X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking
San Jose State University（圣何塞州立大学）
X-KGRank是一种知识图谱检索增强推荐框架，结合协同过滤与LLM解释，在MovieLens-1M数据集上提升了推荐指标，且小参数LLM可实现相当的解释质量但更易产生事实错误。
2026-08-04 cs.AI cs.IR
Bayesian Knowledge-driven Critiquing with Indirect Evidence
针对现有对话式推荐系统评论方法未利用知识图谱辅助信息的问题，提出融合知识图谱的贝叶斯推理框架，支持复杂知识型反馈，在两个数据集上较单次推荐器提升推荐效果超15%。
2023-06-09 cs.IR
From TF-IDF to Transformers: A Comparative and Ensemble Approach to Sentiment Classification
School of Computer Engineering KIIT Deemed to be University（计算机工程学院 KIIT 被认定大学）
本文比较了多种机器学习模型，包括Naive Bayes、逻辑回归、SVM、LightGBM、LSTM以及基于Transformer的RoBERTa和DistilBERT，旨在对电影评论进行情感分类，并发现RoBERTa在准确率上表现最佳，同时集成所有模型的软投票方法进一步提升了分类性能。
2026-05-21 cs.AI cs.CL cs.IR
The Cold-start Problem: Minimal Users' Activity Estimation
冷启动问题是当前推荐方法的基本问题之一，它是在新用户到来时产生的。此外，在某些领域，如电视或多媒体项目需要很长的时间来体验用户，因此用户通常不提供丰富的偏好信息。在本文中，我们分析了最小量的评级需要做的用户在一组项目，以解决或减少冷启动问题。在我们的分析中，我们应用聚类数据采掘技术，以确定最小量的项目的评级需要从推荐系统的用户，为了被分配到一个正确的集群。在这种情况下，集群质量被监视，并且在达到某个集群质量阈值的情况下，推荐器系统可以开始为给定用户生成推荐，因为在这一点上，冷启动问题被认为是解决的。我们提出的方法适用于任何领域，其中用户的喜好收到明确的项目评级的基础上。我们的实验是使用MovieLens和Jester数据集在电影和笑话推荐域中进行的。
2021-05-31 cs.IR
Information Filtering via Collaborative User Clustering Modeling
在过去的几年里，推荐系统取得了巨大的成功，它可以显着地帮助用户找到个性化的项目，为他们从信息时代。最广泛应用的推荐方法之一是矩阵分解（MF）。然而，大多数关于这个主题的研究都集中在挖掘用户和项目之间的直接关系。在本文中，我们优化的标准MF整合用户聚类正则化项。我们的模型不仅考虑了用户项目的评级信息，但也考虑到用户的兴趣。我们比较了该模型与三个典型的其他方法：用户均值（UM），项目均值（IM）和标准MF。在真实数据集\emph{MovieLens}上的实验结果表明，该方法在推荐准确率上明显优于其他三种方法。
2014-02-10 cs.IR cs.SI physics.soc-ph
A Serendipitous Recommendation System Considering User Curiosity
本文提出一种基于用户好奇心估计有用性与意外性偏好比例的机缘推荐方法，结合长期与短期兴趣建模，在MovieLens-1M上达到与最先进方法相当的性能。
2025-04-09 cs.IR
BiCoRec: Bias-Mitigated Context-Aware Sequential Recommendation Model
University of Witwatersrand（沃特瓦特斯兰大学）；University of Johannesburg（约翰内斯堡大学）
BiCoRec通过共注意机制和一致性损失函数缓解推荐中的流行度偏见，提升小众物品推荐性能。
2025-12-15 cs.IR cs.LG
Hybrid Recommender Systems: A Systematic Literature Review
Politecnico di Torino（都灵理工大学）；Department of Control and Computer Engineering, Politecnico di Torino（都灵理工大学控制与计算机工程系）
推荐系统是用于通过利用各种策略来生成并向用户提供针对项目和其他实体的建议的软件工具。混合推荐系统以不同的方式将两种或两种以上的推荐策略结合起来，以发挥它们的互补优势。这篇系统的文献回顾介绍了过去十年混合推荐系统的最新进展。这是第一个定量审查工作完全集中在混合动力汽车。我们解决了最相关的问题，并提出了相关的数据采掘和推荐技术来克服这些问题。本文还探讨了每种混合推荐器的分类、应用领域、评价过程，并提出了未来的研究方向。根据我们的研究结果，大多数的研究结合协同过滤与另一种技术往往在加权的方式。此外，冷启动和数据稀疏是两个传统的和最重要的问题，分别在23和22项研究中得到解决，而电影和电影数据集仍然被大多数作者广泛使用。由于大多数研究都是通过使用准确性指标与类似方法进行比较来进行评估的，因此提供更可信和面向用户的评估仍然是一个典型的挑战。除此之外，还确定了新的挑战，例如响应用户上下文的变化，不断变化的用户口味或提供跨域推荐。作为一个热门话题，混合算法代表了一个很好的基础，通过探索新的机会，如上下文的建议，涉及并行混合算法，处理更大的数据集等，相应地作出回应。
2019-01-12 cs.CY cs.IR cs.LG
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性，提出去除异常值的输入处理方法，并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
Time Will Tell: Harness Time to Denoise Collaborative Filtering
