Multi-Objective Neural Architecture Search Based on Diverse Structures and Adaptive Recommendation
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）
卷积神经网络（CNN）的神经结构搜索（NAS）的搜索空间是巨大的。为了减少搜索开销，大多数NAS算法使用固定的外部网络层结构，并且只搜索可重复的单元结构。当使用足够的小区和信道时，这种固定架构表现良好。然而，当架构变得更加轻量级时，性能会显著降低。为了获得更好的轻量级结构，需要更灵活和多样化的神经结构，并且应该为更大的搜索空间设计更有效的方法。受此启发，我们提出了MoARR算法，它利用现有的研究成果和历史信息，快速找到架构，既轻量级和准确。我们使用所发现的高性能细胞来构建网络架构。该方法增加了网络结构的多样性，同时也减少了单元结构设计的搜索空间。此外，设计了一种新的多目标方法，有效地分析历史评价信息，从而高效地搜索精度高、参数少的Pareto最优结构。实验结果表明，MoARR在CIFAR-10上仅用6个GPU时就能实现一个功能强大、轻量级的模型（出错率为1.9%，参数为2.3M），优于现有的模型。探索的架构可转移到ImageNet，并在4.9M参数下达到76.0%的top-1准确率。
2020-08-13 cs.CV cs.LG
LLaTTE: Scaling Laws for Multi-Stage Sequence Modeling in Large-Scale Ads Recommendation
AI at Meta（Meta人工智能）
LLaTTE通过多阶段架构和语义特征优化，在广告推荐中实现4.3%的转化提升，展示了扩展定律在工业推荐系统中的应用价值。
2026-01-27 cs.AI cs.IR cs.LG
TriMLP: Revenge of a MLP-like Architecture in Sequential Recommendation
Jilin University（吉林大学）；University of Macau（澳门大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）
提出TriMLP，一种基于三角混合器的MLP类序列推荐架构，通过阻断未来信息泄露，在12个数据集上平均性能提升14.88%，推理成本降低8.65%。
2023-07-25 cs.LG
A Large-Scale Deep Architecture for Personalized Grocery Basket Recommendations
Walmart Labs（沃尔玛实验室）
随着越来越多的消费者通过Amazon Fresh、Instacart和WalmartGrocery等平台进行在线杂货购物，迫切需要在整个客户旅程中提供相关建议。在本文中，我们介绍了一个生产内篮杂货推荐系统，RTT2Vec，它产生实时个性化的产品推荐，以补充用户当前的杂货篮。我们对我们的系统进行了广泛的离线评估，并证明了预测指标比基线最先进的篮内推荐模型提高了9.4%。我们还提出了一种近似推理技术，比精确推理方法快11.6倍。在生产中，我们的系统增加了平均购物篮大小，改进了产品发现，并使用户能够更快地结账
2020-02-13 cs.IR cs.LG stat.ML
Finding Paths for Explainable MOOC Recommendation: A Learner Perspective
EPFL（洛桑联邦理工学院）
本研究针对教育领域MOOC推荐可解释性不足的问题，提出基于图推理的可解释MOOC推荐系统，通过用户研究与两个教育数据集的实验验证了其实践价值与泛化性。
2023-12-11 cs.IR cs.LG
Explainable Recommendation: A Survey and New Perspectives
Rutgers University（罗格斯大学）；Tsinghua University（清华大学）
