Degenerate Feedback Loops in Recommender Systems
DeepMind（深度思维）
机器学习广泛应用于产品推荐系统中。这些系统所做的决定会影响用户的信念和偏好，进而影响学习系统接收的反馈，从而形成一个反馈回路。这种现象可能会产生所谓的“回声室”或“过滤气泡”，对用户和社会产生影响。在本文中，我们提供了一个新的理论分析，检查用户动态的作用和推荐系统的行为，从过滤器气泡效应解开回声室。此外，我们还提供了减缓系统退化的实用解决方案。我们的研究有助于理解和开发解决方案，在复杂的时间场景中，一个领域，这在很大程度上仍然是未开发的常见问题。
2019-03-27 cs.LG stat.ML
A Probabilistic Framework for Temporal Distribution Generalization in Industry-Scale Recommender Systems
Shopee Pte. Ltd.（Shopee公司）；Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理学院）
本文提出ELBO_TDS框架，通过因果图建模和自监督变分目标提升工业级推荐系统的时间分布泛化能力，实测提升GMV 2.33%并已部署于Shopee产品搜索。
2025-11-26 cs.LG
Time-weighted Attentional Session-Aware Recommender System
University of Texas at Austin（得克萨斯大学奥斯汀分校）；Facebook Inc（脸书公司）
基于会话的递归神经网络（RNN）由于用户在最近会话上的行为的高度自相关性以及RNN捕获序列顺序信息的有效性而在推荐任务中越来越受欢迎。然而，大多数现有的基于会话的RNN推荐系统仍然只关注单个会话中的短期交互，并完全丢弃不同会话中的所有其他长期数据。而传统的协同过滤（CF）方法在挖掘长期依赖性方面有许多先进的研究成果，在深度学习模型中有很大的开发价值。因此，在本文中，我们提出了ASARS，一种新的框架，有效地将CF中的时间动态方法引入到DL中基于会话的RNN系统中，使得时间信息可以通过并行注意力网络作为可扩展的权重。具体来说，我们首先进行了广泛的数据分析，以显示这种时间交互数据在会话内和会话之间的分布和重要性。然后，我们的ASARS框架提出了两个新的模型：（1）会话间的时间动态模型，捕捉长期的用户交互的RNN推荐系统。我们在会话RNN中集成了时间变化，并添加了用户偏好作为模型漂移;（2）一种新的三角形并行注意力网络，通过引入时间信息来增强原始RNN模型。这种三角形并行网络也是专门为实现序列到标量RNN架构中的数据论证而设计的，因此可以非常有效地进行训练。我们在四个不同领域的真实数据集上进行了大量的实验，证明了ASARS在个性化推荐方面的有效性和巨大的改进。
2019-09-12 cs.IR cs.LG stat.ML
A Deep Hybrid Model for Recommendation Systems
Istanbul Technical University（伊斯坦布尔理工大学）
从电子商务到社交网站，推荐一直是一个长期存在的问题。目前的研究大多集中在传统的推荐方法上，如基于内容的推荐或协同过滤，而对混合推荐系统的研究相对较少。由于深度学习在包括计算机视觉和自然语言处理在内的不同领域取得的最新进展，深度学习在推荐系统中也受到了广泛关注。有几项研究利用用户和项目的ID嵌入来实现深度神经网络的协同过滤。然而，这样的研究并没有利用输入的其他分类或连续特征。在本文中，我们提出了一种新的深度神经网络架构，它不仅包括ID嵌入，而且还包括辅助信息，如职位发布和职位推荐系统的候选人的功能，这是一个互惠推荐系统。在一个工作站点数据集上的实验结果表明，该方法比利用ID嵌入的深度学习模型提高了推荐结果。
2020-09-21 cs.AI cs.LG stat.ML
Power of the Few: Analyzing the Impact of Influential Users in Collaborative Recommender Systems
DePaul University（德保罗大学）；Colorado University（科罗拉多大学）
与其他社交系统一样，在协同过滤中，少数“有影响力”的用户可能会对其他用户的推荐产生很大的影响，从而影响系统的整体行为。识别有影响力的用户并研究他们对其他用户的影响是一个重要的问题，因为它提供了对小群体如何无意或有意地影响整个系统行为的洞察。对这些影响进行建模还可以揭示模式和关系，否则这些模式和关系很难识别，希望能提高系统生成个性化内容的透明度。在这项工作中，我们首先正式的概念“影响力”的协同过滤使用的影响力歧视模型。然后，我们经验性地识别和表征有影响力的用户，并分析他们对系统的影响下，不同的底层推荐算法和三个不同的推荐域：工作，电影和书籍的建议。从这些实验中获得的见解可以帮助设计系统，这些系统不仅针对准确性进行了优化，而且还进行了调整，以减轻有影响力的用户的影响，当它可能导致系统结果的潜在不平衡或不公平时。
2019-05-14 cs.IR cs.LG cs.SI
A Comprehensive Survey on Trustworthy Recommender Systems
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong University of Science and Technology（香港科技大学）
