Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
针对大型语言模型（LLMs）对话推荐系统（CRS）难以利用行为数据的问题，提出首个结合LLMs与协同过滤（CF）的CRAG方法，在Reddit-v2和Redial数据集上实现更优的物品覆盖度和推荐性能，尤其提升了新电影推荐准确性。
2025-02-19 cs.IR
The Future is Sparse: Embedding Compression for Scalable Retrieval in Recommender Systems
Recombee（Recombee公司）；Czech Technical University in Prague（捷克技术大学布拉格分校）；Charles University Prague（布拉格查尔斯大学）
针对工业级推荐系统高基数实体密集嵌入存储访问的内存瓶颈，提出一种轻量级可学习嵌入压缩技术，将嵌入投影到高维稀疏激活空间，在保性能的同时降内存，为大规模推荐系统效率提升提供了可行思路并开源代码。
2025-05-16 cs.IR cs.LG
Enhancing Tourism Recommender Systems for Sustainable City Trips Using Retrieval-Augmented Generation
本文提出可持续性增强重排序（SAR）方法，将城市热度与季节性需求指标融入检索增强生成流程，使旅游推荐系统在保持个性化建议的同时兼顾可持续性目标，并在多个开源LLM上验证了其有效性。
2025-04-12 cs.IR
CROLoss: Towards a Customizable Loss for Retrieval Models in Recommender Systems
本文提出CROLoss，一种可直接优化Recall@N且可针对不同N定制的损失函数，涵盖传统损失函数为特例，并开发Lambda方法提升性能，在公开数据集上达到SOTA，在线A/B测试带来4.75%收入增长。
2024-11-11 cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段，用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索，以有效地衡量用户的兴趣项目从庞大的候选池。然而，现有的工作主要是建立在预定义的检索渠道，包括用户CF（U2 U），项目CF（I2 I），嵌入式检索（U2 I），从而访问用户和项目之间的有限的相关性，这仅仅需要从潜在的交互的部分信息。在本文中，我们提出了一个模型无关的综合跨渠道（MIC）的方法，最大限度地利用固有的多渠道互信息，以提高匹配性能的大规模推荐。具体来说，MIC鲁棒模型内的用户-项目，用户-用户，项目-项目从潜在的相互作用在一个通用的模式。对于每个通道，MIC自然地将对与语义相似性对齐，并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计，但MIC直观地将其视为一个整体，使用户和项目之间的完整信息流。因此，MIC可以很容易地插入到其他检索推荐系统。大量的实验表明，我们的MIC帮助几个国家的最先进的模型，提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
GRACE: Generative Recommender Acceleration Engine for Real-Time Ads Retrieval
Meta Platforms（Meta平台）
该研究提出GRACE系统，通过生成式目标匹配解决广告检索合规性问题，优化解码器设计降低延迟，满足实时广告检索的合规、延迟及成本要求。
2026-08-05 cs.IR
LLMs as Better Recommenders with Natural Language Collaborative Signals: A Self-Assessing Retrieval Approach
提出SCORE框架，通过自然语言协同信号检索与自评估重排序，提升LLM推荐性能。
2025-05-26 cs.IR
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
Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems
Poison-RAG 提出针对基于 RAG 的推荐系统的数据投毒攻击框架，通过操纵物品元数据（局部或全局策略）在 MovieLens 上实现最高 50% 的操纵提升，并指出热门物品更易受攻击，建议数据增强以增强防御。
2025-01-20 cs.IR
Recommender Systems with Generative Retrieval
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Google DeepMind（谷歌DeepMind）；Google（谷歌）
