Beyond Item Dissimilarities: Diversifying by Intent in Recommender Systems
Stanford University(斯坦福大学);Google, Inc.(谷歌公司);Google DeepMind(谷歌DeepMind)
本文提出面向推荐末阶段的概率性整页意图多样化框架,通过先验与后验更新覆盖多元用户意图,并在 YouTube 线上实验中提升 DAU 与用户愉悦度。
2025-01-10 cs.IR cs.LG
The Importance of Cognitive Biases in the Recommendation Ecosystem
本文论证认知偏差并非仅有害,并实证表明特征正效应、宜家效应和文化同质性普遍存在于推荐流程各环节,主张无偏见地利用这些偏差来改进推荐系统。
2024-08-30 cs.IR
Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation
Tencent(腾讯)
本文提出BiGNAS框架,通过跨域定制超网络和图行为重要性感知器联合优化GNN架构与源域行为数据重要性,在多个基准及工业数据集上取得优于现有方法的跨域推荐效果。
2025-03-11 cs.IR cs.LG
Interest-aware Message-Passing GCN for Recommendation
图卷积网络(GCN)在推荐方面显示出巨大的潜力。这归因于它们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样,基于GCN的推荐模型也存在臭名昭著的过度平滑问题-当堆叠更多层时,节点嵌入变得更加相似,最终无法区分,导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这个问题,但是,我们认为,他们忽略了一个重要因素的过度平滑问题的推荐,即,高阶相邻用户没有共同的兴趣用户也可以参与到用户的嵌入学习中的图卷积运算。因此,多层图卷积将使具有不同兴趣的用户具有相似的嵌入。在本文中,我们提出了一种新的可感知的消息传递GCN(IMP-GCN)推荐模型,该模型在子图内部执行高阶图卷积。子图由具有相似兴趣的用户和他们交互的项目组成。为了形成子图,我们设计了一个无监督的子图生成模块,它可以有效地识别用户的共同兴趣,利用用户特征和图结构。为此,我们的模型可以避免将来自高阶邻居的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明,该模型可以通过堆叠更多的层来提高性能,并显着优于最先进的基于GCN的推荐模型。
2021-03-28 cs.IR
UA-FedRec: Untargeted Attack on Federated News Recommendation
本文提出 UA-FedRec 无目标攻击,通过新闻相似度、用户模型和样本数量扰动,利用少量恶意客户端降低联邦新闻推荐性能,并在两个真实数据集上验证其即使面对防御仍有效。
2023-06-08 cs.IR
Metric Learning for Session-based Recommendations
Computer Vision Center(计算机视觉中心);Universitat Autónoma de Barcelona(巴塞罗那自治大学);Warsaw University of Technology(华沙理工大学)
基于会话的预测器用于对用户不间断的动作序列进行预测,对许多应用程序都很有吸引力。在这里,对于这项任务,我们建议使用度量学习,其中创建会话和项目的公共嵌入空间,距离度量所提供的用户事件序列与下一个动作之间的差异。我们讨论和比较度量学习方法常用的学习排名方法,其中存在一些协同作用。我们提出了一个简单的架构问题分析,并证明,既不广泛的大,也不深的架构是必要的,以优于现有的方法。对强基线的实验结果在四个数据集上提供了一个消融研究。
2021-01-07 cs.IR cs.LG
Micro-video recommendation model based on graph neural network and attention mechanism
随着互联网技术的飞速发展和互联网应用的全面普及,网上活动逐渐成为人们日常生活中不可或缺的一部分。原有的推荐学习算法主要是基于用户与微视频的交互进行学习,对用户与微视频的连接关系进行建模,难以捕捉节点之间较为复杂的关系。针对上述问题,提出了一种基于图神经网络的个性化推荐模型。该模型利用图神经网络能够更有效地挖掘图数据的深层信息的特点,将输入的用户评分信息和项目边信息转化为图结构,基于重要性采样策略进行有效的特征提取。基于重要性的采样策略通过计算邻居节点与中心节点之间的关系紧密度来衡量邻居节点对中心节点的重要性,并根据重要性级别来选择推荐任务的邻居节点,可以更有针对性地选择对目标微视频节点影响更大的采样邻居。而池化聚合策略则是先将邻域节点特征输入到全连通层中训练聚合权值,再进行邻域特征聚合,然后引入池化层进行特征聚合,最后将得到的邻域聚合特征与目标节点本身进行聚合,其直接引入对称可训练函数以将邻域权重训练融合到模型中,从而以可学习的方式更好地捕获不同邻域节点的差分特征,当前节点特征的表示。
2022-05-21 cs.IR
A Load Balanced Recommendation Approach