作为最成功的人工智能应用之一，推荐系统旨在帮助人们以有效和高效的方式做出适当的决策，通过在我们生活的许多方面提供个性化的建议，特别是针对各种以人为本的在线服务，如电子商务平台和社交媒体网站。在过去的几十年里，推荐系统的快速发展为人类创造了巨大的经济价值，节省了时间和精力，促进了社会公益。然而，最近的研究发现，数据驱动的推荐系统可能会对用户和社会构成严重威胁，例如在社交媒体网站上传播假新闻以操纵舆论，在工作匹配服务中放大对代表性不足的群体或个人的不公平，或者从推荐结果中推断隐私信息。因此，系统的可信度越来越受到各方面的关注，以减轻推荐系统带来的负面影响，从而提高公众对推荐系统技术的信任度。在这项调查中，我们提供了一个全面的概述值得信赖的推荐系统（TRec），特别关注六个最重要的方面;即，安全性和鲁棒性，非歧视性和公平性，可解释性，隐私，环境福祉以及问责制和可审计性。对于每个方面，我们总结了最近的相关技术，并讨论了潜在的研究方向，以帮助实现值得信赖的推荐系统在未来。
2022-09-21 cs.AI cs.CR cs.IR
Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning
City University of Hong Kong（香港城市大学）；BOSS Zhipin（BOSS直聘）；University of Science and Technology of China（中国科学技术大学）
针对用户求职偏好频繁漂移问题，本文提出基于会话的 BISTRO 框架，通过语义聚类、超图小波学习和自适应滤波融合行为与语义信息，实现个性化职位推荐。
2024-06-24 cs.AI cs.IR cs.LG
DVE: Dynamic Variational Embeddings with Applications in Recommender Systems
嵌入是一种将高维特征映射到低维空间的有效技术，在链接预测、节点分类和自然语言处理等领域有着广泛的应用。目前的方法主要集中在静态数据，这通常会导致不满意的性能，在应用程序中，涉及随着时间的推移大的变化。如何动态地表征嵌入特征的变化在很大程度上仍然是未探索的。在本文中，我们介绍了一个动态变分嵌入（DVE）方法的序列感知数据的基础上，在递归神经网络的最新进展。DVE可以明确地同时模拟节点的内在性质和时间变化，这对于探索至关重要。我们进一步将DVE应用于序列感知推荐系统，并开发了一个端到端的链接预测神经架构。
2020-08-27 cs.IR cs.LG stat.ML
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University（嘉应学院）
在大数据时代，推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来，推荐系统的技术发展经历了从感知学习到认知推理的过程，将推荐任务直观地构建为逻辑推理的过程，并取得了显著的进步。然而，推理中的逻辑陈述隐含地承认了排序的无关性，甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外，结合时间上下文的推荐模型将倾向于自我关注，即，自动聚焦更多（更少）的相关性（无关性）。针对这些问题，本文提出了一种基于时间感知的自注意力神经协作推理（TiSANCR）推荐模型，将时间模式和自注意力机制集成到基于推理的推荐中。特别是，时间模式表示的相对时间，提供上下文和辅助信息来描述用户的偏好在推荐，而自我注意是利用提取信息模式和抑制无关。因此，自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明，提出的TiSANCR推荐算法性能显著提高，并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Link Stream Graph for Temporal Recommendations
Sorbonne Université（索邦大学）；IRD（法国发展研究院）；Université de Yaoundé I（雅温得第一大学）；CNRS（法国国家科学研究中心）
一些推荐系统的研究是基于显式的评分数据，但在许多现实世界的电子商务平台，评分并不总是可用的，在这些情况下，推荐系统必须处理隐式数据，如用户的购买历史，浏览历史和流媒体历史。在这种情况下，经典的二分用户项图（BIP）被广泛用于计算前N个推荐。然而，这些图有一些局限性，特别是在考虑时间动态方面。这并不好，因为用户的偏好会随着时间的推移而改变。为了克服这一限制，Xiang等人提出了基于会话的时间图（STG），以在基于图的推荐系统中结合长期和短期偏好。但在STG中，时间被划分为片段，因此被认为是不连续的。这种方法丢失了用户动作的真实时间动态的细节。为了解决这一挑战，我们提出了链接流图（LSG），这是一个扩展的链接流表示提出的拉蒂默等人。它允许模型之间的交互用户和项目考虑时间连续。在四个真实世界的隐式时间推荐数据集上进行的实验表明，与最常用的最先进的推荐图BIP和STG相比，LSG在12种情况中的9种情况下是最好的。
2019-03-27 cs.IR cs.LG cs.SI
Understanding Biases in ChatGPT-based Recommender Systems: Provider Fairness, Temporal Stability, and Recency
Polytechnic University of Bari（巴里理工大学）
