A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search
本文提出PODM-MI模型，通过变分推断捕捉用户多样性偏好并最大化与候选物品的互信息，在电商搜索重排序中平衡准确性与多样性，实验和部署验证了其有效性。
2024-05-24 cs.AI cs.IR
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中，已经探索了个性化推荐中的相关性和公平性之间的权衡，目标是最小化对某些人口统计学的学习歧视，同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性（MMR）重新排名的方法，它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验，并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果，并通过对一组查询图像的排名结果进行定量分析，来检查相关性和公平性之间的权衡。我们表明，我们提出的方法可以在排名结果中包含公平性，同时获得比基线更高的精度，而我们的案例研究表明，即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
Enhancing Recommendation Diversity by Re-ranking with Large Language Models
Insight Centre for Data Analytics（数据分析洞察中心）；School of Computer Science & IT（计算机科学与信息技术学院）；University College Cork（科克大学学院）
本文研究利用大语言模型进行推荐多样性重排序，通过零样本提示让 GPT 与 Llama 从候选列表生成多样化排序，实验表明其优于随机方法但暂逊于传统方法。
2024-06-17 cs.IR cs.LG
Learning k-Determinantal Point Processes for Personalized Ranking
针对现有个性化排序方法未优化集合排序、多样性不足的问题，提出基于k-DPP的集合概率比较优化准则LkP，可适配多种模型，在三个真实数据集上提升了推荐的相关性与多样性。
2024-06-23 cs.IR
Modeling Ranking Properties with In-Context Learning
Centre for Computational School of Computing Science and Data Sciences University of Glasgow（格拉斯哥大学计算科学与数据科学中心）；IIT Kharagpur, India（印度理工学院坎普尔分校）；School of Computing Science Department of Computer University of Glasgow Science and Engineering United Kingdom（格拉斯哥大学计算机科学与工程学院）
本研究提出用于列表式LLM重排序器的ICL方法，无需特定任务训练，通过少量示例排序平衡排序目标，在保持相关性的同时，在公平性和多样性等辅助目标上取得显著提升。
2026-09-01 cs.IR
Fairness and Diversity in the Recommendation and Ranking of Participatory Media Content
使得用户之间能够进行一对多通信的在线参与式媒体平台看到大量的用户生成的内容，并且因此面临能够向其用户推荐该内容的子集的问题。我们解决了推荐和排名这些内容的问题，这样关于一个主题的不同观点就可以以公平和多样化的方式曝光。我们建立我们的模型的背景下，基于语音的参与式媒体平台运行在印度中部农村，为低收入和识字率较低的社区，播放音频信息的排名列表中的用户通过电话，并允许他们贡献自己的消息。在本文中，我们描述了我们的模型，并使用来自平台的呼叫日志对其进行评估，以比较我们的模型与目前遵循的手动编辑过程的公平性和多样性性能。我们的模型是通用的，也可以调整和应用于其他参与式媒体平台。
2019-07-16 cs.IR cs.SI
Multi-factor Sequential Re-ranking with Perception-Aware Diversification
提出MPAD框架，通过图聚类提取多尺度兴趣并设计两个子模型评估准确性与多样性，以序列方式联合优化信息流推荐，已应用于淘宝首页主流量。
2023-05-21 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran（德黑兰大学）
