Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications(北京邮电大学);Renmin University of China(中国人民大学)
下一个购物篮推荐是市场购物篮分析中的一个重要环节,其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看,一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此,一个理想的推荐系统应该代表一个项目,考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示,其在所有事务之间是不变的,因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发,我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示(IERT)。在离线阶段,IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段,预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味,以进行推荐。在Ta-Feng数据集上的实验结果表明,IERT的性能优于现有的基线方法,证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
A Recommendation System Approach for Interference-Robust Sensor Subset Selection
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文针对现有基于RSSI的传感器子集选择方法易受声学干扰的问题,提出结合频带声学特征与双塔MLP架构的推荐系统框架,在户外车辆跟踪任务中较RSSI基线提升约20%精度且保持低计算开销。
2026-08-12 cs.LG
Personalized Video Recommendation Using Rich Contents from Videos
The University of Queensland(昆士兰大学);University of Technology Sydney(悉尼科技大学);The University of New South Wales(新南威尔士大学)
视频推荐已经成为帮助人们探索大量视频并发现他们可能感兴趣的视频的重要方式。在现有的视频推荐系统中,推荐模型基于用户与视频的交互和单一的特定内容特征进行推荐。当特定的内容功能不可用时,现有模型的性能将严重恶化。受丰富内容(例如,文本、音频、运动等),本文探讨如何利用这些丰富的内容来克服由于特定内容不可用而带来的局限性。具体来说,我们提出了一种新的通用框架,将任意单一的内容特征与用户视频交互,命名为协作嵌入回归(CER)模型,使有效的视频推荐在矩阵内和矩阵外的情况下。我们在两个真实世界的大规模数据集上进行了大量的实验,结果表明CER在任何单一内容特征上都优于现有的推荐模型,并且具有更高的时间效率。此外,我们提出了一种基于优先级的后期融合(PRI)方法,以获得整合多个内容特征带来的好处。实验结果表明,PRI算法在融合性能上比现有的融合算法有了明显的提高。
2018-12-05 cs.IR cs.LG
BTRec: BERT-Based Trajectory Recommendation for Personalized Tours
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出BTREC算法,将用户人口统计信息与历史POI访问记录融入BERT模型,实现个性化兴趣点行程推荐,并在八个城市数据集上验证其优于其他序列预测算法。
2023-10-30 cs.IR cs.LG cs.SI
Quantum tensor singular value decomposition with applications to recommendation systems
The Hong Kong Polytechnic University(香港理工大学)
本文从经典的张量奇异值分解(t-svd)算法出发,提出了一种三阶张量的量子奇异值分解算法,并将其推广到阶- $p$张量.可以证明,三阶张量$\mathcal{A} \in \mathbb{R}^{N\times N \times N}$的t-svd的量子版本实现了$\mathcal{O}(N{\rm polylog}(N))$的复杂度,与其经典对应物相比,具有指数加速。作为一个应用,我们提出了一个量子算法的推荐系统,它结合了用户的上下文情况的个性化推荐。我们通过测量对应于该用户偏好的近似的输出量子态来提供随上下文变化的建议。如果偏好张量的每个正面切片具有良好的秩- $k$近似,则该算法在预期时间$\mathcal{O}(N{\rm polylog}(N){\rm poly}(k)),$内运行。最后,我们提出了一种基于不同截断方法的张量补全量子算法,并在动态视频补全中进行了测试,结果表明该算法具有良好的性能。