本文通过大量实验研究ChatGPT推荐系统中的提供者公平性等偏差，发现准确性导向提示优于多样化提示，将公平性嵌入系统角色更有效，且零样本学习在公平性和覆盖率上总体优于上下文学习。
2024-07-04 cs.IR cs.LG
System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes
FAIR at Meta（Meta FAIR实验室）
本文提出一种基于时间点过程的生成模型，通过自激Hawkes过程解耦用户System-1冲动与System-2效用决策，利用用户返回平台的概率推断真实效用，实现基于效用而非单纯参与度的内容优化。
2024-05-29 cs.IR cs.LG stat.ML
A data-driven personalized smart lighting recommender system
Iowa State University（爱荷华州立大学）
推荐系统试图识别和推荐最喜欢的项目（产品服务）给个人用户。这些系统基于相关项目、用户以及项目与用户之间的交互来预测用户对项目的兴趣。我们的目标是建立一个自动例程和配色方案推荐系统，利用丰富的历史数据和机器学习方法。我们引入了一种无监督的方法来推荐一个照明例程。此外，通过分析用户的日常日志，地理位置，时间和使用信息，我们了解用户的偏好，并预测他们喜欢的灯光颜色。为此，我们根据用户的地理信息和使用分布对用户进行聚类。然后，我们在每个集群内构建并训练预测模型，并汇总结果。结果表明，基于相似用户的模型提高了预测精度，有或没有关于用户偏好的先验知识。
2021-04-05 cs.LG
Hierarchical Temporal Convolutional Networks for Dynamic Recommender Systems
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）；Pinterest
推荐系统可以从跨会话数据中学习，以动态预测用户将选择的下一个项目，这对在线平台至关重要。然而，现有的方法通常使用开箱即用的序列模型，其受到速度和内存消耗的限制，对于生产环境通常是不可行的，并且通常不包含对于有效推荐至关重要的跨会话信息。在这里，我们提出了分层时间卷积网络（HierTCN），这是一种分层深度学习架构，可以根据用户与项目的顺序多会话交互进行动态推荐。HierTCN专为具有数十亿项目和数亿用户的Web规模系统而设计。它由两个层次的模型组成：高级模型使用递归神经网络（RNN）来聚合用户在不同会话中不断发展的长期兴趣，而低级模型则使用时间卷积网络（TCN）来实现，利用会话中的长期兴趣和短期交互来预测下一次交互。我们在公共XING数据集和包含600万用户和16亿次交互的大规模Pinterest数据集上进行了广泛的实验。HierTCN比基于RNN的模型快2.5倍，与基于TCN的模型相比，使用的数据内存少90%。我们进一步开发了一个有效的数据缓存方案和一个基于GPU的小批量生成器，使我们的模型能够在24小时内在单个GPU上进行训练。我们的模型始终优于最先进的动态推荐方法，召回率提高了18%，平均倒数排名提高了10%。
2019-04-10 cs.IR cs.LG cs.SI
A Hybrid Recommender System for Patient-Doctor Matchmaking in Primary Care
Universidade Nova de Lisboa, School of Business and Economics（新里斯本大学商学院与经济学院）；University of California, Davis（加利福尼亚大学戴维斯分校）；Wright State University（莱特州立大学）
我们与一家领先的欧洲医疗保健提供商合作，设计了一种机制，使患者与家庭医生在初级保健中相匹配。我们为几个不同的用例定义了匹配过程，给出了不同级别的患者可用信息。然后，我们采用了一个混合推荐系统，目前每个病人的家庭医生的建议列表。特别是，我们使用一个大规模的咨询历史数据集的家庭医生的病人信任模型，同时占他们的关系的时间动态。我们提出的方法显示出更高的预测精度比启发式基线和协同过滤方法，和建议的信任措施进一步提高模型的性能。
2019-03-18 cs.IR cs.LG stat.ML
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
Recency Dropout for Recurrent Recommender Systems
Google, Inc.（谷歌公司）
递归推荐系统已经成功地捕捉到用户活动轨迹的时间动态。然而，众所周知，递归神经网络（RNN）很难学习长期依赖关系。因此，基于RNN的推荐系统往往过于关注短期用户兴趣。这被称为近因偏差，这可能会对长期用户体验以及生态系统的健康产生负面影响。在本文中，我们介绍了近因丢弃技术，一个简单而有效的数据增强技术，以减轻近因偏见的循环推荐系统。我们在各种实验环境中展示了近因丢弃的有效性，包括模拟研究，离线实验以及在大型工业推荐平台上的现场实验。
2022-01-26 cs.IR cs.LG
Flexible Job Classification with Zero-Shot Learning
Indeed（Indeed公司）
