Bi-Level Graph Structure Learning for Next POI Recommendation
Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Meituan（美团）
针对现有基于图的下一个POI推荐方法依赖预定义图结构、忽略特征层级且受噪声与不完整性影响的问题，提出双层图结构学习方法BiGSL，通过层级图与成对学习构建双层图，结合多关系图网络优化POI表示，在三个真实数据集上准确率与探索性能均优于现有SOTA方法。
2024-11-02 cs.AI cs.LG cs.SI
News Session-Based Recommendations using Deep Neural Networks
CI&T；Brazilian Aeronautics Institute of Technology - ITA（巴西航空技术学院 - ITA）
新闻推荐系统旨在个性化用户体验，并帮助他们从一个大的和动态的搜索空间发现相关的文章。因此，新闻领域是一个具有挑战性的场景推荐，由于其稀疏的用户分析，快速增长的项目数量，加速项目的价值衰减，和用户的偏好动态变化。最近，通过在推荐系统中使用深度学习技术，特别是在项目的特征提取和基于会话的推荐中使用递归神经网络，已经取得了一些有希望的结果。在本文中，它提出了一个实例化的CHAMELEON -一个深度学习元架构的新闻推荐系统。该架构由两个模块组成，第一个模块负责学习新闻文章表示，基于它们的文本和元数据，第二个模块旨在使用递归神经网络提供基于会话的推荐。这项工作中的推荐任务是为用户会话预测下一个条目：“用户在会话中最有可能阅读的下一篇文章是什么？“用户会话上下文被架构利用来在这种极端的新闻推荐冷启动场景中提供额外的信息。该方法融合了用户行为特征和项目特征。一个时间离线评价方法也提出了一个补充的贡献，这样的任务更现实的评价，考虑到动态因素，影响全球读者的兴趣，如流行度，新近度和季节性。大量基于会话的推荐方法进行了实验，所提出的CHAMELEON元架构的实例化在最佳基准方法的前n个准确性和排名指标（命中率为10%，MRR为13%）方面获得了显着的相对改善。
2018-09-17 cs.AI cs.IR cs.LG
Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation
Centre for Frontier AI Research（前沿人工智能研究中心）；Institute of High Performance Computing（高性能计算研究所）；A*STAR（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）；Hong Kong Polytechnic University（香港理工大学）
本研究针对LLM在下一个POI推荐中的零样本泛化能力，设计了新颖的提示策略，将推荐任务表述为排序问题，考虑用户地理偏好、空间距离和顺序转移，并在真实数据集上验证了LLM的零样本推荐能力及其对地理上下文理解的局限性。
2024-04-22 cs.AI cs.IR
TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation
School of Electronic Information；Electrical Engineering Shanghai JiaoTong University Shanghai, China
针对下一POI推荐中翻译嵌入方法忽视时间因素的问题，提出TransTARec，在统一组件内融合时间影响、序列动态与用户偏好，并在真实数据集上验证其优越性。
2024-04-10 cs.AI cs.IR
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Zhejiang University（浙江大学）；Chengdu University of Information Technology（成都信息工程大学）
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题，提出MRP-LLM模型，通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块，在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；T-Bank（T银行）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
针对下一购物篮推荐中物品组合复杂且深度学习表现不佳的问题，提出SAFERec算法，通过融合物品频率信息增强Transformer架构，在多个数据集上显著优于基线方法。
2024-12-20 cs.AI cs.IR
A Next Basket Recommendation Reality Check
University of Amsterdam（阿姆斯特丹大学）