2020-02-03 cs.LG cs.SY eess.SY
Recommender systems inspired by the structure of quantum theory
Massachusetts Institute of Technology(麻省理工学院)
物理学家使用量子模型来描述物理系统的行为。量子模型的成功归功于它们的可解释性,它们与概率模型(经典模型的量子化)的关系以及它们的高预测能力。除了物理学之外,这些属性在一般数据科学中也很有价值。这促使人们使用量子模型来分析一般的非物理数据集。在这里,我们为量子模型在数据科学中的应用提供了经验和理论见解。在本文的理论部分,我们首先表明,量子模型可以指数比概率模型更有效,因为存在数据集,承认低维量子模型和只有指数高维概率模型。其次,我们解释了量子模型在什么意义上实现了压缩概率模型的有用放松。第三,我们证明了稀疏数据集允许低维量子模型,最后,我们介绍了一种计算用户属性的层次排序的方法(例如,个性特征)和项目(例如,电影类型)。在本文的实证部分,我们评估了项目推荐中的量子模型,并观察到量子推荐系统的预测能力可以与SVD++和PureSVD等最先进的推荐系统竞争。此外,我们利用量子模型的可解释性,通过计算用户和项目的属性的层次排序。这项工作建立了数据科学(项目推荐),信息论(通信复杂性),数学规划(半正定因子分解)和物理学(量子模型)之间的联系。
2016-01-22 cs.IT cs.LG math.IT
Quantum-Inspired Classical Algorithm for Principal Component Regression
Case Western Reserve University(凯斯西储大学);Florida International University(佛罗里达国际大学);Kent State University(肯特州立大学);National Institute on Aging, National Institute of Health(美国国立卫生研究院国家老龄化研究所);Fordham University(福特汉姆大学)
本文提出了一种次线性主成分回归的经典算法。该算法使用量子启发的线性代数,这是Tang提出的一个想法。使用这种技术,她的推荐系统算法的运行时间只比量子算法慢多项式。她的工作很快就适应了解决许多其他次线性时间复杂度的问题。在这项工作中,我们开发了一种主成分回归算法,该算法在时间上对数据点的数量进行多对数运算,在最先进的算法上以指数速度加速,在温和的假设下,输入是以支持基于范数的采样过程的某些数据结构给出的。这种指数加速允许在更大的数据集中的潜在应用。
2020-10-16 cs.LG quant-ph stat.ML
Personalized Prompt Learning for Explainable Recommendation
Hong Kong Baptist University(香港浸会大学);Rutgers University(罗格斯大学)
提供用户可理解的解释来证明推荐可以帮助用户更好地理解推荐项目,增加系统的易用性,并获得用户的信任。一种典型的实现方法是自然语言生成。然而,以前的工作大多采用递归神经网络来满足目的,留下潜在的更有效的预训练Transformer模型未被探索。事实上,作为推荐系统中重要的标识符,用户ID和项目ID作为预先训练好的模型中的单词,本质上处于不同的语义空间,因此如何有效地将ID融合到这些模型中成为一个关键问题。受提示学习最新进展的启发,我们提出了两种解决方案:找到替代词来表示ID(称为离散提示学习),并直接将ID向量输入到预先训练的模型(称为连续提示学习)。在后一种情况下,ID向量是随机初始化的,但模型是在大型语料库上预先训练的,因此它们实际上处于不同的学习阶段。为了弥补这一差距,我们进一步提出了两种训练策略:顺序调优和推荐正则化。大量的实验表明,我们的持续提示学习方法配备的训练策略一致优于强基线上的三个数据集的可解释的建议。
2023-01-13 cs.AI cs.CL cs.IR
Tokens are All You Need: Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in recommendation systems
Google(谷歌);Google Deepmind(谷歌DeepMind)
研究针对大规模推荐系统的“内存墙”瓶颈,受计算机视觉数据压缩启发,提出双用途语义ID,用分层量化将连续嵌入压缩为离散语义ID执行协作身份和内容重建角色,经实验验证该方法能有效减少系统开销和数据占用,实现高效推荐。