推荐系统(RS)是为缓解信息过载问题而开发的软件工具和算法,信息过载使用户难以做出正确的决策。推荐问题的两个主要范例是协同过滤和基于内容的过滤,它们试图使用评级和可用内容推荐最好的项目。这些方法通常面临着臭名昭著的问题,包括冷启动,多样性,可扩展性和巨大的计算费用。我们认为,深度学习和强化学习方法的采用也是值得怀疑的,因为它们的计算复杂性和不可解释性。在本文中,我们从一个新的角度来探讨推荐问题。我们借用无线传感器网络中簇头选择算法的思想,并将其应用于推荐问题。特别是,我们提出了负载平衡推荐系统(LBRS),它使用一个概率方案的项目推荐。此外,我们在推荐过程中考虑了项目的重要性,这显着提高了推荐的准确性。我们还介绍了一种方法,认为项目之间的异质性,以平衡的相似性和多样性的权衡。最后,我们提出了一个新的多样性度量,它强调多样性的重要性,不仅从内部列表的角度来看,但也从列表之间的角度来看。通过在RecSim上进行的仿真研究中的实验,我们表明LBRS是有效的,并且可以优于基线方法。
2021-05-20 cs.IR
Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation
McGill University(麦吉尔大学);City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
隐式反馈由于其在现实系统中的普遍性和可访问性,经常被用于开发个性化推荐服务。为了有效地利用这些信息,大多数研究采用成对排序方法构建训练三元组(用户,积极项目,消极项目),旨在区分每个用户的积极项目和消极项目。然而,这些方法中的大多数都平等地对待所有的训练三元组,这忽略了不同的积极或消极项目之间的细微差异。另一方面,即使其他一些作品利用辅助信息(例如,停留时间)来捕捉这种微妙的差异,这样的辅助信息是难以获得的。为了缓解上述问题,我们提出了一种名为Triplet Importance Learning(TIL)的新型训练框架,该框架自适应地学习训练三元组的重要性得分。我们设计了两种策略的重要性得分生成和制定的整个过程作为一个双层优化,这不需要任何基于规则的设计。我们将建议的训练过程与几个矩阵分解(MF)和图神经网络(GNN)为基础的推荐模型,证明了我们的框架的兼容性。通过使用三个真实世界的数据集与许多最先进的方法进行比较,我们表明,我们提出的方法在Recall@k方面优于最好的现有模型3-21\%。
2022-12-17 cs.IR cs.LG
Effectively Using Long and Short Sessions for Multi-Session-based Recommendations
仅根据当前的一次会议提出建议是不准确的。因此,基于多会话的推荐(MSBR)是解决这个问题的一种方法。与以往的MSBR模型相比,本文做了三个方面的改进。首先,先前的工作选择使用用户和/或其类似用户的所有历史会话。当用户当前的兴趣与过去发生很大变化时,这些会话中的大多数只能产生负面影响。因此,我们从数据集中随机选择大量会话作为候选会话,以避免过度依赖历史数据。然后,我们只选择使用最相似的会话,以获得最有用的信息,同时减少噪音所造成的不相似的会话。其次,在现实世界的数据集中,短会话占很大比例。在以前的工作中经常使用的RNN不适合处理短会话,因为RNN只关注顺序关系,我们发现这不是短会话中项目之间的唯一关系。因此,我们设计了一个更适合的方法,称为GAFE基于关注处理短会话。第三,虽然长时间的会议很少,但也不能忽视。不像以前的模型,简单地处理长会话的方式与短会话相同,我们提出了LSIS,它可以分割长会话的兴趣,以更好地利用长会话。最后,为了帮助推荐,我们还考虑了多层GRU捕获的用户长期兴趣。综合考虑以上四点,我们建立了ENIREC模型。在两个真实数据集上的实验表明,ENIREC模型的综合性能优于现有的其他模型。
2022-05-09 cs.IR
A multi-label classification method using a hierarchical and transparent representation for paper-reviewer recommendation
审稿人推荐任务对于会议主席和期刊编辑具有重要的学术意义。如何有效、准确地推荐审稿人是一项有意义而又艰巨的任务。在本文中,我们提出了一种多标签分类方法,使用层次和透明的表示命名为Hiepar-MLC。此外,我们提出了一个简单的多标签为基础的审查分配MLBRA策略,以选择适当的审查。有趣的是,我们还探讨了粗粒度的论文审稿人推荐。
2019-12-19 cs.IR
MMALFM: Explainable Recommendation by Leveraging Reviews and Images
虽然潜在因素模型在评分预测方面取得了很好的准确性,但它存在许多问题,包括冷启动,不透明,以及个别用户-项目对的次优结果。在本文中,我们利用文本评论和项目图像以及评级来解决这些限制。具体来说,我们首先应用一个建议的多模态方面感知主题模型(MATM)的文本评论和项目图像从不同的方面来模拟用户的喜好和项目的功能,也估计方面的重要性,用户对一个项目。然后,方面的重要性集成到一个新的方面感知的潜在因素模型(ALFM),学习用户和项目的潜在因素的基础上的评级。特别是,ALFM引入了一个权重矩阵,将这些潜在因素与MATM中的同一组方面相关联,从而可以使用潜在因素来估计方面评级。最后,通过方面评级的线性组合计算整体评级,这些方面评级由相应的方面重要性加权。为此,我们的模型可以缓解数据稀疏性问题,并获得良好的解释性推荐。此外,每个方面的评级是加权的方面的重要性,这是依赖于目标用户的喜好和目标项目的功能。因此,预计所提出的方法可以更准确地为每个用户-项目对建模用户对项目的偏好。在Yelp 2017 Challenge数据集和Amazon产品数据集上进行了全面的实验研究,以证明我们方法的有效性。