下一个购物篮推荐（NBR）系统的目标是根据用户先前购物篮的顺序为用户推荐下一个购物篮的物品。最近，已经提出了许多具有复杂模块的方法，这些方法声称具有最先进的性能。他们很少查看预测的篮子，只是为观察到的改进提供直观的原因，例如，更好的表示、捕获意图或关系等。我们提供了一个新的角度来评估下一个购物篮推荐方法，集中在重复和探索之间的区别上：下一个购物篮通常由先前消费的物品组成（即，重复项）和新项（即，探索项）。我们提出了一套衡量重复/探索比率和NBR模型性能的指标。使用这些新的指标，我们分析国家的最先进的NBR模型。我们的分析结果有助于澄清现有NBR方法所取得的实际进展程度以及改进的根本原因。总的来说，我们的工作揭示了NBR的评价问题，并为这项任务的模型设计提供了有用的见解。
2023-03-09 cs.AI cs.IR
TLSAN: Time-aware Long- and Short-term Attention Network for Next-item Recommendation
School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）
最近，深度神经网络由于其在捕获/建模用户偏好方面的有效性而被广泛应用于推荐系统中。特别是，深度学习中的注意力机制使得推荐系统能够以自适应的方式结合各种特征。具体来说，对于下一个商品推荐任务，我们有以下三个观察结果：1）用户的顺序行为记录在时间位置上聚集（“时间聚集”），2）用户具有与“时间聚集”现象相关的个性化品味（“个性化时间聚集”），3）用户的短期兴趣在下一个商品预测/推荐中发挥着重要作用。在本文中，我们提出了一个新的时间感知的长期和短期注意力网络（TLSAN），以解决上述观察。具体而言，TLSAN由两个主要组件组成。首先，TLSAN模型“个性化的时间聚合”，并学习用户特定的时间品味通过可训练的个性化的时间位置嵌入与类别感知的相关性在长期行为。其次，提出了长期和短期特征关注层，以有效地捕获用户的长期和短期偏好，以进行准确的推荐。特别是，注意力机制使TLSAN能够以自适应的方式利用用户的偏好，其在长期和短期层的使用增强了TLSAN处理稀疏交互数据的能力。在不同领域的Amazon数据集上进行了大量的实验，结果表明TLSAN在捕获用户偏好和执行时间敏感的下一项推荐方面都优于最先进的基线。
2021-03-16 cs.AI cs.IR
Geography-Aware Large Language Models for Next POI Recommendation
Sun Yat-sen University（中山大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对大语言模型应用于下一个POI推荐时存在的空间上下文建模难、POI关系捕捉不足的问题，提出融合地理坐标注入模块与POI对齐模块的GA-LLM框架，在三个真实数据集上取得最优性能。
2025-05-18 cs.AI cs.IR
MAS4POI: a Multi-Agents Collaboration System for Next POI Recommendation
Beijing Normal University-Hong Kong Baptist University United International College（北京师范大学-香港浸会大学联合国际学院）；University of Warwick（华威大学）
本文提出 MAS4POI 系统，通过 DataAgent、Manager 等多智能体协作，利用 LLM 增强下一个 POI 推荐，并在真实数据集上验证了其提升推荐准确率的有效性。
2024-09-05 cs.AI cs.IR cs.SI
Modeling Dynamic Attributes for Next Basket Recommendation
Salesforce（赛富时）；UC San Diego（加州大学圣地亚哥分校）
传统的下一个商品和下一个购物篮推荐方法通常基于用户过去的交互和相关联的静态上下文信息（例如，用户id或商品类别）来提取用户的兴趣。然而，提取的利益可能是不准确的，并成为过时的。动态属性，如用户收入变化、物品价格变化等，随着时间的推移而改变。这种动态可以内在地反映用户兴趣的演变。我们认为，这样的动态属性建模可以提高推荐性能。然而，将它们适当地集成到用户兴趣模型中是具有挑战性的，因为属性动态可以是多样的，例如时间间隔感知的、周期性模式（等），它们从不同的角度代表用户的行为，这些行为可以与交互异步发生。除了动态属性之外，每个篮子中的项目还包含复杂的相互依赖关系，这可能是有益的，但对于有效捕获来说并不微不足道。为了应对这些挑战，我们提出了一种新的Attentive网络来建模动态属性（命名为Anda）。Anda分别编码动态属性和篮子项目序列。我们设计了一个周期性感知编码器，使模型能够从动态属性中捕获各种时间模式。为了有效地学习有用的项目关系，提出了篮内注意模块。在三个真实世界数据集上的实验结果表明，我们的方法始终优于最先进的。
2021-09-23 cs.AI cs.IR
ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation
Fudan University（复旦大学）；Southeast University（东南大学）；University of Malaya（马来亚大学）
ADS-POI通过分解用户行为为多个时空感知状态，提升兴趣点推荐的准确性和鲁棒性，实验显示其优于现有最先进基线。