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）
针对隐式反馈中噪声交互影响推荐性能的问题，提出DeBaTeR方法，利用时间感知嵌入并通过重新加权邻接矩阵和损失函数两种策略对二部时序图去噪，显著提升模型性能与鲁棒性。
2026-11-02 cs.AI cs.IR cs.LG
Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Preference-based Graphic Models for Collaborative Filtering
协同过滤是一种非常有用的通用技术，用于利用一组用户的偏好模式来预测项目对特定用户的效用。以往的研究已经研究了几个概率图模型的协同过滤有希望的结果。然而，虽然这些模型已经成功地捕捉用户和项目之间的相似性，在一种或另一种方式，他们都没有考虑到这样一个事实，即用户具有相似的兴趣项目可以有非常不同的评级模式;一些用户倾向于分配一个更高的评级比其他用户的所有项目。在本文中，我们提出和研究两个新的图形模型，解决用户偏好和评级之间的区别。在一个称为解耦模型的模型中，我们引入了两个不同的变量来将用户的偏好与他的评级解耦。在另一种称为偏好模型的模型中，我们对用户偏好的项目的排序进行建模，而不是用户对项目的数字评级。对两个电影评分数据集的实证研究表明，用户偏好和评分之间的区别的适当建模显着提高性能和一致。具体来说，建议解耦模型优于所有五个现有的方法，我们比较显着，但偏好模型是不是很成功。这些结果表明，显式建模的底层用户的喜好是非常重要的协同过滤，但我们不能完全忽略评级信息。
2012-10-19 cs.IR
A Methodology for the Offline Evaluation of Recommender Systems in a User Interface with Multiple Carousels
Politecnico di Milano（米兰理工大学）
许多视频点播和音乐流媒体服务向用户提供由若干推荐列表组成的页面，所述推荐列表即小部件或可滑动的旋转木马，每一个都构建有特定标准（例如，最近的电视连续剧等）。寻找有效的策略来选择要显示的旋转木马是一个具有巨大工业兴趣的活跃研究课题。在这种情况下，新算法的推荐的整体质量不能通过仅仅测量其个体推荐质量来评估。相反，应在已有其他建议清单的情况下对其进行评估，以说明它们如何相互补充。这是传统的离线评估协议所不考虑的。因此，我们提出了一个离线评估协议的旋转木马设置中，一个模型的推荐质量是衡量多少，它提高了一套已经可用的旋转木马。我们报告的实验公开可用的数据集上的电影域，并注意到，根据转盘设置的排名的算法的变化。特别是，当SLIM carousel可用时，矩阵分解模型往往是首选，而基于项目的模型则会受到惩罚。我们还建议将排名指标扩展到二维旋转木马布局，以考虑已知的位置偏差，即用户不会按顺序探索列表，而是集中在屏幕的左上角。
2021-05-13 cs.IR cs.LG
Factorizing LambdaMART for cold start recommendations
University of Geneva（日内瓦大学）；Expedia, Inc（亿客行公司）
推荐系统通常依赖于逐点损失度量，例如均方误差。然而，在真实的推荐设置中，只有很少的项目被呈现给用户。这一观察结果最近鼓励使用基于等级的度量标准。LambdaMART是学习排序中最先进的算法，它依赖于这样的度量。尽管它取得了成功，但它没有一个原则性的正则化机制，依赖于经验方法来控制模型的复杂性，从而使其易于过拟合。由于用户和项目的描述以及偏好行为往往可以很好地概括为少量的隐藏因素，我们提出了一种新的算法，LambdaMART矩阵分解（LambdaMART-MF），使用梯度提升树学习用户和项目的低秩潜在表示。该算法通过将相关性分数定义为用户和项目的学习表示的内积来分解EudaMART。低秩本质上是一个模型复杂度控制器;在此基础上，我们提出了额外的正则化器来约束反映用户和项目流形的学习潜在表示，因为这些表示是由其原始的基于特征的描述符和偏好行为定义的。最后，我们还建议使用NDCG的加权变体，以减少对评分差异较大的类似项目的惩罚。我们在两个非常不同的推荐数据集上进行了实验，元挖掘和电影用户，并在冷启动设置以及更简单的矩阵完成设置中评估了LambdaMART-MF的性能。在这两种情况下，它都以显著的方式优于当前最先进的算法。
2015-11-04 cs.IR cs.LG
On Softmax Direct Preference Optimization for Recommendation
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Hokkaido University（北海道大学）
提出Softmax-DPO方法，将排序信息注入语言模型推荐系统，通过多负样本和部分排序损失提升个性化推荐性能，并在三个数据集上验证其有效性。
2024-11-07 cs.AI cs.IR
Measuring the User Satisfaction in a Recommendation Interface with Multiple Carousels
Politecnico di Milano（米兰理工大学）
视频点播和音乐流媒体服务通常采用由多个推荐列表组成的用户界面，所述多个推荐列表即微件或可滑动的旋转木马，每个推荐列表根据特定的标准或算法（例如，最近的、最流行的、为您推荐的、编辑的选择等）生成。选择适当的轮播组合对用户满意度有着重要的影响。这个用户界面的一个关键方面是，要衡量一个新的轮播对用户的相关性，仅仅考虑其个人质量是不够的。相反，应该考虑到接口中已经存在其他旋转木马。这没有被用于传送带系统的传统评估协议考虑，在传统评估协议中，每个传送带被隔离地评估，而不管（i）哪些其他传送带被显示给用户以及（ii）传送带相对于其他传送带的相对位置。因此，我们提出了一个二维的评估协议的旋转木马设置，将衡量质量的推荐旋转木马的基础上，它提高了多少质量的一组已经可用的旋转木马。我们的评估协议还考虑了位置偏差，即用户不按顺序探索旋转木马，而是专注于屏幕的左上角。我们报告的电影域上的实验，并注意到，根据转盘设置的定义，其中的标准必须是首选的，以生成一个列表的推荐项目的变化，就什么是通常理解的。
2021-05-14 cs.HC cs.IR cs.LG