该研究提出基于Semantic ID的生成式检索推荐方法，用Transformer序列模型自回归解码物品语义ID，在多数据集上性能超SOTA，还提升了冷启动物品的检索泛化能力。
2023-11-03 cs.IR cs.LG
RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender
Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利）；Institute for Cognitive Science and Technology, National Research Council, Italy（意大利国家研究委员会认知科学与技术研究所）
提出RAGEAR，一种神经符号推荐系统，结合密集检索和知识图谱，通过图感知聚合函数将片段级证据传播到课程级推荐，在学术课程推荐中优于元数据基线。
2026-05-26 cs.AI cs.IR
Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding
本文针对基于LLM的推荐系统离线知识生成效率低的问题，提出LASER框架，通过定制检索池和宽松验证机制加速推理，在公开数据集上实现3-5倍加速并节省约67%计算资源，且保持无损推荐性能。
2025-04-29 cs.IR
Large Language Model as Universal Retriever in Industrial-Scale Recommender System
Taobao & Tmall Group of Alibaba, China（淘宝与天猫集团（阿里巴巴））
本研究提出基于大语言模型的通用检索模型URM，通过多查询表示、矩阵分解和概率采样技术，实现工业级推荐系统中多目标的高效生成式检索，性能优于专用模型并提升广告核心指标3%。
2025-05-19 cs.IR cs.LG
LongRetriever: Towards Ultra-Long Sequence based Candidate Retrieval for Recommendation
针对推荐系统候选检索阶段超长期序列利用不足的问题，提出LongRetriever框架，通过上下文内训练和多上下文检索实现候选特异性交互与训练-服务一致性，经大型电商平台A/B测试验证有效并已部署。
2025-08-25 cs.IR
ScienceDB AI: An LLM-Driven Agentic Recommender System for Large-Scale Scientific Data Sharing Services
Computer Network Information Center, Chinese Academy of Sciences, Beijing, China（中国科学院计算机网络信息中心）
ScienceDB AI 是首个基于大语言模型的对话推荐系统，专为大规模科学数据共享服务设计，通过自然语言对话和深度推理实现精准的数据集推荐。
2026-01-03 cs.AI cs.DL cs.IR
ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
University of Delaware（德克萨斯大学）
针对对话式推荐系统，提出互惠检索-生成协同框架ReGeS，通过生成增强检索提炼用户意图和检索增强生成区分物品细微特征，无需额外标注，在多个基准上取得最先进推荐准确性。
2025-09-22 cs.AI cs.CL cs.IR
Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
针对LLM推荐系统存在的幻觉和缺乏最新领域知识等问题，提出检索增强框架K-RagRec，通过从知识图谱中检索高质量结构信息来增强推荐生成，实验证明其有效性。
2025-05-28 cs.IR
PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（高丽大学）；National Institutes of Health（美国国立卫生研究院）；Pohang University of Science and Technology（浦项科技大学）
PairSem通过实体-属性对捕捉科学概念的多面性，提升科学文档检索的精度和上下文感知能力。
2026-01-25 cs.IR
Sparse Meets Dense: A Hybrid Approach to Enhance Scientific Document Retrieval
本文针对科学文档检索问题，提出结合传统稀疏词袋向量与基于大型语言模型的密集嵌入的混合检索方法，在囊性纤维化医学基准上实验证明该混合模型显著优于单一方法。
2024-01-08 cs.IR
MARC: Multimodal and Multi-Task Agentic Retrieval-Augmented Generation for Cold-Start Recommender System
