Value Identification in Multistakeholder Recommender Systems for Humanities and Historical Research: The Case of the Digital Archive Monasterium.net
本文针对数字档案 Monasterium.net，识别并分析了多利益相关者在人文与历史研究推荐系统中的多元价值与潜在冲突，为优化系统设计及评估指标提供了依据。
2024-09-26 cs.DL cs.IR
Incorporating System-Level Objectives into Recommender Systems
任何推荐系统最重要的部分之一就是个性化--从用户的角度来看，推荐的可接受程度。然而，在许多现实世界的应用程序中，还有其他利益相关者的需求和利益应该考虑在内。在这项工作中，我们定义的问题，多利益相关者的建议，我们专注于寻找算法的特殊情况下，推荐系统本身也是一个利益相关者。此外，我们将探讨的想法，逐步纳入系统级的目标，随着时间的推移，以解决现有的问题，优化技术，只寻找优化个人用户的列表。
2019-05-31 cs.IR
A Multistakeholder Approach to Value-Driven Co-Design of Recommender System Evaluation Metrics in Digital Archives
本文提出首个多利益相关者方法，通过焦点小组将利益相关者价值转化为数字档案推荐系统的评估指标设置，针对发现、交互、整合和影响四个研究漏斗阶段提出了定制化指标方向，为文化遗产领域及更广泛的推荐系统社区提供了可转移的评估方法。
2025-07-16 cs.DL cs.IR
A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern University（西北大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。公平性的一种具体形式是供应商暴露公平性，其目标是确保在向用户提供的建议中公平地覆盖所有供应商的项目。这在多利益相关者推荐场景中尤其重要，在这些场景中，不仅为最终用户优化效用，而且为其他利益相关者（例如希望公平表示其物品的物品销售商或生产商）优化效用也很重要。这种类型的供应商公平性有时是通过尝试增加聚合多样性来实现的，以减轻受欢迎的偏见，并提高推荐中长尾项目的覆盖率。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为推荐生成后的后处理方法，以提高项目和供应商的曝光公平性。该算法迭代地将具有低可见性的高质量项目或来自具有低曝光度的供应商的项目添加到用户的最终推荐列表。在两个数据集上进行的一组全面的实验以及与最先进基线的比较表明，FairMatch在显着提高曝光公平性和总体多样性的同时，保持了可接受的建议相关性水平。
2021-07-07 cs.AI cs.IR
Recommender Systems Fairness Evaluation via Generalized Cross Entropy
推荐系统中的公平性已经关于用户的敏感属性（例如，性别、种族）或项目（例如，在多个利益攸关方的背景下的收入）。无论如何，这一概念通常被解释为某种形式的平等-即，系统在同等意义上满足所有用户信息需求的程度。在本文中，我们认为，在推荐系统中的公平性并不一定意味着平等，而是应该考虑基于优点和需求的资源分配。我们提出了一个基于广义交叉熵的概率框架来评估推荐系统的公平性，在这个角度下，我们表明，所提出的框架是灵活的和解释性的，允许将领域知识（通过一个理想的公平分布），可以帮助理解哪些项目或用户方面的推荐算法是过度或不足代表。两个真实世界的数据集上的结果表明，无论是在用户和项目公平性的建议的评价框架的优点。
2019-08-19 cs.IR
Pattern-wise Transparent Sequential Recommendation
本文提出可解释框架PTSR，通过将物品序列分解为多级模式并在概率空间量化其贡献，在无需真实关键模式的情况下隐式学习模式贡献，实现了兼顾推荐性能与模型可解释性的透明序列推荐。
2025-03-04 cs.IR
Can we leverage rating patterns from traditional users to enhance recommendations for children?
