Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法，利用项目关联图融合项目间关联与用户行为序列信息，在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
MovieMat: Context-aware Movie Recommendation with Matrix Factorization by Matrix Fitting
电影推荐系统广泛应用于NetFlix和Tubi等商业环境中。经典的推荐模型利用协同过滤、学习排序、矩阵分解和深度学习模型等技术来实现更低的营销费用和更高的收入。然而，电影观众在不同的语境中对同一部电影有不同的评价。重要的电影观看上下文包括观众情绪，位置，天气等。能够利用上下文信息对推荐器构建者有很大的好处。然而，流行的技术，如张量因式分解消耗不切实际的存储量，这大大降低了其在现实世界环境中的可行性。在本文中，我们利用的MatMat框架，矩阵分解矩阵拟合建立一个上下文感知的电影推荐系统，优于经典的矩阵分解和可比的公平性度量。
2022-04-27 cs.IR
LFG: A Generative Network for Real-Time Recommendation
本文针对LFM在实时推荐中需重新训练的不足，提出LFG网络，通过深度神经网络动态生成用户潜在因子，在电影推荐实验中准确率优于传统矩阵分解，有效解决了实时推荐挑战。
2023-11-25 cs.IR
TriMat: Context-aware Recommendation by Tri-Matrix Factorization
本文提出TriMat方法，利用三矩阵分解将上下文信息融入推荐系统，实验证明能同时提升准确性与公平性。
2025-09-30 cs.IR
An Introduction to Matrix factorization and Factorization Machines in Recommendation System, and Beyond
本文旨在更好地理解矩阵分解（MF），分解机（FM），以及它们与深层算法的结合在推荐系统中的应用。具体来说，本文将重点介绍奇异值分解（SVD）及其衍生物，例如Funk-SVD，SVD++等。逐步公式计算和解释图片显示。更重要的是，我们解释了DeepFM模型，其中FM由深度学习辅助。通过数值例子，我们试图将理论与现实世界的问题联系起来。
2022-03-12 cs.IR cs.LG
DRGame: Diversified Recommendation for Multi-category Video Games with Balanced Implicit Preferences
针对订阅制视频游戏推荐中隐式反馈不平衡及多类别兴趣建模难题，提出DRGame框架，通过平衡隐式偏好学习与聚类多样化推荐模块，在真实数据集上实现更优的多样化推荐。
2023-08-30 cs.IR
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型，从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性，并开放框架与代码以保证可复现。
2024-10-25 cs.IR
Hybrid Matrix Factorization Based Graph Contrastive Learning for Recommendation System
针对现有图对比学习推荐方法数据增强策略无法充分捕捉用户-物品交互的问题，提出融合低秩MF与SVD的HMFGCL方法，通过互补获取全局协同信息构建增强视图，在多数据集尤其小规模数据集上性能优于现有基线。
2025-09-05 cs.IR
Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation
Seoul National University（首尔国立大学）
在向用户推荐个性化的热门$k$商品时，我们如何在满足用户需求的同时向用户推荐个性化的商品？聚合多样性推荐系统的目标是在不牺牲推荐准确性的情况下向所有用户推荐各种项目。它们增加了各种物品的曝光机会，这反过来又增加了卖家的潜在收入和用户满意度。然而，它是具有挑战性的，以解决聚合级的多样性与矩阵分解（MF），最常见的推荐模型之一，因为倾斜的真实世界数据导致倾斜的MF推荐结果。在这项工作中，我们提出了DivMF（DifferentialRegularized Matrix Factorization），一种新的矩阵分解方法，用于聚合多样化推荐。DivMF正则化MF模型的得分矩阵以最大化前$k$推荐列表的覆盖率和熵，从而使推荐结果聚合地多样化。我们还提出了一个unmasking机制和精心设计的多批次学习技术，以实现准确和高效的训练。在真实数据集上的大量实验表明，DivMF在聚合多样性推荐方面达到了最先进的性能。
2022-10-19 cs.IR cs.LG
Dual-interest Factorization-heads Attention for Sequential Recommendation