Department of Industrial Data Engineering, Hanyang University, Republic of Korea（工业数据工程系，翰阳大学）；School of Interdisciplinary Industrial Studies, Hanyang University, Republic of Korea（跨学科工业研究学院，翰阳大学）
针对冷启动推荐场景局限，本文提出基于Agentic RAG与图数据库的多模态多任务鸡尾酒推荐系统MARC，经双维度评估验证其回答质量优于普通向量数据库方案。
2025-11-15 cs.AI cs.IR
CSDR-BERT: a pre-trained scientific dataset match model for Chinese Scientific Dataset Retrieval
在开放科学运动的推动下，互联网上开放和共享的科学数据集越来越多，有效地检索这些数据集是信息检索研究的一项重要任务。近年来，大模型的发展，特别是预训练和微调范式的发展，为IR匹配任务提供了新的解决方案，该范式涉及对大模型的预训练和对下游任务的微调。本文在嵌入层使用原有的BERT标记，在模型层引入SimCSE和K-最近邻方法改进句子-BERT模型结构，在优化阶段使用余弦损失函数优化目标输出。我们的实验结果表明，我们的模型优于其他竞争模型在公共和自建数据集通过比较实验和消融实现。本研究探索并验证了中文科学数据集语义检索预训练技术的可行性和有效性。
2023-03-30 cs.IR
A Recommender System for Scientific Datasets and Analysis Pipelines
Concordia University（康考迪亚大学）；Child Mind Institute（儿童心智研究所）
为了开放科学的利益，科学数据集和分析管道越来越多地被公开共享。然而，缺乏可靠地识别哪些管道和数据集可以适当地一起使用的机制。鉴于高质量公共数据集和管道的数量不断增加，缺乏明确的兼容性威胁到这些资源的可查找性和可重用性。我们研究了协同过滤系统的可行性，以推荐管道和数据集的基础上，从以前的执行出处记录。我们使用从加拿大开放神经科学平台（Canadian Open Neuroscience Platform）提取的数据集和管道来评估我们的系统，该平台是开放神经科学的国家倡议。我们的系统（AUC $=0.83$）提供的建议明显优于机会，并优于领域专家使用他们以前的知识以及管道和数据集描述（AUC $=0.63$）提出的建议。特别是，领域专家往往忽略了低层次的技术方面的管道数据集的交互，如预处理的水平，这是由基于出处的系统捕获。基于出处的管道和数据集管理器是可行的，有利于开放科学资源的共享和利用。未来的工作将集中在收集更全面的出处跟踪，并在生产中部署该系统。
2021-08-20 cs.IR cs.LG
OneTrans-V2: Unifying Retrieval, Pre-rank, and Fine-rank with One Transformer in Industrial Recommender
ByteDance Global E-Commerce Recommendation Foundation Team（字节跳动全球电商推荐基础团队）
OneTrans-V2用一个Transformer统一工业推荐系统的召回、粗排和精排，通过联合训练、稀疏MoE和决策条件生成式召回，提升GMV 9.74%并实现3.2倍吞吐量。
2026-09-25 cs.IR
Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval
Google Inc.（谷歌公司）
神经信息检索模型的许多最新进展，预测给定查询的前K项，直接从（查询，项）对的大型训练集学习。然而，当有许多以前看不见的（查询，项）组合时，它们通常是不够的，通常被称为冷启动问题。此外，搜索系统可能偏向于先前频繁显示给查询的项目，也称为“富人更富”（也称为“富人更富”）。反馈回路）问题。鉴于这些问题，我们观察到，大多数在线内容平台都有一个搜索和推荐系统，虽然有异构的输入空间，可以通过它们的公共输出项空间和共享的语义表示连接。在本文中，我们提出了一个新的Zero-Shot异构迁移学习框架，将学习到的知识从推荐系统组件，以改善搜索组件的内容平台。首先，它通过预测来自推荐系统的（项目，项目）相关图作为辅助任务来学习项目及其自然语言特征的表示。然后，学习的表示被转移到解决目标搜索检索任务，执行查询到项目预测，而无需在训练中看到任何（查询，项目）对。我们在世界上最大的搜索和推荐系统之一的谷歌进行在线和离线实验，并提出了结果和经验教训。我们证明了所提出的方法可以实现高性能的离线搜索检索任务，更重要的是，在高度优化的生产系统在在线实验中，实现了显着的改善相关性和用户交互。
2020-08-19 cs.IR cs.LG stat.ML