可解释的推荐试图开发不仅能生成高质量推荐而且能生成直观解释的模型。解释可以是事后的，也可以直接来自可解释的模型（在某些上下文中也称为可解释或透明模型）。可解释的推荐试图解决为什么的问题：通过向用户或系统设计者提供解释，它帮助人们理解为什么某些项目被算法推荐，其中人类可以是用户或系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。它也便于系统设计人员更好地进行系统调试。近年来，大量的可解释的推荐方法-特别是基于模型的方法-已被提出并应用于现实世界的系统。本文对可解释性推荐研究进行了综述。我们首先强调了可解释推荐在推荐系统研究中的地位，将推荐问题分为5 W，即，什么，何时，何人，何地，为何然后，我们从三个方面对可解释性推荐进行了全面的调查：1）我们提供了一个可解释性推荐的时间研究时间轴。2)我们提供了一个二维分类现有的可解释的推荐研究。3)我们总结了如何解释推荐适用于不同的推荐任务。我们还专门用一章来讨论更广泛的IR和AI/ML研究中的解释视角。我们通过讨论潜在的未来方向来结束调查，以促进可解释推荐研究领域及其他领域。
2020-09-13 cs.AI cs.IR cs.MM
CSRec: Rethinking Sequential Recommendation from A Causal Perspective
University of Maryland, College Park（马里兰大学帕克分校）
本文提出因果序列推荐框架CSRec，通过预测推荐物品接受概率并回溯决策成因，隔离推荐系统等因素影响，且可融入现有方法，实验证明其显著优于基线。
2024-08-23 cs.IR cs.LG
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
Popularity Bias in Recommendation: A Multi-stakeholder Perspective
传统上，特别是在推荐系统的学术研究中，重点一直仅仅是对最终用户的满意度。虽然用户满意度确实与企业的成功有关，但它不是唯一的因素。在许多建议领域中，还有其他利益相关者的需求应该在建议生成和评估中得到考虑。在这篇论文中，我描述了多利益相关者推荐的概念。特别是，我研究推荐研究中最重要的挑战之一，流行的偏见，从多利益相关者的角度来看，因为，正如我在本论文后面所展示的，它会影响不同的利益相关者在推荐系统。流行度偏差是推荐系统中的一个众所周知的现象，在推荐系统中，流行的项目被推荐的频率甚至比它们的流行度所保证的更高，放大了许多推荐领域中已经存在的长尾效应。先前的研究已经研究了各种方法来减轻流行偏见和增强整体长尾项目的推荐。然而，尚未在多利益攸关方环境中评估这些方法的有效性。在这篇论文中，我从多利益相关者的角度研究了推荐系统中流行度偏差的影响。此外，我提出了几个算法，每个接近流行的偏见缓解从不同的角度和比较他们的表现，使用几个指标与其他一些国家的最先进的方法在文献中。我表明，通常情况下，在文献中流行的偏见缓解的标准评估措施并不反映算法的性能时，它是从多利益相关者的角度进行评估的真实情况。
2020-08-19 cs.IR
Do Loyal Users Enjoy Better Recommendations? Understanding Recommender Accuracy from a Time Perspective
在学术研究中，推荐系统通常在基准数据集上进行评估，而没有太多考虑全局时间轴。因此，我们无法回答这样的问题：忠诚用户比非忠诚用户享受更好的推荐吗？忠诚度可以通过用户在推荐系统中活跃的时间段来定义，或者通过用户具有的历史交互的数量来定义。在本文中，我们沿着全球时间轴对推荐结果进行了全面的分析。我们用五种广泛使用的模型进行实验，即，BPR、NeuMF、LightGCN、SASRec和TiSASRec，基于四个基准数据集，即，MovieLens-25 M，Yelp，亚马逊音乐和亚马逊电子。我们的实验结果对上述问题给出了否定的回答。具有许多历史交互的用户遭受相对较差的推荐。使用系统时间较短的用户可以享受更好的推荐。这两个发现都是违反直觉的。有趣的是，最近与系统交互的用户，相对于测试实例的时间点，享受更好的推荐。关于新近度的发现适用于所有用户，无论用户的忠诚度如何。我们的研究提供了一个不同的角度来理解推荐准确性，我们的研究结果可能会引发重新审视推荐模型的设计。代码可在\url {https：github.com/putatu/recommenderLoyalty.