近年来，基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程，并根据用户的即时反馈来更新推荐模型，而传统的推荐方法忽略了这一点，因此受到了研究者的关注。现有的工程有两个明显的缺点。首先，低效的排名功能产生Top-N推荐列表。第二，关注推荐准确性，而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统，该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模，并最大化期望的长期回报。此外，我们建议利用Spotify的ANNoy算法来找到最相似的项目，以生成演员网络的动作。在此基础上，使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外，我们应用位置编码来计算表示用户的交互序列，而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明，我们提出的模型能够根据用户的偏好生成一个多样化的，而相关的推荐列表。
2021-10-29 cs.AI cs.IR
Contextual Distillation Model for Diversified Recommendation
针对现有多样化推荐方法复杂度高、仅适用于重排序阶段的问题，提出可适配全推荐流水线的上下文蒸馏模型CDM，通过对比上下文编码与知识蒸馏学习MMR策略，经离线与快手在线实验验证其在效率与多样性上的优势。
2024-08-14 cs.IR
A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
本文提出端到端生成式重排模型 SORT-Gen，通过有序回归估计子列表多目标值，并结合掩码驱动快速生成算法，在淘宝百亿补贴实现 CLCK 提升4.13%、GMV提升8.10%。
2025-05-12 cs.IR
Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
大多数电子商务应用程序上的主页推荐以分层方式放置项目，其中不同的频道以不同的风格显示项目。现有的算法通常优化单个通道的性能。因此，设计一个推荐模型来获得最大化整个网页点击率的最优推荐列表是一个具有挑战性的问题。除了准确性目标之外，主页上的显示多样性也很重要，因为均匀的显示通常会损害用户体验。在本文中，我们提出了一个两阶段的主页推荐系统的架构。在第一阶段中，我们开发了有效的算法，用于在保持多样性的同时向适当的渠道推荐项目。这两种方法可以结合起来：具有多样性约束的用户-渠道-项目预测模型。在第二阶段，我们提供每个通道中的项目的有序列表。现有的重排序模型难以描述渠道内和渠道间项目之间的相互影响。因此，我们提出了一个深度和层次的注意力网络重新排名（DHANR）模型的网页推荐系统。分层注意力网络由项目编码器、项目级注意力层、通道编码器和通道级注意力层组成。我们的方法在离线实验中的精度，列表内平均距离（ILAD）和通道精度@k方面以及在线系统中的CTR和ILAD方面取得了显着的改善。
2021-12-12 cs.IR cs.LG
Diversity-aware Dual-promotion Poisoning Attack on Sequential Recommendation
本文提出多样性感知双目标提升投毒攻击方法DDSP，通过改进攻击目标并引入多样性约束的自回归序列生成器，在提升目标物品排名的同时维持用户偏好相关性，以增强攻击隐蔽性与有效性。
2025-04-09 cs.IR
Idea2Prior: Auditable Paper Retrieval and Ranking from Research Ideas
Johns Hopkins University（约翰斯·霍普金斯大学）
Idea2Prior是基于PaperArena的可审计文献检索系统，结合多源发现等技术，在EASY、MEDIUM查询的论文检索排序上优于ChatGPT、Gemini的网页深度研究，可支持针对性思路到论文检索。
2026-10-16 cs.IR
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用，其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐，用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下，项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤，该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果，以最大化期望的总体效用。然而，为了模拟多个推荐项目的复杂交互，由于有限的硬件资源和系统延迟的限制，重新排序阶段通常只能处理几十个候选项。因此，排名阶段对于大多数应用程序来说仍然是必不可少的，以便为重新排名阶段提供高质量的候选集。在本文中，我们提出了一个解决方案命名为Slate-Aware排名（SAR）的排名阶段。通过隐式地考虑候选项之间的关系，它显著地提高了重新排序阶段的候选集的质量，并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
Off-line vs. On-line Evaluation of Recommender Systems in Small E-commerce