使用分类法组织信息需要使用适当的分类类对对象（文档、图像等）进行分类。零样本学习的灵活性对这项任务很有吸引力，因为它允许分类器自然地适应分类法的修改。本文研究了在人力资源领域中，在现实的分类法扩展场景下，使用微调的语言模型进行zero-shot多标签文档分类。实验表明，零样本学习在这种情况下可以非常有效。当控制训练数据预算时，与在所有类别上训练的传统多标签分类器相比，zero-shot分类器在宏AP方面实现了12%的相对增加。与直觉相反，这些结果表明，在某些情况下，最好采用zero-shot技术，并花费资源用不完整的类集注释更多的文档，而不是将标记预算均匀地分布在所有类上并使用传统的分类技术。另外的实验表明，采用来自推荐系统文献的公知的过滤器/重新排序分解可以显著降低高性能zero-shot分类器的计算负担，经验上导致计算开销降低98%，而性能仅相对降低2%。这里提出的证据表明，零样本学习有可能显着增加分类的灵活性，并突出了未来研究的方向。
2022-08-30 cs.CL cs.LG cs.NE
Personalized Execution Time Optimization for Billion-Scale Scheduled Jobs
Meta
本文介绍了一个每天服务数十亿用户的调度作业执行时间优化系统，通过四阶段演进（从启发式规则到上下文集成学习器）实现个性化时间选择，并解决了跨用例蚕食问题，显著提升了执行效率和产品影响。
2026-09-10 cs.DC cs.LG
SplitLight: An Exploratory Toolkit for Recommender Systems Datasets and Splits
SB AI Lab, AI Center；SB AI Lab, Applied AI Institute；AXXX, AI Center；SB AI Lab；AXXX, HSE University；SB AI Lab, MSU Research Center
SplitLight是一种开源工具包，用于探索推荐系统数据集和划分策略，通过分析数据统计和可视化帮助研究人员实现可测量、可比较的实验。
2026-02-22 cs.IR cs.LG
Streaming Recommender Systems
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Yahoo! Labs（雅虎实验室）
现实世界中推荐系统的日益普及产生的数据连续和快速，它成为更现实的研究流场景下的推荐系统。数据流具有时序性、连续性和高速性等特点，这给传统的推荐系统带来了巨大的挑战。在本文中，我们研究了流输入的推荐问题。特别是，我们提供了一个原则性的框架，称为sRec，它提供了明确的连续时间随机过程模型的创建用户和主题，以及他们的利益的演变。提出了一种称为递归平均场近似的变分贝叶斯方法，它允许计算效率高的瞬时在线推理。几个真实世界的数据集上的实验结果表明，我们的sRec比其他国家的最先进的优势。
2016-07-21 cs.IR cs.LG cs.SI
STAR: A Session-Based Time-Aware Recommender System
University of Tehran（德黑兰大学）
针对现有基于会话的推荐器忽略事件时间细节的问题，提出STAR框架，通过嵌入会话内事件时间间隔优化表示，在两个数据集上的Recall和MRR指标优于基线模型。
2022-11-11 cs.AI cs.IR cs.LG
DUALRec: A Hybrid Sequential and Language Model Framework for Context-Aware Movie Recommendation
University of Amsterdam（阿姆斯特丹大学）
本文提出DUALRec框架，结合LSTM的时间建模能力与微调大语言模型的语义推理能力，在MovieLens-1M上实现优于基线的上下文感知电影推荐。
2025-07-18 cs.AI cs.IR cs.LG
COUPA: An Industrial Recommender System for Online to Offline Service Platforms
Ant Group（蚂蚁集团）
本文提出工业推荐系统 COUPA，通过时间感知点过程和个性化位置选择器刻画用户偏好并缓解位置偏差，已在支付宝 O2O 场景部署并验证效果。
2023-04-25 cs.IR cs.LG
Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；University of Glasgow（格拉斯哥大学）
针对个人投资者易忽视投资理论、偏好个人选择的问题，提出整合个人偏好、投资组合多样化及时序动态的PfoTGNRec模型，通过均值-方差有效采样和时序图网络提升推荐表现，在真实数据上优于现有基线。
2024-11-30 cs.AI cs.LG q-fin.ST
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
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify；Carnegie Mellon University（卡内基梅隆大学）
研究通过针对性数据选择缓解时间分布漂移导致的性能下降，采用梯度表示与分布匹配提升模型性能，实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
Extracting Interaction-Aware Monosemantic Concepts in Recommender Systems