2022-07-04 cs.IR
Multi-Perspective Attention Mechanism for Bias-Aware Sequential Recommendation
organization= College of Computer；Data Science , addressline= Fuzhou University , city= Fuzhou , postcode= 350108 , country= China
针对序列推荐中偏差放大导致马太效应及用户偏好动态捕捉不足的问题，本文提出MABSRec模型，通过重构用户序列、图神经网络物品加权和自适应多偏差视角注意力模块提升推荐准确性。
2025-02-26 cs.AI cs.CL cs.IR
From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation
Pohang University of Science and Technology（浦项科技大学）；Sungkyunkwan University（成均馆大学）
针对序列推荐中Transformer模型的相似性偏差问题，提出PRISM模块，通过多视角透镜校准注意力以捕捉物品全谱关系，在七个基准上优于现有模型。
2026-09-17 cs.IR
From Intervention to Domain Transportation: A Novel Perspective to Optimize Recommendation
近年来，推荐的介入性越来越引起人们的关注。它特别激励研究人员将学习和评价推荐问题表述为因果推理和数据缺失非随机问题。然而，很少有人认真对待违反重叠的关键假设的后果，我们证明这可能会显着威胁到结果的有效性和解释。我们发现，在目前的信息检索（IR）系统的理解中缺少一个关键的部分：作为干预措施，建议不仅会影响已经观察到的数据，但它也干扰了目标域（分布）的兴趣。然后，我们将优化推荐重新表述为找到一种干预，该干预能够最好地将它从观察域学习到的模式传输到其干预域。为此，我们使用域运输来描述推荐的学习干预机制。我们设计了一个原则性的运输约束风险最小化目标，并将其转换为一个两人极大极小博弈。我们证明了所提出的目标的一致性，泛化和过度的风险界限，并阐述了它们如何与当前的结果进行比较。最后，我们进行了大量的真实数据和半合成实验，以证明我们的方法的优势，并启动在线测试与现实世界的红外系统。
2022-03-26 cs.IR
Mitigating Popularity Bias in Recommendation with Unbalanced Interactions: A Gradient Perspective
推荐系统从历史用户-项目交互中学习，以识别目标用户的首选项目。这些观察到的相互作用通常是不平衡的长尾分布。这样的长尾数据会导致流行度偏差，从而向用户推荐流行但不个性化的物品。我们提出了一个梯度的角度来理解两个负面影响的流行偏见在推荐模型优化：（i）流行项目嵌入的梯度方向更接近于积极的相互作用，（ii）流行项目的正梯度的幅度远大于不流行的项目。为了解决这些问题，我们提出了一个简单而有效的框架，从梯度的角度来减轻流行偏见。具体来说，我们首先规范化每个用户嵌入，并通过模型训练中的流行度偏差度量记录用户和项目的累积梯度。为了解决流行偏见的问题，我们开发了一个基于梯度的嵌入调整方法用于模型测试。这种策略是通用的，模型不可知的，可以无缝地集成到大多数现有的推荐系统。我们在两个经典推荐模型和四个真实数据集上的广泛实验证明了我们的方法在最先进的去偏基线上的有效性。
2022-10-31 cs.IR
Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective
Alibaba Group（阿里巴巴集团）；Microsoft（微软）
为了最大化顺序推荐中的累积用户参与度（例如累积点击），通常需要权衡两个潜在冲突的目标，即，追求更高的即时用户参与度（例如，点击率）和鼓励用户浏览（即，更多项目已确认）。现有的工作往往研究这两个任务分开，从而往往导致次优的结果。在本文中，我们从在线优化的角度研究这个问题，并提出了一个灵活实用的框架，明确权衡较长的用户浏览长度和高即时用户参与。具体来说，通过考虑项目的行动，用户的请求作为状态和用户离开作为吸收状态，我们制定每个用户的行为作为一个个性化的马尔可夫决策过程（MDP），和最大化的累积用户参与的问题减少到一个随机最短路径（SSP）的问题。同时，通过即时用户参与和退出概率估计，证明了SSP问题可以通过动态规划有效地解决。在真实数据集上的实验证明了该方法的有效性。该方法在某大型电子商务平台上进行了部署，取得了超过7%的累计点击量提升。
2020-06-02 cs.AI cs.IR cs.LG
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder（科罗拉多大学博尔德分校）
虽然推荐系统是由个性化定义的，但最近的工作表明了额外的，超越准确性目标的重要性，例如公平性。由于用户通常希望他们的推荐是纯粹个性化的，这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史，但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具，但这项工作并没有集中在推荐上。在这里，我们认为公平意识推荐系统和技术，以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究，调查用户的公平感，推荐系统，公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
