解技术。实验结果表明,HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线,例如,其平均倒数秩(分别,平均精度)为1.52(分别,1.66)倍。
2017-08-12 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题,提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型,在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络(LBSNs)(如Foursquare)提供的数据,为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐(CAVR),其另外考虑用户的周围上下文(例如,用户的位置和一天中的时间),以便提供更相关的场所建议。为了解决CAVR的挑战,我们描述了两种方法,利用词嵌入技术来推断矢量空间表示的场地,用户的现有偏好,和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明,我们可以显着提高最先进的场馆推荐方法的有效性,以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而,一篇新闻文章可能涵盖多个方面和实体,并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣,以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器,以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下,知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示,以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而,大多数以前的工作顺序推荐不考虑多样性,并争取最大的准确性,导致同质的建议。在本文中,我们考虑到准确性和多样性,提出了一个属性感知的多样化顺序推荐(ADSR)。具体而言,ADSR利用可用的属性信息时,建模用户的顺序行为,同时学习用户的最有可能的项目进行交互,以及他们的属性偏好。然后,ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明,ADSR可以有效地提供多样化的建议,同时保持准确性。
2020-08-03 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题,提出感知多样性的自校正序列推荐网络DivNet,可同时捕捉序列物品交互评估效用并实现推荐多样化,离线在线实验均优于基线方法。
2024-11-01 cs.IR
Sequence-aware Large Language Models for Explainable Recommendation
University of Science and Technology of China(中国科学技术大学)
本文提出SELLER框架,结合用户行为与物品语义,通过混合专家适配器对齐LLM信号,统一评估框架提升推荐解释质量与实际效用。
2026-03-25 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景,当用户对一个目标项目表示兴趣时,点击,喜欢和购买)。除了考虑建议与触发项目之间的相关性外,建议还应多样化,以避免信息茧。然而,现有的多样化推荐方法主要集中在项目级的多样性,这是不够的,当推荐的项目都是相关的目标项目。此外,冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题,我们提出了一个功能分解自平衡重新排序框架(FDSB),以捕获功能感知的多样性。该框架包括两个主要模块,即解纠缠注意编码器(DAE)和自平衡多方面排名。在DAE中,我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中,我们开发了一个特定于方面的排名机制,能够自适应地平衡每个方面的相关性和多样性。在实验中,我们对收集的数据集进行离线评估,并在快手应用程序上部署FDSB,对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题,提出将时间戳和间隔纳入考量的新方法TAIW,在三个真实数据集上优于最先进基线,并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入(JCCE),研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上,以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力,实现改进时相比,国家的最先进的方法。进一步的实验显示有用的结构,学习嵌入,可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation
针对电子商务、短视频推荐等场景中用户简档不可见的问题,提出了基于会话的推荐(SBR)方法,用于在短会话内推荐商品。有一个常见的场景,用户指定一个目标类别的项目作为一个全局过滤器,但以前的SBR设置主要考虑项目的顺序,忽略了丰富的目标类别信息。因此,我们定义了一个新的任务,称为类别感知的基于会话的推荐(CSBR),专注于上述情况下,用户指定的类别可以有效地利用推荐系统。为了解决所提出的任务的挑战,我们开发了一种新的方法称为意图自适应图神经网络(IAGNN),它利用项目和它们的类别之间的关系,以实现准确的推荐结果。具体来说,我们构建了一个类别感知的图与项目和类别节点来表示会话中的复杂的过渡信息。利用类别感知图上的意图自适应图神经网络通过将历史交互信息传递到用户指定的类别域来捕获用户意图。在三个真实世界的数据集上进行了广泛的实验,以显示我们的IAGNN在新任务中的性能优于最先进的基线。
2022-04-09 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展,但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题,我们提出了一个解决方案,增强了一个知识图谱称为KATRec(知识感知的主动顺序建议)。KATRec通过对用户的交互项目序列进行建模,并通过知识图谱注意力网络利用预先存在的辅助信息,来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明,KATRec的性能优于最先进的推荐模型,并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐,由于其良好的性能,近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象(例如,电子商务、音乐和电视节目推荐),其中随着时间的推移重复地重新消费相同的项目。