本文提出了一种在推荐系统中提取交互感知的单义概念的方法，通过稀疏自动编码器揭示潜在语义结构，实现对用户和物品嵌入之间相互作用的保持，从而支持可控的个性化。
2025-11-22 cs.AI cs.IR cs.LG
Fair Recommendations with Limited Sensitive Attributes: A Distributionally Robust Optimization Approach
University of Science and Technology of China（中国科学技术大学）
针对敏感属性信息有限时推荐系统的公平性问题，提出分布鲁棒公平优化（DRFO）方法，通过最小化最坏情况不公平性来应对属性重建误差，并验证其有效性。
2024-05-27 cs.CY cs.IR cs.LG
Time to Split: Exploring Data Splitting Strategies for Offline Evaluation of Sequential Recommenders
AIRI, Skoltech Moscow Russian Federation（AIRI，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab, Skoltech Moscow Russian Federation（Sber AI Lab，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab Moscow Russian Federation（Sber AI Lab，莫斯科斯克里普钦斯基因工学院俄罗斯联邦）；Sber AI Lab, HSE University Moscow Russian Federation（Sber AI Lab，莫斯科高等经济大学俄罗斯联邦）
本文系统比较了序列推荐中不同数据分割策略对离线评估的影响，发现留一法等常见策略存在时间泄漏等问题，与更现实的评估策略不一致，并提供了代码以提升可重复性。
2025-07-22 cs.IR cs.LG
Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021
现代在线服务以非常快的速度不断生成数据。这种连续的数据流包含内容-例如，帖子、新闻、产品、评论，还有用户反馈，例如，评级、视图、读取、点击-连同上下文数据-用户设备、空间或时间数据、用户任务或活动、天气。考虑到内容、上下文和用户偏好或意图的连续和潜在快速变化，这对于被设计成批量训练的系统和算法来说可能是压倒性的。因此，重要的是调查在线方法能够透明地适应在线服务的内在动态。从数据流中学习的增量模型在推荐系统社区中越来越受到关注，因为它们具有处理动态复杂环境中生成的连续数据流的自然能力。用户建模和个性化可以特别受益于能够增量和在线维护模型的算法。本次研讨会的目的是促进贡献，并汇集了越来越多的研究人员和从业者感兴趣的在线，自适应的方法来用户建模，推荐和个性化，以及他们对多个维度的影响，如评估，再现性，隐私和可解释性。
2022-01-17 cs.AI cs.IR cs.LG
Modeling Time-Series and Spatial Data for Recommendations and Other Applications
Indian Institute of Technology Delhi（印度理工学院德里分校）
在这篇论文中描述的研究方向，我们试图解决设计推荐系统，可以理解连续时间事件序列的动态的关键挑战。我们采用的是一种自上而下的方法，即，首先，我们解决的问题，可能会出现由于质量差的CTES数据被送入推荐系统。之后，我们处理设计精确推荐系统的任务。为了提高CTES数据的质量，我们解决了一个根本问题，克服时间序列中的缺失事件。此外，为了提供准确的序列建模框架，我们设计了用于兴趣点推荐的解决方案，即，模型，可以处理用户的空间移动性数据到各种POI签到，并为下一次签到推荐候选位置。最后，我们强调，所提出的模型的能力可以有超越推荐系统的应用程序，我们扩展他们的能力，设计解决方案的大规模CTES检索和人类活动预测。本论文的一个重要部分使用的想法，通过神经标记时间点过程（MTPP）的CTES的底层分布建模。传统的MTPP模型是随机过程，利用固定的公式来捕获连续时间中局部化的离散事件序列的生成机制。相比之下，神经MTPP将点过程文献中的基本思想与现代深度学习架构相结合。深度学习模型作为精确函数逼近器的能力使神经MTPP模型的预测能力显著提高。在这篇论文中，我们利用并提出了几个神经网络为基础的增强目前的MTPP框架的上述现实世界的应用。
2022-12-25 cs.IR cs.LG
Reusable Self-Attention-based Recommender System for Fashion
Zalando SE（Zalando SE（扎兰多））
大量关于在推荐系统领域中应用自注意模型的实证研究都是基于标准化数据集上计算的离线评估和度量，而没有深入了解这些模型在现实生活中的表现。此外，他们中的许多人不考虑项目和客户元数据等信息，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，通常推荐模型被设计为仅很好地服务于单个用例，这增加了建模复杂性和维护成本，并且可能导致不一致的客户体验。在这项工作中，我们提出了一个可重用的基于注意力的时尚推荐算法（AFRA），利用各种交互类型与不同的时尚实体，如项目（例如，衬衫），服装和影响者，以及他们的异质特征。此外，我们利用时间和上下文信息来解决短期和长期客户偏好。我们展示了它在服装推荐用例上的有效性，特别是：1）个性化排名提要; 2）按风格推荐服装; 3）相似项目推荐和4）由最近的客户行为启发的会话推荐。我们提出了离线和在线实验结果，证明了客户保留和参与的实质性改善。