2018-11-24 cs.IR
A novel method for recommendation systems using invasive weed optimization
推荐系统中流行的方法之一是协同过滤(CF)。CF中最重要的一步是选择适当的用户集。为此,相似性度量通常用于计算特定用户与其他用户之间的相似性。本文提出了一种新的入侵杂草优化(IWO)的CF方法,使用用户的上下文来识别重要和有效的用户集。通过使用一个新定义的相似性度量的基础上的评级值和度量值称为信心,所提出的方法计算用户之间的相似性,从而识别和过滤最相似的用户到一个特定的用户。然后使用IWO计算用户的重要度,最后通过识别出的重要用户及其重要度来预测未知的评分。为了评估所提出的方法,几个实验已经进行了两个已知的真实世界的数据集和结果表明,所提出的方法提高了最高15%的最先进的结果在均方根误差(RMSE)和平均绝对误差(MAE)。
2021-06-05 cs.IR
A Hybrid Web Recommendation System based on the Improved Association Rule Mining Algorithm
随着人们对用于为用户提供定制数据的Web推荐系统的兴趣越来越大,我们开始了对该系统的研究。推荐系统一般分为两大类,如协同推荐系统和基于内容的推荐系统。在协作推荐系统的情况下,这些系统试图找出与给定用户具有相同品味的用户,并根据给定用户的喜好推荐网站。而基于内容的推荐系统试图推荐与用户喜欢的那些网站相似的网站。在最近的研究中,我们发现基于关联规则挖掘算法的有效技术被提出来解决网页推荐问题。同样的主要问题是,网页被赋予同等的重要性。在这里,页面的重要性根据访问网页的频率以及用户在该页面上花费的时间而变化。另外,推荐集合中不包括新添加的网页或用户尚未访问的网页的推荐。为了克服这个问题,我们使用了Web使用日志中的自适应关联规则的Web挖掘,其中的关联规则被应用到个性化。该算法纯粹基于Apriori数据采掘算法来生成关联规则。然而,这种方法也存在一些不可避免的缺点。本文提出并研究了一种基于加权关联规则挖掘算法和文本挖掘的新方法。这是改进的算法,增加了语义知识的结果,具有更高的效率,因此提供了更好的质量和性能相比,现有的方法。
2013-11-28 cs.IR
TRec: Sequential Recommender Based On Latent Item Trend Information
推荐系统在在线Web应用中扮演着重要的角色。顺序推荐系统利用用户与项目交互的最新历史信息,进一步对用户的短期偏好进行建模。大多数顺序推荐方法忽略了不断变化的项目流行度的重要性。我们从直觉中提出了这个模型,即用户交互最多的项目可能在过去很受欢迎,但最近可能会过时。为此,本文提出了一种新的顺序推荐方法TRec,TRec从隐式用户交互历史中学习项目趋势信息,并将项目趋势信息整合到下一个项目推荐任务中.然后使用自注意力机制来学习更好的节点表示。我们的模型是通过基于排序的成对优化来训练的。我们在四个基准数据集上用七种基线方法进行了大量的实验,实验结果表明,我们的方法在保持较低运行时间开销的同时,性能优于其他最先进的方法。我们的研究证明了项目趋势信息在推荐系统设计中的重要性,并且我们的方法也具有很高的效率,这使得它在现实世界中是实用的。
2020-09-11 cs.IR
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University(西安交通大学)
top-k推荐是推荐系统中的一项基本任务,通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题,近年来受到了越来越多的关注,我们发现它非常适合于top-k推荐。然而,CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面,合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面,在稀疏数据集中,正项很少,因此应该强调它们的重要性。此外,另一个重要的问题是,稀疏的积极项目仍然没有充分利用的建议。因此,我们提出了一种新的数据增强方法,使用多个正项目(或样本)同时与CL损失函数。因此,我们提出了一种基于多样本的对比损失(MSCL)函数,通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络(GCN)方法,实验结果验证了MSCL的先进性能。所提出的MSCL方法简单,适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展,但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题,我们提出了一个解决方案,增强了一个知识图谱称为KATRec(知识感知的主动顺序建议)。KATRec通过对用户的交互项目序列进行建模,并通过知识图谱注意力网络利用预先存在的辅助信息,来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明,KATRec的性能优于最先进的推荐模型,并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