推荐算法的性能通常与足够的历史评级数据的可用性相关联。不幸的是，当涉及到儿童时，这一数据很少可用。在本文中，我们报告了一项初步分析，以检查有关传统用户的数据，即，成年人，可以用来加强儿童的推荐过程。
2018-08-24 cs.IR
HTP: Exploiting Holistic Temporal Patterns for Sequential Recommendation
该研究针对序列推荐挖掘更多时间信息的需求，提出融合三类时间模式的HTP神经网络，解决两类时间间隔的关联建模难题，在三个基准数据集上性能显著优于现有最优模型。
2023-07-22 cs.IR
Behavior Pattern Mining-based Multi-Behavior Recommendation
针对多行为推荐中未充分探索用户与项目间复杂行为模式的问题，提出BPMR算法，通过挖掘交互模式作为特征并采用贝叶斯方法简化推荐过程，在三个真实数据集上显著优于现有方法。
2024-08-22 cs.IR
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式，以建模用户如何在项目之间传输。然而，在许多实际场景中，有大量的冷启动用户，只有最少的记录交互。其结果是，现有的顺序推荐模型将失去其预测能力，由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中，我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL，学习模型的过渡模式的用户通过元学习。具体而言，建议MetaTL：（i）制定顺序推荐冷启动用户作为一个少样本学习问题;（ii）提取动态过渡模式与基于预防的架构用户之间;（iii）采用Meta过渡学习，使快速学习的冷启动用户只有有限的互动，导致准确的推理顺序的互动。
2021-07-13 cs.IR
A Multimodal Ecological Civilization Pattern Recommendation Method Based on Large Language Models and Knowledge Graph
本文提出ECPR-MML方法，结合知识图谱提取区域空间异质性特征，并利用大语言模型生成多模态特征，以提升生态文明模式推荐的准确性与丰富性。
2023-10-29 cs.IR
STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation
STAR-Rec提出序列级混合专家框架，结合偏好感知注意力与状态空间建模，以线性复杂度处理变长序列并自适应路由多样化行为模式，在四个真实数据集上一致超越现有序列推荐方法。
2025-05-06 cs.IR
Micro-Behavior Encoding for Session-based Recommendation
基于会话的推荐（SR）的目的是预测下一个项目的推荐基于先前记录的用户交互会话。大多数现有的SR方法集中在建模的项目的过渡模式。在这样的模型中，所谓的微行为描述了用户如何定位物品并对其执行各种活动（例如，单击、添加到购物车和阅读评论）被简单地忽略。最近的一些研究试图将微观行为的序列模式纳入SR模型。然而，这些顺序模型仍然不能有效地捕捉微观行为操作之间的所有固有的相互依赖性。在这项工作中，我们的目标是系统地研究SR中的微观行为信息的影响。具体来说，我们确定了两种不同的模式的微观行为：“序列模式”和“二元关系模式”。为了建立一个统一的用户微观行为模型，我们首先设计了一个多重图，通过一个图神经网络聚合来自不同项目的序列模式，然后利用一个扩展的自注意网络来开发微观行为的成对关系模式。在三个公开的真实世界数据集上进行的大量实验表明，所提出的方法优于最先进的基线，并证实了这两种不同的微观行为模式对SR的有用性。
2022-04-05 cs.IR
Exploiting Group-level Behavior Pattern forSession-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是根据匿名行为序列预测用户的未来兴趣。现有方法利用强大的表示学习方法将会话编码到低维空间中。然而，尽管取得了这些成就，所有现有的研究都集中在实例级会话学习，而忽略了组级用户的偏好，这是重要的用户行为建模。为此，我们提出了一种新的重复感知神经机制，基于会话的推荐（RNMSR）。在RNMSR中，我们提出分别从实例级和组级学习用户偏好：（i）实例级，在基于相似性的项目成对会话图上使用GNN来捕获实例级的用户偏好。(ii)组级，将会话转换为组级行为模式，以模拟组级用户的偏好。在RNMSR中，我们结合实例级用户偏好和组级用户偏好来建模用户的重复消费，\ie用户是否进行重复消费以及用户偏好哪些项目。在三个真实世界的数据集上进行了大量的实验，\ie Diginetica，Yoochoose和Nowplaying，表明所提出的方法在所有测试中始终达到最先进的性能。
2021-06-01 cs.IR