2022-11-29 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
On Variational Inference for User Modeling in Attribute-Driven Collaborative Filtering
Walmart Labs（沃尔玛实验室）
推荐系统已成为在线电子商务平台不可或缺的一部分，推动了客户参与度和收入。大多数流行的推荐系统试图从用户过去的参与数据中学习，以了解用户的行为特征，并使用这些特征来预测未来的行为。在这项工作中，我们提出了一种方法来使用因果推理，通过时间上下文来学习用户属性的亲和力。我们制定这个目标作为一个概率机器学习问题，并应用基于变分推理的方法来估计模型参数。我们在两个真实世界的数据集上展示了所提出的方法在下一个属性预测任务上的性能，并表明它优于标准基线方法。
2020-12-02 cs.LG
Time-Aware Music Recommender Systems: Modeling the Evolution of Implicit User Preferences and User Listening Habits in A Collaborative Filtering Approach
University of Salamanca（萨拉曼卡大学）；Illinois Institute of Technology（伊利诺伊理工大学）
在线流媒体服务已成为最流行的听音乐的方式。这些服务中的大多数都具有推荐机制，可以帮助用户从大量可用的音乐中发现他们可能感兴趣的歌曲和艺术家。然而，许多是不可靠的，因为它们可能没有考虑到上下文方面或不断发展的用户行为。因此，有必要开发考虑这些方面的系统。在音乐领域，时间是影响用户偏好和管理其效果的最重要因素之一，也是本文提出的工作背后的动机。这里，检查关于何时播放歌曲的时间信息。其目的是模拟用户偏好的演变形式的演变隐式评级和用户收听行为。在这项工作中提出的协同过滤方法，日常收听习惯被捕获，以表征用户，并为他们提供更可靠的建议。验证结果表明，该方法在生成上下文感知和上下文无关的推荐方面都优于其他方法
2020-08-26 cs.IR cs.LG
Don't Waste It: Guiding Generative Recommenders with Structured Human Priors via Multi-Head Decoding
Meta AI
通过多头解码引导生成推荐系统，利用结构化人类先验提升推荐准确性与多样性
2026-01-26 cs.IR cs.LG
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
Towards Neural Mixture Recommender for Long Range Dependent User Sequences
Simon Fraser University（西蒙弗雷泽大学）；Google（谷歌）
了解时间动态已被证明是非常有价值的准确推荐。顺序排序器已经成功地对用户和项目随时间的动态进行建模。然而，虽然不同的模型架构擅长捕捉各种时间范围或动态，不同的应用程序上下文需要适应不同的行为。在本文中，我们将研究如何建立一个模型，可以利用不同的时间范围和动态依赖于请求上下文。我们首先分析了一个匿名的Youtube数据集，该数据集包含数百万个用户序列。我们量化了这些序列的长期依赖程度，并证明了短期和长期依赖的行为模式共存。然后，我们提出了一个神经多时间范围混合模型（M3）作为一个量身定制的解决方案，以处理短期和长期的依赖关系。我们的方法采用了混合模型，每个模型具有不同的时间范围。这些模型通过一个学习的门控机制进行组合，该机制能够在给定不同上下文信息的情况下应用不同的模型组合。在对公共数据集和我们自己的匿名YouTube数据集的实证评估中，M3始终优于最先进的顺序推荐方法。
2019-02-22 cs.IR cs.LG stat.ML
A Scalable and Efficient Signal Integration System for Job Matching
LinkedIn Corporation（LinkedIn公司）
针对LinkedIn职位匹配中的冷启动和偏差等挑战，开发了结合LLM和GNN优势的STAR系统，通过自适应采样和版本管理实现工业级信号集成与嵌入部署。
2025-07-13 cs.LG
Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction
Augustana College（奥古斯塔纳学院）；Florida International University（佛罗里达国际大学）；Dakota State University（达科他州立大学）
本文提出防泄漏的作业运行时间预测方法，使用提交时属性并采用时间性验证，CatBoost在GWA-T-4数据集上取得最佳效果，基于预测的SJF调度将平均等待时间降低50.92%。
2026-09-15 cs.AI cs.LG
Off-Policy Evaluation for Semantic ID Recommenders: Does the Model's Own Code Hierarchy Help?
