Poincare: Recommending Publication Venues via Treatment Effect Estimation
Kyoto University（京都大学）；RIKEN AIP（理化学研究所人工智能研究中心）
选择学术论文的发表地点是研究过程中的关键一步。然而，在许多情况下，决策完全基于研究人员的经验，这往往导致次优结果。虽然存在学术论文的地点推荐系统，但它们推荐论文预期发表的地点。在这项研究中，我们的目的是从不同的角度推荐出版场所。我们估计论文在每个地点发表时将获得的引用数量，并推荐论文最具潜在影响力的地点。然而，这项任务面临两个挑战。首先，一篇论文只在一个地方发表，因此，我们无法观察到如果该论文在另一个地方发表，该论文将获得的引用次数。第二，论文的内容和发表地点在统计上并不独立，即在选择发表地点时存在选择偏差。在本文中，我们制定的场地推荐问题作为一个治疗效果估计问题。我们使用偏差校正方法来有效地估计选择出版地点的潜在影响，并根据每个地点的论文的潜在影响推荐地点。我们强调我们的方法使用的纸张数据从计算机科学会议的有效性。
2022-09-02 cs.DL cs.IR cs.LG
Think out of the package: Recommending package types for e-commerce shipments
Amazon（亚马逊）
多种产品属性，如尺寸，重量，易碎性，液体含量等，决定了电子商业公司用于运输产品的包装类型。次优的包裹类型会导致货件损坏，产生巨大的损坏相关成本，并对公司安全交付的声誉产生不利影响。物品可以在更保护的包装中运输以减少损坏成本，但是由于昂贵的包装和更高的运输成本，这增加了运输成本。在这项工作中，我们提出了一个多阶段的方法，权衡运输和损坏成本之间的每种产品，并准确地分配最佳的包装类型使用可扩展的，计算效率高的线性时间算法。提出了一种简单的二分搜索算法来寻找平衡运输成本和损坏成本的超参数。我们的方法应用于选择亚马逊货物的包裹类型时，通过降低整体运输成本和运输途中损坏的数量，在新兴市场节省了数千万美元的成本。我们的算法在生产系统中实时部署，超过130，000种产品的包装类型已根据模型的建议进行了修改，实现了24%的损坏率降低。
2020-06-05 cs.LG math.OC stat.ML
Pixie: A System for Recommending 3+ Billion Items to 200+ Million Users in Real-Time
Pinterest
现代内容发现应用中的用户体验关键取决于高质量的个性化推荐。然而，由于大量的项目池、大量的用户以及对响应于用户动作并按需实时的【形】生成的推荐的要求，构建提供这种推荐的系统提出了重大挑战。在这里，我们介绍了Pixie，一个可扩展的基于图的实时的【形】推荐系统，我们开发和部署在Pinterest。给定一组用户特定的引脚作为查询，Pixie会从数十亿个可能的引脚中实时的【形】选择与查询最相关的引脚。为了生成推荐，我们开发了Pixie Random Walk算法，该算法利用了30亿个节点和170亿条边的Pinterest对象图。实验表明，与以前基于Hadoop的生产系统相比，Pixie提供的推荐可以提高50%的用户参与度。此外，我们还开发了一种图修剪策略，使推荐性能提高了58%。最后，我们讨论Pixie的系统方面，其中单个服务器每秒执行1，200个推荐请求，延迟为60毫秒。今天，Pixie支持的系统贡献了Pinterest上超过80%的用户参与度。
2017-11-21 cs.IR cs.LG cs.PF
Quantifying Availability and Discovery in Recommender Systems via Stochastic Reachability
University of California, Berkeley（加州大学伯克利分校）
在这项工作中，我们考虑如何在交互式推荐系统中的偏好模型确定的内容和用户的发现机会的可用性。我们提出了一个评估过程的基础上随机可达性量化的最大概率推荐一个目标的内容给用户的一组允许的战略修改。这个框架允许我们计算一个上限的可能性建议，最小的假设用户行为。随机可达性可用于检测内容可用性的偏差，并诊断授予用户的发现机会的局限性。我们表明，这个指标可以有效地计算作为一个凸计划的各种实际设置，并进一步认为，可达性是不是固有的不一致的准确性。我们展示了在显式和隐式评级的大型数据集上训练的推荐算法的评估。我们的研究结果说明了偏好模型，选择规则和用户干预如何影响可达性，以及这些影响如何不均匀分布。
2021-06-30 cs.IR cs.LG stat.ML