Offering A Product Recommendation System in E-commerce
本文提出了一系列的显式和隐式评级的产品推荐系统的企业对客户的电子商业的目的。系统向新用户推荐产品。这取决于以前用户的购买模式，这些用户的购买模式与要求推荐的用户的购买模式接近。该系统基于加权余弦相似性度量，从数据库中所有用户的档案中找出最接近的用户简档。在产品推荐中实现了关联规则挖掘。此外，该产品推荐系统考虑了购买物品的交易时间，从而消除了序列识别问题。实验结果表明，对于隐式评分，该方法在推荐产品方面具有可接受的性能。关联规则的引入提高了推荐系统的性能指标。
2011-09-20 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题，提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型，在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks
在短的匿名交互会话而不是长期历史中预测用户的偏好是现实生活中基于会话的推荐中的挑战性问题，例如，电子商务和媒体流。目前基于会话的推荐系统的研究主要集中在利用注意力机制的序列模式，这是直接的会话的自然序列按时间排序。然而，在项目选择的转变中，用户的偏好比仅仅连续的时间模式复杂得多。因此，在本文中，我们研究项目的过渡模式，通过构建一个会话图，并提出了一个新的模型，协同考虑的序列顺序和潜在的顺序在会话图的基于会话的推荐系统。我们将会话中的下一个项目推荐制定为图分类问题。具体来说，我们提出了一个加权的注意力图层和一个读出功能，以学习项目和会话的嵌入，用于下一个项目推荐。在两个电子商务数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，我们的模型优于其他最先进的方法。
2021-07-09 cs.IR
Debiased Contrastive Learning for Sequential Recommendation
目前的顺序推荐系统被提出来处理动态用户偏好学习与各种神经技术，如Transformer和图神经网络（GNNs）。然而，从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺的问题，最近提出了对比学习（CL）方法，以两种方式执行数据增强：（i）随机破坏序列数据（例如随机掩蔽，重新排序）;（ii）在预定义的对比视图中对齐表示。虽然有效，我们认为，目前的CL为基础的方法有局限性，在解决流行的偏见和解开用户的一致性和真正的兴趣。在本文中，我们提出了一个新的Debiased对比学习范例推荐（DCRec），统一的序列模式编码与全球合作关系建模，通过自适应一致性感知增强。该解决方案旨在解决推荐系统中的流行偏见问题。我们的去偏对比学习框架有效地捕捉序列内的项目转换模式和跨序列的用户之间的依赖关系。我们在各种真实世界数据集上的实验表明，DCRec的性能显著优于最先进的基线，表明其推荐的有效性。为了促进我们的结果的可重复性，我们在https://github.com/HKUDS/DCRec上公开了DCRec的实现。
2023-03-21 cs.IR
Context Tree for Adaptive Session-based Recommendation
由于长期用户简档在现实生活中的推荐应用中并不常见，因此近年来，从实践和研究的角度来看，人们对基于会话的推荐任务越来越感兴趣。在这种情况下，需要基于匿名短会话中的模式来生成针对用户的紧接着的动作的建议。一个经常被忽视的方面是，在许多领域（例如新闻和论坛）中，观察有限的新项目不断出现。因此，建议需要适应这种频繁的变化。在本文中，我们基准测试一个新的非参数方法称为上下文树（CT）对各种国家的最先进的方法在广泛的数据集上基于会话的推荐任务。除了标准的静态评估协议通过以前的文献中，我们包括一个自适应配置，以模仿的情况下，有限的观察新项目不断到达。我们的研究结果表明，CT优于两个性能最好的方法（递归神经网络，基于最近邻）在大多数测试的配置和数据集。我们分析了原因，并证明这是因为更好地适应域中的变化，以及学习静态序列模式的显着能力。此外，我们的运行时间分析说明了使用CT作为其他非参数方法的效率。
2018-06-10 cs.IR
Impacts of Mainstream-Driven Algorithms on Recommendations for Children Across Domains: A Reproducibility Study
本文在电影、音乐和图书领域复现并扩展了关于儿童与主流用户消费模式差异的研究，发现推荐算法在儿童群体上的表现差异既源于其内在特征，也受特定数据集和领域影响。
2025-07-09 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
Think2Go: Generative Next POI Recommendation with LLM Reasoning