2026-02-10 cs.AI cs.IR
Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation
下一个兴趣点（POI）推荐对于基于位置的服务提供商和用户都具有很大的价值。最近，递归神经网络（RNN）已被证明是有效的顺序推荐任务。然而，现有的RNN解决方案很少考虑邻居签到之间的时空间隔，这对于在下一个POI推荐中建模用户签到行为是必不可少的。在本文中，我们提出了一种新的LSTM变体，称为STLSTM，它在LSTM中实现了时间门和距离门，以捕获连续签入之间的时空关系。具体来说，一个时间门和一个距离门被设计用于控制短期兴趣更新，另一个时间门和距离门被设计用于控制长期兴趣更新。此外，为了减少参数的数量和提高效率，我们进一步将耦合输入和遗忘门与我们提出的模型相结合。最后，我们使用来自各种基于位置的社交网络的四个真实世界的数据集来评估所提出的模型。我们的实验结果表明，我们的模型显着优于国家的最先进的方法为下一个POI推荐。
2018-06-18 cs.IR
RALLM-POI: Retrieval-Augmented LLM for Zero-shot Next POI Recommendation with Geographical Reranking
Singapore University of Technology and Design（新加坡科技设计大学）
RALLM-POI通过历史轨迹检索、地理距离重排序和智能体式LLM自校正，在零样本条件下提升下一兴趣点推荐准确性，并在三个Foursquare数据集上优于传统和LLM基线。
2025-09-21 cs.AI cs.IR
CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention
University of Hildesheim（希尔德斯海姆大学）
在稀疏推荐环境中，用户的上下文和项目属性在决定下一步推荐哪些项目时起着至关重要的作用。尽管如此，最近在顺序和时间感知推荐方面的工作通常要么忽略这两个方面，要么只考虑其中一个，限制了它们的预测性能。在本文中，我们提出了一个上下文和属性感知的推荐模型（CARCA），可以捕捉动态性质的用户简档的上下文功能和项目属性，通过专用的多头自我注意块，提取配置文件级别的功能和预测项目得分。此外，与许多当前最先进的顺序项目推荐方法不同，这些方法使用最新项目的潜在特征和目标项目嵌入之间的简单点积进行评分，CARCA使用所有配置文件项目和目标项目之间的交叉注意力来预测它们的最终得分。这种交叉关注使CARCA能够利用用户简档中旧项目和新项目之间的相关性，以及它们对决定下一步推荐哪个项目的影响。在四个真实推荐系统数据集上的实验表明，该模型在项目推荐任务中的性能明显优于所有最先进的模型，并且在归一化折扣累积增益（NDCG）和命中率方面实现了高达53%的改进。结果还表明，CARCA的性能优于几个最先进的专用的基于图像的推荐系统，仅仅是利用从预先训练的ResNet50中提取的图像属性在黑盒的方式。
2022-04-04 cs.AI cs.IR
Explaining the (Not So) Obvious: Simple and Fast Explanation of STAN, a Next Point of Interest Recommendation System
LTCI, Télécom Paris（法国电信学院 LTCI）；Institut Polytechnique de Paris（巴黎综合理工学院）
针对下一个兴趣点推荐系统STAN，提出结合其协同过滤与序列预测特性的简单快速可解释方案，可通过用户相似性、关键时间步解释结果并辅助调试输出。
2024-10-04 cs.AI cs.IR cs.LG
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
STAN: Spatio-Temporal Attention Network for Next Location Recommendation
University of Washington（华盛顿大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Renmin University of China（中国人民大学）
下一个位置推荐是各种基于位置的应用程序的核心。现有的模型试图通过层次网格化来解决空间稀疏性问题，通过显式时间间隔来描述时间关系，但仍有一些关键问题没有得到解决。非相邻位置和非连续访问为理解用户的行为提供了重要的相关性，但很少被考虑。为了从用户轨迹中聚合所有相关访问，并从加权表示中召回最合理的候选者，在这里，我们提出了一个时空注意力网络（STAN）的位置推荐。STAN明确地利用了所有签到的相对时空信息，沿着轨迹具有自我注意层。这种改进允许非相邻位置之间的点对点交互和具有显式时空效果的非连续签入。STAN采用双层注意结构，首先在用户轨迹内聚合时空相关性，然后考虑个性化项目频率（PIF）召回目标。通过可视化，我们表明STAN符合上述直觉。实验结果明确表明，我们的模型比现有的最先进的方法高出9- 17%。
2021-02-08 cs.AI cs.IR