2026-07-29 cs.AI cs.IR cs.LG
NxtPost: User to Post Recommendations in Facebook Groups
Meta Platforms Inc.(元平台公司)
在本文中,我们提出了NxtPost,一个部署的用户发布基于内容的顺序推荐系统的Facebook组。受NLP最新进展的启发,我们将基于transformer的模型应用于顺序推荐领域。我们探索因果掩蔽的多头注意力,优化短期和长期的用户利益。通过定义的安全过程验证用户过去的活动,NxtPost试图学习用户动态内容偏好的表示,并预测用户可能感兴趣的下一个帖子。与以前基于transformer的方法相比,我们不假设可编辑的帖子具有固定的语料库。因此,我们使用一个外部的项目/令牌嵌入扩展基于序列的方法,一个大的词汇。我们达到49%的腹肌。改进离线评价。由于NxtPost的部署,0.6%的用户正在结识新朋友,参与社区,分享知识和获得支持。本文分享了我们在开发个性化顺序推荐系统方面的经验,为冷启动用户部署模型的经验教训,如何处理新鲜度,以及在线A/B实验中达到更高效率的调整策略。
2022-02-08 cs.LG
Overcoming the Imbalance Between Tag Recommendation Approaches and Real-World Folksonomy Structures with Cognitive-Inspired Algorithms
在本文中,我们研究了当前国家的最先进的标签推荐算法和现实世界的社会标签系统的大众分类结构之间的不平衡。虽然像FolkRank这样的算法是为密集的大众分类结构设计的,但大多数社交标签系统都表现出稀疏的性质。为了克服这种不平衡,我们表明,认知启发的算法,其中模型的标签词汇的用户在一个认知合理的方式,可以是有帮助的。我们目前的方法是通过实现认知架构ACT-R的激活方程来实现这一点的,ACT-R决定了人类记忆中单元的有用性(例如,标签)。从这个意义上说,我们的长期研究目标是设计混合推荐方法,它结合了两个世界的优点,以适应当前的设置(即,稀疏对密集)。
2018-05-08 cs.IR
Quantum Cognition-Inspired EEG-based Recommendation via Graph Neural Networks
本文提出QUARK模型,将量子认知理论与图卷积网络结合用于基于脑电图的实时推荐,实验证明其优于现有最先进推荐模型。
2025-01-05 cs.IR
Psychologically-Inspired Music Recommendation System
Penn State University(宾夕法尼亚州立大学)
在过去的几年里,自动推荐系统一直是音乐领域的一个主要焦点,Spotify、亚马逊和苹果等公司都在为用户提供最个性化的音乐建议方面展开竞争。开发人员仍然未能解决的挑战之一是考虑到音乐的心理和情感方面。我们的目标是找到一种方法,将用户的个人特质和他们当前的情绪状态整合到一个单一的音乐推荐系统中,同时进行协作和基于内容的过滤。我们试图将听众的个性和当前情绪状态与音频特征联系起来,以建立一个情感感知的MRS。我们将结果与基于Spotify API数据的传统MRS的输出进行定量和定性比较,以了解我们的进步是否对音乐推荐的质量产生重大影响。
2022-05-06 cs.AI cs.IR
Causality-Inspired Fair Representation Learning for Multimodal Recommendation
针对多模态推荐中敏感信息经纠缠因果关系泄露的问题,提出 FMMRec,通过因果启发的模态解耦与关系感知公平学习获得反事实公平用户表示,并在两个公开数据集上优于现有基线。
2025-06-11 cs.IR
Temporal Effects on Hashtag Reuse in Twitter: A Cognitive-Inspired Hashtag Recommendation Approach
标签已经成为Twitter等社交平台中的一个强大工具,用于对内容进行分类和搜索,并在社交网络的成员之间传播短消息。在本文中,我们研究了Twitter中的时间标签使用实践,目的是设计一个认知启发的标签推荐算法,我们称之为BLLi,s。我们的主要想法是将时间对(i)个人标签重用(即,重用自己的主题标签),以及(ii)社交主题标签重用(即,重新使用先前已被跟随者使用的主题标签)到预测模型中。为此,我们转向认知架构ACT-R的基本水平学习(BLL)方程,该方程解释了人类记忆中项目暴露的时间依赖性衰减。我们验证BLLi,s使用两个爬行的Twitter数据集在两个评估方案:首先,只有时间使用模式的过去的主题标签分配,其次,这些模式与基于内容的分析相结合的当前推文。在这两种情况下,我们发现不仅时间效应对个人和社会标签重用起着重要作用,而且BLLi,s提供了比当前最先进的标签推荐方法更好的预测准确性和排名结果。