Criteo AI Lab（Criteo人工智能实验室）
该研究探讨能否用生成式推荐器的语义ID树作为离线策略评估的动作抽象，提出通过代码前缀簇粗化的方法提升评估效果，明确粗化增益的来源及分辨率深度的调节作用。
2026-09-01 cs.LG
What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context
Department of Computer Science, Dartmouth College（达特茅斯大学计算机科学系）；ByteDance, US（字节跳动（美国））；Department of Computer Science and Engineering, University of Notre Dame（诺丁汉大学计算机科学与工程系）
本文研究了LLMs在序列推荐中有效性的关键因素，提出RecPO框架通过整合显式和隐式反馈，提升推荐性能，强调偏好强度和时间上下文的重要性。
2026-04-16 cs.IR cs.LG
Online Learning for Recommendations at Grubhub
Grubhub
该研究针对推荐系统的概念漂移和批量训练成本问题，提出利用迁移学习将现有离线推荐系统修改为在线运行的方法，实现更快的漂移适应、显著的成本节约和指标提升，并探讨了过渡中的关键挑战。
2021-07-15 cs.IR cs.LG
Sequential Recommender via Time-aware Attentive Memory Network
East China Normal University（华东师范大学）；Pingan Health Technology（平安健康科技）；Tongji University（同济大学）；Liaoning University（辽宁大学）；Durham University（杜伦大学）
推荐系统旨在帮助用户从不断增长的项目语料库中发现最喜欢的内容。尽管推荐器通过深度学习得到了很大的改进，但他们仍然面临着几个挑战：（1）行为比句子中的单词复杂得多，因此传统的注意力和循环模型可能无法捕捉用户偏好的时间动态。(2)用户的偏好是多元的、不断演变的，因此很难整合长期记忆和短期意图。本文提出了一种改进注意力机制和递归单元的时间门控方法，使信息过滤和状态转换都能考虑时间信息。此外，我们提出了一个多跳时间感知的注意记忆网络（MTAM），以整合长期和短期的偏好。我们使用所提出的时间感知GRU网络来学习短期意图，并在用户记忆中保持先前的记录。我们把短期意图作为一个查询，并设计了一个多跳的内存读取操作，通过建议的时间感知注意力，以产生基于当前意图和长期记忆的用户表示。我们的方法是可扩展的候选检索任务，可以被看作是一个非线性推广的潜在因式分解的点积为基础的Top-K推荐。最后，我们在六个基准数据集上进行了大量的实验，实验结果证明了我们的MTAM和时间门控方法的有效性。
2020-11-18 cs.IR cs.LG
BoostJet: Towards Combining Statistical Aggregates with Neural Embeddings for Recommendations
EPFL（洛桑联邦理工学院）；Yandex
推荐器由于其在许多电子商务应用中的广泛适用性而在近年来变得广泛流行。这些应用程序依赖于广告服务器为各种优惠生成广告或提供内容推荐。然而，生成的推荐的质量取决于用户特征（如人口统计学，时间性），提供特征（如流行度，价格）和用户提供特征（如隐式或显式反馈）。当前最先进的浏览器在生成推荐的同时不同时探索这些不同的特征。在本文中，我们首先介绍了跟踪器的概念，它使我们能够捕捉上述功能，从而通过不同功能（人口统计，时间性，流行度，价格）的统计聚合，将用户的在线行为。我们还展示了如何根据他们的消费序列来捕获报价关系，在我们的Offer2Vec算法中利用神经嵌入来提供报价。然后，我们介绍了BoostJet，一种新的推荐器，它集成了跟踪器以及使用MatrixNet的神经嵌入，这是一种高效的梯度提升决策树的分布式实现，以显着提高推荐质量。我们在Yandex的数据集上对BoostJet进行了深入的评估，收集了数千万在线用户的在线行为，以证明BoostJet在推荐质量和可扩展性方面的实用性。
2017-12-07 cs.IR cs.LG stat.ML
Labor Migration Modeling through Large-scale Job Query Data
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Baidu Research, Baidu Inc.（百度研究院，百度公司）；Career Science Lab, BOSS Zhipin（智联招聘职业科学实验室）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出基于大规模职位查询数据的深度学习时空框架 DHG-SIL，通过 DH-GCN 和可解释时间模块建模跨城市与时序迁移依赖，并已在真实人力资源系统中部署应用。
2024-10-03 cs.LG
Hybrid Q-Learning Applied to Ubiquitous recommender system
Télécom SudParis（巴黎南电信学院）
泛在信息访问在当今社会变得越来越重要，研究的目的是使其适应用户。我们的工作包括应用机器学习技术，以便解决有关用户接受系统的一些问题。为了实现这一目标，我们提出了一个根本性的转变，我们如何建模的学习推荐系统：受机器人开发的人类推理模型的启发，我们结合了强化学习和案例推理，定义一个推荐过程，使用这两种方法生成不同的上下文维度（社会，时间，地理）的建议。我们描述了基于这个框架的推荐系统的实现。我们还提出了初步的实验结果与系统，并显示我们的方法如何提高推荐质量。