CASPER: Concept-integrated Sparse Representation for Scientific Retrieval
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Aalto University（阿尔托大学）
CASPER通过结合令牌和关键词短语实现科学检索中的概念感知稀疏表示，优于现有基线模型并展现良好的可解释性。
2026-01-15 cs.IR
Towards a Modular Recommender System for Research Papers written in Albanian
近年来，阿尔巴尼亚及其邻国的科学论文出版物有所增加，这些国家有大量讲阿尔巴尼亚语的研究人员。这些文件中有许多是用阿尔巴尼亚语写的。查找与研究人员工作相关的论文是一项非常耗时的任务，因为没有具体的系统来促进这一过程。在本文中，我们提出了一个模块化的智能搜索系统的阿尔巴尼亚语写的文章的设计。它的主要部分是推荐模块，通过向用户提供相关文章（与给定文章相比）来促进搜索。我们使用了基于余弦相似度的分类法，根据词频在文章中的位置来区分词频的重要性。当使用关键字、标题、摘要和正文的重要性因素的不同组合时，我们没有注意到推荐结果有很大的差异。我们得到了类似的结果时，只使用标题和摘要与其他组合相比。因为我们在这种初始方法中得到了相当好的结果，我们相信，在与科学出版无关的情况下，也可以建立类似的阿尔巴尼亚语文档推荐系统。
2014-05-01 cs.IR
Biases in Scholarly Recommender Systems: Impact, Prevalence, and Mitigation
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
随着诸如出版物、研究人员和科学主题等科学实体的数量的显著增加以及科学中的相关信息过载，学术推荐系统对于数百万研究人员和科学爱好者变得越来越重要。然而，人们往往忽视了这些系统会受到各种偏见的影响。在这篇文章中，我们首先分解了学术推荐系统的偏见，并根据其影响和流行程度对其进行了描述。在此过程中，我们区分了最初由人类引起的偏见和由推荐系统引起的偏见。其次，我们提供了一个概述的方法，已被用来减轻这些偏见在学术领域。在此基础上，第三，我们提出了一个框架，可用于研究人员和开发人员，以减轻学术推荐系统的偏见，并公平地评估推荐系统。最后，我们讨论了开放的挑战和可能的研究方向有关的学术偏见。
2023-02-13 cs.AI cs.IR
Claim2Source at CheckThat! 2026: Improving Multilingual Scientific Claim-Source Retrieval with Verification-based Re-Ranking
Friedrich-Alexander University of Erlangen–Nuremberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
针对多语言科学声明-来源检索任务，提出多阶段检索框架，结合结构化表示与渐进候选优化，采用双语声明、元数据增强源表示及语言适配，经多步检索提升性能，在比赛中获佳绩。
2026-07-07 cs.IR
PinRec: Unified Generative Retrieval for Pinterest Recommender Systems
Pinterest
PinRec是一种统一的生成式检索模型，用于Pinterest的所有推荐界面，通过预训练和微调实现单一模型适应不同界面需求，提升搜索保存率4%。
2026-06-18 cs.IR cs.LG
MeVer at CheckThat! 2026: Cluster-Aware Hard-Negative Mining for Multilingual Scientific Source Retrieval
针对社交媒体主张的科学文献来源检索任务，提出聚类感知的难负样本挖掘策略，结合密集检索、重排序和基于LLM的争议解决器，在共享任务中排名第6。
2026-07-06 cs.IR
Representation Learning for Recommender Systems with Application to the Scientific Literature
Université de Lyon（里昂大学）
科学文献是一个庞大的信息网络，将各种行为者（实验室、公司、机构等）联系在一起。由该网络生成的大量数据构成了动态异构属性网络（HAN），其中不断产生新的信息，并且从中提取感兴趣的内容越来越困难。在这篇文章中，我提出了我的第一个论文作品与工业公司合作，数字科学研究技术。这之后提供了一个科学手表工具，Peerus，解决各种问题，如实时的推荐新发表的论文或寻找活跃的专家开始新的合作。为了解决这种多样性的应用程序，一个常见的方法是学习表示的节点和属性的HAN，并使用它们作为各种推荐任务的功能。然而，大多数关于属性网络嵌入的工作对文本属性关注太少，并且没有充分利用最近的自然语言处理技术。此外，所提出的方法，共同学习节点和文档表示不提供一种方法来有效地推断网络信息丢失的新文档的表示，这恰好是至关重要的实时的推荐系统。最后，在文本属性的异构网络中，文本和图形数据之间的相互作用仍然是一个开放的研究方向。