LLM-Enhanced User-Item Interactions: Leveraging Edge Information for Optimized Recommendations
Arizona State University（亚利桑那州立大学）
本文提出将图边信息通过提示设计和注意力机制融入LLM，以整合图结构与文本生成视角，提升个性化推荐的相关性和质量。
2025-07-17 cs.AI cs.IR
Not Just What, But When: Integrating Irregular Intervals to LLM for Sequential Recommendation
Sony Group Corporation（索尼集团）
针对现有序列推荐忽略动态时间间隔的问题，提出整合间隔信息的IntervalLLM框架，引入间隔注入注意力机制，并提出间隔视角的冷启动评测维度，实验验证其在多场景下性能更优，凸显间隔冷启动研究的必要性。
2025-07-31 cs.IR cs.LG
A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph
本文提出从用户-物品图拓扑角度评估GNNs推荐系统，通过采样构建1800个数据集，发现图拓扑与模型性能强相关，提供新评估视角。
2024-08-21 cs.IR
Enhancing Transformers without Self-supervised Learning: A Loss Landscape Perspective in Sequential Recommendation
本文从损失几何视角分析序列推荐中 Transformer 收敛到尖锐局部最小值的问题，提出基于 SAM 的 SAMRec，在无需预训练或强增强的情况下达到与自监督方法相当的准确性和鲁棒性。
2023-08-20 cs.IR
Combinatorial Optimization Perspective based Framework for Multi-behavior Recommendation
本文提出基于组合优化视角的多行为推荐框架COPF，通过约束融合解空间和协调多任务专家传播，缓解行为模式捕捉不准与负迁移问题，并在多个数据集上验证了有效性。
2025-02-04 cs.IR
Search-Based Serving Architecture of Embeddings-Based Recommendations
Outbrain Inc（Outbrain公司）
在过去的10年中，许多推荐技术都是基于在潜在向量空间中嵌入用户和项目，其中（用户，项目）向量对的内积表示用户对项目的预测亲和力。大量的文献都集中在各种建模方法，导致嵌入，并比较了它们的质量指标，学习复杂性等，但是，很少有人关注的问题，围绕产品化的嵌入式为基础的高吞吐量，低延迟推荐系统。特别是，当学习新模型时，系统如何跟上不断变化的嵌入。本文描述了一个参考架构的高吞吐量，大规模的推荐服务，利用搜索引擎作为其运行时的核心。我们描述了搜索索引和查询构建器如何适应嵌入的变化，这些变化通常发生在与索引构建不同的节奏上。我们为基于id和基于特征的嵌入以及批量索引和增量索引设置提供解决方案。所描述的系统是Web内容发现服务的核心，该服务每天响应数十亿用户请求提供数百亿次推荐。
2019-07-07 cs.IR cs.LG
Academic Article Recommendation Using Multiple Perspectives
本文提出学术推荐中基于内容的过滤与基于图的方法互补，通过分析二者九个差异及混合协同机会，并用 Specter 和 ProNE 两种嵌入加以说明。
2024-07-08 cs.IR
Tensor Casting: Co-Designing Algorithm-Architecture for Personalized Recommendation Training
KAIST（韩国科学技术院）
个性化推荐是云计算中心提供服务的最广泛部署的机器学习（ML）工作负载之一。因此，高性能推荐推理的架构解决方案最近已经成为几个先前文献的目标。不幸的是，关于这种新兴ML工作负载的培训方面，人们几乎没有探索和理解。在本文中，我们首先对训练建议进行了详细的工作负载表征研究，导致稀疏嵌入层训练成为最重要的性能瓶颈之一。然后，我们提出了我们的算法架构协同设计，称为张量铸造，这使得开发一个通用的加速器架构的张量散射，包括所有的关键原语的训练嵌入层。当在真实的CPU-GPU系统上进行原型设计时，与最先进的方法相比，Tensor Casting在训练吞吐量方面提供了1.9- 21倍的改进。
2020-10-25 cs.AR cs.DC cs.IR
An Enhanced Batch Query Architecture in Real-time Recommendation
Bilibili（哔哩哔哩）
本文提出一种面向实时推荐的高性能批量查询架构，通过优化哈希结构和混合存储，在哔哩哔哩系统中实现模型计算量10倍增长而资源消耗极小。
2024-08-31 cs.IR cs.LG
Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective
本文从频率视角重新审视多行为序列推荐，发现低频对应兴趣纯净性、高频对应多样性，据此提出PDB4Rec模型，通过提取多频带信息并引入自举平衡器机制提升推荐性能。
2025-10-16 cs.AI cs.IR
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen（杜伊斯堡-埃森大学）；National University of Sciences and Technology（国家科技大学）
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究，提出了设计指导原则，并指出了未来研究方向，以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
DGR: A General Graph Desmoothing Framework for Recommendation via Global and Local Perspectives
本文提出一种与模型无关的通用图去平滑框架DGR，通过引入全局向量扰动和局部协同关系损失项，有效缓解了基于GCN的推荐模型中的过平滑问题，并在5个基准数据集和5个模型上验证了其有效性与泛化能力。
2024-04-22 cs.IR
A Survey on Side Information-driven Session-based Recommendation: From a Data-centric Perspective
本文从数据中心视角全面综述辅助信息驱动的会话推荐，涵盖任务定义、相关基准、辅助信息的类型与使用方式、研究进展分类，最后总结局限并展望未来方向。
2025-05-18 cs.IR
On-device Content-based Recommendation with Single-shot Embedding Pruning: A Cooperative Game Perspective
The University of Queensland（昆士兰大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Griffith University（格里菲斯大学）；University of Electronic Science and Technology of China（电子科技大学）
针对设备端推荐系统嵌入表存储瓶颈及传统剪枝需昂贵重训练的问题，提出Shaver方法，从合作博弈视角利用Shapley值量化参数贡献实现单次剪枝，并引入域感知码本减少信息损失，实验证明其性能优越。
2025-02-02 cs.IR cs.LG
How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective
Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
本研究从谱视角分析推荐模型放大流行度偏差的根本原因，发现物品流行度被记忆在得分矩阵主谱且维度坍缩会加剧该偏差，进而提出基于谱范数正则化的去偏策略并通过实验验证其优越性。
2025-04-14 cs.AI cs.IR
Learning Fair Representations for Recommendation: A Graph-based Perspective
作为人工智能的一个重要应用，推荐系统是帮助用户发现潜在兴趣的计算机辅助系统之一。近年来，研究人员对人工智能应用的公平性问题给予了相当大的关注。这些方法大多假设实例的独立性，并设计复杂的模型来消除敏感信息，以促进公平。然而，推荐系统与这些方法有很大的不同，因为用户和项目自然形成用户-项目二分图，并且在图结构中协作相关。在本文中，我们提出了一种新的基于图的技术，以确保任何推荐模型的公平性。这里，公平性要求指的是在用户建模过程中不暴露敏感特征集。具体来说，给定来自任何推荐模型的原始嵌入，我们学习过滤器的组合，这些过滤器将每个用户和每个项目的原始嵌入转换为基于敏感特征集的过滤嵌入空间。对于每个用户，这种转换是在以用户为中心的图的对抗学习下实现的，以便混淆过滤后的用户嵌入和该用户的子图结构之间的每个敏感特征。最后，大量的实验结果清楚地表明，我们提出的公平推荐模型的有效性。我们在https://github.com/newlei/FairGo上发布源代码。
2021-04-23 cs.IR
Rethinking Reinforcement Learning for Recommendation: A Prompt Perspective