On the Importance of News Content Representation in Hybrid Neural Session-based Recommender Systems
CI&T；Brazilian Aeronautics Institute of Technology（巴西航空技术学院）；University of Klagenfurt（克拉根福大学）；Instituto Tecnológico de Aeronáutica（航空技术学院）
新闻推荐系统被设计为通过个性化他们的用户体验来为在线读者呈现相关信息。在这种情况下，一个特别的问题是在线读者通常是匿名的，这意味着这种个性化只能基于与用户的最后几次记录的交互，一种名为基于会话的推荐的设置。新闻领域的另一个特殊性是，不断发布新的文章，应该立即考虑推荐。为了解决这个项目的冷启动问题，在推荐时考虑项目的实际内容是很重要的。因此，混合办法往往被认为是这种情况下的首选方法。在这项工作中，我们分析了在混合神经新闻推荐系统中考虑内容信息的重要性。我们对比了内容感知和内容不可知的技术，并探讨了使用不同内容编码的影响。在两个公共数据集上的实验证实了采用混合方法的重要性。此外，我们表明，内容编码的选择可以产生的性能的影响。
2019-09-06 cs.IR cs.LG
Flow Moods: Recommending Music by Moods on Deezer
Deezer（Deezer公司）
音乐流媒体服务Deezer广泛依赖其Flow算法，该算法生成个性化的电台风格的歌曲播放列表，以帮助用户发现音乐内容。尽管如此，尽管过去几年取得了令人鼓舞的成果，但Flow在提供推荐时常常忽视用户的情绪。在本文中，我们提出了流情绪，流的改进版本，解决了这一限制。Flow Moods利用来自专业音乐策展人的协同过滤、音频内容分析和情绪注释，大规模生成个性化的特定情绪播放列表。我们详细介绍了这个系统在Deezer上的动机、开发和部署。自2021年发布以来，Flow Moods每天都在向数百万用户推荐按心情分类的音乐。
2022-07-15 cs.IR cs.LG
Recommending Multiple Positive Citations for Manuscript via Content-Dependent Modeling and Multi-Positive Triplet
Kyoto University（京都大学）
随着学术论文数量的迅速增加，寻找和引用合适的参考文献已成为论文发表过程中不可或缺的一项任务。在论文发表前，推荐少数候选论文，可以减轻作者的负担，并帮助审稿人检查引用资源的完整性。传统的引文推荐方法通常考虑从输入手稿中为查询上下文推荐一个地面实况引文，但缺乏对共引推荐的考虑。然而，一段上下文往往需要两个或更多的共引对的支持。本文提出了一种新的科技论文引文推荐模型--多正BERT引文推荐模型（MP-BERT 4CR），该模型遵循一系列多正三元组目标，为查询上下文推荐多个正引文。所提出的方法具有以下优点：首先，提出的多个积极目标是有效的推荐多个积极的候选人。其次，采用基于历史共引频率构建的噪声分布，使MP-BERT 4CR不仅能有效推荐高频共引对，而且能显著提高检索低频共引对的性能。第三，我们提出了一个动态的上下文采样策略，捕捉“宏观”的引用意图从手稿和授权的引用嵌入内容相关，这使得算法，以进一步提高性能。单个和多个积极推荐实验证明，MP-BERT 4CR提供了显着的改善。此外，MP-BERT 4CR在检索共引的完整列表以及与先前作品相比历史上低频率的共引对方面也是有效的。
2021-11-25 cs.AI cs.IR
B-Script: Transcript-based B-roll Video Editing with Recommendations
Harvard University（哈佛大学）；Adobe Research（奥多比研究院）
在视频制作中，插入B-roll是一种广泛使用的技术，可以丰富故事并使视频更具吸引力。然而，确定B卷的正确内容和位置并实际将其插入主镜头可能具有挑战性，新手制片人通常很难获得正确的时间和内容。我们提出了B-脚本，一个系统，支持B卷视频编辑通过交互式成绩单。B-Script有一个内置的推荐系统，在专家注释的数据上训练，推荐用户B-roll位置和内容。为了评估该系统，我们进行了一个主题内的用户研究与110名参与者，并比较了三个接口的变化：一个基于时间轴的编辑器，一个基于成绩单的编辑器，和一个基于成绩单的编辑器的建议。用户发现使用基于成绩单的界面插入B-roll更容易，更快，并且当提供推荐时，他们创建了更吸引人的视频。
2019-02-28 cs.GR cs.HC cs.LG
Hotel Recommendation System