The Importance of Song Context and Song Order in Automated Music Playlist Generation
音乐播放列表的自动生成可以自然地被视为顺序任务,其中推荐系统建议构成收听会话的歌曲流。为了预测播放列表中的下一首歌曲,到目前为止提出的一些播放列表模型考虑播放列表中的当前和先前歌曲(即,歌曲上下文)以及可能的歌曲在播放列表中的顺序。我们调查的歌曲上下文和歌曲顺序对下一首歌的建议进行专门的离线实验两个数据集的手工策划的音乐播放列表的影响。首先,我们比较了三个播放列表模型,每个模型都能够考虑不同的歌曲上下文长度:基于流行度的模型,基于歌曲的协同过滤(CF)模型和基于递归神经网络(RNN)的模型。我们还考虑了一个模型,随机预测下一首歌曲作为参考。其次,我们通过操纵播放列表中歌曲的顺序来挑战RNN模型(第一个实验中唯一能够考虑歌曲顺序的模型)。我们的研究结果表明,歌曲的背景下,下一首歌的推荐质量有积极的影响,即使这种影响可以掩盖的偏见非常流行的歌曲。此外,在我们的实验中,歌曲顺序并没有出现作为一个关键变量,以预测更好的下一首歌曲的建议。
2018-07-12 cs.IR
Bridging Search and Recommendation through Latent Cross Reasoning
针对搜索历史噪声影响推荐的问题,提出潜在交叉推理框架,先编码全局兴趣再迭代推理搜索行为,结合对比学习与强化学习,在公开基准上持续超越强基线。
2025-08-06 cs.IR
LSA: A Long-Short-term Aspect Interest Transformer for Aspect-Based Recommendation
Beijing-Dublin International College, Beijing University of Technology(北京-都柏林国际学院,北京工业大学);Beijing Institute of Graphic Communication(北京印刷学院);College of Computer Science, Beijing University of Technology(北京工业大学计算机学院)
本文提出LSA模型,通过整合长期和短期方面兴趣,捕捉用户偏好动态,提升推荐系统中基于方面的推荐效果。
2026-03-26 cs.IR
Feature-level Attentive ICF for Recommendation
基于项目的协同过滤(ICF)具有推荐准确率高、易于在线惩罚等优点,受到工业推荐系统的青睐。ICF基于项目与用户的先前交互的项目的相似性向目标用户推荐项目。近年来,通过应用先进的机器学习技术(例如,深度神经网络)以从数据中学习项目相似性。早期的方法简单地对待所有的历史项目平等和最近提出的方法试图区分不同的历史项目的重要性时,推荐一个目标项目。尽管取得了进展,我们认为,这些ICF模型忽视了用户在采用项目时的不同意图(例如,因为导演、主演或视觉效果而观看电影)。因此,它们无法在更细粒度的水平上估计项目相似性来预测用户对项目的偏好,从而导致次优推荐。在这项工作中,我们提出了一个通用的ICF模型的特征级注意力方法。我们的方法的关键是区分不同的因素的重要性时,计算项目的相似性预测。为了证明我们的方法的有效性,我们设计了一个轻注意力神经网络集成项目级和特征级的注意力神经ICF模型。它与模型无关,易于实现。我们将其应用于两个基线ICF模型,并在六个公共数据集上评估其有效性。大量的实验表明,特征级的注意力增强模型始终优于他们的同行,展示了潜在的差异化用户意图上的特征级的ICF推荐模型。
2021-10-20 cs.IR
Confidence Calibration for Recommender Systems and Its Applications
本论文针对推荐系统置信度度量被忽视的问题,提出基于排序分数的模型校准框架,并展示其在知识蒸馏和呈现条目数量调整中的两个实际应用。
2024-02-26 cs.IR
A Unified Model for Recommendation with Selective Neighborhood Modeling
Shandong Normal University(山东师范大学);National Innovative Institute of Defense Technology(国防科技大学创新研究院);The University of Queensland(昆士兰大学);Neusoft Education Technology Group(东软教育科技集团)
基于邻域的过滤器是协同过滤(CF)模型的一个主要类别。直觉是利用具有相似偏好的邻居来桥接看不见的用户-项目对并减轻数据稀疏性。许多现有的工作提出了神经注意力网络聚合邻居,并在特定的用户子集上放置更高的权重进行推荐。然而,邻域信息不一定总是有用的,并且邻域中的噪声会对模型性能产生负面影响。为了解决这个问题,我们提出了一种新的基于邻域的推荐器,其中混合门控网络被设计为自动分离相似的邻居从不同的(嘈杂的),并聚集这些相似的邻居,包括邻域表示。如果我们对邻域信息有信心,则还通过对邻域表示施加更高的权重来解决邻域中的置信度,反之亦然。此外,提出了一个用户邻居组件,明确规范用户邻居接近的潜在空间。这两个组件被组合成一个统一的模型,以互补的推荐任务。在三个公开数据集上进行的大量实验表明,该模型的性能始终优于最先进的基于邻域的分类器。我们还研究了所提出的模型的不同变体,以证明所提出的混合门控网络和用户邻居建模组件的潜在直觉。