Joint Triplet Loss Learning for Next New POI Recommendation
GrabTaxi Holdings（GrabTaxi控股公司）；School of Computing, National University of Singapore（新加坡国立大学计算学院）；National University of Singapore（新加坡国立大学）
用户兴趣点矩阵的稀疏性是下一个兴趣点推荐的一个公认问题，这阻碍了用户偏好的有效学习。针对更细粒度的扩展问题，我们提出了一个联合三重丢失学习（JTLL）模块的下一个新的（$N^2$）POI推荐任务，这是更具挑战性的。JTLL模块首先从用户的历史兴趣点访问序列中计算额外的训练样本，然后根据兴趣点和用户嵌入之间的关系，设计了一个三元组损失函数来减小和增大兴趣点和用户嵌入之间的距离。接下来，JTLL模块与最近的方法联合训练，以额外学习推荐任务的未访问关系。在两个已知的真实世界LBSN数据集上进行的实验表明，我们的联合训练模块能够提高最近现有作品的性能。
2022-09-25 cs.AI cs.IR cs.LG
Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs
The Hong Kong Polytechnic University（香港理工大学）；Baidu Inc.（百度公司）
本文提出RecBench+数据集，用于评估LLM在复杂用户推荐任务中的能力，揭示LLM在处理条件查询时的优势及推理挑战。
2026-02-02 cs.AI cs.IR
Modeling Multi-interest News Sequence for News Recommendation
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
一种基于会话的新闻推荐系统，通过对用户在会话中阅读/点击的新闻序列中嵌入的潜在兴趣进行建模，向用户推荐下一个新闻。通常，用户的兴趣是多样的，即存在对应于不同类型的新闻的多个兴趣，例如，不同主题的新闻，在一个会话中。%对这种多重兴趣进行建模对于精确的新闻推荐至关重要。然而，大多数现有的方法通常忽略了这样的重要特性，从而无法区分和建模的用户的潜在的多种兴趣，阻碍了准确的推荐下一条新闻。因此，本文提出了多兴趣新闻序列（MINS）模型的新闻推荐。在MINS中，设计了一个基于自关注的新闻编码器，学习每一条新闻的信息嵌入，然后设计一个新的并行兴趣网络，提取新闻序列中潜在的多个兴趣，为后续的下一条新闻推荐做准备。在真实数据集上的实验结果表明，我们的模型可以实现比最先进的比较模型更好的性能。
2022-07-19 cs.AI cs.IR
Next-item Recommendations in Short Sessions
不断变化的用户对项目的偏好触发了基于会话的推荐系统（SBRS）的出现，其目的是为下一个项目的推荐建模的动态偏好的用户。然而，大多数现有的SBRS研究都是基于长会话的建议，忽略了短会话，虽然短会话，事实上，在大多数现实世界的数据集占很大比例。因此，现有SBRS解决方案的适用性大大降低。在短会话中，可用的上下文信息非常有限，这使得下一项推荐非常具有挑战性。为此，在本文中，成功的少样本学习（FSL）的启发，有效地学习模型与有限的实例，我们制定了下一个项目的建议作为FSL问题。因此，遵循FSL的代表性方法的基本思想，即，元学习，我们设计了一个有效的SBRS称为会话间协作推荐网络（INter-SEssion collaborative Recommender network，简称EAN），用于在短会话中进行下一个项目的推荐。通过精心设计的局部模块和全局模块，P2P能够在给定的短会话中学习当前用户的最佳偏好表示。在全局模块中，设计了一个相似会话检索网络（SSRN），分别从当前用户和其他用户的历史会话中找出与当前短会话相似的会话。然后利用所获得的相似会话来补充和优化本地模块从当前短会话中学习的偏好表示，以在该短会话中进行更准确的下一项目推荐。在两个真实世界的数据集上进行的大量实验表明，我们提出的神经网络在短时间内进行下一个项目推荐时，优于最先进的SBRS。
2021-07-20 cs.IR
Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations
本文提出DCPR框架，利用扩散模型和云-边-端架构实现区域个性化POI推荐，减少设备计算负担，并在真实数据集上验证了其高准确性、高效性和对新用户区域的适应性。
2024-05-22 cs.IR
End-to-End Personalized Next Location Recommendation via Contrastive User Preference Modeling
预测下一个位置是许多基于位置的服务（如目的地预测和路线规划）中非常有价值和常见的需求。下一个位置推荐的目标是基于用户的历史轨迹来预测用户可能去的下一个兴趣点。现有的模型大多只从用户的历史签到序列中学习移动模式，而忽略了用户偏好建模的重要性。在这项工作中，一个新的点的兴趣Transformer（POIFormer）与对比用户偏好建模开发的端到端的下一个位置推荐。该模型由三个主要模块组成：历史编码器、查询生成器和偏好解码器。历史编码器被设计成从历史登记序列中建模移动模式，而查询生成器显式地学习用户偏好以生成用户特定的意图查询。最后，偏好解码器结合意图查询和历史信息来预测用户的下一个位置。广泛的比较与代表性的计划和消融研究的四个真实世界的数据集证明了所提出的计划在各种设置下的有效性和优越性。