Dalian University of Technology（大连理工大学）；Wuhan University（武汉大学）；South China University of Technology（华南理工大学）
Think2Go框架统一SFT与RL推理，通过优势加权机制校准策略优化，解决现有POI推荐模型的意图捕捉不足问题，提升推荐性能与稳健性。
2026-08-03 cs.IR
Benefiting from Negative yet Informative Feedback by Contrasting Opposing Sequential Patterns
针对序列推荐中正负反馈利用不足的问题，提出基于两个Transformer编码器分别处理正负交互序列，并通过含对比项的复合损失函数融合反馈信息，实现真阳性指标提升与错误推荐负面物品减少。
2025-08-20 cs.IR
MUFFIN: Mixture of User-Adaptive Frequency Filtering for Sequential Recommendation
针对现有频域序列推荐模型频带覆盖有限且缺乏个性化过滤的问题，本文提出MUFFIN模型，通过全局与局部过滤模块结合用户自适应滤波器，在五个基准数据集上取得最优性能。
2025-08-19 cs.IR
TSRec: Enhancing Repeat-Aware Recommendation from a Temporal-Sequential Perspective
本文提出TSRec模型，通过用户与商品时间表示模块及序列重复感知模块建模时间间隔和序列模式，以增强重复消费推荐，并在三个基准上验证其优于现有方法。
2025-06-10 cs.IR
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Pohang University of Science and Technology（浦项科技大学）
推荐系统在建模用户对商品的偏好和预测用户下一次消费商品方面取得了巨大的成功。近来，已经有许多努力来利用用户与项目的交互的时间信息来捕获用户行为的固有时间模式并在给定时间提供及时的推荐。现有的研究将时间信息视为单一类型的特征，并关注如何将其与用户对项目的偏好相关联。然而，我们认为他们是不够的，充分学习的时间信息，因为用户偏好的时间模式通常是异构的。用户对特定项目的偏好可以1）周期性地增加或2）在重要的最近事件的影响下随时间演变，并且这两种时间模式中的每一种都以一些独特的特征出现。在本文中，我们首先定义了独特的特点，这两种时间模式的用户偏好，应考虑在时间感知推荐系统。然后，我们提出了一种新的推荐系统，及时的建议，称为TimelyRec，联合学习的异构时间模式的用户偏好考虑所有定义的特征。在TimelyRec中，两个编码器的级联使用针对每个编码器的建议的注意力模块来捕获用户偏好的时间模式。此外，我们引入了一个评估场景，该场景评估了在top-K推荐中预测感兴趣的项目以及何时同时推荐该项目的性能（即，项目定时建议）。我们在真实数据集上对项目推荐场景和项目定时推荐场景进行了广泛的实验，证明了TimelyRec和所提出的注意力模块的优越性。
2021-04-29 cs.AI cs.IR
Representation Quantization for Collaborative Filtering Augmentation
针对协同过滤数据稀疏问题，提出两阶段算法DQRec，通过分解量化变分自动编码器提取行为特征生成语义ID，增强特征和同质链接，提升推荐性能。
2025-08-15 cs.IR
Multifaceted User Modeling in Recommendation: A Federated Foundation Models Approach
本文提出一种基于联邦基础模型的多面用户建模推荐方法，通过新型Transformer层与组门控网络分层捕捉用户兴趣多面性，并扩展至联邦设置以利用私有数据，在基准数据集上取得优越性能。
2024-12-22 cs.IR
SCoTER: Structured Chain-of-Thought Transfer for Enhanced Recommendation
Tencent（腾讯）；Chinese Academy of Sciences（中国科学院）
SCoTER通过结构化推理链转移提升推荐系统，解决推理模式发现和结构保持问题，实现推荐效果和成本的双重优化。
2026-02-25 cs.IR
ULMRec: User-centric Large Language Model for Sequential Recommendation
针对 LLM 序列推荐难以捕捉用户级个性化偏好的问题，本文提出 ULMRec，通过标题语义化、用户索引和偏好对齐调优融合用户偏好，并在两个公开数据集上显著优于现有方法。
2024-12-07 cs.IR
Bridging the Information Gap Between Domain-Specific Model and General LLM for Personalized Recommendation