2020-10-19 cs.AI cs.IR
Sapling Similarity: a performing and interpretable memory-based tool for recommendation
针对无权重二分网络下传统共同邻居相似度方法仅支持正值、性能弱于模型方法的问题,提出支持负值的Sapling Similarity,构建的SSCF仅含一个超参数,在保证高可解释性的同时实现了可比甚至更优的推荐效果。
2023-05-06 cs.IR
Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation
针对现有序列推荐中意图建模的三大局限,该研究提出IDCLRec方法,通过意图-兴趣解耦、重要性加权注意力及物品感知对比学习提升推荐效果,经真实数据集实验验证了有效性。
2025-01-13 cs.IR
Explanation Guided Contrastive Learning for Sequential Recommendation
最近,对比学习已被应用到顺序推荐任务,以解决数据稀疏所造成的用户与少数项目的互动和项目与少数用户采用。然而,现有的基于对比学习的方法不能确保通过对给定锚用户序列的一些随机增强(或序列采样)获得的正(或负)序列保持语义相似(或不同)。当正序列和负序列分别被证明是假阳性和假阴性时,可能导致推荐性能下降。在这项工作中,我们解决了上述问题,提出了解释引导增强(EGA)和解释引导对比学习顺序推荐(EC4SRec)模型框架。EGA背后的核心思想是利用解释方法来确定项目在用户序列中的重要性,并相应地导出正序列和负序列。然后,EC4SRec结合了对EGA操作生成的正序列和负序列的自监督和监督对比学习,以改进序列表示学习,从而获得更准确的推荐结果。在四个真实世界的基准数据集上的大量实验表明,EC4SRec优于最先进的顺序推荐方法和两个最近的基于对比学习的顺序推荐方法,CL4SRec和DuoRec。我们的实验还表明,EC4SRec可以很容易地适应不同的序列编码器骨干(例如,GRU4Rec和Caser),并提高其推荐性能。
2022-09-03 cs.IR
A multimedia recommendation model based on collaborative graph
推荐系统作为解决信息过载问题的主要方法之一,在日常生活中得到了广泛的应用。在近年来兴起的微视频推荐场景中,微视频包含丰富的多媒体信息,涉及文本、图像、视频等多模态数据,这些丰富的多模态信息隐藏了用户对项目的深层兴趣。目前基于多模态数据的推荐算法大多利用多模态信息对项目侧的信息进行扩展,但忽略了用户对不同模态信息的不同偏好,缺乏对多模态信息内在联系的细粒度挖掘。针对上述微视频推荐系统中存在的问题,设计了一种基于多模态信息的混合推荐模型,在网络结构中引入多模态信息和用户侧辅助信息,充分挖掘用户的深层兴趣,衡量评分预测任务中用户和项目特征表征各维度的重要性,使得图神经网络在推荐系统中的应用得到了改进,采用注意力机制融合多层状态输出信息,让中间层提供的浅层结构特征更好地参与预测任务。与传统推荐算法相比,在不同数据集上的推荐准确率都有所提高,验证了该模型的可行性和有效性。
2022-05-30 cs.IR
Heterogeneous User Modeling for LLM-based Recommendation
针对开放域推荐中跨域异构行为建模难题,本文提出 HUM,通过行为 token 压缩、掩码机制和领域重要性分数提升效果与鲁棒性。
2025-07-27 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
Incorporating Bias-aware Margins into Contrastive Loss for Collaborative Filtering
协同过滤(CF)模型容易受到流行度偏差的影响,使推荐偏离用户的实际偏好。然而,目前大多数去偏置策略都倾向于在头部和尾部性能之间进行权衡,从而不可避免地降低了整体推荐准确性。为了减少流行性偏差对CF模型的负面影响,我们将偏差感知利润率纳入对比损失,并提出了一个简单而有效的BC损失,其中利润率定量地调整每个用户-项目交互的偏差程度。我们研究了BC损失的几何解释,然后进一步可视化并从理论上证明了它通过鼓励相似用户/项目的紧凑性和扩大不相似用户/项目的分散性来同时学习更好的头部和尾部表示。在八个基准数据集上,我们使用BC损失来优化两个高性能的CF模型。在各种评估设置上(即,不平衡/平衡、时间分裂、完全观察无偏、尾/头测试评估),BC损失以显著的改进优于现有技术的去偏和非去偏方法。考虑到BC损失的理论保证和经验成功,我们主张不仅将其作为一种去偏置策略,而且还将其作为推荐模型中的标准损失。
2023-02-18 cs.IR
Mitigating Mainstream Bias in Recommendation via Cost-sensitive Learning