2017-01-05 cs.IR
Causal Inspired Multi Modal Recommendation
National University of Singapore Master of Industrial and Systems Engineering(新加坡国立大学工业与系统工程硕士);East China Normal University Master of Library and Information Science(华东师范大学图书馆与信息科学硕士);Shandong Normal University(山东师范大学)
针对多模态推荐中的模态混杂和交互偏差,提出因果启发的推荐框架,通过双通道扩散识别混杂因素,结合后门与前门调整构建去混杂因果子图,在三个电商数据集上显著优于现有方法。
2025-10-14 cs.AI cs.IR
User-Inspired Posterior Network for Recommendation Reason Generation
State Key Lab. of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学国家重点实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Data Science Lab, JD.com(京东数据科学实验室);Baidu Inc.(百度公司)
推荐理由生成旨在向客户展示产品的卖点,对于吸引客户注意力、提升用户体验起着至关重要的作用。一种简单有效的方法是直接从产品知识库中提取关键词,即,属性或标题,作为推荐原因。然而,从产品知识生成推荐理由并不能自然地响应用户的兴趣。幸运的是,在一些电子商务网站上,存在越来越多的用户生成内容(简称用户内容),即,产品问答(QA)讨论,反映用户关心的方面。因此,在本文中,我们考虑生成的推荐原因,不仅考虑到产品属性,但也客户生成的产品QA讨论。事实上,只有最受欢迎的商品才有可能获得足够的用户内容,而大量的长尾产品或新产品无法收集足够数量的用户内容。为了解决这个问题,我们提出了一个用户启发的多源后验Transformer(MSPT),它诱导模型反映用户的兴趣与后验多QA讨论模块,并产生包含产品属性以及用户关心的方面的推荐原因。实验结果表明,该模型优于传统的生成式模型。此外,分析还表明,我们的模型可以更专注于用户关心的方面比基线。
2021-02-16 cs.CL cs.IR
The Impact of Time on Hashtag Reuse in Twitter: A Cognitive-Inspired Hashtag Recommendation Approach
在我们的工作[KPL 17]中,我们研究了Twitter主题标签的时间使用模式,我们使用认知架构ACT-R [An 04]中的基本水平学习(BLL)方程来建模一个人如何重用她自己的,个人的主题标签以及来自她社交网络的主题标签。BLL方程解释了人类记忆中项目曝光的时间依赖性衰减。根据BLL,一条信息的有用性(例如,标签)是由过去使用的频率和最近使用的时间来定义的,遵循与时间相关的衰减,最好用幂律分布来建模。我们在之前的工作中使用了BLL方程来推荐社会书签系统中的标签[KL 16]。在这里[KPL 17],我们采用BLL方程来建模个体的时间重用模式(即,重用自己的主题标签)和社交主题标签(即,重用先前已经被追随者使用的主题标签),并构建认知启发的主题标签推荐算法。我们证明了我们的方法在两个经验的社交网络从Twitter,即,CompSci和Random(有关数据集的详细信息,请参见[KPL 17])。我们的研究结果表明,我们的方法可以优于目前最先进的标签推荐方法。
2019-08-02 cs.HC cs.IR
BRIDGE: Bundle Recommendation via Instruction-Driven Generation
University of Engineering and Technology, Vietnam National University, Hanoi(河内越南国立大学工程技术大学)
针对捆绑包推荐中交互稀疏与类型多样的挑战,提出基于相关性聚类与伪捆绑包生成的BRIDGE框架,有效弥合用户想象与预定义捆绑包的差距,在五个基准数据集上优于现有方法。
2024-12-24 cs.AI cs.IR cs.LG
Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
针对推荐系统模型架构常忽视个性化排序核心特性的问题,提出受排序目标梯度启发的图Transformer推荐模型Rankformer,搭配线性复杂度加速算法,实验证明其性能优于现有最优方法。