针对通用大语言模型难表达推荐领域信息、领域特定推荐模型受数据稀疏性困扰的问题，提出含信息共享模块的方法，通过协同训练双向提升两类模型的推荐性能，经三个真实数据集验证有效。
2023-11-07 cs.IR
Debiasing Graph Transfer Learning via Item Semantic Clustering for Cross-Domain Recommendations
基于深度学习的推荐系统在缺乏训练交互数据时可能导致过拟合。这种过度拟合显著降低了推荐性能。为了解决这个数据稀疏性问题，跨域推荐系统（CDRS）利用来自辅助源域的数据来促进稀疏目标域上的推荐。大多数现有的CDR依赖于重叠的用户或项目来连接域和传递知识。然而，匹配用户是一项艰巨的任务，当数据来自不同公司时可能会涉及隐私问题，导致上述CDR的应用有限。一些研究通过转移学习到的用户交互模式来开发不需要重叠用户和项目的CDRS。然而，他们忽略了域之间的用户交互模式的偏见，因此遭受一个较低的性能相比，单域推荐系统。在本文中，基于上述研究结果，我们提出了一种新的CDRS，即语义聚类增强的去偏图神经推荐系统（SCDGN），不需要重叠的用户和项目，并可以处理域的偏见。更准确地说，SCDGN语义聚类项目从两个领域，并构建一个跨域的二分图生成的项目集群和用户。然后，通过这个跨域用户聚类图将知识从源传递到目标。此外，我们设计了一个去偏图卷积层SCDGN提取无偏结构知识的跨域用户聚类图。我们在三个公共数据集和一对专有数据集上的实验结果验证了SCDGN在跨域推荐方面优于最先进模型的有效性。
2022-11-07 cs.IR
Modeling Artist Preferences of Users with Different Music Consumption Patterns for Fair Music Recommendations
音乐推荐系统已经成为流行的流媒体平台（如www.example.com，Pandora或Spotify）的核心部分，以帮助用户找到适合他们偏好的音乐。这些系统从用户过去的收听事件中学习，以推荐用户将来可能收听的音乐。在这里，当前的算法通常采用协同过滤（CF）利用用户的收听行为之间的相似性。一些方法还将CF与内容特征结合到混合推荐系统中。虽然音乐推荐系统可以为主流音乐艺术家的听众提供高质量的推荐，但最近的研究表明，它们倾向于歧视非正统、低主流艺术家的听众。这主要是由于低主流音乐的使用数据稀缺，因为音乐消费模式偏向流行艺术家。因此，我们的工作的目标是提供一种新的方法来建模艺术家的喜好，不同的音乐消费模式和收听习惯的用户。
2019-07-23 cs.HC cs.IR
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
DELRec: Distilling Sequential Pattern to Enhance LLMs-based Sequential Recommendation
Donghua University（东华大学）；Macquarie University（麦考瑞大学）
本文提出DELRec框架，通过从传统序列推荐模型中蒸馏行为模式作为软提示，并微调LLMs利用该辅助信息，有效解决了现有LLMs推荐方法中文本信息有限、模型信息利用不充分及复杂度高的问题。
2024-12-18 cs.AI cs.IR
DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns
University of New South Wales（新南威尔士大学）
跨领域推荐一直是推荐系统研究的热点之一。最近，已经提出了各种深度模型来跨领域转移学习的知识，但是它们中的大多数集中于从辅助内容中提取抽象的可转移特征，例如，图像和评论文本，而评级矩阵本身的模式很少被触及。在这项工作中，受领域自适应概念的启发，我们提出了一个深度领域自适应模型（DARec），该模型能够从评级矩阵{ \em only}中提取和传输模式，而不依赖于任何辅助信息。我们在公共数据集上实证证明，我们的方法在几种最先进的跨域推荐模型中达到了最佳性能。
2019-05-26 cs.IR cs.LG stat.ML
Exploring Author Gender in Book Rating and Recommendation
协同过滤算法在评级和消费数据中发现有用的模式，并利用这些模式来引导用户选择好的项目。评级数据集中的许多模式反映了数据中不同用户和项目之间的重要现实差异;其他模式可能与社会或道德原因无关或可能不受欢迎，特别是如果它们反映了不受欢迎的歧视，例如出版或购买时对女性或少数民族作者的歧视。在这项工作中，我们研究了协同过滤推荐算法的响应，他们的输入数据的分布方面的社会关注的一个方面，即内容创建者的性别。使用公开的图书评级数据，我们测量了用户评级配置文件和推荐列表中图书作者的性别分布。我们发现，常见的协同过滤算法不同的性别分布的推荐列表，并在输出分布的关系，用户简档分布。
2020-07-25 cs.HC cs.IR