现代推荐系统旨在改善用户体验。由于强化学习（RL）自然符合这一目标-最大化用户每次会话的奖励-它已成为推荐系统中的一个新兴话题。然而，由于\emph{offline training challenge}的存在，开发基于RL的推荐方法并不简单。具体来说，传统强化学习的重点是通过大量的在线探索来训练智能体，从而在训练过程中产生大量的“错误”。然而，在推荐设置中，我们无法承担在线“错误”的代价。因此，需要通过在不同推荐策略下收集的离线历史隐式反馈来训练代理;传统RL算法可能会在这些离线训练设置下导致次优策略。在这里，我们提出了一个新的学习范式-即基于约束的强化学习（PRL）-基于RL的推荐代理的离线训练。虽然传统的RL算法试图将状态-动作输入对映射到它们的预期奖励（例如，Q值），PRL直接推断动作（即，从国家奖励的投入。简而言之，智能体被训练来预测推荐的项目，给出先前的交互和观察到的奖励值-通过简单的监督学习。在部署时，这些历史（训练）数据用作知识库，而状态-奖励对用作提示。因此，代理人被用来回答这个问题：\emph{ Which item should be recommended given the prior interactions \& the prompted reward value}？我们实现了PRL与四个显着的推荐模型，并在两个真实世界的电子商务数据集上进行实验。实验…
2022-06-15 cs.IR
An Efficient Continuous Control Perspective for Reinforcement-Learning-based Sequential Recommendation
City University of Hong Kong（香港城市大学）；Tianjin University（天津大学）；University of Science and Technology of China（中国科学技术大学）
针对基于强化学习的序列推荐中离散动作空间难以高效处理海量物品的问题，提出连续控制框架ECoC，通过统一动作表示、双重正则化等实现更高效的离线训练，且在离线数据拟合和长期奖励获取上优于离散基线。
2024-08-15 cs.IR cs.LG
Connecting User and Item Perspectives in Popularity Debiasing for Collaborative Recommendation
推荐系统从历史用户的反馈中学习，这些反馈通常在项目之间不均匀分布。因此，这些系统可能最终会逐渐建议流行项目而不是利基项目，即使后者对用户来说是感兴趣的。这可能妨碍推荐列表的几个核心质量（例如，新颖性、覆盖面、多样性），影响基础平台本身未来的成功。在本文中，我们正式提出了两个新的指标，量化多少推荐系统平等对待项目沿流行的尾巴。第一个是鼓励所有项目被推荐的概率相等，而第二个是鼓励所有项目的真阳性率相等。我们的特点是建议的代表性算法的建议，通过建议的指标，我们表明，项目被推荐的概率和项目的真阳性率是有偏见的项目流行度。为了促进一个更平等的待遇项目沿流行的尾巴，我们提出了一个在处理的方法，旨在最大限度地减少用户项目的相关性和项目流行之间的偏见。大量的实验表明，在准确性损失很小的情况下，我们的流行缓解方法导致了超准确性推荐质量的重要收益。
2020-10-04 cs.IR
Sequential Recommendation with Self-Attentive Multi-Adversarial Network
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
最近，深度学习在顺序推荐任务上取得了重大进展。现有的神经序列预测器通常采用最大似然估计（MLE）训练的生成方式。当涉及到上下文信息（称为因素）时，很难分析每个单独的因素何时以及如何影响最终的推荐性能。为此，我们采取了一个新的视角，将对抗学习引入序列推荐。在本文中，我们提出了一个多因素生成对抗网络（MFGAN）显式建模上下文信息的顺序推荐的效果。具体来说，我们提出的MFGAN有两种模块：一个基于transformer的生成器，以用户行为序列为输入，推荐可能的下一个项目，和多个特定因素的判别器，从不同因素的角度来评估生成的子序列。在参数学习方面，采用经典的策略梯度方法，并利用鉴别器的奖励信号指导生成器的学习。我们的框架是灵活的，将多种因素的信息，并能够跟踪每个因素如何有助于随着时间的推移的建议决策。在三个真实世界的数据集上进行的大量实验表明，我们提出的模型在有效性和可解释性方面优于最先进的方法。
2020-05-21 cs.IR cs.LG
Scene-adaptive Knowledge Distillation for Sequential Recommendation via Differentiable Architecture Search
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Westlake University（西湖大学）；Tencent Kandian Group（腾讯看点事业部）；Huazhong University of Science and Technology（华中科技大学）
顺序推荐系统（SRS）因其对用户动态兴趣和顺序行为模式建模的能力而成为研究热点。为了最大限度地提高模型的表达能力，默认选择是应用更大更深的网络架构，然而，在生成在线推荐时，这通常会带来高网络延迟。当然，我们认为，压缩到中等或轻量级的神经网络的重型推荐模型是非常重要的实际生产系统。为了实现这样一个目标，我们提出了AdaRec，一个知识蒸馏（KD）框架，该框架通过使用可微神经结构搜索（NAS），根据推荐场景自适应地将教师模型的知识压缩到学生模型中。具体来说，我们引入了一个面向目标的蒸馏损失，以指导结构搜索过程中发现的学生网络架构，和成本敏感的损失作为约束的模型大小，从而实现了推荐的有效性和效率之间的一个优越的权衡。此外，在知识蒸馏过程中，我们利用地球移动器距离（EMD）实现多对多的层次映射，使每个中间学生层能够自适应地向其他中间教师层学习。在真实世界推荐数据集上的大量实验表明，与强大的同行相比，我们的模型具有竞争力或更好的准确性，具有显着的推理加速，同时在不同的推荐场景下发现了不同的顺序推荐模型的神经架构。