2023-03-22 cs.IR
Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling
针对推荐系统物品冷启动难题，提出基于transformer的Next-User Retrieval生成式框架，通过建模用户交互序列生成潜在交互用户，结合物品特征提升推荐效果，在抖音实验中获显著指标提升。
2025-06-18 cs.IR
Efficiently Maintaining Next Basket Recommendations under Additions and Deletions of Baskets and Items
University of Amsterdam（阿姆斯特丹大学）；ABN AMRO Bank（荷兰银行）；AIRLab, University of Amsterdam（阿姆斯特丹大学AIR实验室）
在当今日益数字化的社会中，推荐系统在帮助人们查找信息和做出决策方面发挥着重要作用。然而，这种机器学习应用的广泛采用也引起了数据隐私方面的担忧。欧洲最近的“通用数据保护条例”（GDPR）解决了这些问题，该条例要求公司在用户行使其“被遗忘权”时，应要求删除个人用户数据。许多研究人员认为，这种删除义务不仅适用于存储在关系数据库等主数据存储中的数据，还需要更新机器学习模型，其训练集包括要删除的个人数据。我们探索这个方向的上下文中的顺序推荐任务称为下一个篮子推荐（NBR），其目标是推荐一组项目的基础上用户的购买历史。我们设计了有效的算法，递增和递减更新一个国家的最先进的下一个篮子推荐模型，以响应用户购物篮和项目的添加和删除。此外，我们讨论了一个有效的，数据并行实现我们的方法在火花结构化流系统。我们评估了我们在各种真实数据集上的实现，在那里我们调查了我们的更新技术对几个排名指标的影响，并测量了执行模型更新的时间。我们的研究结果表明，我们的方法提供了恒定的更新时间效率相对于一个额外的用户篮在增量的情况下，和线性效率在递减的情况下，我们删除现有的篮子。使用适度的计算资源，我们能够以大约0.2毫秒的延迟更新模型，无论增量情况下的历史大小如何，并且在递减情况下小于1毫秒。
2022-01-27 cs.AI cs.IR
On the Equivalence Between Auto-Regressive Next Token Prediction and Full-Item-Vocabulary Maximum Likelihood Estimation in Generative Recommendation--A Short Note
Kuaishou Technology（快手科技）
本文证明自回归下一个token预测与完整物品词汇最大似然估计在生成推荐中严格等价，为工业级推荐系统提供理论基础。
2026-04-17 cs.IR
Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation
Sun Yat-Sen University（中山大学）；Wens Foodstuff Group Co., Ltd.（温氏食品集团股份有限公司）；Guangdong Polytechnic Normal University（广东技术师范大学）；University of Illinois（伊利诺伊大学）
针对下一篮子推荐中高阶物品关系与OOV物品编码难题，提出HEKP4NBR方法，利用知识树提示增强PLM，并通过超图卷积建模多物品相关性，实验验证其有效性。
2023-12-26 cs.AI cs.IR
Next Item Recommendation with Self-Attention
在本文中，我们提出了一种新的序列感知推荐模型。我们的模型利用自我注意力机制，从用户的历史交互推断项目之间的关系。通过自注意，它能够估计用户交互轨迹中每个项目的相对权重，以更好地学习用户瞬时兴趣的表示。该模型最终在度量学习框架中进行训练，同时考虑短期和长期意图。在不同领域的广泛数据集上的实验表明，我们的方法远远优于最先进的方法。
2018-08-25 cs.IR
Generative Next POI Recommendation with Semantic ID
针对现有生成式POI推荐使用随机ID缺乏语义的问题，提出GNPR-SID，通过语义ID构建和生成式推荐模块，利用残差量化变分自编码器及多样性损失，在三个基准数据集上最高提升16%的推荐准确性。
2025-06-18 cs.IR
Origin-Aware Next Destination Recommendation with Personalized Preference Attention
GrabTaxi Holdings（GrabTaxi控股公司）；School of Computing, National University of Singapore（新加坡国立大学计算学院）；National University of Singapore（新加坡国立大学）；Grab-NUS AI Lab（Grab-新加坡国立大学人工智能实验室）