准确的用户兴趣建模对于推荐场景至关重要。一种有效的解决方案是依赖于点击行为的顺序推荐，但这在视频馈送推荐中并不优雅，其中用户在接收流内容时是被动的，并且返回跳过或不跳过行为。在这里，跳过和不跳过行为可以分别被视为负反馈和正反馈。由于正反馈和负反馈的混合，捕获行为序列的过渡模式具有挑战性。为此，FeedRec开发了一个共享的普通Transformer，这可能是不优雅的，因为多头注意力的头部交互不考虑不同类型的反馈。本文提出了一种基于双兴趣分解头的顺序推荐注意力算法（简称DFAR），该算法由反馈感知编码层、双兴趣分解层和预测层组成。在反馈感知编码层，我们首先假设多头注意力中的每一个头都能捕捉到特定的反馈关系。在此基础上，我们进一步提出了因子化头注意，它可以屏蔽特定的头交互并注入反馈信息，从而将不同类型的反馈之间的关系因子化。此外，我们提出了一个双重利益解纠缠层，在对它们的表示进行解纠缠之前将积极和消极的利益解耦。最后，我们进化的积极和消极的利益，相应的塔的输出是由BPR损失的对比。两个真实世界的数据集上的实验表明，我们提出的方法对国家的最先进的基线的优越性。进一步的消融研究和可视化也维持了其有效性。我们在这里发布源代码：https://github.com/tsinghua-fib-lab/WWW2023-DFAR。
2023-02-10 cs.IR
A Comparative Study of Matrix Factorization and Random Walk with Restart in Recommender Systems
在矩阵分解和重启随机游走（RWR）之间，哪种方法更适合推荐系统？哪种方法更好地处理显式或隐式反馈数据？其他信息是否有助于推荐？推荐系统在许多电子商务服务中扮演着重要的角色，例如亚马逊和Netflix向用户推荐新商品。在各种推荐策略中，协同过滤通过使用用户的评分模式显示出良好的性能。矩阵分解和重启随机游走是最具代表性的协同过滤方法。然而，目前还不清楚哪种方法提供更好的推荐性能，尽管它们的广泛实用性。在本文中，我们提供了一个比较研究的矩阵分解和RWR推荐系统。我们根据推荐中的不同任务，精确地表达了这两种方法的对应关系。特别地，我们新设计了一种使用全局偏差项的RWR方法，它对应于使用偏差的矩阵分解方法。我们详细介绍了这两种方法在推荐质量的各个方面，如这些方法如何处理冷启动问题，通常发生在协同过滤。我们广泛地在真实世界的数据集上进行实验，以评估每种方法在各种措施方面的性能。我们观察到，矩阵分解执行更好的显式反馈评级，而RWR是更好的隐式的。我们还观察到，利用项目的全球流行度是有利的性能和边信息产生积极的协同作用，显式反馈，但与隐式的负面影响。
2017-11-05 cs.IR
MTS Kion Implicit Contextualised Sequential Dataset for Movie Recommendation
我们提出了一个新的电影和电视节目推荐数据集收集的MTS Kion视频点播平台的真实用户。与其他流行的电影推荐数据集（如MovieLens或Netflix）相比，我们的数据集基于观看时注册的隐式交互，而不是显式评级。我们还提供丰富的上下文和辅助信息，包括交互特征（如时间信息，观看持续时间和观看百分比），用户人口统计信息和丰富的电影元信息。此外，我们还介绍了MTS Kion挑战赛-一个基于此数据集的在线推荐系统挑战赛-并概述了获胜者的最佳解决方案。我们保持竞争沙箱的开放，因此欢迎研究人员尝试他们自己的推荐算法，并在数据集的私有部分测量质量。
2022-09-01 cs.IR
Factorization Machines for Data with Implicit Feedback
在这项工作中，我们提出了FM对，一个适应的因式分解机与成对的损失函数，使它们有效的数据集与隐式反馈。FM-Pair中的优化模型基于BPR（贝叶斯个性化排名）标准，这是一个成熟的成对优化模型。FM-Pair保留了FM在通用性、表现力和性能方面的优势，但它可以用于具有隐式反馈的数据集。我们还提出了如何有效地应用FM对两个协同过滤问题，即上下文感知的推荐和跨域协同过滤。通过在具有显式或隐式反馈的不同数据集上进行实验，我们凭经验证明，在大多数测试数据集中，FM对击败了最先进的学习排名方法，如BPR-MF（BPR with Matrix Factorization model）。我们还表明，FM对是显着更有效的排名相比，标准的FM模型。此外，我们表明FM对可以有效地利用上下文或跨域信息，因为推荐的准确性总是会随着正确的辅助特征而提高。最后，我们证明了FM对具有线性时间复杂度，并通过利用额外的功能线性扩展。
2018-12-19 cs.IR
New Recommendation Algorithm for Implicit Data Motivated by the Multivariate Normal Distribution
推荐系统的目标是通过为每个用户生成一个项目推荐列表来帮助用户从一个大的项目目录中找到有用的项目。基于隐式数据汇集的数据集具有许多特殊的特征。用户和项目交互矩阵通常是完整的，即每个用户和项目对都有一个交互值，或者没有交互为零，目标是为每个用户的项目进行排名。这项研究提出了一个简单的新算法的隐式数据，匹配或优于基线的准确性。该算法可以直观地由多变量正态分布（MVN），其中有一个封闭的形式表示的排名的非交互用户的交互。与kNN和SVD基线的主要区别在于，预测仅使用已知的相互作用进行。使用这种技巧修改的基线具有更好的准确性，但它也会导致更简单的模型，其中隐式数据的超参数更少。我们的研究结果表明，这种想法应该用于小种子大小的Top-N推荐，MVN是一种简单的方法。
2020-12-21 cs.IR
Expert Recommendation via Tensor Factorization with Regularizing Hierarchical Topical Relationships