计划旅行时要做的第一件事就是预订一个好地方。在网上预订酒店可能是一项艰巨的任务，因为每个目的地都有数千家酒店可供选择。由于这些情况的重要性，我们决定向用户推荐酒店。我们使用了Expedia的酒店推荐数据集，该数据集具有多种功能，有助于我们深入了解用户选择某些酒店的过程。该酒店推荐任务的目的是预测并向用户推荐五个酒店集群，给定一百个不同的集群，他/她更有可能预订。
2019-08-21 cs.LG stat.ML
Recommending to Strategic Users
推荐系统在数字经济中无处不在。在许多部署的系统中，一个重要的假设是用户消费反映了静态意义上的用户偏好：用户消费他们喜欢的内容，没有其他考虑。然而，正如我们在一项大规模在线调查中所记录的那样，用户确实会有策略地选择内容，以影响他们未来获得推荐的内容类型。我们将这种用户行为建模为推荐系统和用户之间的两阶段噪声信号博弈：推荐系统最初承诺推荐策略，在冷启动阶段向用户呈现内容，用户选择战略性消费以影响他们将在推荐阶段推荐的内容类型。我们表明，在平衡，用户从事的行为，强调他们的差异，不同的偏好配置文件的用户。此外，（统计上的）少数群体由于担心失去他们的少数群体内容展示，可能不会消费主流用户喜欢的内容。接下来，我们提出三种可能提高推荐质量的干预措施（平均和少数群体）在考虑战略消费时：（1）采用一种推荐系统策略，该策略使用来自先验的偏好，（2）与普遍喜欢的用户进行通信，（“主流”）内容将不被用作推荐的基础，以及（3）提供足够个性化但期望在开始时被喜欢的内容。最后，我们描述了一种方法，通知应用理论建模与调查结果。
2023-02-13 cs.CY cs.GT cs.IR
Recommending Scientific Literature: Comparing Use-Cases and Algorithms
研究人员活动的一个重要方面是寻找相关和相关的出版物。科学出版物推荐系统的任务是提供符合这些标准的论文列表。基于Mendeley管理的出版物的收集，已经组装了四个数据集，反映了相关性的不同方面。这些相关性场景中的每一个都反映了用户的搜索策略。这些场景是公共团体、场所、作者出版物和用户库。这些数据集中的前三个被公开，供其他研究人员比较算法。三个推荐系统已经实现：一个协同过滤系统;一个基于内容的过滤系统;和这两个系统的混合。测试结果表明，协同过滤略优于基于内容的方法，但在某些情况下失败。混合系统结合了两种推荐方法，提供了最佳性能，准确率高达70%。这表明，这两种技术在推荐科学文献方面都提供了互补信息，不同的方法适合不同的信息需求。
2014-09-04 cs.IR
Mitigating Confirmation Bias on Twitter by Recommending Opposing Views
在这项工作中，我们提出了一个基于内容的推荐方法，以增加接触到相反的信念和意见。我们的目标是帮助用户提供关于问题的更多样化的观点，这些观点在党派团体中从不同的角度进行讨论。由于逆火效应，人们的原始信念在受到反证的挑战时往往会加强，因此我们需要在适当的时候让他们接触到相反的观点。这里介绍的初步工作描述了我们朝着这个方向迈出的第一步。作为说明性的展示，我们在Twitter上围绕唐纳德·特朗普的总统任期进行政治辩论。
2018-09-11 cs.IR cs.SI
CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles
University of Missouri（密苏里大学）
推荐系统今天已经成为任何商业网站的重要组成部分。协同过滤方法，特别是矩阵分解（MF）技术，被广泛应用于推荐系统。然而，自然的数据稀疏性问题限制了它们的性能，用户通常与系统中很少的项目进行交互。因此，最近提出了多个混合模型，通过在其学习过程中加入额外的上下文信息来优化MF性能。虽然这些模型提高了推荐质量，但有两个主要方面需要进一步改进：（1）多个模型只关注可用上下文信息的一部分而忽略其他部分;（2）学习侧上下文信息的特征空间需要进一步增强。在本文中，我们介绍了一个合作的双重注意自动编码器（CATA++）推荐科学文章。CATA++利用文章的内容，并通过两个并行的自动编码器学习其潜在空间。我们采用注意力机制来捕捉信息中最相关的部分，以便提出更相关的建议。在三个真实世界数据集上的广泛实验表明，与其他最先进的基于MF的模型相比，我们的双向学习策略显着提高了MF性能。我们的方法的源代码可在https://github.com/jianlin-cheng/CATA上获得。
2020-05-15 cs.IR cs.LG stat.ML
Recommending Relevant Sections from a Webpage about Programming Errors and Exceptions