下一个目的地推荐是出租车和乘车服务的运输领域中的重要任务，其中用户被推荐具有个性化目的地，给出他们当前的起源位置。然而，最近的推荐工作并不满足这种原产地意识属性，只考虑从历史目的地位置，没有原产地信息的学习。因此，所得到的方法不能基于用户的当前位置来学习和预测来源感知推荐，导致次优性能和较差的现实世界实用性。因此，在这项工作中，我们研究了原产地感知的下一个目的地推荐任务。我们提出了时空起点-目的地个性化偏好注意力（STOD-PPA）编码器-解码器模型，通过首先在局部和全局视图中使用空间和时间因素对起点和目的地序列进行编码，然后通过个性化偏好注意力对其进行解码，以预测下一个目的地，从而学习起点-起点（OO），目的地-目的地（DD）和起点-目的地（OD）关系。在七个真实用户轨迹出租车数据集上的实验结果表明，我们的模型显着优于基线和最先进的方法。
2021-01-11 cs.AI cs.IR cs.LG
Beyond Next Item Recommendation: Recommending and Evaluating List of Sequences
推荐系统（RS）建议项目的基础上估计的偏好的用户。最近的RS方法利用向量空间嵌入和深度学习方法来进行有效的推荐。然而，这些方法中的大多数忽略了顺序性特征并且考虑了每个交互，例如，办理入住手续，彼此独立。该方法考虑了用户与项目的交互的顺序性，并使用它们来推荐多项目序列的列表。所提出的方法使用FastText \cite{bojanowski2016enriching}（自然语言处理（NLP）中的公知技术）来对序列的子单元之间的关系建模，例如，跟踪、播放列表，并利用训练的表示作为传统推荐方法的输入。多项目序列的推荐列表由ROUGE \cite{lin2003automatic,lin2004rouge}度量评估，该度量也常用于NLP文献。目前的实验结果表明，它是可能的，除了传统的下一个项目推荐的多项目序列的列表。此外，使用FastText，它利用输入序列的子单元，有助于克服冷启动用户的问题。
2020-08-30 cs.IR
Refine-POI: Reinforcement Fine-Tuned Large Language Models for Next Point-of-Interest Recommendation
Refine-POI通过拓扑感知ID生成和强化微调，解决LLMs在POI推荐中的语义连续性和top-k推荐问题，提升推荐准确性和可解释性。
2026-08-28 cs.AI cs.IR cs.LG
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
Tensor-based Sequential Learning via Hankel Matrix Representation for Next Item Recommendations
Skolkovo Institute of Science；Artificial Intelligence Research Institute, 105064, Moscow, Russia
最近，自我关注的Transformer模型已经被证明可以非常有效地解决下一个项目的推荐任务。学习到的注意力权重捕捉用户行为中的顺序动态，并且具有很好的泛化能力。由于学习参数空间的特殊结构，我们质疑是否有可能用另一种更轻量级的方法来模仿它。我们开发了一种新的基于张量分解的模型，该模型在学习过程中嵌入了有关序列数据的结构知识。我们演示了如何自我注意网络的某些属性可以复制与我们的方法基于特殊的汉克尔矩阵表示。由此产生的模型有一个浅的线性结构，并与其神经对应物竞争。
2022-12-12 cs.AI cs.IR cs.LG
Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation
针对下一篮推荐忽视价格及商品—购物篮—用户交互建模不足的问题，提出BDHH动态异构超图方法，利用价格关系图与购物篮引导增强网络提升推荐准确率。
2024-09-18 cs.IR
DAN-SNR: A Deep Attentive Network for Social-Aware Next Point-of-Interest Recommendation
下一个（或连续的）兴趣点（POI）推荐近年来引起了越来越多的关注。以往的研究大多试图将时空信息和用户签到的序列模式结合到推荐模型中，以预测目标用户的下一步行动。然而，这些方法都没有利用每个用户的朋友的社会影响力。在这项研究中，我们讨论了一个新的话题下一个兴趣点推荐，并提出了一个深度关注网络的社会意识下一个兴趣点推荐称为DAN-SNR。特别地，DAN-SNR利用自我注意力机制而不是递归神经网络的架构，以统一的方式对顺序影响和社会影响进行建模。此外，我们设计并实现了两个并行的渠道，以捕捉短期用户偏好和长期用户偏好以及社会影响力，分别。通过利用多头自注意，DAN-SNR可以有效地建模任何两个历史签入之间的远程依赖关系，并自适应地权衡它们对下一个目的地的贡献。此外，我们使用从两个流行的基于位置的社交网络，即Gowalla和Rekite收集的大规模真实世界数据集进行了全面评估。实验结果表明，DAN-SNR优于7竞争基准方法的推荐性能，是高效率的六个神经网络和注意力为基础的方法。