知识获取和交流对企业和个人来说通常都是至关重要的，但成本很高，特别是当知识涉及各个领域时。问答社区提供了以低成本共享知识的机会，其中社区用户（其中许多是领域专家）可以潜在地为给定问题提供高质量的解决方案。在本文中，我们提出了一个框架，在多个协作网络中寻找专家。我们采用树引导学习（通过张量分解）和矩阵分解的最新技术来探索过去投票帖子的用户专业知识。张量分解能够利用用户的潜在专业知识，帖子和相关标签有助于识别相关领域。最终结果是每个用户在每个知识领域的专业知识得分。我们在Stack Exchange Networks上进行了实验，这是一组关于不同主题的问答网站，拥有大量用户和帖子。实验表明，我们提出的方法产生稳定和溢价输出。
2018-08-07 cs.IR
Incremental Factorization Machines for Persistently Cold-starting Online Item Recommendation
The University of Tokyo（东京大学）
现实世界中的项目管理器通常遭受持续的冷启动问题，这是由动态变化的用户和项目引起的。为了克服这个问题，最近提出了几种上下文感知推荐技术。就可行性和性能而言，因子分解机（FM）作为传统矩阵分解技术的推广，是最有前途的方法之一。然而，由于在线算法适用于动态数据，静态FM仍然是不够的。因此，本文提出了增量FM（iFM），一个通用的在线分解框架，特别是扩展到一个在线项目推荐iFM。建议的框架可以是一个有前途的基线，为进一步发展的生产推荐系统。评估是在合成和真实世界的不稳定数据集上根据经验进行的。
2016-07-11 cs.IR cs.LG
Preference Flow Matching with Spectral Factorization for Micro-video Recommendation
National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院并行与分布式计算国家重点实验室）；National University of Singapore（新加坡国立大学）；Zhengzhou University（郑州大学）
本研究针对微视频推荐中主流方法的语义动态纠缠与流匹配模型忽略时间结构的问题，提出PrismRec框架，通过谱语义分解和上下文校准偏好匹配，在四个数据集上较SOTA提升最高22.65%且效率更优。
2026-08-28 cs.IR
Cold-start recommendations in Collective Matrix Factorization
这项工作探讨了集体矩阵分解模型在推荐系统中对用户和项目进行预测的能力，这些用户和项目有辅助信息，但没有反馈或交互数据，并提出了一种新的公式，具有更快的冷启动预测公式，可用于实时系统。虽然这些冷启动推荐不如热启动推荐好，但发现它们比非个性化推荐质量更好，并且发现对新用户的预测比对新项目的预测更可靠。这里提出的配方导致在许多情况下改进的冷启动建议，在更差的热启动的费用。
2020-03-16 cs.IR cs.LG stat.ML
SPMF: A Social Trust and Preference Segmentation-based Matrix Factorization Recommendation Algorithm
College of Economics and Management, Shandong University of Science and Technology（山东科技大学经济管理学院）
传统的社会化推荐算法忽略了以下事实：具有信任关系的用户的偏好不一定相似，对用户偏好相似性的考虑应局限于特定领域。针对上述问题，提出了一种基于社会信任和偏好分割的矩阵分解推荐系统。基于Ciao和Epperly数据集的实验结果表明，SPMF算法的推荐准确率明显高于现有的推荐算法。SPMF算法是一种基于区分信任关系和偏好域差异的更准确、更有效的推荐算法，可以支持产品营销等商业活动。
2019-03-11 cs.IR cs.LG stat.ML
Factorization Machines Leveraging Lightweight Linked Open Data-enabled Features for Top-N Recommendations
随着链接开放数据（LOD）的普及和相关的增长，可以通过LOD访问的免费访问的知识，利用LOD的推荐系统已被广泛研究基于各种方法，如基于图或使用不同的机器学习模型与LOD启用功能。许多先前的方法需要构造附加图以运行基于图的算法或通过组合用户-项目交互（例如，喜欢、不喜欢）和来自LOD的背景知识。在本文中，我们研究了基于特别轻量级的LOD功能的因子分解机（FM），这些功能可以通过公共SPARQL端点直接获得，而无需任何额外的努力来构建图。首先，我们的目标是研究使用FM与这些轻量级的LOD功能相比，是否可以提供有竞争力的性能学习排名的方法，利用LOD以及其他成熟的方法，如kNN项目和BPRMF。其次，我们感兴趣的是找出在多大程度上每一组LOD功能的推荐性能的贡献。标准数据集上的实验评估表明，我们提出的方法使用FM与轻量级的LOD功能提供了最好的性能相比，其他方法在五个评估指标。此外，基于不同的LOD功能集的推荐性能的研究表明，属性对象列表和项目的PageRank分数是有用的，以提高性能，并可以提供最佳的性能，通过使用它们一起FM。我们观察到，主题属性列表的项目并没有贡献的推荐性能，而是降低了性能。
2017-07-28 cs.IR
Live Multi-Streaming and Donation Recommendations via Coupled Donation-Response Tensor Factorization
National Chiao Tung Univ.（国立交通大学）；Inst. of Information Science, Academia Sinica, Taiwan（中央研究院资讯科学研究所）；The Pennsylvania State Univ.（宾夕法尼亚州立大学）