2014-03-30 cs.IR cs.LG
Temporal Topic Analysis with Endogenous and Exogenous Processes
Northwestern University（西北大学）
我们考虑的问题，考虑到内生和外生过程的时间文本数据建模。这种文本文档出现在现实世界的应用中，包括招聘广告和经济新闻文章，它们受到整体经济波动的影响。我们提出了一个分层贝叶斯主题模型，它施加了一个“组相关”的层次结构的主题随着时间的推移，将这两个过程的演变，并表明，这个模型可以估计马尔可夫链蒙特卡罗抽样方法。我们进一步证明，该模型捕捉的主题分布和时间依赖因素之间的内在关系，并比较其性能与潜在的狄利克雷分配（LDA）和其他两个相关的模型。该模型被应用到两个集合的文件，以说明其实证性能：在线招聘广告从DirectEmployers协会和记者的BusinessInsider.com上的帖子。
2016-07-04 cs.CL cs.IR cs.LG
Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology
Google Research（谷歌研究院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；YouTube, LLC（YouTube有限责任公司）
大多数实用的推荐系统专注于估计即时用户参与度，而不考虑推荐对用户行为的长期影响。强化学习（RL）方法提供了优化长期用户参与建议的潜力。然而，由于用户经常被呈现多个项目的板-这可能对用户选择有交互作用-需要方法来处理RL动作空间的组合。在这项工作中，我们解决了使用RL提出基于石板的建议以优化长期价值的挑战。我们的贡献是三方面的。(i)我们开发了SLATEQ，一种基于值的时间差和Q学习的分解，使RL易于使用石板。在对用户选择行为的温和假设下，我们证明了一个石板的长期价值（LTV）可以分解为一个易于处理的功能，其组件项目明智的LTV。(ii)我们概述了一种方法，利用现有的近视学习为基础的推荐快速开发一个推荐处理LTV。(iii)我们在模拟中展示了我们的方法，并在YouTube上的现场实验中使用SLATEQ验证了分解TD学习的可扩展性。
2019-05-31 cs.AI cs.IR cs.LG
CAPER: Enhancing Career Trajectory Prediction using Temporal Knowledge Graph and Ternary Relationship
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；Hanyang University（汉阳大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
CAPER通过时序知识图谱建模用户、职位和公司之间的三元依赖关系及其随时间的变化，显著提升了职业轨迹预测的准确率。
2024-12-26 cs.IR cs.LG
Leaping Through Time with Gradient-based Adaptation for Recommendation
Tokyo Tech（东京工业大学）；RWBC-OIL, AIST（产业技术综合研究所 RWBC-OIL）；AIRC, AIST（产业技术综合研究所 AIRC）；DigiARC, AIST（产业技术综合研究所 DigiARC）
现代推荐系统需要适应用户偏好和项目流行度的变化。这样的问题被称为时间动态问题，它是推荐系统建模的主要挑战之一。与流行的循环建模方法不同，我们通过使用基于轨迹的元学习来建模时间依赖性，提出了一种新的解决方案LeapRec来解决时间动态问题。LeapRec通过两个互补分量来表征时间动态，称为全局时间跳跃（GTL）和有序时间跳跃（OTL）。通过设计，GTL通过在无序的时态数据中找到最短的学习路径来学习长期模式。合作，OTL学习短期模式，考虑时序数据的连续性。我们的实验结果表明，LeapRec在几个数据集和推荐指标上始终优于最先进的方法。此外，我们提供了GTL和OTL之间的相互作用的实证研究，显示长期和短期建模的影响。
2021-12-28 cs.IR cs.LG
Beyond Temporal Proximity: Explanatory World Models for Credit Assignment in Reinforcement Learning
Spotify；University of Cambridge（剑桥大学）
该研究针对强化学习中延迟奖励导致的信用分配低效问题，提出Explanatory World Models（EWM）框架，结合因果解释等理论设计变体，在多类基准及工业推荐系统上验证其性能优于现有方法。
2026-10-12 cs.AI cs.IR cs.LG
Multi-View Interactive Collaborative Filtering
Rowan University（罗文大学）；College of Science and Mathematics（科学与数学学院）
本文提出MV-ICTR算法，融合评分与上下文信息建模用户偏好和物品特征，并结合多臂老虎机策略实现在线个性化，显著提升冷启动场景下的推荐性能。
2023-05-14 cs.AI cs.IR cs.LG