Denoising Time Cycle Modeling for Recommendation
Ant Group（蚂蚁集团）
本文提出DiCycle方法，通过去噪用户行为并选择与目标物品高度相关的子集，显式建模多样化时间周期模式，在公共和真实数据集上超越现有推荐方法。
2024-02-05 cs.AI cs.IR
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
Graph Neural Netwrok with Interaction Pattern for Group Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家示范性软件学院））
随着社交平台的发展，人们越来越倾向于组合成群体参与一些活动，因此群体推荐逐渐成为一个值得研究的问题。对于群体推荐，一个重要的问题是如何通过个人的交互历史来获取群体和项目的特征表征，从而获得群体对项目的偏好。针对这一问题，我们提出了一种基于交互模式的群推荐图神经网络模型GIP 4GR。具体而言，该模型利用具有强大表示能力的图神经网络框架，在图的拓扑结构中表示群体-用户-项目之间的交互，同时通过分析图的交互模式来调整图神经网络的特征输出，得到群体和项目的特征表示，计算群体对项目的偏好。我们在两个真实世界的数据集上进行了大量的实验，以说明我们的模型的优越性能。
2021-09-21 cs.AI cs.IR cs.LG
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Within-basket Recommendation via Neural Pattern Associator
Loblaw Digital（罗布劳数字公司）；Dalhousie University（达尔豪斯大学）
针对篮内推荐忽视用户多意图、多粒度及意图切换的问题，提出神经模式关联器（NPA），通过向量量化学习意图码本并注意力查找，在杂货与音乐数据集上显著优于现有方法。
2024-03-14 cs.IR cs.LG
Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
Institute of Human-Centred Computing, Graz University of Technology, Austria（以人为中心计算研究所，格拉茨技术大学，奥地利）
本文提出利用模糊神经网络建模新闻推荐中的行为模式，通过学习可读规则提升推荐透明度和可解释性。
2026-01-07 cs.IR cs.LG
Filter Bubble or Homogenization? Disentangling the Long-Term Effects of Recommendations on User Consumption Patterns
本研究将同质化与过滤气泡效应拆解为用户间、用户内多样性两个指标，借助基于智能体的仿真框架发现传统推荐算法仅通过用户间多样性缓解过滤气泡，进而提出兼顾两类多样性的新型推荐算法。
2024-03-07 cs.CY cs.IR
DisCo: Towards Harmonious Disentanglement and Collaboration between Tabular and Semantic Space for Recommendation
Shanghai Jiao Tong University（上海交通大学）
本文提出 DisCo 框架，通过双重侧注意力网络、充分性约束和解耦约束，实现表格与语义空间的解耦与协作，生成模式向量增强推荐主干网络，实验验证了其优越性与兼容性。
2024-06-04 cs.AI cs.IR
Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework
针对VOD选择过载问题，提出融合观看百分比、网络中心性与模块度聚类的推荐框架，实验证明其显著提升CTR、完播率和满意度。
2025-01-08 cs.IR cs.SI
Distilling Transitional Pattern to Large Language Models for Multimodal Session-based Recommendation
Zhejiang University（浙江大学）；Singapore Management University（新加坡管理大学）；National University of Singapore（新加坡国立大学）
针对多模态会话推荐（MSBR）语义丰富性不足问题，提出LLM增强框架TPAD，通过并行模型解析项目知识与过渡特征并对齐，蒸馏过渡模式提升推荐效果，实验验证有效性。
2025-04-13 cs.AI cs.IR
Graph Meta Network for Multi-Behavior Recommendation
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）