针对推荐系统主流偏差问题,提出以推荐效用为隐式代理量化主流程度的用户加权代价敏感学习方法,能提升非主流用户推荐质量且几乎不损失整体准确率,同时指出单用户级评估需足够交互数据才可靠。
2023-07-25 cs.IR
Session-aware Information Embedding for E-commerce Product Recommendation
现有的推荐系统大多假设用户的访问历史可以被持续记录。然而,在最近的在线服务中,用户标识通常可能是未知的,并且只能使用有限的在线用户行为。对用户的时间行为进行建模,并对匿名用户进行推荐具有重要意义。在本文中,我们提出了一个列表式的深度神经网络为基础的架构,在每个会话中的有限的用户行为建模。为了有效地训练模型,我们首先设计了一个会话嵌入方法来预训练一个会话表示,它包含了不同类型的用户搜索行为,如点击和查看。基于学习的会话表示,我们进一步提出了一个列表式的排名模型来生成每个匿名用户会话的推荐结果。我们对一家电子商业公司最近发布的数据集进行了定量实验。评估结果验证了所提出的方法的有效性,它可以显着优于最先进的。
2017-11-20 cs.IR
Aspect-Aware Latent Factor Model: Rating Prediction with Ratings and Reviews
虽然潜在因素模型(例如,矩阵分解)在评级预测中实现了良好的准确性,但是它们遭受若干问题,包括冷启动、非透明性以及针对本地用户或项目的次优推荐。在本文中,我们采用文本评论信息与评级来解决这些限制。首先,我们提出了一个方面感知的主题模型(ATM)的评论文本模型的用户偏好和项目的功能,从不同的方面,并估计方面的重要性,用户对一个项目。方面的重要性,然后集成到一个新的方面感知的潜在因素模型(ALFM),学习用户和项目的潜在因素的基础上的评级。特别是,ALFM引入了一个加权矩阵,将这些潜在因素与ATM发现的同一组方面相关联,从而可以使用潜在因素来估计方面评级。最后,通过方面评级的线性组合计算整体评级,这些方面评级由相应的方面重要性加权。为此,我们的模型可以缓解数据稀疏性问题,并获得良好的解释性推荐。此外,一个方面的评级加权方面的重要性,这是依赖于目标用户的喜好和目标项目的功能。因此,预计所提出的方法可以更准确地为每个用户-项目对本地建模用户对项目的偏好。对来自Amazon和Yelp 2017挑战数据集的19个数据集进行了全面的实验研究。结果表明,我们的方法取得了显着的改善相比,强基线方法,特别是对于用户只有很少的评级。此外,我们的模型可以解释推荐结果的深度。
2018-02-22 cs.IR
Differential Data Analysis for Recommender Systems
我们提出的技术来表征哪些数据是重要的推荐系统,哪些不是。重要数据是对推荐算法的准确性贡献最大的数据,而不太重要的数据对准确性的贡献较小甚至降低了准确性。描述数据的重要性有两个潜在的直接好处:(1)增加隐私和(2)减少数据管理成本,包括存储。在隐私方面,我们使用现有的数据模糊技术,为可比的隐私级别提供更高的推荐准确性。对于存储,我们的结果表明,我们可以实现大量减少推荐数据,但保持推荐的准确性。我们的主要技术叫做差分数据分析。这个名字的灵感来自于其他类型的差分分析,例如差分功率分析和差分密码分析,其中通过分析略有不同的输入来获得洞察力。在差分数据分析中,我们将数据分块,并在每个块存在或不存在的情况下比较结果。我们目前的结果应用差分数据分析两个数据集和三种不同的属性。第一个属性被称为用户困难。这是一个新的属性,特别是与位置数据集相关的属性,它表明数据点的实现有多么繁重。第二个和第三个属性更标准:时间戳和用户评级。对于用户评级,我们确认以前的工作有关的推荐数据的重要性增加对应于高和低的用户评级。
2013-10-03 cs.IR
X-Reflect: Cross-Reflection Prompting for Multimodal Recommendation
University of Rochester(罗切斯特大学);Adobe Research(Adobe研究)
针对多模态推荐中文本与图像互补信息利用不足的问题,提出X-Reflect交叉反思提示框架,通过MLLM调和模态冲突生成丰富表示,在基准上提升推荐精度,并推出轻量变体实现高效推理。
2025-10-23 cs.CL cs.CV cs.IR
MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学);Kuaishou Inc.(快手科技)
MGFRec通过多轮接地和反馈机制提升推荐系统中推理与实际物品空间的一致性,改进推荐效果。
2025-11-24 cs.IR
Multi-View Graph Convolutional Network for Multimedia Recommendation
本文提出多视图图卷积网络解决多媒体推荐中的模态噪声污染和用户偏好建模不完整问题,通过行为信息净化模态特征、分离视图增强特征判别性,并设计行为感知融合器与自监督辅助任务建模用户偏好,在三个公开数据集上验证了有效性。
2023-08-07 cs.IR
The 2nd Workshop on Recommendation with Generative Models
第二届生成式模型推荐研讨会聚焦生成式模型与推荐系统融合的五大方向,为研究者提供交流平台,以推动技术创新、应对新挑战,助力下一代推荐系统发展。