编程错误或异常是软件开发和维护中固有的，并且考虑到今天的互联网时代，软件开发人员经常在Web上寻找工作解决方案。他们利用搜索引擎检索相关页面，然后通过手动逐页浏览来寻找适当的解决方案。然而，针对给定异常（及其上下文）手动检查页面内容，然后制定适当的解决方案都是非常重要的任务。它们甚至更加复杂和耗时，因为大量的不相关（即，偏离主题）和嘈杂（例如，广告）内容。在本文中，我们提出了一个基于IDE和上下文感知的页面内容推荐技术，定位和推荐相关部分从一个给定的网页，通过利用技术细节，特别是在IDE中遇到的异常的上下文。与250个网页相关的80个编程异常的评估，与唯一可用的密切相关的技术比较，并与VSM和LSA技术的比较的案例研究表明，所提出的技术是非常有前途的精度，召回率和F1-措施。
2018-07-06 cs.IR cs.SE
Natural brain-information interfaces: Recommending information by relevance inferred from human brain signals
从万维网等大型文档集中查找相关信息是我们日常生活中的一项常见任务。用户的兴趣或搜索意图的估计是必要的，以推荐和检索相关的信息，从这些集合。我们介绍了一个大脑信息接口，用于推荐信息的相关性直接从大脑信号推断。在实验中，参与者被要求阅读维基百科上关于一系列主题的文档，同时记录他们的脑电图。基于词的相关性的预测，个人的搜索意图建模，并成功地用于检索新的，相关的文件从整个英文维基百科语料库。结果表明，用户对数字内容的兴趣可以从阅读引起的大脑信号建模。所引入的大脑相关性范例使得能够在没有任何显式用户交互的情况下推荐信息，并且可以应用于各种信息密集型应用。
2016-07-12 cs.HC cs.IR q-bio.NC
Deep Reinforcement Learning for List-wise Recommendations
Michigan State University（密歇根州立大学）
推荐系统通过向用户推荐个性化的商品或服务，在缓解信息过载问题方面起着至关重要的作用。绝大多数传统的推荐系统将推荐过程视为一个静态的过程，并遵循固定的策略进行推荐。在本文中，我们提出了一种新的推荐系统的能力，不断提高其策略，在与用户的互动。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程（MDP），并利用强化学习（RL）通过推荐试错项目并从用户的反馈中接收这些项目的强化来自动学习最优策略。特别是，我们介绍了一个在线的用户代理交互环境模拟器，它可以预先训练和评估模型参数离线应用模型在线之前。此外，我们验证的重要性，列表明智的建议，在用户和代理之间的互动，并开发一种新的方法，将它们纳入拟议的框架LIRD列表范围内的建议。基于真实电子商务数据集的实验结果表明了该框架的有效性。
2019-06-27 cs.LG stat.ML
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith；NBC Universal Peacock（NBC环球孔雀）
本文提出增强型 EASE 推荐模型，通过融合用户与物品辅助特征获得闭式解，在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
Recommending Scientific Videos based on Metadata Enrichment using Linked Open Data
网络中可用视频的数量已经显著增加，不仅用于娱乐等，而且以有效的方式传达教育或科学信息。有几个门户网站提供后一种视频材料。其中之一是莱布尼茨科学技术信息中心（TIB）的TIB AV门户网站，该网站提供科学和教育视频内容。与其他视频门户网站不同的是，利用自动视听分析（视觉概念分类、光学字符识别、语音识别）来增强元数据信息和语义搜索。在本文中，我们建议进一步利用和丰富自动生成的信息，将其链接到德国国家图书馆的综合权威文件（GND）。该信息用于导出用于比较两个视频的相似性的度量，其用作推荐语义相似的视频的基础。用户研究表明，所提出的方法的可行性。
2019-04-03 cs.DL cs.IR
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research（Deezer研究院）；École Polytechnique（巴黎综合理工学院）；Univ. Paris Dauphine（巴黎多芬大学）