在本文中，我们提出了我们的工作对比较在线和离线的评价指标的背景下，小型电子商业推荐系统。由于互动量较低和用户忠诚度较低，小型电子商业企业的推荐具有相当大的挑战性，很少超过单个会话。另一方面，我们通常不得不处理较少量的对象，这些对象更容易被用户通过各种浏览/搜索GUI发现。本文的主要目标是确定离线评估指标的适用性，在学习真正的可用性推荐系统（评估在线A/B测试）。总共有800种推荐算法的变体被离线评估。18项指标，涵盖基于评级、基于排名、新颖性和多样性评估。离线的结果进行了比较，然后与在线评价的12个选定的推荐变量和结果的基础上，我们试图学习和利用离线到在线的结果预测模型。离线结果表明，在性能w.r.t.不同的指标与帕累托前沿覆盖68%的方法。此外，我们观察到，在线结果受到用户的新颖性的影响。对于新手用户，在线指标与基于排名的指标（AUC，MRR，nDCG）呈正相关，而过高的多样性和新颖性值对他们的在线结果产生了负面影响。然而，对于访问项目较多的用户，多样性变得更加重要，而基于排名的度量相关性逐渐降低。
2020-06-09 cs.IR
Cascading Hybrid Bandits: Online Learning to Rank for Relevance and Diversity
University of Amsterdam（阿姆斯特丹大学）；Bloomberg（彭博）；Ahold Delhaize（阿霍德·德尔海兹）
相关性排序和结果多样化是现代推荐系统的两个核心领域。相关性排名旨在建立一个按项目相关性降序排序的排名列表，而结果多样化则侧重于生成一个涵盖广泛主题的项目排名列表。在本文中，我们研究了一个在线学习设置，旨在推荐一个排名列表，其中包含最大化排名效用的$K$项目，即，一个列表，其中的项目是相关的，其主题是多样化的。我们将其表述为级联混合土匪（CHB）问题。CHB假设级联用户行为，其中用户从上到下浏览显示的列表，单击第一个有吸引力的项目，并停止浏览其余的。我们提出了一个混合上下文强盗的方法，称为CascadeHybrid，解决这个问题。CascadeHybrid使用两个独立的函数对项目相关性和主题多样性进行建模，并同时从用户点击反馈中学习这些函数。我们在两个真实世界的推荐数据集上进行实验来评估CascadeHybrid：MovieLens和Yahoo音乐数据集。我们的实验结果表明，CascadeHybrid优于基线。此外，我们证明了理论上的保证$n$步骤的性能，证明了CascadeHybrid的健全。
2020-08-12 cs.IR cs.LG stat.ML
Statistical reliability and path diversity based PageRank algorithm improvements
本文对原有的PageRank算法提出了新的改进思路。第一个想法是引入基于局部图属性的每个节点的排名得分的统计可靠性的评估，第二个是引入路径多样性的概念。利用路径多样性可以动态地修改随机冲浪者模型中每个节点的增量值或动态地调整阻尼因子。我们通过例子和简单的模拟说明了这种修改的影响。
2012-02-11 cs.DM cs.IR
Evaluating Stochastic Rankings with Expected Exposure
我们引入了\emph{expected exposure}的概念，作为平均关注度排名项目收到来自用户的重复样本相同的查询。此外，我们主张采用平等的预期曝光原则：给定一个固定的信息需求，没有一个项目的预期曝光应该比相同相关性等级的任何其他项目更多或更少。我们认为，这一原则是可取的许多检索目标和场景，包括主题多样性和公平的排名。利用现有的检索指标的用户模型，我们提出了一个通用的评估方法，基于预期的曝光和绘制连接到相关的指标在信息检索评估。重要的是，这种方法放松了经典的信息检索假设，允许系统响应于查询产生一个\emph{distribution over rankings}，而不是一个单一的固定排名。我们研究的行为，预期的曝光度量和随机排名在各种信息访问条件，包括\emph{ad hoc}检索和推荐。我们相信，使用随机化来测量和优化预期的暴露度量为检索算法的开发和进步开辟了一个新的领域。
2020-10-20 cs.IR
Ranking with social cues: Integrating online review scores and popularity information
在线市场、搜索引擎和数据库采用聚合的社交信息来为用户对它们的内容进行排名。两种常用的排序方法是平均评论分数和项目流行度，即体验过某个项目的用户数量。这些规则虽然易于实现，但只能部分反映实际的用户偏好，因为人们可能会为平均分数和受欢迎程度赋值，并在两者之间进行权衡。人们在做选择时如何整合这两条社会信息？我们提出了两个实验，其中我们要求参与者选择200次直接从两个广泛使用的在线场所：亚马逊和IMDb。向参与者提供的唯一信息是平均分数和评论数量，这是受欢迎程度的代表。我们发现，大多数人愿意接受平均得分稍低的项目，如果他们更受欢迎。然而，我们的研究发现参与者之间的偏好存在很大的多样性，这表明依赖于社会信息的个性化排名方案具有相当大的潜力。
2017-06-23 cs.IR
Regression Compatible Listwise Objectives for Calibrated Ranking with Binary Relevance