然而,没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中,我们将重复探索机制到神经网络,并提出了一个新的模型,称为RepeatNet,与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制,该机制可以从用户的历史记录中选择项目,并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外,随着数据集大小和重复率的增加,RepeatNet在基线上的改进也会增加,这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时,常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面,我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面,推荐系统社区很少研究为顺序推荐设计的相似性度量。因此,在本文中,我们专注于设计一种新的相似性度量称为位置感知相似性(PAS)的顺序推荐。建议PAS是,据我们所知,第一个计数为基础的相似性度量,同时捕获的序列模式,从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究,其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能,包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型,通过公平感知的映射函数和基于影响函数的重加权方法,在跨域推荐中实现用户群体公平,同时保持推荐准确性。
2023-05-15 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互(例如,点击、喜欢或评级)以提供个性化的项目排名列表。由于用户偏好不同,这些交互通常不均匀地分布在不同的项目组上。然而,我们发现,推荐算法可以继承甚至放大这种不平衡的分布,导致不公平的项目组的建议。具体地说,我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后,我们实证表明,最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议,这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明,与最先进的替代方案相比,所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中,我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题,并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架,融合GeoSoCa、LORE和USG等上下文感知模型,扩展多维度评估并开源,以提升POI推荐的可复现性。
2023-06-20 cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣,并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是,新闻点击行为可以表明用户的兴趣。然而,在实际场景中,除了用户兴趣与新闻内容之间的相关性之外,新闻点击行为还可能受到其他因素的影响,例如在线平台中新闻呈现的偏差。例如,位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声,影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec,该方法可以处理偏见信息,从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块,一个偏见意识的用户建模模块,和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模,以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型,从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型,其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。在两个真实数据集上的实验表明,该方法能有效地提高新闻推荐的性能。
2021-04-15 cs.IR
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题,引入知识图谱(KGs)来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中,最近的工作探索了图的拓扑结构,以学习具有丰富语义的用户和项目的低维表示。然而,这些现实世界中的三分图通常是无标度的,其内在的层次图结构在现有的工作中是强调不足,因此,导致次优的推荐性能。为了解决这个问题,提供更准确的推荐,我们提出了一种基于双曲几何的知识感知推荐方法,即洛伦兹知识增强的图卷积网络推荐(LKGR)。在数据统一后,LKGR有助于更好地建模无标度三部图。具体来说,我们采用不同的信息传播策略,在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献,在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明,LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
Making Cross-Domain Recommendations by Associating Disjoint Users and Items Through the Affective Aware Pseudo Association Method
本文利用一个巧妙的基于文本的情感感知伪关联方法(AAPAM)链接不相交的用户和项目在不同的信息域,并利用它们进行跨域的基于内容的协同过滤推荐。本文证明了AAPAM方法可以无缝地连接不同的信息域数据集作为一个没有任何额外的跨域信息检索协议。除了进行跨域推荐之外,通过AAPAM连接来自不同信息域的数据集的好处是,它在进行偶然推荐的同时消除了冷启动问题。
2021-02-10 cs.IR
CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs
针对知识图谱推荐中可解释路径生成不足与长路径遍历效率低的问题,提出类别感知双智能体强化学习模型CADRL,通过类别感知门控图神经网络和双智能体框架提升推荐效果与效率。
2024-08-06 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段,根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而,这些模型可以容易地继承与用户的敏感属性(例如,人口统计学),并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中,我们提出了FairRank,这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的,我们建议使用一个共享的候选感知用户模型,以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻,分别学习候选感知用户嵌入,反映用户的兴趣在候选新闻和候选不变的用户嵌入,表明用户的内在兴趣。我们将对抗学习应用于这两种方法,以减少敏感用户属性带来的偏见。此外,我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签,使其相似,这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明,FairRank可以提高各种单塔新闻排名模型的公平性,而性能损失较小。