2024-03-07 cs.IR
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta;University of California San Diego(加州大学圣地亚哥分校)
CoFiRec通过粗到细分词提升生成推荐效果,有效捕捉用户意图演变。
2026-09-01 cs.AI cs.IR
A Personality-Guided Preference Aggregator for Ephemeral Group Recommendation
针对临时群组推荐中现有方法忽略人格因素及交互数据稀疏的问题,本文提出人格引导偏好聚合器PEGA,通过提取用户隐性人格、聚合群组人格并结合注意力机制与微调模块,显著提升推荐准确率与可解释性。
2024-09-25 cs.IR
Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表,这已经证明了它们在提高推荐质量方面的有效性。然而,大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型,这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中,我们提出了一种新的意图感知重排序模型与动态Transformer编码器(RAISE),旨在执行用户特定的预测,为每个单独的用户的基础上,她的意图。具体来说,我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块(IDM)。通过区分评论信息的重要性与共同注意力网络,潜在的用户意图可以显式地建模为每个用户项目对。然后,我们引入了一个动态的Transformer编码器(DTE),以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此,人们不仅可以实现更个性化的推荐,而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明,本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
A Preliminary Study of ChatGPT on News Recommendation: Personalization, Provider Fairness, Fake News
本研究初步评估ChatGPT在个性化新闻推荐、提供者公平性和假新闻检测三方面的表现,探索提示格式对输出约束的影响,并开发网页进行持续监控。
2023-06-19 cs.IR
Seq2seq Translation Model for Sequential Recommendation
产品类别等上下文信息在顺序推荐中起着至关重要的作用。近年来,人们对上下文感知的顺序推荐系统越来越感兴趣。现有的研究往往把上下文作为辅助特征向量,而没有考虑上下文的顺序依赖性。然而,这种依赖性提供了有价值的线索来预测用户的未来行为。例如,用户可能在他/她购买电子产品之后购买电子配件。在本文中,我们提出了一种新的seq 2seq翻译架构,突出顺序依赖的顺序推荐上下文的重要性。具体来说,我们首先构建一个附带的上下文序列,除了主要的互动序列。然后,我们概括了最近的进展,翻译模型从两种语言的单词序列的项目和上下文的推荐系统中的序列。以类别信息作为项目的上下文,我们开发了一个基本的耦合和一个扩展的三重seq 2seq翻译模型来编码项目和上下文序列之间的类别-项目和项目-类别-项目的关系。我们在三个真实世界的数据集上进行了广泛的实验。结果表明,与最先进的基线相比,所提出的模型的优越性能。
2020-01-14 cs.IR
Measuring Recency Bias In Sequential Recommendation Systems
Seoul National University(首尔大学)
本研究针对序列推荐系统的近因偏差问题,提出了一种量化该偏差的新型指标,实验证实高近因偏差会损害推荐性能,缓解后可提升所有评估模型的表现,凸显了测量近因偏差的重要性。
2024-09-15 cs.IR cs.LG
Graph-Based Model-Agnostic Data Subsampling for Recommendation Systems
Tufts University(塔夫茨大学);ByteDance Inc.(字节跳动公司);ByteDance Research(字节跳动研究院);Apple Inc.(苹果公司)
针对基于模型的推荐系统数据下采样易受模型设定偏差影响的问题,提出基于用户-物品图拓扑与图电导率的模型无关下采样方法,结合两类方法优势,在KuaiRec和MIND数据集上效果优于基线。
2023-06-16 cs.IR cs.LG cs.SI
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan(美团)
针对异构行为导致的特征稀疏与知识碎片化问题,提出基于 LLM 的异构知识提取、融合与指令微调方法,显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
A GNN Model with Adaptive Weights for Session-Based Recommendation Systems