2019-02-28 cs.CL cs.DL cs.IR
Context-aware Tree-based Deep Model for Recommender Systems
Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
如何准确预测用户偏好和如何在大规模的语料库中进行高效的检索是大规模工业推荐系统面临的两个主要挑战。基于树的方法采用树结构T作为索引，语料库中的每一个条目都附着在T上的一个叶节点上。然后将推荐问题转化为层次检索问题，通过束搜索过程有效地求解。在本文中，我们认为，树索引用于支持基于树的方法的高效检索也有丰富的层次信息的语料库。此外，我们提出了一种新的上下文感知的基于树的深度模型（ConTDM）的推荐系统。在ConTDM中，上下文感知的用户偏好预测模型M被设计为利用T上的水平上下文和垂直上下文两者。在水平方向上，使用图卷积层来丰富用户和T上的节点与其邻居的表示。垂直地，在M中设计父融合层以将T的较高级别中的用户偏好表示传输到当前级别，从而抓住基于树的方法在束搜索检索期间从粗略到细节生成候选集合的本质。此外，我们认为ConTDM中提出的用户偏好模型可以方便地扩展到其他基于树的推荐系统方法。大规模真实数据集上的实验和大规模工业应用中的在线A/B测试都表明了ConTDM带来的显着改进。
2021-09-22 cs.AI cs.IR
Scientific Claim-Source Retrieval Revisited: A Comparative Study of Style Transfer and Re-Ranking
TU Dresden & ScaDS.AI Dresden/Leipzig（德累斯顿工业大学与ScaDS.AI 德累斯顿/莱比锡）；Friedrich-Alexander University of Erlangen–Nuremberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）
研究社交媒体科学声明源检索难题，对比稀疏和密集检索模型，发现翻译声明、纳入元数据、风格迁移及新型重新排序方法可提升检索性能，基于验证的重新排序效果最佳，MRR@5达0.758。
2026-07-20 cs.IR
Recommending Scientific Literature: Comparing Use-Cases and Algorithms
研究人员活动的一个重要方面是寻找相关和相关的出版物。科学出版物推荐系统的任务是提供符合这些标准的论文列表。基于Mendeley管理的出版物的收集，已经组装了四个数据集，反映了相关性的不同方面。这些相关性场景中的每一个都反映了用户的搜索策略。这些场景是公共团体、场所、作者出版物和用户库。这些数据集中的前三个被公开，供其他研究人员比较算法。三个推荐系统已经实现：一个协同过滤系统;一个基于内容的过滤系统;和这两个系统的混合。测试结果表明，协同过滤略优于基于内容的方法，但在某些情况下失败。混合系统结合了两种推荐方法，提供了最佳性能，准确率高达70%。这表明，这两种技术在推荐科学文献方面都提供了互补信息，不同的方法适合不同的信息需求。
2014-09-04 cs.IR
Advancing Scientific Knowledge Retrieval and Reuse with a Novel Digital Library for Machine-Readable Knowledge
TIB - Leibniz Information Centre for Science and Technology（德国国家技术与自然科学图书馆（TIB）- 莱布尼茨科学与技术中心）
针对现有研究型数字图书馆难以支持机器高效复用科学知识的问题，提出ORKG reborn这一新兴数字图书馆，通过机器可读知识表达式关联科学陈述与证据，支持准确细粒度知识的查找复用，展示了其可行性与潜力。
2025-11-11 cs.IR
Improving Rating and Relevance with Point-of-Interest Recommender System
Ryerson University（瑞尔森大学）
兴趣点推荐在基于位置的社交网络中是必不可少的。它使用户和位置更容易共享信息。最近，研究人员倾向于推荐POI，将它们视为需要大量表示查询项相关性的训练数据的大规模检索系统。然而，在检索系统中收集用户反馈是一项昂贵的任务。现有的POI推荐系统仅基于用户和项目（位置）交互进行推荐。然而，有许多反馈来源需要考虑。例如，当用户访问POI时，POI是关于什么的等等。在开发POI推荐器时，集成所有这些不同类型的反馈是必不可少的。在本文中，我们提出使用用户和项目信息和辅助信息，以改善检索系统中的推荐模型。我们开发了一个深层的神经网络架构，在协作和内容信息的存在下对查询项相关性进行建模。我们还提高了质量的学习表示的查询和项目，包括上下文信息的用户反馈数据。将这些学习到的表示应用于大规模数据集导致了显着的改进。