针对排序学习方法输出分数缺乏尺度校准的问题，提出回归兼容排序方法，在二元标签场景下实现排序与回归目标的对齐，在公开基准和YouTube搜索中均取得更优效果并已上线部署。
2023-08-21 cs.IR
Beyond Single-Score Ranking: Facet-Aware Reranking for Controllable Diversity in Paper Recommendation
EECS International Graduate Program（电子工程与计算机科学国际研究生项目）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出 SciFACE 框架，通过背景和方法两个独立 facet 模型提升论文推荐的可控多样性，实验显示其在 NDCG@20 上优于 SPECTER 和 FaBLE。
2026-03-11 cs.AI cs.IR
LiveGraph: Active-Structure Neural Re-ranking for Exercise Recommendation
University of Macau（澳门大学）；University of Pennsylvania（宾夕法尼亚大学）；Tongji University（同济大学）；Juntendo University（立命馆大学）；University of Southampton（南安普顿大学）；University of Bologna（博洛尼亚大学）；Wuhan University（武汉大学）；University of the Chinese Academy of Sciences（中国科学院大学）；Hanyang University（汉阳大学）；Zhejiang University（浙江大学）；The Hong Kong University of Science and Technology（香港科学与技术大学）
LiveGraph通过图表示增强策略和动态重排序机制，解决学生参与长尾分布和个性化学习轨迹适应问题，提升推荐精度与教学多样性。
2026-07-29 cs.IR cs.LG
Ranking Items from Discrete Ratings: The Cost of Unknown User Thresholds
EPFL（瑞士联邦理工学院）
该研究针对从粗粒度离散评分恢复细粒度物品排序的问题，构建含隐式物品分数和用户阈值的模型，证明近完美排序需Θ(n²)次查询，提出匹配该界的算法，揭示阈值多样性的利弊。
2025-10-02 cs.IR cs.LG
A Taxation Perspective for Fair Re-ranking
本文从税收视角将公平重排序概念化为税收过程，提出基于项目效用差异征税的新方法Tax-rank，利用Sinkhorn算法优化，在连续性和准确性损失可控性上优于现有方法。
2024-04-27 cs.IR
A Simple Linear Ranking Algorithm Using Query Dependent Intercept Variables
Google Research（谷歌研究院）
LETOR网站包含三个信息检索数据集，用作测试排名机器学习思想的基准。参与挑战的算法需要为查询集合的搜索结果分配得分值，并且使用仅依赖于结果的相对得分引起的顺序的标准IR排名度量（NDCG、精度、MAP）来测量。与参与算法中提出的许多想法类似，我们训练线性分类器。与其他参与算法相比，我们为每个查询定义了一个额外的自由变量（截距或基准）。这允许表达不同查询的结果对于确定相关性的目的是不可比较的事实。这种想法的代价是增加了相对较少的讨厌参数。我们的方法很简单，并且我们使用了一个标准的逻辑回归库来测试它。结果击败了报道的参与算法。因此，将我们的方法与其他更复杂的想法结合起来似乎很有希望。
2008-10-15 cs.IR cs.LG
Ranking with Fairness Constraints
在诸如搜索引擎、新闻馈送和推荐系统的应用中，广泛地部署排名算法来对一组项目进行排序。然而，最近的研究表明，如果不加以控制，排名算法的输出可能会导致所呈现的内容类型的多样性下降，促进刻板印象和错误的观点。为了解决这些问题，我们研究了传统排名问题的以下变体时，此外，有公平性或多样性的限制。给定一个项目集合，以及1）将项目放置在排名中特定位置的值，2）敏感属性的集合（诸如性别、种族、政治观点）;以及3）约束的集合，其对于每个k，约束允许出现在排名的前k个位置中的具有每个属性的项目的数量，目标是输出在遵守约束的同时使关于原始等级质量度量的值最大化的等级。这个问题封装了各种研究良好的问题有关的二分和超图匹配的特殊情况下，原来是很难近似，即使有简单的约束。我们的主要技术贡献是快速精确和近似算法以及互补的硬度结果，一起来接近解决这个约束排名最大化问题的近似性。与以前的工作的约束匹配问题，我们的算法运行在线性时间，即使当约束的数量是大的，其近似比不依赖于约束的数量，它产生的解决方案与小的约束违反。我们的研究结果依赖于洞察约束匹配问题时，目标满足的属性，出现在常见的排名指标，如贴现累积增益，斯皮尔曼的rho或布拉德利特里。
2018-07-30 cs.CY cs.DS cs.IR