音乐流媒体服务严重依赖推荐系统来改善用户体验，帮助他们浏览大型音乐目录并发现新的歌曲，专辑或艺术家。然而，向新用户推荐相关和个性化的内容，很少或根本没有与目录的交互，是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中，我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略，基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性，通过离线和在线大规模实验。此外，我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放，能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
A Survey of Retrieval Algorithms in Ad and Content Recommendation Systems
University of Toronto（多伦多大学）；American Express Company（美国运通公司）
本文综述了广告推荐与内容推荐系统中的检索算法，比较了两类应用的特点，并阐述了各自最有效的方法。
2024-07-19 cs.AI cs.IR
Recommending research articles to consumers of online vaccination information
在线健康传播往往对证据提供有偏见的解释，并与源研究有不可靠的联系。我们测试了一种工具的可行性，该工具用于将网页与其源证据相匹配。从207，538篇符合条件的疫苗接种相关PubMed文章中，我们使用3，573个与Altmetric网页的唯一链接评估了几种方法。我们评估了对网页上描述的疫苗相关研究的源文章进行排名的方法，比较了简单的基线特征表示和降维方法与典型相关分析（CCA）的方法。性能指标包括正确源文章的中位数排名;源文章正确排名第一的网页百分比（recall@1）;以及排名前50位候选文章的百分比（recall@50）。虽然使用CCA增强基线方法通常会改善结果，但没有基于CCA的方法优于基线方法，该方法将正确的源文章排在超过四分之一的网页的第一位，并在前50名中超过一半。帮助人们确定他们在疫苗接种相关网页上访问的内容的循证来源的工具可能是可行的，并可能有助于防止新闻和社交媒体中对研究的偏见和歪曲。
2020-08-19 cs.IR
Recommending Users: Whom to Follow on Federated Social Networks
为了培养活跃且参与的社区，社交网络采用过滤大量内容并向用户提供网络的个性化视图的推荐算法。流行的社交网络，如Facebook和Twitter，通过列出用户可能有兴趣联系的简档来生成关注推荐。联邦社交网络旨在通过分散权力和促进隐私来解决与流行的社交网络相关的问题，例如大规模的用户监视和滥用用户数据来操纵选举。由于它们最近出现，推荐系统还不存在于联合社交网络中。为了使这些网络更有吸引力，促进社区建设，我们研究如何推荐算法可以应用到分散的社交网络。我们提出了一个离线和在线评估两种推荐策略：基于BM 25的协同过滤推荐和基于拓扑的推荐使用个性化的PageRank。我们的联邦社会网络Mastodon的一个大的无偏样本的实验表明，协同过滤方法优于基于拓扑的方法，而这两种方法显着优于随机推荐。随后的现场用户实验乳齿象使用平衡交错显示，协同过滤推荐器的性能与基于拓扑的推荐器不相上下。
2018-11-22 cs.IR cs.SI
Citation Recommendations Considering Content and Structural Context Embedding
近年来，发表的学术论文数量呈指数级增长，推荐足够的引文以帮助研究人员撰写论文是一项重要的任务。传统的方法可能不是最佳的，因为推荐的论文可能已经为用户所知，或者仅仅与周围的背景相关，而不是手稿中讨论的其他想法。在这项工作中，我们提出了一种新的嵌入算法DocCit2Vec，随着“结构上下文”的新概念，以解决上述问题。所提出的方法在旨在模拟实际使用场景的广泛实验中表现出优于基线模型的性能。
2020-01-08 cs.IR
Learning Consumer and Producer Embeddings for User-Generated Content Recommendation