与传统的在线视频相比，直播多流媒体支持多个主播和观众之间的实时社交互动，例如捐赠。然而，捐赠和多流媒体频道推荐是具有挑战性的，由于复杂的流媒体和观众的关系，不对称的通信，以及个人兴趣和群体互动之间的权衡。在本文中，我们引入多流党（MSP），并制定了一个新的多流推荐问题，称为捐赠和MSP推荐（DAMRec）。我们提出了多流党推荐系统（MARS）通过社会时间耦合捐赠-响应张量因子分解捐赠和MSP建议提取潜在的功能。在Twitch和斗鱼上的实验结果表明，MARS在命中率和平均精度方面明显优于现有的搜索引擎至少38.8%。
2021-10-05 cs.IR cs.LG
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
Fair Recommendation by Geometric Interpretation and Analysis of Matrix Factorization
基于矩阵分解的推荐系统实际上是一种角度保持的降维技术。由于项目的频率服从幂律分布，用户特征向量和项目特征向量的原始维度中的大多数向量位于同一超平面上。然而，这是非常困难的，在原来的维解析重建的嵌入，所以我们把原来的角度保持降维问题转化为距离保持降维问题。我们证明了推荐系统的输入数据的几何形状在其原始的高维分布在同心圆有趣的性质，并设计了一个抛物面为基础的矩阵分解ParaMat来解决推荐问题。在实验部分，我们比较了我们的算法与其他8个算法，并证明我们的新方法是最公平的算法相比，现代的推荐系统，如ZeroMat和DotMat混合。
2023-01-10 cs.AI cs.IR
Denoising Implicit Feedback for Recommendation
普遍存在的隐式反馈使其成为构建在线推荐系统的默认选择。虽然大量的隐式反馈消除了数据稀疏性问题，但缺点是它们在反映用户的实际满意度方面并不干净。例如，在电子商务中，很大一部分点击并没有转化为购买，许多购买最终都得到了负面评价。因此，它是至关重要的，以考虑到不可避免的噪声在隐式反馈的推荐训练。然而，很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中，我们探讨了去噪隐式反馈推荐训练的中心主题。我们发现嘈杂的隐式反馈的严重负面影响，即，拟合噪声数据阻止了推荐器学习实际的用户偏好。我们的目标是识别和修剪噪声的相互作用，从而提高推荐训练的质量。通过观察正常推荐训练的过程，我们发现，噪声反馈通常在早期阶段具有较大的损失值。受此启发，我们提出了一种新的训练策略，称为自适应去噪训练（ADT），它自适应地修剪训练过程中的噪声相互作用。具体来说，我们设计了两种自适应损失公式化的范例：截断损失，丢弃大损失的样本在每次迭代中的动态阈值;和重加权损失，自适应地降低大损失样本的权重。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例，并在三个有代表性的机器上测试了所提出的ADT策略。在三个基准测试上的大量实验表明，ADT显著提高了推荐的质量。
2021-01-03 cs.IR
On the instability of embeddings for recommender systems: the case of Matrix Factorization
大多数最先进的top-N协作推荐系统通过学习嵌入来联合表示用户和项目。学习嵌入被认为是解决各种任务的有效方法。除其他外，提供和解释建议。在本文中，我们质疑矩阵分解（MF）学习嵌入的可靠性。我们的经验表明，通过简单地改变初始值分配给潜在的因素，相同的MF方法产生非常不同的嵌入项目和用户，我们强调，这种效果是较强的不受欢迎的项目。为了克服这些缺点，我们提出了一种推广的MF，称为最近邻矩阵分解（NNMF）。新方法将有关项目和用户的信息传播给它们的邻居，加快了训练过程，并扩展了支持推荐和表示的信息量。我们描述了三种常见MF方法的NNMF变体，并在五个不同的数据集上进行了广泛的实验，结果表明它们极大地缓解了原始MF版本的不稳定性问题，并提高了长尾推荐的准确性。
2021-04-12 cs.IR
Federated Multi-view Matrix Factorization for Personalized Recommendations
Helsinki Research Center（赫尔辛基研究中心）；Europe Cloud Service Competence Center（欧洲云服务能力中心）；Huawei Technologies Oy (Finland) Co. Ltd（华为技术有限公司（芬兰））
我们引入了联邦多视图矩阵分解方法，将联邦学习框架扩展到多数据源的矩阵分解。我们的方法是能够学习多视图模型，而无需将用户的个人数据传输到中央服务器。据我们所知，这是第一个使用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格的评估。实证验证证实，联邦多视图矩阵分解优于不考虑数据多视图结构的简单方法，此外，它还证明了所提出的方法对于冷启动联邦推荐的挑战性预测任务的有用性。
2020-04-08 cs.IR cs.LG stat.ML
OFF-Set: One-pass Factorization of Feature Sets for Online Recommendation in Persistent Cold Start Settings
Yahoo! Labs（雅虎实验室）；Yahoo! Smart Ad（雅虎智能广告）