Istanbul Technical University(伊斯坦布尔理工大学);Gazi University(加齐大学)
本文提出一种应用于图神经网络向量的自适应加权机制,通过结合辅助信息动态调整会话中项目的重要性,有效提升了 SR-GNN 模型的预测准确率并缓解了冷启动问题。
2024-08-09 cs.AI cs.IR
Uncertainty Quantification and Decomposition for LLM-based Recommendation
Korea University(高丽大学)
针对LLM推荐存在的不确定性问题,本文提出预测不确定性估计框架及分解为推荐与提示不确定性的方法,实验验证其能有效指示推荐可靠性、分析来源并通过不确定性感知提示提升推荐效果。
2025-02-12 cs.CL cs.IR
Knowledge-aware Diffusion-Enhanced Multimedia Recommendation
本文提出知识感知扩散增强架构KDiffE,通过注意力感知矩阵和引导扩散生成低噪声任务相关知识图谱,结合对比学习提升多媒体推荐性能。
2025-07-22 cs.IR cs.MM
The Informational Role of Online Recommendations: Evidence from a Field Experiment
本研究通过电影推荐平台的被试内设计实地实验,分解了推荐影响消费的考虑集扩大与信息提供两种机制,发现信息作用更强且对经验少的消费者更显著,为推荐系统的经济评估和优化提供参考。
2024-12-12 cs.CY cs.IR econ.GN
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征,而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架,即用于基于会话的推荐的邻域增强和时间感知推荐机(NETA)。首先,我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后,我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示,特别是单独考虑会话之间的时间新近性;最后,我们设计了一个简单的合作,注意力机制,以确定预测下一个项目时,互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation
Nanyang Technological University(南洋理工大学)
针对序列推荐中物品多面性和用户偏好多样性的问题,提出FAME模型,利用多头注意力子嵌入和专家混合网络解耦分面偏好,并通过门控机制动态整合推荐,在四个数据集上验证了其有效性。
2025-02-10 cs.IR cs.LG
The Importance of Causality in Decision Making: A Perspective on Recommender Systems
Free University of Bozen-Bolzano(波尔扎诺自由大学);University of Milano-Bicocca(米兰比可卡大学);F. Hoffmann - La Roche Ltd(F. Hoffmann - 罗氏公司);University of Klagenfurt(克拉根福大学)
本文从因果性视角形式化推荐系统问题,利用潜在结果和结构因果模型定义待估计的因果量,并提出通用因果图以推动未来研究。
2024-09-16 cs.AI cs.IR
Sequential Recommendation via Stochastic Self-Attention
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Spotify(声田);Pinterest Inc(拼趣公司);Beihang University(北京航空航天大学)
序贯推荐是通过对用户先前行为的动态建模来预测下一个项目的一种方法,受到了广泛的关注。基于转换器的方法,它嵌入项目作为向量,并使用点积自我注意力来衡量项目之间的关系,表现出优越的能力,现有的顺序方法。然而,用户的真实世界的顺序行为是\textit{\textbf{uncertain}},而不是确定性的,提出了一个重大的挑战,目前的技术。我们进一步建议,基于点积的方法不能完全捕获\textit{\textbf{collaborative transitivity}},它可以在序列内的项目-项目转换中导出,并且对冷启动项目是有益的。我们进一步指出,BPR损失没有约束的积极和抽样的负面项目,这误导了优化。我们提出了一种新的\textbf{STO}随机\textbf{S} elf- \textbf{A} tension ~(STOSA)来克服这些问题。特别是,STOSA将每个项目嵌入为随机高斯分布,其协方差编码不确定性。我们设计了一个新的Wasserstein自我注意模块来描述序列中的项目-项目位置关系,它有效地将不确定性纳入模型训练。Wasserstein的注意也启发了协作传递性学习,因为它满足三角不等式。此外,我们引入了一个新的正则化项的排名损失,这保证了积极和消极的项目之间的相异性。在五个真实世界的基准数据集上进行的大量实验表明,该模型优于最先进的基线,特别是在冷启动项目上。代码在\u…
2022-03-05 cs.AI cs.IR cs.LG