Post Processing Recommender Systems with Knowledge Graphs for Recency, Popularity, and Diversity of Explanations
现有的可解释推荐系统主要对推荐产品和已经体验过的产品之间的关系进行建模，并相应地形成解释类型（例如，向用户推荐由女演员“Y”主演的电影“X”，因为该用户观看了以“Y”作为女演员的其他电影）。然而，这些系统都没有研究过单一解释的性质（例如，与该女演员的交互的新近度）以及对推荐列表的一组解释（例如，解释类型的多样性）会影响感知解释质量。在本文中，我们概念化了三个新的属性，模型的解释质量（链接交互近度，共享实体的流行程度和解释类型的多样性），并提出了重新排名的方法，能够优化这些属性。在两个公共数据集上的实验表明，我们的方法可以根据所提出的属性提高解释质量，公平地跨越人口统计学群体，同时保持推荐效用。源代码和数据可在https://github.com/giacoballoccu/explanation-quality-recsys上获得。
2022-04-24 cs.IR
FedFlex: Federated Learning for Diverse Netflix Recommendations
Vrije Universiteit Amsterdam Netherlands；Georgia Institute of Technology Mexico；Centrum Wiskunde \& Informatica Netherlands；Georgia Institute of Technology
针对联邦推荐中隐私与多样性的矛盾，提出FedFlex两阶段框架，结合本地矩阵分解微调与MMR重排序，在线实验表明BPR优于SVD，MMR提升排序质量且不损害用户满意度。
2025-10-07 cs.AI cs.DC cs.IR
A Collaborative Ranking Model with Multiple Location-based Similarities for Venue Suggestion
在基于位置的社交网络上，推荐活动场所是满足用户需求的关键。最近的研究探索了采用协同排名（CR）的建议，结合学习排序和协同过滤的想法。然而，CR遭受稀疏性问题，主要是因为它关联相似的用户的基础上，在他们的签入历史中的场地的精确匹配。尽管协同过滤的研究已经表明，考虑辅助信息，如地理影响，有助于减轻模型的稀疏性问题，在CR相同的方向仍然需要探索。在这项工作中，我们提出了一个CR框架，专注于排名列表的顶部，同时在学习模型参数时集成任意数量的场馆之间的相似性函数。我们进一步介绍了三个例子的相似性措施的基础上场馆的内容和位置。将跨场地相似性度量引入模型中增强了用户之间的潜在关联，因为在将用户彼此关联时也考虑了相似场地。我们在TREC上下文建议数据集上的实验表明，我们提出的CR模型击败了其他最先进的场地建议方法。
2018-07-13 cs.IR
Generator and Critic: A Deep Reinforcement Learning Approach for Slate Re-ranking in E-commerce
Alibaba Group（阿里巴巴集团）
与逐点排序相比，石板重排序问题考虑了项目之间的相互影响，以提高电子商业中的用户满意度。以前的作品要么直接排名项目的端到端的模型，或排名项目的评分功能，权衡点的分数和项目之间的差异。然而，有两个主要的现有挑战没有得到很好的研究：（1）由于一个石板中的项目之间的复杂的相互影响，石板的评估是困难的;（2）即使给出最优评估，搜索最优石板也是具有挑战性的，因为动作空间是指数级的。在本文中，我们提出了一种新的生成器和评论家石板重新排名的方法，其中的评论家评估石板和生成器排名的项目通过强化学习的方法。我们提出了一个完整的石板批评（FSC）模型，认为真正的印象深刻的项目，并避免了现有模型的印象偏见。对于Generator，为了解决大动作空间的问题，我们提出了一种新的探索强化学习算法，称为PPO-Exploration。实验结果表明，FSC模型的性能明显优于现有的评价方法，PPO-Exploration算法的性能明显优于现有的强化学习方法。Generator和Critic方法在世界上最大的电子商业网站之一的现场实验中提高了石板效率（4%的gmv和5%的订单数）和多样性。
2020-05-25 cs.IR cs.LG stat.ML
Balancing Accuracy and Diversity in Recommendations using Matrix Completion Framework
设计推荐系统的目的是实现高的预测精度是一个广泛的研究领域。然而，一些研究表明，需要多样化的建议，具有可接受的准确性水平，以避免单调和改善客户体验。然而，增加多样性伴随着推荐准确性的相关降低;因此需要在两者之间进行最佳权衡。在这项工作中，我们试图实现准确性与多样性的平衡，利用可用的评级和项目元数据，通过一个单一的，联合优化模型建立在矩阵完成框架。大多数现有的作品，不像我们的配方，提出了一个2阶段的模型，一个启发式的项目排名计划的顶部现有的协同过滤技术。电影推荐系统上的实验评估表明，我们的模型实现了更高的多样性，为一个给定的准确率下降相比，现有的最先进的技术。