最具挑战性的推荐任务之一是推荐给一个新的，以前看不见的用户。这就是所谓的“用户冷启动”问题。假设用户的某些特征或属性是已知的，用于处理新用户的一种方法是基于他们的特征对他们进行初始建模。受广告定位应用程序的启发，本文描述了一个极端的在线推荐设置，其中冷启动问题是永久的。每个用户只被系统遇到一次，收到一个推荐，要么消费，要么忽略它，注册一个二元奖励。本文介绍了一种新的基于潜在因子分析的推荐算法OFF-Set，它通过将用户的特征映射到一个潜在空间来对用户进行建模。此外，OFF-Set能够对特征对之间的非线性交互进行建模。OFF-Set是为纯粹的在线推荐而设计的，它会根据每个推荐-奖励观察对其模型进行轻量级更新。我们评估OFF-Set对几个国家的最先进的基线，并证明其优越性，对真正的广告定位数据。
2013-08-08 cs.IR cs.LG
Context-aware Ensemble of Multifaceted Factorization Models for Recommendation Prediction in Social Networks
Shanda Innovations（盛大创新）
本文介绍了盛大创新团队对2012年KDD杯任务1的解决方案。提出了一种新的方法，称为多面分解模型，将各种各样的功能在社交网络。用户之间的社会关系和行为被整合为隐式反馈，以提高推荐的准确性。关键字，标签，配置文件，时间和其他一些功能也用于建模用户的兴趣。此外，用户行为的推荐记录的持续时间建模。然后应用上下文感知集成框架来组合多个预测器并产生最终的推荐结果。该方法在测试数据集上获得了0.43959（公共分数）/ 0.41874（私人分数），在KDD-Cup比赛中获得第二名。
2021-05-03 cs.CL cs.IR stat.CO
Coupled Matrix Factorization within Non-IID Context
推荐系统的研究经历了从用户偏好理解到内容分析的不同阶段。典型的推荐算法建立在以下基础上：（1）假设用户和项目是IID，即独立和同分布，（2）关注特定方面，如用户偏好或内容。实际上，复杂的推荐任务涉及并要求（1）个性化的结果，以定制不同的主观偏好;以及（2）用户、项目和评级之间的显式和隐式客观耦合关系，被视为驱动偏好的内在力量。这不可避免地涉及到非IID的复杂性，以及将主观偏好与隐藏在推荐应用中的客观耦合相结合的需要。在本文中，我们提出了一种新的通用耦合矩阵分解（CMF）模型，通过将用户和项目之间的非IID耦合关系。这种耦合将属性内的内部耦合交互和不同属性之间的内部耦合交互集成在一起。在两个开放数据集上的实验结果表明，用户/项目耦合可以有效地应用于RS和CMF优于基准方法。
2014-12-04 cs.IR
Item Recommendation from Implicit Feedback
Google Research（谷歌研究院）
商品推荐的任务是从一个庞大的商品目录中为用户选择最好的商品。项目识别者通常是从隐性反馈中训练出来的，隐性反馈只包括过去积极的行为。项目推荐的核心挑战是（1）如何从隐式反馈中制定训练目标和（2）如何在大型项目目录上有效地训练模型。本文介绍了项目推荐的基本概念、特点和常用方法。它首先介绍了这个问题，并讨论了不同的培训目标。主体涉及学习算法，并提出了采样为基础的算法，一般的神经网络和更有效的算法点积模型。最后讨论了项目检索器在检索任务中的应用。
2021-01-21 cs.IR cs.LG
Triplet Losses-based Matrix Factorization for Robust Recommendations
Politecnico di Torino（都灵理工大学）
就像其他基于学习的模型一样，推荐系统也会受到训练数据偏差的影响。虽然典型的评估指标（如命中率）不关心它们，但某些类别的最终用户受到这些偏见的严重影响。在这项工作中，我们建议使用多个三重损失条款提取有意义的和强大的表示用户和项目。我们通过几个“偏见意识”的评价指标，以及在训练集的变化和预测方差w.r.t.协议的稳定性，经验评估这种表示的合理性。每个用户的。
2022-10-21 cs.IR cs.LG
Towards Automated Negative Sampling in Implicit Recommendation
针对隐式推荐中负采样器与模型、数据集不匹配的问题，提出AutoSample自适应负采样框架，通过损失近似转化、自适应搜索及课程式初始化实现高效采样选择，经多模型多基准验证有效。
2023-11-06 cs.IR
Role of Matrix Factorization Model in Collaborative Filtering Algorithm: A Survey
推荐系统应用信息检索技术来选择与给定用户相关的在线信息。协同过滤是目前应用最广泛的推荐系统构建方法。CF技术以用户项目评分的形式使用用户行为作为其用于预测的信息源。CF算法面临的主要挑战是评分矩阵的稀疏性和数据的增长性。矩阵分解很好地解决了这些挑战。在本文中，我们试图提出一个概述不同的MF模型的作用，以解决CF算法的挑战，这可以作为在这一领域的研究路线图。
2015-03-25 cs.IR
FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；LANL（洛斯阿拉莫斯国家实验室）
非负矩阵分解（NMF）与缺失值完成是一个著名的有效的协同过滤（CF）方法，用于提供个性化的用户推荐。然而，传统的CF依赖于隐私侵犯收集用户的显式和隐式反馈，以建立一个中央推荐模型。单次联邦学习最近出现了一种方法，以减轻隐私问题，同时解决传统的联邦学习的通信瓶颈。在本文中，我们提出了第一个无监督的一次性联邦CF实现，名为FedSPLIT，基于NMF联合因式分解。在我们的解决方案中，客户端首先并行应用本地CF来构建不同的客户端特定的编译器。然后，从每个客户端的隐私保护的本地项目模式和偏见与处理器共享，以执行联合因子分解，以提取全局项目模式。然后，将提取的模式聚合到每个客户端，以通过知识蒸馏构建本地模型。在我们的实验中，我们证明了我们的方法与标准的推荐数据集的可行性。FedSPLIT可以获得与现有技术相似的结果（在某些情况下甚至优于现有技术），但通信数量大幅减少。
