Learning Item-Interaction Embeddings for User Recommendations
Etsy, Inc（Etsy公司）
行业规模的推荐系统已经成为电子商务购物体验的基石。对于Etsy，一个拥有超过5000万件手工和复古物品的在线市场，用户开始依赖个性化的推荐来从其庞大的库存中展示相关物品。Etsy购物体验的一个标志是用户可以与他们感兴趣的物品进行交互的多种方式：他们可以查看它，收藏它，将其添加到收藏中，将其添加到购物车，购买它等。因此，用户的推荐不仅应该基于他们过去活动中的项目，还应该基于他们与该项目交互的方式。在本文中，我们提出了一种新的方法来学习基于交互的项目嵌入编码的同现模式，不仅项目本身，而且互动类型。学习的嵌入为我们提供了一种方便的方法，通过简单的内积来近似一个项目交互对与另一个项目交互对共存的可能性。由于其计算效率，我们的模型自然适合作为候选集选择方法，我们在Etsy.com上提供实时流量的行业规模推荐系统中对其进行了评估。我们的实验表明，将交互类型考虑在内，在提高用户购物行为建模的准确性方面显示出可喜的成果。
2018-12-11 cs.IR cs.LG stat.ML
Human Behavior-based Personalized Meal Recommendation and Menu Planning Social System
BRAC University（BRAC大学）；King Saud University（沙特国王大学）；University of Maine at Presque Isle（缅因大学普雷斯克艾尔分校）；University of Calabria（卡拉布里亚大学）
本文提出融合EEG社交情感计算、TOPSIS膳食推荐与装箱算法菜单规划的个性化系统，以兼顾用户情感、能量需求和营养价值。
2023-08-12 cs.HC cs.LG
Recurrent Neural Networks for Long and Short-Term Sequential Recommendation
CAIL；Université de Lille（里尔大学）
推荐系统的目标可以概括为在短期或长期时间范围内对用户偏好进行建模。以往的大量研究通过降维技术应用于历史用户-项目交互来研究长期推荐。最近引入的基于会话的推荐设置强调了建模短期用户偏好的重要性。在这项任务中，循环神经网络（RNN）已被证明在短时间内成功捕捉用户交互的细微差别。在本文中，我们评估了基于RNN的短期和长期推荐任务模型。我们的实验结果表明，RNN能够预测即时和远程用户交互。我们还发现性能最好的配置是具有层归一化和绑定项嵌入的堆叠RNN。
2018-07-23 cs.IR cs.LG stat.ML
Agnostic Visual Recommendation Systems: Open Challenges and Future Directions
Sapienza University of Rome（罗马大学）；Computer Science Department（计算机科学系）
本文综述了不可知可视化推荐系统（VRSs）的文献，指出其面临缺乏标准化数据集、设计规则学习难及感知有效性评估标准缺失等挑战，并展望了未来研究方向。
2024-03-16 cs.LG
Single-Item Fashion Recommender: Towards Cross-Domain Recommendations
University of Tehran（德黑兰大学）
如今，推荐系统和搜索引擎在时尚电子商务中扮演着不可或缺的角色。尽管如此，许多挑战摆在面前，这项研究试图解决一些问题。本文首先提出了一个基于内容的时尚推荐系统，该系统使用并行神经网络，以一个单一的时尚项目商店的图像作为输入，并列出类似的项目在商店的建议。接下来，相同的结构被增强以基于用户偏好来个性化结果。然后，这项工作引入了一种背景增强技术，使系统对域外查询更加鲁棒，使其能够仅使用目录商店图像的训练集进行街道到商店的推荐。此外，本文的最后一个贡献是一个新的评价指标推荐任务称为客观指导的人类得分。这种方法是一个完全可定制的框架，可以从人类评分员的主观评估中产生可解释的、可比较的分数。
2022-07-23 cs.CV cs.IR cs.LG
Blockwise Feature Interaction in Recommendation Systems
LinkedIn Ads（领英广告部门）
针对推荐系统中 DCNv2 特征交叉计算成本高的问题，提出分块特征交互（BFI）方法及其四种变体，在保持接近准确率的同时大幅降低了计算开销与参数量。
2023-06-28 cs.IR cs.LG
Balancing Multi-level Interactions for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
基于匿名会话的用户行为预测对于一般推荐系统来说是一个挑战，因为缺乏用户简档严重限制了数据驱动模型。最近，基于会话的推荐方法在处理这一任务方面取得了显着的成果。不过，通过对有限数据的创新探索，业绩的上界仍能得到提振。在本文中，我们提出了一种新的方法，即会话内和会话间交互感知的图增强网络，考虑到会话间的项目级交互。与现有的会话内项目级交互和会话级协作信息不同，我们引入的数据表示不同会话之间的复杂项目级交互。为了挖掘新数据而不破坏模型在不同交互之间的平衡，我们为当前会话构建了会话内图和会话间图。前者侧重于在一个单一的会话项目级的相互作用，后者模型之间的邻居会话项目。然后根据不同的结构对两个图的信息进行不同的编码，并将生成的特征向量组合起来，以平衡不同范围的模型。在真实数据集上的实验验证了我们的方法优于其他最先进的方法。
2019-10-29 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
CareerBERT: Matching Resumes to ESCO Jobs in a Shared Embedding Space for Generic Job Recommendations
提出CareerBERT模型，结合ESCO分类与EURES招聘广告构建语料库，在共享嵌入空间中利用简历等非结构化文本数据实现通用职位推荐，两步评估表明其超越现有方法并获专家认可。
2025-03-03 cs.CL cs.LG