2020-04-25 cs.IR cs.SI
CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation
Fudan University（复旦大学）；Southeast University（东南大学）；University of Malaya（马来亚大学）
本文提出CaST-POI模型，通过候选条件化序列阅读器动态关注用户历史，引入候选相对时间空间偏置，提升POI推荐性能。
2026-09-03 cs.AI cs.IR
Addressing Cold Start For next-article Recommendation
University of Minnesota（明尼苏达大学）
本研究将ALMM模型改造用于MIND数据集上的新闻推荐，通过顺序点击建模和BERT/TF-IDF特征提取，在冷启动场景下优于基线模型，但指出最小修改的ALMM不适用。
2025-08-01 cs.IR cs.LG
Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation
下一兴趣点推荐是基于位置的社交网络中不可或缺的组成部分，它根据用户最近的访问历史向用户推荐未探索的兴趣点。然而，现有的工作主要模型的检入数据作为孤立的POI序列，忽略了关键的合作信号，从交叉序列检入信息。此外，稀疏的POI-POI转换限制了模型学习有效的序列模式进行推荐的能力。在本文中，我们提出了序列到图（Seq 2Graph）增强每个POI序列，允许协作信号传播属于其他序列的相关POI。然后，我们设计了一种新的序列到图形POI推荐器（SGRec），它联合学习POI嵌入，并从图形增强的POI序列推断用户的时间偏好。为了克服POI级交互的稀疏性，我们进一步将类别感知注入SGRec，并使用多任务学习方案捕获更密集的类别转换。因此，SGRec充分利用协作信号来学习表达性POI表示，并全面揭示用于用户偏好建模的多层次序列模式。在两个真实数据集上的大量实验证明了SGRec在下一个POI推荐中相对于最先进方法的优越性。
2022-04-27 cs.IR
RecNextEval: A Reference Implementation for Temporal Next-Batch Recommendation Evaluation
Nanyang Technological University（南洋理工大学）
RecNextEval通过时间窗口数据分割确保模型在全局时间线上评估，减少数据泄露，提升推荐系统评估的准确性和可复现性。
2026-04-15 cs.IR
Attention-based neural re-ranking approach for next city in trip recommendations
Edinburgh（爱丁堡）；Saint-Petersburg（圣彼得堡）
本文描述了一种解决旅游预订系统下一个目的地城市推荐问题的方法。我们提出了一个两阶段的方法：一个启发式的候选人选择方法和一个注意力神经网络模型的候选人重新排名。我们的方法的灵感来自列表学习排名方法和自然语言处理的最新发展，特别是Transformer架构。我们使用这种方法来解决Booking.com推荐挑战我们的团队使用这种方法在挑战中获得了第5名，在数据集的封闭部分上获得了0.555的准确度@4值。
2021-03-23 cs.IR cs.LG
Practical Data Poisoning Attack against Next-Item Recommendation
在线推荐系统利用各种信息源来向用户提供用户潜在感兴趣的项目。然而，由于在线平台的开放性，推荐系统容易受到数据投毒攻击。现有的攻击方法要么基于简单的启发式规则，要么针对特定的建议方法而设计。前者的性能往往不令人满意，而后者则需要对目标系统有很强的了解。在本文中，我们专注于一个一般的下一个项目的建议设置，并提出了一个实用的中毒攻击方法命名为LOKI黑盒推荐系统。该算法利用强化学习算法对攻击代理进行训练，生成用户行为样本，用于数据投毒。在现实推荐系统中，重新训练推荐模型的成本很高，用户与推荐系统之间的交互频率受到限制，鉴于这些现实限制，我们建议让代理与推荐模拟器而不是目标推荐系统交互，并利用生成的对抗样本的可移植性来毒害目标系统。我们还建议使用影响函数来有效地估计注入样本对推荐结果的影响，而无需在模拟器内重新训练模型。在两个数据集上对四种典型推荐模型进行了大量实验，实验结果表明，该方法比现有方法具有更好的攻击性能。
2020-04-07 cs.CR cs.IR
Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
在现代电子商务中，顾客的行为包含着丰富的信息，消费习惯，偏好的动态。最近，基于会话的推荐越来越流行，以探索客户的交互行为的时间特性。然而，现有的研究主要是利用短期行为，没有充分考虑客户的长期稳定的偏好和演变。在本文中，我们提出了一种新的行为密集型神经网络（BINN）的下一个项目推荐结合用户的历史稳定的偏好和目前的消费动机。具体来说，BINN包含两个主要组件，即，神经项目嵌入和区分行为学习。首先，提出了一种基于用户交互的项目嵌入方法，以获得每个项目的统一表示。然后，通过嵌入的项目和项目序列上的交互行为，BINN有区别地学习目标用户的历史偏好和当前动机。因此，BINN可以更好地为目标用户推荐下一个项目。最后，为了评估BINN的性能，我们在两个真实世界的数据集上进行了广泛的实验，即，天池和JD.实验结果清楚地证明了BINN的有效性与几个国家的最先进的方法相比。