2022-02-17 cs.IR cs.LG
Adaptive Candidate Retrieval with Dynamic Knowledge Graph Construction for Cold-Start Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Korea University（韩国延世大学）
ColdRAG通过动态构建知识图谱和LLM引导的多跳推理，提升冷启动推荐性能。
2025-11-24 cs.IR
Review of Clustering-Based Recommender Systems
推荐系统是机器学习中最常用的方法之一，在从经济学到物联网的许多领域都有应用。本文提供了一个一般性的概述现代推荐系统的设计方法，使用聚类作为一个初步的步骤，以提高整体性能。使用聚类可以解决推荐系统中的几个已知问题，包括增加推荐的多样性，一致性和可靠性;用户偏好矩阵的数据稀疏性;以及用户偏好随时间的变化。这项工作将是有用的初学者在推荐系统领域和专家在相关领域有兴趣研究推荐系统的适用性。这篇评论的重点是分析的科学文献的主题推荐系统和聚类模型，近年来出现的，并包含一个有代表性的清单，为进一步探讨这一主题的文献。在第一部分中，简要介绍了所谓的经典或传统的推荐算法，以及聚类问题的概述。
2021-09-27 cs.IR
Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations
Renmin University of China（中国人民大学）；Microsoft Research Asia（微软亚洲研究院）
针对现有单轮检索范式难以捕捉用户动态偏好、易局限于物品空间单区域的问题，提出模型无关的自适应多轮检索范式Ada-Retrieval，通过双适配器迭代优化表征，在三个公开数据集上均稳定提升多种序列推荐骨干模型的性能。
2024-01-31 cs.AI cs.IR
Efficient Swing Computation for Retrieval in Large-Scale Recommender Systems
Hong Kong Baptist University（香港浸会大学）
针对大规模推荐系统中 Swing 分数计算代价高的问题，提出 ASC 与 K-ASC 两种高效算法，结合随机化与过滤细化，提供理论保证，在八个真实数据集上实现数量级加速。
2026-09-16 cs.IR
RAGSys: Item-Cold-Start Recommender as RAG System
Crossing Minds Inc（Crossing Minds公司）
本文针对大语言模型上下文学习的示例检索需求，提出将其类比为物品冷启动推荐问题，设计了基于下游NLP任务表现的评估方法，验证了示例多样性与质量偏差的关键作用，拓展了推荐技术的应用场景。
2024-08-15 cs.CL cs.IR cs.LG
UniFAR: A Unified Facet-Aware Retrieval Framework for Scientific Documents
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机学院）；School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）
UniFAR提出一种统一的面向面检索框架，通过自适应多粒度聚合、可学习的面向锚点和联合训练，有效解决文档与问题驱动检索之间的不匹配问题，提升科学文档检索性能。
2026-09-01 cs.IR
LongEval at CLEF 2025: Longitudinal Evaluation of IR Systems on Web and Scientific Data
LongEval 2025 通过两个动态数据集和两项检索任务，从时间维度评估检索系统在数据变化下的效果稳定性，并基于 nDCG 等指标对 19 支参赛团队的方法进行了纵向评测。
2025-09-22 cs.IR
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
Can Retrievers Find the Same Paper from Different Aspects? A Multi-Aspect Full-Paper Scientific Retrieval Benchmark
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）
该研究推出多方面全论文科学检索基准MAPLE及查询生成流程MAPLE-Synth，发现现有检索器在从单一方面与多方面检索论文间存在显著差距，为相关检索器研发提供测试平台。