现代推荐系统通常基于观察到的交互，将用户和项目嵌入到低维潜在表示中。在实际的推荐场景中，用户经常表现出各种意图，这些意图驱使他们与具有多种行为类型的项目交互（例如，点击、标记为收藏、购买）。然而，大多数现有的方法忽略了用户行为的多样性，这使得它们难以捕获跨不同类型的交互行为的异构关系结构。探索多类型行为模式对推荐系统非常重要，但由于两个方面而非常具有挑战性：i）不同类型的用户-项目交互之间的复杂依赖关系; ii）由于用户的个性化偏好，这种多行为模式的多样性可能会因用户而异。为了解决上述问题，我们提出了一个多行为推荐框架与图Meta网络，将多行为模式建模到一个元学习范式。我们开发的MB-GMN赋予用户-项目交互学习的能力，发现依赖于类型的行为表示，自动提取的行为异质性和交互多样性的建议。在三个真实世界数据集上进行的大量实验表明，与各种最先进的基线相比，MB-GMN的推荐性能显着提高。源代码可以在https：//www.example.com上找到。github.com/akaxlh/MB-GMN
2021-10-08 cs.AI cs.IR
Self-Evolving Memory for Generative Recommendation
National University of Singapore（新加坡国立大学）；Meta AI
针对生成式推荐中因共享参数导致的进化冲突问题，提出基于稀疏键值记忆层的LION框架，通过隔离记忆、强化进化与可扩展应用实现异质行为模式的有效自进化。
2026-09-15 cs.AI cs.IR
SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation
The University of Melbourne（墨尔本大学）
下一个兴趣点（POI）推荐旨在提供关于在给定用户的POI访问历史的情况下接下来访问哪个POI的建议。这个问题在旅游业中有着广泛的应用，并且随着更多的POI签到数据变得可用，它正在获得越来越多的兴趣。该问题通常被建模为顺序推荐问题，以利用用户签入的顺序模式，例如，人们倾向于在参观纽约市的大都会艺术博物馆之后去中央公园。最近，自我关注网络已被证明在一般顺序推荐问题中既有效又高效，例如，来推荐产品、视频游戏或电影。然而，直接采用自我关注网络用于下一POI推荐可能产生次优推荐。这是因为普通的自我关注网络不考虑用户签到的空间和时间模式，这是下一个POI推荐中的两个关键特征。为了解决这个问题，在本文中，我们提出了一个名为SANST的模型，将时空模式的用户签入自我关注的网络。为了结合空间模式，我们将POI的相对位置编码到它们的嵌入中，然后将嵌入送入自我关注网络。为了将时间模式，我们离散化的时间POI检查和模型之间的时间关系POI检查在一个关系感知的自我注意力模块。我们用三个真实世界的数据集来评估我们的SANST模型的性能。结果表明，SANST模型的性能始终优于现有模型，在nDCG@10时的优势达到13.65%。
2020-01-22 cs.IR cs.LG stat.ML
T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
T-REX通过基于Transformer的类别序列生成方法，解决在线杂货推荐中重复购买模式和复杂物品关系的挑战，提升推荐准确性。
2026-02-23 cs.IR cs.LG
Dual-Channel Multiplex Graph Neural Networks for Recommendation
Faculty of Information Science and Engineering, Ocean University of China（信息科学与工程学院，中国海洋大学）；College of Computer Science and Engineering, Shandong University of Science and Technology（计算机科学与工程学院，山东科技大学）；Department of Computer Science and Engineering, Shanghai Jiao Tong University（计算机科学与工程系，上海交通大学）；Department of Computer Science, The University of Hong Kong（计算机科学系，香港大学）
针对多重交互关系建模不足及行为模式内关系影响被忽略的问题，提出双通道多重图神经网络（DCMGNN）框架，通过显式行为模式学习与关系链感知编码捕捉复杂交互，在三个数据集上Recall@10和NDCG@10平均提升10.06%和12.15%。
2025-06-25 cs.IR cs.LG
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation
Zhejiang University（浙江大学）
本文针对多行为序列推荐提出个性化行为感知Transformer框架PBAT，通过个性化行为模式生成器和行为感知协作提取器融合行为与时间影响，在三个基准数据集上验证了其有效性和可解释性。
2024-02-22 cs.AI cs.IR