Editable User Profiles for Controllable Text Recommendation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
提出LACE概念值瓶颈模型，以可编辑用户画像实现可控文本推荐，并通过离线与用户研究验证其推荐质量与可控性。
2023-10-16 cs.CL cs.HC cs.IR
$C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal Recommendation in the Post-GDPR Era
Peking University（北京大学）
移动设备使用户能够随时随地检索信息。考虑到移动用户的临时需求和碎片化使用模式，提出了基于用户短期交互行为的时态兴趣学习方法，以提高移动设备上信息检索的效率.然而，隐私保护法律法规的实施，如GDPR，可能会使临时推荐的成功实践黯然失色。原因在于，现有的推荐系统需要在集中式服务器中收集和处理用户数据，但是用于临时推荐的交互行为数据通常是非事务性数据，根据GDPR，在没有用户的明确许可的情况下不允许收集这些数据。因此，如果用户不允许服务收集他们的交互行为数据，时间推荐就无法工作。为实现后GDPR时代的时态推荐，提出了一种基于云-客户端协同的深度学习框架$C^3DRec$，用于在保护用户隐私的同时挖掘交互行为进行推荐。$C^3DRec$使用GDPR之前收集的数据在集中式服务器上构建全局推荐模型，并使用GDPR之后收集的数据直接在各个本地设备上微调模型。我们设计了两种模式来完成推荐，即拉模式，其中候选项目被拉到设备上，并送入本地模型，以获得推荐项目，推模式，其中本地模型的输出推到服务器上，并与候选项目相结合，以获得推荐项目。评估结果表明，$C^3DRec$实现了类似的推荐精度集中的方法，以最小的隐私问题。
2021-01-13 cs.CR cs.IR cs.LG
Bridging Conversational and Collaborative Signals for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对对话推荐系统（CRS）缺乏协同过滤（CF）信号的问题，提出Reddit-ML32M数据集及基于LLM的框架，通过关联对话与交互数据优化推荐排序，命中率提升12.32%、NDCG提升9.9%。
2025-02-10 cs.AI cs.IR cs.LG
A Dynamic Model of Performative Human-ML Collaboration: Theory and Empirical Evidence
MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（蒂宾根人工智能中心）；Harvard Business School（哈佛商学院）；Harvard University（哈佛大学）；CEPR（欧洲经济政策研究中心）；NBER（美国国家经济研究局）
本研究提出人机ML协作动态框架，证明系统可收敛至次优稳定点，通过1408人参与的背包问题实验验证人类可提升ML预测效果，且金钱激励无正向作用，均衡性能约为最大价值的92%。
2024-10-07 cs.AI cs.HC cs.LG
Designing Algorithmic Recommendations to Achieve Human-AI Complementarity
Wharton（沃顿商学院）；Stanford GSB（斯坦福大学商学院）
针对算法辅助工具常无法改善人类决策的问题，研究基于因果推断潜在结果框架形式化推荐算法设计，引入单调性假设分类人类反应，经招聘实验验证并推导出有限数据下可实现的极小极大最优算法，助力实现人机互补。
2024-10-30 cs.HC cs.LG econ.EM
Precision Radiotherapy via Information Integration of Expert Human Knowledge and AI Recommendation to Optimize Clinical Decision Making
University of Michigan（密歇根大学）；H. Lee Moffitt Cancer Center & Research Institute（H·李·莫菲特癌症中心与研究所）
在精准医学时代，对精准放射治疗的需求日益增长，其中需要通过考虑大量患者特定信息来最佳地确定计划的辐射剂量，以确保治疗效果。现有的人工智能（AI）方法可以在这些可用信息的范围内推荐辐射剂量处方。然而，由于已知的限制，或者当AI建议可能超出医生的现有知识时，治疗医生可能不会完全委托AI推荐的处方。本文提出了一种系统的方法，将人类专家知识与人工智能建议相结合，以优化临床决策。为了实现这一目标，将高斯过程（GP）模型与深度神经网络（DNN）集成，以分别量化医生和AI建议给出的治疗结果的不确定性，这些不确定性进一步用作指导临床医生和提高AI模型性能的指南。所提出的方法在一个全面的数据集中得到了证明，在该数据集中，前瞻性地收集了$67$非小细胞肺癌患者放疗期间的患者特定信息和治疗结局，并进行了回顾性分析。
2022-02-09 cs.AI cs.LG stat.ML
SAIN: Self-Attentive Integration Network for Recommendation
Korea University（高丽大学）
随着个性化推荐的重要性日益增加，近年来提出了许多推荐模型。其中，基于矩阵分解（MF）的模型由于其高性能而在推荐领域中应用最广泛。然而，基于MF的模型遭受冷启动问题，其中用户-项目交互稀疏。为了解决这个问题，基于内容的推荐模型，使用辅助属性的用户和项目已被提出。由于这些模型使用辅助属性，它们在冷启动设置中是有效的。然而，大多数提出的模型要么无法捕获复杂的功能交互，要么没有适当的设计，以结合用户项目的反馈信息与内容信息。在本文中，我们提出了自注意整合网络（SAIN），这是一个有效地结合用户项目的反馈信息和辅助信息的推荐任务的模型。在SAIN中，自注意力机制用于特征级交互层，以有效地考虑多个特征之间的交互，而信息集成层自适应地组合内容和反馈信息。在两个公开数据集上的实验结果表明，该模型的性能比现有模型高出2.13%
2019-11-06 cs.IR cs.LG stat.ML