2022-05-04 cs.IR cs.LG
Scenario-Aware Hierarchical Dynamic Network for Multi-Scenario Recommendation
针对现有多场景推荐模型仅依赖粗粒度显式建模的局限，提出场景感知分层动态网络HierRec，联合显隐式建模并自适应感知隐式模式，在公开数据集和工业应用中显著优于现有模型。
2023-09-05 cs.IR
Bi-convolution matrix factorization algorithm based on improved ConvMF
随着信息技术的飞速发展，“信息过载”已成为困扰人们网络生活的主旋律。个性化推荐作为帮助用户快速搜索有用信息的有效工具，越来越受到人们的青睐。为了解决传统矩阵分解算法的稀疏性问题和审稿文档信息利用率低的问题，提出了一种基于改进ConvMF的Bicon-vMF算法。该算法利用两个并行的卷积神经网络分别从用户评论集和项目评论集中提取深层特征，并将这些特征融合到评分矩阵的分解中，从而更准确地构建用户潜在模型和项目潜在模型。实验结果表明，与PMF、ConvMF、DeepCoNN等传统推荐算法相比，本文提出的方法具有更低的预测误差，能够达到更好的推荐效果。具体而言，与前三种算法相比，本文提出的算法的预测误差分别减少了45.8%，16.6%和34.9%。
2022-06-02 cs.IR
UniRecSys: A Unified Framework for Personalized, Group, Package, and Package-to-Group Recommendations
本文提出UniRecSys统一推荐框架，通过整合群组与包裹信息优化矩阵分解模型，解决个性化、群组、包裹及包裹到群组四类推荐任务。
2024-02-19 cs.IR
FeedRec: News Feed Recommendation with Various User Feedbacks
准确的用户兴趣建模对于新闻推荐具有重要意义。现有的大多数新闻推荐方法都依赖于像点击这样的隐式反馈来推断用户兴趣和模型训练。然而，点击行为通常包含大量噪声，并且不能帮助推断复杂的用户兴趣，例如不喜欢。此外，仅基于点击行为训练的提要推荐模型无法优化其他目标，如用户参与度。在本文中，我们提出了一个新闻提要推荐方法，可以利用各种用户反馈，以提高用户兴趣建模和模型训练。我们提出了一个统一的用户建模框架，将各种显式和隐式的用户反馈来推断积极和消极的用户兴趣。此外，我们提出了一个从强到弱的注意力网络，它使用较强反馈的表示来从隐式弱反馈中提取积极和消极的用户兴趣，以进行准确的用户兴趣建模。此外，我们提出了一个多反馈模型训练框架来学习一个具有成就感的提要推荐模型。在真实数据集上的大量实验表明，我们的方法可以有效地提高模型在新闻点击和用户参与方面的性能。
2022-02-04 cs.IR
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题，提出反馈感知编码和多目标预测模块，并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
Song Recommendation with Non-Negative Matrix Factorization and Graph Total Variation
Swiss Federal Institute of Technology (EPFL)（瑞士联邦理工学院（洛桑联邦理工学院））
这项工作制定了一个新的歌曲推荐系统作为一个矩阵完成的问题，受益于协同过滤通过非负矩阵分解（NMF）和基于内容的过滤通过全变差（TV）的图形。这些图表使用音频、元数据和社交功能的丰富组合对播放列表接近度信息和歌曲相似度进行编码。正如我们所展示的，我们的混合推荐系统是非常通用的，并结合了几个著名的方法，同时优于他们。特别是，我们在现实世界的数据表明，我们的模型克服了w.r.t.两个评估度量：仅基于低秩信息、基于图的信息或两者的组合的模型的推荐。
2016-01-13 cs.IR cs.LG physics.data-an
VRConvMF: Visual Recurrent Convolutional Matrix Factorization for Movie Recommendation
China University of Petroleum（中国石油大学）；East China Jiaotong University（华东交通大学）；Federation University Australia（澳大利亚联邦大学）
用户对项目评分数据的稀疏性成为推荐系统面临的挑战之一，严重影响了推荐系统的性能。幸运的是，上下文感知推荐系统可以通过利用一些辅助信息，如用户和项目的信息来缓解稀疏性问题。特别是，项目的视觉信息，如电影海报，可以被认为是对项目描述文档的补充，这有助于获得更多的项目特征。本文针对电影推荐系统，提出了一种基于概率矩阵分解的视觉递归卷积矩阵分解（VRConvMF）推荐方案，该方案利用了从描述性文本和海报中分别提取的文本特征和多层次视觉特征。我们实现了所提出的VRConvMF，并在三个常用的真实世界数据集上进行了广泛的实验，以验证其有效性。实验结果表明，所提出的VRConvMF算法性能优于现有算法.