2022-04-01 cs.IR
DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation
基于会话的推荐已被广泛用于各种在线视频和电子商务网站。大多数现有的方法都是直观地提出来发现潜在的兴趣或偏好的匿名会话数据。这显然忽略了这些顺序行为通常反映会话用户的潜在需求的事实,即,语义级因素,因此如何估计来自会话的潜在需求是具有挑战性的。针对上述问题,提出了一种需求感知的图神经网络(DAGNN)。具体地,需求建模组件被设计为首先提取会话需求,并且使用全局需求矩阵来估计每个会话的潜在多个需求。然后,需求感知的图神经网络被设计用于提取会话需求图,以学习需求感知的项目嵌入,用于以后的推荐。进一步设计互信息损失以提高学习的嵌入的质量。在几个真实世界的数据集上进行了大量的实验,所提出的模型达到了SOTA模型的性能。
2022-02-24 cs.IR
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分:用户和项目嵌入学习,其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息,利用历史评论丰富了用户/项目嵌入学习能力,或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展,我们认为,目前的解决方案,基于审查的建议遭受两个缺点。首先,由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图,如何更好地利用这种独特的图结构进行推荐?其次,虽然目前大多数模型都受到用户行为的限制,但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件?为此,在本文中,我们提出了一种新的审查感知图对比学习(RGCL)框架的审查为基础的推荐。具体来说,我们首先构建一个具有功能增强边缘的评论感知用户项目图,其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边,可以帮助专心地学习每个邻居节点的权重,用于用户和项目表示学习。之后,我们设计了两个额外的对比学习任务(即,节点鉴别和边缘鉴别),为推荐过程中的两个组件提供自监督信号。最后,在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类,或者更简洁地说,是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是,组推荐是个性化推荐系统的改造。此外,这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战,研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Frequency-aware Adaptive Contrastive Learning for Sequential Recommendation
Fudan University(复旦大学)
FACL通过引入频率感知的自适应扰动和再加权机制,提升序列推荐中低频率项和稀疏用户行为的处理能力,实现推荐准确率的显著提升。
2026-01-22 cs.IR
Uncertainty-aware Generative Recommendation
University of Science and Technology of China(中国科学技术大学)
提出不确定性感知生成式推荐框架UGR,通过不确定性加权奖励、难度感知优化和显式置信度对齐,解决生成式推荐中忽视模型置信度导致的训练不稳定和决策风险问题。
2026-06-11 cs.IR
LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation
针对冷启动序列推荐中时间信息缺失和可扩展性问题,提出LIKR模型,将LLM作为知识图谱推理器,通过强化学习整合LLM直觉与图谱嵌入,提升冷启动推荐性能。
2024-12-17 cs.IR
TiM4Rec: An Efficient Sequential Recommendation Model Based on Time-Aware Structured State Space Duality Model
针对Mamba2的SSD架构在序列推荐低维场景下性能下降问题,提出TiM4Rec模型,通过引入时间感知结构化掩码矩阵将时间感知能力高效整合到SSD中,在保留计算效率的同时提升了推荐性能。
2024-12-05 cs.IR
PriCoRec: A Privacy-Aware Cloud-Device Collaborative Framework for Ad Recommendation under Feature Constraints
University College Dublin(都柏林大学);Huawei Ireland Research Center(华为爱尔兰研究中心)
针对敏感用户数据云处理受隐私法规限制的问题,提出PriCoRec框架,通过云预排序加设备排序的协同结构,结合多样性正则化和云引导训练,实现隐私保护下的高效个性化广告推荐。
2026-08-17 cs.IR
Computing recommendations via a Knowledge Graph-aware Autoencoder
在过去的几年里,深度学习已经被证明是人工智能中的一项改变游戏规则的技术,这要归功于它在不同应用领域取得的众多成功。其中,使用深度学习来解决推荐问题,虽然是新的,但由于其在推荐结果准确性方面的积极表现,看起来很有前途。在推荐设置中,为了预测用户对未知项目的评级,深度神经网络的可能配置是自动编码器,其通常用于产生原始数据的较低维度表示。在本文中,我们提出了KG-AUTOENCODER,一个自动编码器,其神经网络的结构的基础上的一个知识图谱的semanticsware拓扑结构,从而提供了一个标签的神经元在隐藏层,最终用于建立一个用户简档,然后计算建议。通过与最先进的推荐算法进行比较,我们展示了KG-AUTOENCODER在准确性、多样性和新颖性方面的有效性。
2018-07-13 cs.IR
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China(中国科学技术大学);University of Houston(休斯顿大学);University of Southern California(南加州大学);University of Tokyo(东京大学)
本文提出深度自适应兴趣网络(DAIN),通过动态建模用户兴趣并结合上下文感知学习机制,利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果,实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media(计算与数字媒体学院);DePaul University(德保罗大学)