2025-03-21 cs.IR
Quantum Recommendation Systems
推荐系统使用一组$m$用户对$n$产品的过去购买或评级,以便向各个用户提供个性化推荐。该信息被建模为一个$m \times n$偏好矩阵,假设它具有良好的秩- $k$近似,对于一个小的常数$k$。在这项工作中,我们提出了一个量子算法的推荐系统,具有运行时间$O(\text{poly}(k)\text{polylog}(mn))$。所有已知的推荐系统的经典算法,通过重建的偏好矩阵的近似运行在时间多项式的矩阵维数。我们的算法提供了很好的建议,有效地从近似的偏好矩阵采样,而无需重建整个矩阵。为此,我们设计了一个有效的量子程序,将给定的向量投影到给定矩阵的行空间上。这是推荐系统的第一个算法,它在矩阵的维度上以时间多对数运行,并为现实世界的应用提供了量子机器学习算法的一个例子。
2016-09-22 cs.DS cs.IR quant-ph
TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation
KAIST(韩国科学技术院)
TV-Rec通过引入时间变换单元卷积滤波器,提升了序列推荐中对复杂用户行为交互模式的捕捉能力,同时减少了计算量并加速了推理过程。
2025-10-29 cs.AI cs.IR cs.LG
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的,并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发,本文提出了一种新的协同过滤算法:蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制,即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发,我们捕捉到用户偏好随时间的演变。同时,算法的计算复杂度较小,并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验,分别是电影推荐、书籍推荐和音乐推荐,分别覆盖了显式和隐式的评分数据。实验结果表明,该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
Leveraging Multi-aspect Time-related Influence in Location Recommendation
兴趣点推荐的目的是挖掘用户的访问历史,并找到他/她可能喜欢的地方。虽然位置推荐方法已经得到了广泛的研究和改进,但利用包括时间方面在内的各种影响因素仍然存在挑战。受时间包括许多颗粒槽(例如分钟、小时、天、周等)的事实的启发,在本文中,我们定义了一个新的问题来执行推荐,通过利用所有不同的时间因素。特别是,我们认为,大多数现有的方法只专注于有限数量的时间相关的功能和忽视其他人。此外,在推荐中考虑特定粒度(例如,一天中的时间)并不总是适用于每个用户或每个数据集。为了解决这些问题,我们提出了一个概率生成模型,命名为多方面时间相关影响(MATI),以促进POI推荐。我们还开发了一种新的优化算法的基础上期望最大化(EM)。我们的MATI模型首先检测一个用户的时间多变量方向使用她的签到日志在基于位置的社交网络(LBSNs)。然后,它使用用户和建议的位置之间的时间相关性进行推荐。我们的方法是适应各种类型的推荐系统,可以有效地工作在多个时间尺度。在两个大规模LBSN数据集上的实验结果验证了该方法的有效性。
2017-01-03 cs.CY cs.IR
Combining Aspects of Genetic Algorithms with Weighted Recommender Hybridization
推荐系统是用来激励用户观看有趣的电影、发现婴儿名字或阅读书籍的既定手段。通过使用混合方法组合多个推荐算法的结果,推荐质量进一步提高。在本文中,我们专注于将未评分的建议组合成一个单一的合奏的任务。我们所提出的方法的灵感来自遗传算法。它重复地从推荐中选择项目,以创建将用于最终集成的项目群体。我们比较我们的方法与加权投票方法和测试的性能都在电影和名字推荐的情况下。我们在两个数据集上的表现都优于加权方法20.3%和31.1%,并将整体执行时间减少了19.9%。我们的研究结果不仅提出了一种新的杂交方法,但引入领域的推荐杂交进一步工作与遗传算法。
2017-10-27 cs.IR
PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations
Kuaishou Inc.(快手科技)
PROMISE通过整合密集逐步验证和PRM引导的束搜索策略,解决生成推荐中的语义漂移问题,提升推荐准确性并实现高效部署。
2026-01-08 cs.IR