2022-04-10 cs.AI cs.IR
MOReGIn: Multi-Objective Recommendation at the Global and Individual Levels
Universitat de Barcelona（巴塞罗那大学）；Universidad Arturo Prat（阿图罗·普拉特大学）；University of Cagliari（卡利亚里大学）
针对多目标推荐系统难以同时满足全局与个体目标的问题，本文提出调节推荐列表的方法，兼顾类型校准与提供商公平性，并在两个公开真实数据集上验证有效性。
2024-01-23 cs.AI cs.IR
The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective
本文提出CoTrans框架，基于图信息瓶颈压缩源域知识并迁移纯净信息到目标域，结合知识增强编码器解决跨域推荐中的无关信息干扰问题，在三个数据集上显著优于现有方法。
2024-09-29 cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
TopKGAT: A Top-K Objective-Driven Architecture for Recommendation
Zhejiang University（浙江大学）；Hangzhou City University（杭州城市大学）；CUHK-Shenzhen（香港中文大学（深圳））
TopKGAT是一种基于Top-K目标的推荐系统架构，通过可微近似Top-K指标提升推荐准确性，实验表明其在多个数据集上优于现有方法。
2026-01-26 cs.IR
Algorithms and Architecture for Real-time Recommendations at News UK
News UK（英国新闻集团）；Hyperparameter Ltd.（超参数有限公司）；Kainano Ltd.（凯纳诺有限公司）
推荐系统被认为是非常重要的行业，该领域现在已经很好地理解。在英国新闻，有一个要求，能够快速生成建议，为用户的新闻项目，因为他们是出版。然而，很少有关于系统可以在很短的时间内响应可推荐项目和用户行为的变化而生成推荐的报道。在本文中，我们描述了一种新的算法，更新协同过滤模型增量，并证明其有效性的点击流数据从时代。我们还描述了允许动态生成推荐的架构，以及我们如何使每个组件具有可扩展性。该系统目前正在英国新闻公司的生产中使用。
2017-09-15 cs.AI cs.CL cs.IR
Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation
Shanghai University of Finance and Economics（上海财经大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出贡献-性能公平性及CPFR框架，通过对齐用户贡献与推荐性能，在保持公平的同时激励参与，实验证明其实现了强准确性-公平性权衡。
2026-10-07 cs.IR
Suggest, Complement, Inspire: Story of Two Tower Recommendations at Allegro.com
本文介绍Allegro.com基于双塔框架的统一推荐系统，通过少量组件调整适配相似、互补和启发三类任务，两年A/B测试验证其提升参与度和利润，实现低维护的灵活架构。
2025-07-19 cs.IR cs.LG
A Task-Centric Perspective on Recommendation Systems
该研究从任务中心视角分析推荐系统的任务表述，梳理影响离线评估的关键因素与交互复杂性，探讨任务特异性和模型泛化性的平衡，为推荐系统研究提供结构化参考，助力公平有意义的评估。
2025-10-30 cs.IR
Multi-sided Exposure Bias in Recommendation
学术界对推荐系统的研究主要集中在与推荐准确性相关的度量上。即使在研究诸如流行性偏差、多样性和新颖性等非准确性度量时，它通常也仅从用户的角度进行研究。然而，许多现实世界的决策者通常是多利益相关者的环境，在这种环境中，应该在推荐过程中解决几个利益相关者的需求和利益。在本文中，我们专注于流行的偏见问题，这是一个众所周知的属性，许多推荐算法，很少流行的项目被过度推荐，而大多数其他项目没有得到比例的关注，并解决其对不同的利益相关者的影响。使用几种推荐算法和两个公开的数据集在音乐和电影领域，我们经验性地显示了固有的流行偏见的算法，以及这种偏见如何影响不同的利益相关者，如用户和供应商的项目。我们还提出了度量标准，从不同利益相关者的角度来衡量推荐算法的曝光偏差。
2020-07-01 cs.IR
MVIN: Learning Multiview Items for Recommendation
Academia Sinica（中央研究院）