许多推荐系统都存在受欢迎程度偏差问题:受欢迎的产品经常被推荐,而不太受欢迎的利基产品很少被推荐。然而,那些被忽视的产品正是企业需要寻找客户的产品,他们的推荐会更有益。在本文中,我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法,使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation
University of Technology Sydney(悉尼科技大学);Curtin University(科廷大学);University of New South Wales(新南威尔士大学);Tsinghua University(清华大学)
传统的基于观察交互数据训练的推荐模型在广泛的应用中产生了很大的影响,但它面临着覆盖用户真实意图的偏差问题,从而降低了推荐效果。现有的方法跟踪这个问题,因为消除了鲁棒推荐的偏差,例如,通过重新加权训练样本或学习解纠缠表示。非纠缠表征方法通过揭示偏差产生的因果关系来消除偏差。然而,如何设计语义感知和公正的表示用户的真实意图在很大程度上是未知的。为了弥合这一差距,我们首先从因果的角度提出了一种无偏见的语义感知的解纠缠学习,称为CaDSI(因果解纠缠语义感知意图学习)。特别是,CaDSI明确地建模的因果关系的推荐任务,从而产生语义感知表示通过解开用户的真实意图知道特定的项目上下文。此外,因果干预机制的目的是消除混淆的偏见源于上下文信息,这进一步调整语义感知表示与用户的真实意图。大量的实验和案例研究都验证了我们提出的模型的鲁棒性和可解释性。
2022-02-05 cs.IR cs.LG
Improving Smart Conference Participation through Socially-Aware Recommendation
这项研究致力于向参与者推荐智能会议上的演示文稿。我们提出了一个场地推荐算法,社会意识的场地和环境推荐(SARVE)。SARVE计算会议参与者的相关性和社会特征信息。为了使用分布式社区发现对推荐过程进行建模,SARVE进一步集成了智能会议社区和参与者的当前上下文。SARVE推荐每个参与者可能高度感兴趣的演示文稿。我们使用真实世界的数据集来评估SARVE。在我们的实验中,我们比较SARVE两个相关的国家的最先进的方法,即:上下文感知移动推荐服务(CAMRS)和会议导航(推荐)模型。我们的实验结果表明,在所使用的评价指标:精度,召回率和f-测量,SARVE实现更可靠和有利的社会(关系和上下文)推荐结果。
2020-08-09 cs.IR cs.SI
Quality-aware News Recommendation
Tsinghua University(清华大学);Microsoft Research Asia(微软亚洲研究院)
新闻推荐是许多在线新闻平台使用的核心技术。向用户推荐高质量的新闻对于保持良好的用户体验和新闻平台的声誉至关重要。然而,现有的新闻推荐方法主要是为了优化新闻点击,而忽略了他们推荐的新闻的质量,这可能会导致推荐的新闻与非信息内容,甚至点击诱饵。在本文中,我们提出了一个质量感知的新闻推荐方法命名为QualityRec,可以有效地提高推荐新闻的质量。在我们的方法中,我们首先提出了一个有效的新闻质量评估方法的基础上,分布的用户的阅读停留时间的新闻。接下来,我们建议将新闻质量信息纳入用户兴趣建模,通过设计一个内容质量的注意力网络,选择点击新闻的基础上,新闻语义和质量。我们进一步训练的推荐模型与辅助新闻质量预测任务学习质量感知的推荐模型,我们添加了一个推荐质量正则化损失,以鼓励模型推荐更高质量的新闻。在两个真实数据集上的大量实验表明,QualityRec可以有效地提高推荐新闻的整体质量,减少对低质量新闻的推荐,推荐准确率甚至略有提高。
2022-02-28 cs.CL cs.IR
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征,而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架,即用于基于会话的推荐的邻域增强和时间感知推荐机(NETA)。首先,我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后,我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示,特别是单独考虑会话之间的时间新近性;最后,我们设计了一个简单的合作,注意力机制,以确定预测下一个项目时,互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Exploiting Session Information in BERT-based Session-aware Sequential Recommendation
Seoul National University(首尔国立大学)
在推荐系统中,利用用户的交互历史作为顺序信息,导致了很大的性能改善。然而,在许多在线服务中,用户交互通常按会话分组,这些会话可能共享偏好,这需要与普通序列表示技术不同的方法。为此,已经开发了具有层次结构或各种观点的序列表示模型,但是具有相当复杂的网络结构。在本文中,我们提出了三种方法来提高推荐性能,利用会话信息,同时最大限度地减少额外的参数在基于BERT的顺序推荐模型:使用会话令牌,添加会话段嵌入,和时间感知的自我注意。我们通过广泛使用的推荐数据集上的实验证明了所提出的方法的可行性。
2022-05-19 cs.AI cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University(同济大学)
本文提出TME-PSR模型,整合时间感知个性化、多兴趣个性化和解释个性化,以提升个性化序列推荐的准确性和解释质量,通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Intra-session Context-aware Feed Recommendation in Live Systems
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
Feed推荐允许用户不断地浏览项目,直到感到不感兴趣并离开会话,这与传统的推荐场景不同。在会话中,用户继续浏览或不继续浏览的决定实质上会影响以后点击的发生。然而,在大多数饲料推荐研究中,这种类型的暴露偏倚通常被忽略或未明确建模。在本文中,我们将这种效果建模为会话内上下文的一部分,并提出了一种新的会话内上下文感知Feed推荐(INSCAFER)框架,以同时最大化总视图和总点击量。用户点击和浏览决策是通过多任务设置共同学习的,会话内上下文是通过会话方式暴露的项序列编码的。我们在线部署我们的模型,改进了所有关键业务基准。我们的方法揭示了一些灯的饲料推荐研究,旨在优化会话级点击和查看指标。
2023-01-11 cs.IR cs.LG
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
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam(阿姆斯特丹大学);IKEA Retail (Ingka Group)(宜家零售(英格卡集团))
本文提出基于对比学习的方法,通过引入精心挑选的负样本,提升零售场景中产品推荐的多样性和覆盖范围,同时保持推荐质量。
2026-02-09 cs.IR cs.LG