Linear-Time Self Attention with Codeword Histogram for Efficient Recommendation
自注意由于其有效性,在从自然语言处理到推荐的各种序列建模任务中变得越来越流行。然而,自注意具有二次计算和存储复杂性,限制了其在长序列上的应用。解决这个问题的现有方法主要依赖于稀疏注意上下文,或者使用本地窗口,或者通过局部敏感哈希(LSH)或排序获得的置换桶,而关键信息可能会丢失。受矢量量化思想的启发,提出了一种LISA(LNear-time Self Attention)算法,该算法既具有自注意的有效性,又具有稀疏注意的高效性。LISA随序列长度线性缩放,同时通过计算码字分布的可微分直方图来实现完全的上下文注意力。同时,与一些有效的注意力方法不同,我们的方法对偶然掩蔽或序列长度没有限制。我们评估我们的方法在四个现实世界的数据集顺序推荐。结果表明,LISA在性能和速度方面都优于最先进的高效注意力方法;它比香草自我注意力快57倍,内存效率高78倍。
2021-05-28 cs.IR
NEXT: A Neural Network Framework for Next POI Recommendation
Wuhan University(武汉大学);Nanyang Technological University(南洋理工大学);State Key Lab of Mathematical Engineering and Advanced Computing(数学工程与先进计算国家重点实验室)
下一个兴趣点推荐的任务近年来得到了广泛的研究。然而,开发一个统一的推荐框架,将与POI和用户相关联的多个因素仍然具有挑战性,因为这些信息的异质性。此外,处理冷启动和赋予系统可解释性的有效机制也是困难的话题。受近年来神经网络在许多领域取得的成功的启发,本文提出了一个简单而有效的神经网络框架,用于下一个兴趣点推荐,命名为NEXT。NEXT是一个统一的框架,通过以统一的方式结合不同的因素来学习关于用户下一步行动的隐藏意图。具体来说,在NEXT中,我们结合了元数据信息和两种时间上下文(即,时间间隔和就诊时间)。为了利用顺序关系和地理影响,我们建议采用DeepWalk,一种网络表示学习技术,来编码这些知识。我们评估的有效性NEXT对国家的最先进的替代品和神经网络为基础的解决方案。在三个公开数据集上的实验结果表明,NEXT在实时下一个兴趣点推荐方面明显优于基线。进一步的实验证明了NEXT在处理冷启动方面的优越性。更重要的是,我们表明,NEXT提供了有意义的解释的尺寸在隐藏的意图空间。
2017-04-15 cs.AI cs.IR
Evaluation Framework for Understanding Sensitive Attribute Association Bias in Latent Factor Recommendation Algorithms
本文提出一个评估隐因子推荐算法中敏感属性关联偏见的框架,通过四种评估策略揭示推荐模型如何捕获或放大性别等敏感属性偏见,并在工业播客推荐模型中验证了系统性偏见风险。
2023-10-30 cs.IR
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
针对短视频推荐中现有方法直接用观看时长作标签存在语义利用不足、引入偏差的问题,提出去偏多语义提取标注框架DML,通过分位数构建多语义标签并结合因果调整去偏,经实验验证可有效挖掘用户真实兴趣、提升参与度。
2023-08-28 cs.IR
Aligning Large Language Models for Controllable Recommendations
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Microsoft Research Asia(微软亚洲研究院)
针对 LLM 推荐系统指令遵循能力不足的问题,本文提出传统推荐模型标签增强的监督任务与强化学习对齐流程,在两个真实数据集上显著提升指令遵循能力并保持高准确性。
2024-08-04 cs.AI cs.IR
Scalable Sequential Recommendation under Latency and Memory Constraints
IEEE member, California, USA(IEEE会员,加利福尼亚,美国);IEEE Senior Member, USA(IEEE高级会员,美国);NTT Data, USA(NTT Data,美国);East West Bank, USA(东西银行,美国)
HoloMambaRec通过结合全息降维和选择性状态空间编码器,在内存和延迟约束下实现高效序列推荐,优于SASRec并在MovieLens-1M上达到最优排名。
2026-01-29 cs.AI cs.IR