2026-08-18 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
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec，通过AI生成器结合用户指令实现内容生成、重新利用与创建，突破传统检索式推荐的局限，并探讨其可信度、发展路线及应用可行性。
2024-02-25 cs.IR
Cross-Media Scientific Research Achievements Retrieval Based on Deep Language Model
Beijing University of Posts and Telecommunications（北京邮电大学）
科技大数据中包含大量跨媒体信息，科技论文中有图片也有文字，单一模态的检索方法不能很好地满足科研人员的需求，提出了一种基于深度语言模型（CARDL）的跨媒体科研成果检索方法，通过学习不同模态数据之间的语义关联，实现跨媒体语义的统一表示，将其应用于科研成果文本语义向量的生成，通过不同模态数据之间的语义相似度匹配实现跨媒体检索，实验结果表明，提出的CARDL方法取得了比现有方法更好的跨模态检索性能。关键词科技大数据;跨媒体检索;跨媒体语义联想学习;深度语言模型;语义相似度
2022-03-29 cs.AI cs.IR
Advancements in scientific data searching, sharing and retrieval
Open Archive Initiative Protocol for Metadata Handling（OAI-PMHiii）是一个标准，它被越来越多地用作交换结构化元数据的手段。OAI-PMH实现必须支持Dublin Core作为元数据标准，其他元数据格式是可选的。我们已经开发了一些工具，使Mercury能够以我们支持的任何元数据格式（Dublin Core、Darwin Core、FCDC CSDGM、GCMD DIF、EML和ISO 19115/19137）使用OAI-PMH服务中的元数据。我们还通过OAI-PMH提供ORNL DAAC元数据，供其他元数据工具使用。本文介绍了Mercury的多种元数据格式的功能，一般来说，更具体地说，我们的OAI-PMH实施的结果和经验教训。
2010-12-30 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题，提出关键词驱动的检索增强大语言模型框架KALM4Rec，通过关键词检索候选和LLM重排序，在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
KhyontekAI at CheckThat! 2026: Multilingual Dense Retrieval and Cross-Encoder Reranking for Scientific Web Claims
Tezpur University（特兹普尔大学）
该研究针对社交媒体科学断言的多语言来源检索难题，提出结合微调密集检索与交叉编码器重排序的两阶段框架，经实验验证元数据丰富化及交叉编码器重排序可提升效果，在CLEF 2026任务中取得多语言MRR@5的优异成绩。
2026-10-14 cs.CL cs.IR
Enhancing Scientific Literature Chatbots with Retrieval-Augmented Generation: A Performance Evaluation of Vector and Graph-Based Systems
本文通过对比向量和图基检索系统，评估了检索增强生成在提升科学文献聊天机器人性能中的效果，展示了混合系统在提高科学知识可及性方面的潜力。
2026-02-19 cs.AI cs.IR
Annotation of Scientific Summaries for Information Retrieval
我们提出了一种结合表面NLP和机器学习技术的方法，用于基于注释语料库对摘要进行排名和生成摘要。语料库中标注了元语义标签，表明句子承载的信息类别（目标，发现，新事物，假设，结论，未来的工作，相关工作）。标注后的语料被输入自动摘要器，用于面向查询的摘要排序和多摘要摘要。为了使摘要器适应这两个任务，设计了两个新的加权函数，以考虑语料库中标签的分布。结果，虽然仍然是初步的，鼓励我们追求这条线的工作，并找到更好的方法来建立IR系统，可以考虑到语义标注的语料库。
2011-10-26 cs.IR
ConSTR: A Contextual Search Term Recommender
在这篇演示论文中，我们提出了ConSTR，一个新的上下文搜索术语推荐，利用用户的交互上下文搜索术语推荐和文献检索。ConSTR集成了一个两层的推荐界面：第一层根据用户当前的搜索词推荐词，第二层根据用户以前的搜索活动（交互上下文）推荐词。在演示中，ConSTR建立在arXiv上，这是一个由180万个文档组成的学术存储库。
2021-06-08 cs.DL cs.IR