研究人员已经开始利用异构知识图谱作为推荐系统的辅助信息，以减轻冷启动和稀疏性问题。然而，利用图神经网络（GNN）来捕获KG中的信息并进一步应用于RS仍然是有问题的，因为它无法从多个角度看到每个项目的属性。为了解决这些问题，我们提出了多视图项目网络（MVIN），一个基于GNN的推荐模型，它通过从用户和实体的角度描述一个独特的混合视图的项目，提供卓越的建议。MVIN从用户视图和实体视图中学习项目表示。从用户的角度来看，面向用户的模块评分和聚合功能，使建议从个性化的角度构建根据KG实体，其中包括用户点击信息。从实体视图来看，混合层对比逐层GCN信息，以进一步从KG中的内部实体-实体交互中获得综合特征。我们在三个真实世界的数据集上评估MVIN：MovieLens-1 M（ML-1 M），LFM-1b 2015（LFM-1b）和Amazon-Book（AZ-book）。结果表明，MVIN在这三个数据集上的性能明显优于最先进的方法。此外，从用户视图的情况下，我们发现，MVIN确实捕捉吸引用户的实体。图进一步说明了混合层在异构KG中在邻域信息聚合中起着至关重要的作用。
2020-05-26 cs.IR cs.LG
Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）
针对现代推荐系统在海量数据中识别相关信息的挑战，本研究评估了LightGCN等四种GNN架构在亚马逊共同购买网络链接预测任务中的性能，考察多维度权衡，为实际推荐场景部署GNN提供模型性能参考。
2025-08-10 cs.IR cs.LG
ElasticRec: A Microservice-based Model Serving Architecture Enabling Elastic Resource Scaling for Recommendation Models
KAIST（韩国科学技术院）；School of Electrical Engineering（电气工程学院）
针对推荐系统按模型分配资源导致利用率低、成本高的问题，提出基于微服务和效用驱动分配的 ElasticRec 架构，实现细粒度弹性扩缩并显著降低部署成本。
2024-06-11 cs.DC cs.IR cs.LG
Optimizing Audio Recommendations for the Long-Term: A Reinforcement Learning Perspective
Spotify（Spotify（ Spotify 公司））；Columbia University（哥伦比亚大学）
本文提出一种工业级播客推荐系统，基于强化学习框架优化数亿用户的长期收听体验，通过定制价值函数与用户状态表示，在A/B测试中显著提升长期性能，且大幅降低数据需求。
2024-07-27 cs.AI cs.IR cs.LG
A Survey on Point-of-Interest Recommendation: Models, Architectures, and Security
University of Hong Kong（香港大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Queensland（昆士兰大学）
本文系统综述了兴趣点推荐系统在模型、架构与安全三方面的最新进展，梳理了从传统模型到大型语言模型、从集中式到联邦学习架构的演进，并探讨了安全漏洞与隐私保护方法，为未来研究提供方向。
2025-03-10 cs.AI cs.CE cs.IR
ULTRA:Urdu Language Transformer-based Recommendation Architecture
Department of Computer and Information Sciences, PIEAS, Nilore, Islamabad 45650, Pakistan（计算机与信息科学系，PIEAS，Nilore，Islamabad 45650，巴基斯坦）
ULTRA通过自适应语义推荐框架提升乌尔都语个性化新闻检索的准确性和相关性。
2026-02-25 cs.AI cs.IR
Balancing Domestic and Global Perspectives: Evaluating Dual-Calibration and LLM-Generated Nudges for Diverse News Recommendation
Grouplens Research, University of Minnesota（群体Lens研究，明尼苏达大学）；Northwestern University（西北大学）
本研究提出双校准算法和LLM生成提示，通过五周实验验证其在提升新闻推荐多样性中的效果，发现算法提示提升多样性，而LLM提示影响因人而异，用户兴趣和相关性提升显著。
2026-03-06 cs.AI cs.HC cs.IR
Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation
School of Information Science and Engineering, Yanshan University（燕山大学信息科学与工程学院）；School of Information Science and Engineering, Xinjiang College Of Science & Technology（新疆科学技术学院信息科学与工程学院）
提出知识感知多意图对比学习模型，利用知识图谱构建意图并采用双对比学习缓解数据稀疏，提升多行为推荐的准确性。
2024-04-18 cs.IR cs.LG