2019-12-11 cs.IR cs.LG
Ranking Companion: A Visual Analytics Approach to Item-Based Ranking with Hybrid Item Selection
University of Zürich（苏黎世大学）；Digital Society Initiative（数字社会倡议）
针对用户难以表达属性偏好的项目排序问题，提出结合模型驱动主动学习与人工驱动项目选择的可视分析方法，通过六种互补选择方法支持用户外化偏好，并在迭代学习中生成可解释排序结果。
2026-06-23 cs.HC cs.IR
Recommendation Systems with Distribution-Free Reliability Guarantees
University of California Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
在构建推荐系统时，我们试图向用户输出一组有用的项目。在引擎盖下，排名模型预测两个候选项中的哪一个更好，我们必须将这些成对比较提取到面向用户的输出中。然而，一个学习的排名模型永远不会完美，因此从表面上看它的预测并不能保证面向用户的输出是可靠的。从预先训练的排名模型构建，我们展示了如何返回一组严格保证包含大部分好项目的项目。我们的程序赋予任何排名模型与严格的有限样本控制的错误发现率（FDR），无论（未知）的数据分布。此外，我们的校准算法，使多个目标的推荐系统中的简单和原则性的整合。作为一个例子，我们展示了如何优化的建议多样性受用户指定的FDR控制水平，规避需要指定特设的权重的多样性损失对准确性损失。在整个过程中，我们专注于学习排序一组可能的建议，评估我们的方法对雅虎！学习排序和MSMarco数据集。
2022-07-04 cs.IR cs.LG stat.ML
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay（法国萨克利实验室）；Soda Team（Soda团队）
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架，通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性，同时保持用户相关性。
2025-06-22 cs.AI cs.IR
Ranking In Generalized Linear Bandits
University of Oxford（牛津大学）
研究广义线性bandit中的排序问题，考虑位置和物品依赖性对奖励的影响，设计了UCB和Thompson Sampling算法，推广现有研究并连接图论。
2024-01-01 cs.IR cs.LG math.OC
Generative Pseudo-Labeling for Pre-Ranking with LLMs
Alibaba Group（阿里巴巴集团）；Renmin University（中国人民大学）
研究工业推荐系统预排序中训练与服务差异问题，提出生成式伪标签框架GPL，利用语言模型为未曝光物品生成无偏伪标签，提升点击率、推荐多样性和长尾物品发现。
2026-07-07 cs.CL cs.IR
Search results diversification in competitive search
本研究针对竞争性搜索场景，提出并分析整合结果多样化的排序函数，证明其存在均衡，并缓解作者模仿高排名文档内容的现象。
2025-01-24 cs.GT cs.IR
A Robust Reputation-based Group Ranking System and its Resistance to Bribery
Faculty of Engineering, University of Porto（波尔图大学工程学院）；EURECAT；Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）
在线评论和意见的传播及其对人们行为和决策的日益增长的影响，提高了从这些数据洪流中提取有意义信息的兴趣。因此，众包的产品和服务评级在企业和政府中发挥了关键作用。当前最先进的解决方案利用针对项目表达的评级的平均值来对项目进行排名，结果是用户缺乏个性化，并且暴露于攻击和垃圾邮件/虚假用户。使用这些评级对具有相似偏好的用户进行分组可能有助于向用户呈现反映其偏好的项目并克服这些漏洞。在本文中，我们提出了一个新的基于声誉的排名系统，利用多部评级子网络，聚类用户的相似性，使用三种措施，其中两个基于柯尔莫哥洛夫复杂性。我们还研究了它对贿赂的抵抗力以及如何设计最佳的贿赂策略。我们的系统的新颖之处在于，它通过（可能）为不同用户群体的同一项分配不同的排名来反映偏好的多样性。我们证明了系统的收敛性和有效性。通过在合成数据和真实数据上进行测试，我们发现它能更好地应对垃圾邮件/虚假用户，比最先进的方法更能抵御攻击。此外，通过对用户进行聚类，与两方情况相比，在所提出的多方排名系统中贿赂的影响是暗淡的。
2020-04-17 cs.AI cs.CR cs.IR