2022-02-16 cs.CV cs.IR cs.LG
Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation
Shanghai Jiao Tong University（上海交通大学）
对于许多新闻门户网站来说，为匿名读者推荐新闻是一项有用但具有挑战性的任务，其中读者与文章之间的交互仅限于临时登录会话。以往的工作往往制定基于会话的推荐作为下一个项目的预测任务，而他们忽略了用户行为的隐式反馈，这表明用户真正喜欢或不喜欢。因此，我们提出了一个全面的框架，通过积极的反馈（即，他们花费更多时间的文章）和负面反馈（即，他们选择跳过而不点击的文章）。此外，该框架隐式地使用会话开始时间对用户进行建模，并使用其初始发布时间对文章进行建模，我们称之为“中立反馈”。三个真实世界的新闻数据集的实证评估表明，该框架的更准确，更多样化，甚至比其他国家的最先进的基于会话的推荐方法意想不到的建议有前途的表现。
2022-05-12 cs.IR cs.LG
Discrete Factorization Machines for Fast Feature-based Recommendation
Shandong University（山东大学）；National University of Singapore（新加坡国立大学）；University of Electronic Science and Technology of China（电子科技大学）；Nanyang Technological University（南洋理工大学）
辅助信息的用户特征和项目特征是实现准确推荐的关键。然而，大量的特征尺寸，例如，通常大于10^7，导致昂贵的存储和计算成本。这阻碍了快速推荐，特别是在计算资源非常有限的移动应用程序上。在本文中，我们开发了一个通用的基于特征的推荐模型，称为离散因子分解机（DFM），快速和准确的推荐。DFM将实值模型参数（例如，float32）嵌入到二进制代码中的每个特征（例如，布尔值），并因此支持高效存储和快速用户项得分计算。为了避免严重的量化损失的二值化，我们提出了一个收敛的更新规则，解决了具有挑战性的离散优化的DFM。通过对两个真实世界数据集的广泛实验，我们表明：1）DFM始终优于最先进的二进制推荐模型，2）DFM与其实值版本（FM）相比表现出非常有竞争力的性能，证明了最小化的量化损失。这项工作被IJCAI 2018接受。
2018-09-19 cs.IR cs.LG stat.ML
Scalable Recommendation with Poisson Factorization
Princeton University（普林斯顿大学）；Microsoft Research（微软研究院）
我们开发了一个贝叶斯泊松矩阵分解模型，用于从稀疏的用户行为数据中形成推荐。这些数据是大的用户/项目矩阵，其中每个用户仅对项目的小子集提供反馈，或者显式地（例如，通过星级）或隐含地（例如，通过浏览或购买）。与传统的矩阵分解方法不同，泊松分解隐式地对每个用户对消费项目的有限注意力进行建模。此外，由于泊松似然的数学形式，该模型只需要显式地考虑矩阵中观察到的条目，从而实现可扩展的计算和良好的预测性能。我们开发了一个变分推理算法的近似后验推理，规模庞大的数据集。这是一种有效的算法，它迭代观察到的条目并调整用户/项目表示的近似后验。我们将我们的方法应用于大型真实世界的用户数据，其中包含用户对电影的评分，用户听歌和用户阅读科学论文。在所有这些设置中，贝叶斯泊松分解优于最先进的矩阵分解方法。
2014-05-20 cs.AI cs.IR cs.LG
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站，如Facebook，YouTube，Lastfm等，已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中，我们感兴趣的是研究社会网络信息的有效性，以预测用户的评分项目。提出了一种新的分层贝叶斯模型，它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息，以及它们的重要性，协同过滤的训练数据。在两个大规模数据集上的实验结果表明，该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解，即社交圈对人们关于信息有用性的决定有更大的影响（例如，对美味的书签偏好）而不是个人品味（例如，在Lastfm上的音乐偏好）。我们还研究和讨论了潜在的信息泄漏的解决方案，在许多推荐系统，利用社会信息。
2012-06-18 cs.IR cs.SI
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
本文提出概率偏好混淆方法 SBO，在保持推荐准确率的同时降低用户受保护属性泄露风险，并在多个主流模型和数据集上验证了其更优的准确率—隐私权衡。
2024-06-17 cs.IR
Collaborative Item Embedding Model for Implicit Feedback Data
协同过滤是推荐系统中最常用的方法。执行协同过滤的一种方法是矩阵分解，它使用隐向量来表征用户偏好和项目属性。这些潜在向量善于捕捉用户和项目的全局特征，但在捕捉用户之间或项目之间的局部关系方面不强。在这项工作中，我们提出了一种方法来提取项目之间的关系，并将它们嵌入到因子分解模型的潜在向量。这结合了两个世界：用于协同过滤和项目嵌入的矩阵分解，这是与语言处理中的词嵌入类似的概念。我们在三个真实数据集上的实验表明，我们提出的方法在top-n推荐任务上优于竞争方法。
2018-05-14 cs.IR
Twitter Hashtag Recommendation using Matrix Factorization
Twitter是最大和最受欢迎的微博网站之一，它已经发展成为一个强大的通信平台，允许数百万活跃用户每天生成大量的微帖子和查询。为了有效分类和方便搜索，用户可以使用主题标签、关键字或以散列字符为前缀的短语来分类和总结他们的帖子。然而，有效的主题标签不受限制，因此以自由和异构的风格创建，增加了推文分类任务的难度。在本文中，我们提出了一个低秩加权矩阵分解为基础的方法来推荐hashtags给用户的基础上，他们的hashtag的使用历史和独立于他们的推文的内容。我们使用双样本t检验证实，用户更有可能采用与他们以前采用的标签类似的新标签。特别是，我们制定了一个优化问题的主题标签推荐的问题，并将主题标签的相关权重矩阵到它占不同的主题标签之间的相似性。最后，我们利用推荐系统中广泛使用的矩阵分解，通过捕获用户和标签的潜在因素来解决优化问题。实证实验表明，我们的方法是能够正确地推荐标签。