2018-08-03 cs.IR
Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation
Nankai University（南开大学）
本文提出移动树数据结构及MTNet多任务框架，通过多粒度时间段节点学习用户偏好，在三个真实数据集上超越十种现有模型，有效提升下一个POI推荐性能。
2024-03-17 cs.AI cs.IR cs.LG
Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation
针对生成式下一个POI推荐中异构信息丢失和单一行为理解不足的问题，提出KGTB框架，利用知识图谱组织数据并开发基于KG的标记器生成结构ID，同时引入多行为学习任务微调LLM，显著提升了推荐性能。
2025-09-15 cs.IR
Beyond Ranking Accuracy: Evaluating LLM-Cited Feature Rationales for Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
该研究针对下一个购物篮回购推荐，探究LLM作为独立推荐器的可行性，发现其排序能力不及监督排序器，但可作为经验证的解释组件，且理由质量需与排序准确率分开评估。
2026-09-01 cs.AI cs.IR
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland（奥克兰大学）
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动，为用户和服务提供商提供巨大的价值。然而，这个问题显然是复杂的，因为需要综合考虑各种数据趋势。这包括空间位置，时间背景，用户的喜好，等等。大多数现有的研究认为，下一个POI推荐作为一个序列预测问题，而忽略了其他用户的合作信号。相反，我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型（GETNext），以更好地利用广泛的协作信号，更准确的下一个POI预测，并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中，以预测用户的未来移动。通过这种设计，我们的模型优于最先进的方法，具有很大的利润，也揭示了冷启动的挑战，在时空涉及的推荐问题。
2023-03-03 cs.IR cs.LG
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation
针对下一个兴趣点推荐中的高阶关系建模和冷启动问题，提出超图增强元学习自适应网络，通过异构超边和多样性感知元学习提升推荐准确性。
2025-03-27 cs.IR cs.SI
A Multi-Channel Next POI Recommendation Framework with Multi-Granularity Check-in Signals
针对签到数据稀疏问题，提出多通道多粒度下一POI推荐框架MCMG，融合细/粗粒度及局部/全局签到信号，通过三个模块捕获序列规律与动态影响，在四个数据集上显著优于现有方法。
2022-09-01 cs.IR
Large Language Models for Next Point-of-Interest Recommendation
University of New South Wales（新南威尔士大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出利用预训练大语言模型处理原始异构LBSN数据的下一POI推荐框架，通过保留上下文信息和引入常识知识，在三个真实数据集上超越现有最优模型，并有效缓解冷启动与短轨迹问题。
2024-08-01 cs.AI cs.IR cs.LG
Efficient Model-Agnostic Continual Learning for Next POI Recommendation
University of Electronic Science and Technology of China（电子科技大学）；Wuhan University（武汉大学）；The Hong Kong Polytechnic University（香港理工大学）
GIRAM通过高效连续学习框架提升下一步兴趣点推荐的效率与准确性。
2025-11-26 cs.IR
[RE] Modeling Personalized Item Frequency Information for Next-basket Recommendation
本文复现并扩展了基于个性化商品频率的TIFU-KNN下一篮推荐模型，通过多数据集与多指标验证其优于基线，并引入β-VAE架构，同时分析了公平性与小购物篮挑战。
2024-02-27 cs.IR