用户生成内容（UGC）是Web应用程序的核心，用户可以在其中生产和消费内容。这与传统的电子商务领域不同，在传统的电子商务领域，内容生产者和消费者通常来自两个不同的群体。在这项工作中，我们提出了一种方法CPRec（消费者和生产者为基础的推荐），推荐内容的UGC为基础的平台。具体来说，我们学习每个用户的核心嵌入和两个转换矩阵，以将用户的核心嵌入投影到两个“角色”嵌入中（即，生产者和消费者角色）。我们通过消费者、被消费的物品和其生产者之间的三元关系来对每个交互进行建模。两个大规模的UGC应用程序的实证研究表明，我们的方法优于标准的协同过滤方法，以及最近的方法，生产者信息模型通过项目功能。
2018-09-25 cs.IR
Popularity Estimation and New Bundle Generation using Content and Context based Embeddings
Samsung Research Institute Bangalore, SRIB（三星研究院班加罗尔分院）；RV College of Engineering（RV工程学院）
本文提出基于销售额、消费者体验和物品多样性的捆绑包流行度新指标，并采用内容与上下文感知的嵌入方法生成新捆绑包，实验证明其流行度比现有捆绑包高32%-44%。
2024-12-23 cs.AI cs.IR
Twitter Hash Tag Recommendation
University of Minnesota（明尼苏达大学）
Twitter等微博客服务的普及导致了内容注释策略（如hashtag）的使用增加。主题标签为用户提供了一种标记机制，以帮助组织，分组和创建其帖子的可见性。这是一个简单的想法，但在实践中对用户来说可能是一个挑战，这会导致不频繁的使用。在本文中，我们将研究在创建新帖子时推荐标签的各种方法，以鼓励更广泛的采用和使用。标签推荐带来了许多挑战，包括处理大量的流数据和小而嘈杂的内容。我们将研究预处理方法来减少数据中的噪声，并基于流行的分类算法确定一种有效的主题标签推荐方法。
2015-01-31 cs.IR cs.LG
Quality-aware News Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
新闻推荐是许多在线新闻平台使用的核心技术。向用户推荐高质量的新闻对于保持良好的用户体验和新闻平台的声誉至关重要。然而，现有的新闻推荐方法主要是为了优化新闻点击，而忽略了他们推荐的新闻的质量，这可能会导致推荐的新闻与非信息内容，甚至点击诱饵。在本文中，我们提出了一个质量感知的新闻推荐方法命名为QualityRec，可以有效地提高推荐新闻的质量。在我们的方法中，我们首先提出了一个有效的新闻质量评估方法的基础上，分布的用户的阅读停留时间的新闻。接下来，我们建议将新闻质量信息纳入用户兴趣建模，通过设计一个内容质量的注意力网络，选择点击新闻的基础上，新闻语义和质量。我们进一步训练的推荐模型与辅助新闻质量预测任务学习质量感知的推荐模型，我们添加了一个推荐质量正则化损失，以鼓励模型推荐更高质量的新闻。在两个真实数据集上的大量实验表明，QualityRec可以有效地提高推荐新闻的整体质量，减少对低质量新闻的推荐，推荐准确率甚至略有提高。
2022-02-28 cs.CL cs.IR
Movie Recommendation System using Composite Ranking
在当今世界，丰富的数字内容，如电子书，电影，视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此，数字媒体提供商希望利用这种混乱并解决它，以增加用户参与度，最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上，电影推荐系统使用协同过滤，其利用用户与媒体的交互，或者基于内容的过滤，其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而，我们的方法只处理基于内容的建议，进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性，视觉内容和电影的用户评论。我们使用文本矢量化，然后对元数据进行余弦相似性，通过预训练的VGG 19进行特征提取，然后对视觉内容进行K均值聚类，并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
A general graph-based framework for top-N recommendation using content, temporal and trust information
Université de Yaoundé I（雅温得第一大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；IRD（法国国家发展研究院）