2017-05-30 cs.IR cs.SI
Boosting API Recommendation with Implicit Feedback
开发人员通常需要使用适当的API来有效地编程，但从大量候选者中确定他们所需的确切API通常是一项困难的任务。为了减轻负担，已经提出了多种API推荐方法。然而，目前大多数可用的API插件不支持将用户的反馈有效地集成到推荐循环中。在本文中，我们提出了一个框架，BRAID（提升推荐与隐式反馈），它利用学习排名和主动学习技术，以提高推荐性能。通过利用用户的反馈信息，我们训练一个学习排名模型来重新排名的推荐结果。此外，我们还通过主动学习加快了反馈学习过程。现有的基于查询的API推荐方法可以插入BRAID。我们选择了三种最先进的API推荐方法作为基线，以证明Hit@k（Top-k），MAP和MRR测量的BRAID性能增强。实验结果表明，在合理的开销下，随着反馈数据比例的增加，推荐性能相对于基线有了稳定而显著的提高。
2021-01-15 cs.IR cs.SE
Understanding the Effectiveness of Reviews in E-commerce Top-N Recommendation
现代电子商业网站包含不同的信息源，如数字评级、文本评论和图像。这些信息可以用来帮助推荐。通过文本评论，用户明确表达了她对该项目的亲和力。之前的研究发现，通过使用从这些评论中提取的信息，我们可以更好地描述用户的显式偏好以及项目特征，从而提高推荐性能。然而，以往的算法大多只将评论信息用于评分预测等显式反馈问题，而对于top-N推荐等隐式反馈排名问题，评论信息的利用还没有得到充分的研究。针对这一缺陷，本文研究了电子商业环境下文本评论信息对top-N推荐的有效性。我们采用了几个SOTA审查为基础的评级预测模型的前N个推荐任务，并比较它们与现有的前N个推荐模型的性能和效率。我们发现，仅利用评论信息的模型不能获得比香草隐反馈矩阵分解方法更好的性能。当利用评论信息作为正则化子或辅助信息时，隐反馈矩阵分解方法的性能可以进一步提高。然而，最佳的模型结构，利用文本评论的电子商业前N推荐尚未确定。
2021-09-19 cs.IR
Recommendation from Raw Data with Adaptive Compound Poisson Factorization
IRIT（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
计数数据经常用于推荐系统：它们分布广泛（歌曲播放计数，产品购买，网页点击），可以在没有用户任何明确评级的情况下揭示用户偏好。已知这些数据是稀疏的，过度分散的和突发的，这使得它们在推荐系统中的直接使用具有挑战性，通常会导致预处理步骤，如二值化。本文的目的是建立推荐系统，从这些原始数据，通过最近提出的复合泊松因子分解（cPF）。论文的贡献是三方面的：我们提出了一个统一的框架离散数据（dcPF），导致自适应和可扩展的算法，我们表明，我们的框架实现了泊松因子分解（PF）应用于原始数据和二进制数据之间的权衡，我们研究了四个具体的实例，是相关的建议，并表现出新的联系与组合。三个不同数据集的实验表明，dcPF能够有效地调整过度分散，从而在原始数据或二进制数据上获得比PF更好的推荐分数。
2019-07-09 cs.IR cs.LG stat.ML
General factorization framework for context-aware recommendations
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Gravity R&D（Gravity研发公司）
上下文感知的推荐算法专注于通过考虑系统可用的附加信息来细化推荐。这个话题最近引起了很多关注。其中，几个因子分解方法被提出来解决这个问题，虽然他们中的大多数假设显式反馈，这极大地限制了他们的现实世界的适用性。虽然这些算法应用了各种损失函数和优化策略，但由于缺乏允许使用各种模型进行简单实验的工具，因此上下文下的偏好建模较少探索。随着上下文维度的引入超出了用户和项目，可能的偏好模型的空间和正确建模的重要性大大增加。在本文中，我们提出了一个通用的因子分解框架（GFF），一个单一的灵活的算法，偏好模型作为输入，并计算潜在的特征矩阵的输入尺寸。GFF允许我们在任何上下文感知的推荐任务上轻松地实验各种线性模型，无论是基于显式还是隐式反馈。缩放属性使其在现实生活中也可用。我们展示了框架的潜力，通过探索各种偏好模型的4维上下文感知问题的上下文，可用于几乎任何现实生活中的数据集。我们在五个现实生活中的隐式反馈数据集上进行的实验表明，适当的偏好建模显着提高了推荐准确性，并且以前未使用的模型优于传统模型。GFF中的新模型也优于最先进的因子分解算法。我们还扩展的方法，以完全符合多维数据空间模型，上下文丰富的数据的最广泛的数据模型之一。扩展的GFF允许将信息无缝地合并到fac中[截断]
2015-05-19 cs.IR cs.LG
Improving Implicit Feedback-Based Recommendation through Multi-Behavior Alignment
提出多行为对齐框架，通过最大化多行为数据似然并最小化KL散度来推断通用用户偏好，实现去噪和知识迁移，在三个数据集上验证了提升目标行为预测的有效性。
2023-05-09 cs.IR
Sparse Feature Factorization for Recommender Systems with Knowledge Graphs
近年来，深度学习和基于因子分解的协同过滤推荐模型无疑主导了推荐系统的场景。然而，尽管这些方法具有出色的性能，但它们需要与嵌入的大小成比例的训练时间，并且当考虑边信息用于计算推荐列表时，训练时间进一步增加。事实上，在这些情况下，我们有大量的高质量的功能，产生的模型更加复杂，难以训练。本文通过介绍KGFlex来解决这个问题：一种稀疏因子分解方法，可以提供更大程度的表达能力。为了实现这一结果，KGFlex分析历史数据，以了解用户决策所依赖的维度（例如，电影导演、音乐类型、作家的国籍）。KGFlex将每个项目特征表示为嵌入，并将用户-项目交互建模为与用户相关的项目属性的因子化熵驱动组合。KGFlex通过让用户只更新他们决策所依据的相关功能来简化培训过程。换句话说，用户项目预测由仅考虑相关特征的用户的个人视图介导。大量的实验结果表明，该方法的有效性，考虑到推荐结果的准确性，多样性和诱导偏见。KGFlex的公开实现可在https://split.to/kgflex上获得。
2021-07-29 cs.IR