在许多电子商务平台中，向用户推荐合适的商品是至关重要的，这些平台包含用户的浏览、购买和流媒体历史等隐式数据。一种常见的方法是针对给定的N个项目，选择与每个用户最相关的N个项目，这被称为前N个推荐。为此，推荐系统依赖于各种信息，如项目和用户特征，用户对项目的过去兴趣，浏览历史和用户之间的信任。然而，它们通常只使用一两条这样的信息，这限制了它们的性能。在本文中，我们设计并实现了GraFC 2 T2，一个通用的基于图的框架，可以轻松地组合和比较各种边信息的前N推荐。它将基于内容的特征、时间和信任信息编码到一个复杂的图中，并在这个图上使用个性化的PageRank来执行推荐。我们在Epperly和Ciao数据集上进行了实验，并将使用F1分数，命中率和MAP评估指标获得的性能与基于矩阵分解和深度学习的系统进行了比较。这表明，我们的框架是方便这样的探索，并结合不同种类的信息确实提高了一般的建议。
2019-05-06 cs.IR cs.LG stat.ML
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
The Impact of Situation Clustering in Contextual-Bandit Algorithm for Context-Aware Recommender Systems
上下文感知推荐系统（CRS）中的大多数现有方法专注于考虑上下文信息（例如时间、位置或社交方面）向用户推荐相关项目。然而，很少有人考虑到用户的内容动态性的问题。我们在本文中介绍了一种算法，处理用户的内容动态性建模的CRS作为一个上下文的强盗算法，并通过包括一个情况聚类算法，以提高精度的CRS。在一个精心设计的离线模拟框架内，我们用真实的在线事件日志数据进行评估。实验结果和详细的分析揭示了上下文感知推荐系统中的几个重要发现。
2014-03-30 cs.IR
Content Based Document Recommender using Deep Learning
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；ParallelDots（ParallelDots 公司）
随着信息技术的进步，可用数据量激增。但是信息检索技术已经不能跟上信息生成的这种速度，导致用于检索相关信息的时间过度消耗。尽管存在用于辅助用户搜索数据库以及过滤和推荐相关信息的系统，但是使用文档内容进行推荐的推荐系统仍然有很长的路要走。在这里，我们提出了一种基于深度学习的监督方法，根据内容的相似性推荐相似的文档。我们将C-DSSM模型与Word 2 Vec分布式表示相结合，建立了一个新的模型，通过给文档对打分来区分文档对的相关性和不相关性，使用我们的模型，文档检索的时间复杂度为O（1），存储复杂度为O（n），其中n是文档的个数。
2017-10-23 cs.CL cs.IR
Content-Based Citation Recommendation
Allen Institute for AI（艾伦人工智能研究所）；Data Cowboys（数据牛仔公司）
本文提出了一种基于内容的学术论文引文推荐方法。我们将给定的查询文档嵌入到向量空间中，然后使用其最近的邻居作为候选者，并使用经过训练以区分观察到的和未观察到的引用的判别模型对候选者进行重新排序。与以前的工作不同，我们的方法不需要元数据，如可能丢失的作者姓名，例如，在同行评审过程中。在不使用元数据的情况下，我们的方法优于PubMed和DBLP数据集上报告的最佳结果，在F1@20中的相对改进超过18%，在MRR中的相对改进超过22%。我们的经验表明，虽然添加元数据提高了标准指标的性能，但它有利于自引用，这在引用推荐设置中不太有用。我们发布了一个在线门户网站（http：//labs.semantics.org/citeomatic/）的引文推荐基于我们的方法，和一个新的数据集OpenCorpus的700万篇研究文章，以促进未来的研究这项任务。
2018-02-22 cs.CL cs.DL cs.IR
Context-Aware Systems for Sequential Item Recommendation
Quizlet, Inc.（Quizlet公司）
Quizlet是美国最受欢迎的在线学习工具，超过2/3的高中生和1/2的大学生使用。超过95%的Quizlet用户报告成绩有所提高，该平台已成为数百万教室使用的事实上的工具。在本文中，我们探讨的任务，推荐合适的内容，为学生学习，考虑到他们的兴趣，以及他们的同龄人正在学习。我们提出了一种新的方法，即神经教育推荐引擎（NERE），推荐教育内容，利用学生的行为，而不是评级。我们发现，这种方法更好地捕捉了与学习更一致的社会因素。NERE基于一个循环神经网络，包括协作和基于内容的推荐方法，并考虑到任何特定学生的速度，掌握和经验，以推荐适当的任务。我们通过联合学习用户嵌入和内容嵌入来训练NERE，并尝试预测最终时间戳的内容嵌入。我们还为我们的神经网络开发了一个置信度估计器，这是生产化这个模型的关键要求。我们将NERE应用于Quizlet的专有数据集，并给出了我们的结果。我们在内容嵌入空间中的R^2得分为0.81，在100个最近邻上的召回率为54%。这大大超过了标准矩阵分解方法提供的12%的recall@100分数。最后，我们将讨论如何部署NERE，并将我们的工作定位为K-12空间的第一个教育推荐系统之一。
2019-04-04 cs.IR cs.LG stat.ML
Using the Context of User Feedback in Recommender Systems
我们的工作通常集中在为中小型电子商务门户网站推荐，其中没有明确的反馈，因此使用隐式反馈是必要的。尽管如此，对于一些隐式反馈特征，呈现上下文可能是高度重要的。在本文中，我们提出了一个模型的相关上下文功能影响用户反馈，提出利用这些功能的方法，发布一个数据集的真实电子商务用户包含多个用户反馈指标，以及其上下文，并最终提出购买预测和推荐实验的结果。捷克旅行社网站的真实用户的离线实验证实了利用演示上下文在购买预测和推荐任务的重要性。
2016-12-15 cs.HC cs.IR
Leveraging the structure of musical preference in content-aware music recommendation
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）
最先进的音乐推荐系统是基于协同过滤的，它根据用户的收听习惯和与其他用户的简档的相似性来预测用户的兴趣。这些方法对歌曲内容是不可知的，因此面临冷启动问题：如果没有收听历史，它们就不能推荐新的歌曲。为了解决这个问题，内容感知推荐结合了关于歌曲的信息，这些信息可以用于推荐新项目。属于这一类的大多数方法利用用户注释的标签，声学特征或深度学习的特征。因此，这些内容特征不具有明确的音乐含义，因此从音乐偏好的角度来看，它们不一定相关。在这项工作中，我们建议，而不是利用一个模型的音乐偏好，起源于音乐心理学领域。从低层次的声学特征，我们提取三个因素（唤醒，效价和深度），这已被证明是适当的描述音乐品味。然后，我们将这些集成到一个协同过滤框架的内容感知音乐推荐。在大规模数据上进行的实验表明，该方法能够解决冷启动问题，同时使用紧凑且有意义的音乐特征集。
2021-02-09 cs.IR cs.SD eess.AS
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo（纽约州立大学布法罗分校）
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍，到在Facebook等社交网络中寻找朋友，它们已经变得无所不在。一般来说，推荐系统可以分为两大类：基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系，以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务，而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐，该方法利用称为随机游走的随机过程。这项研究是一项调查，探索随机游走在推荐系统中的使用情况，并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
Studying and Recommending Information Highlighting in Stack Overflow Answers
University of Manitoba（曼尼托巴大学）；Concordia University（康考迪亚大学）；Huawei（华为）
本文针对 Stack Overflow 答案的信息高亮问题，利用基于 CNN 和 BERT 的模型，针对粗体、斜体、代码和标题四种格式自动推荐高亮内容，实验表明模型精确率在 0.50 到 0.72 之间，证实了该推荐任务的可行性。
2024-04-25 cs.CL cs.IR cs.LG
An Unbiased Data Collection and Content Exploitation/Exploration Strategy for Personalization
Yahoo Research（雅虎研究院）；Yahoo Personalization Team（雅虎个性化团队）
个性化系统和推荐系统的任务之一是根据用户的个人兴趣显示内容项。为了实现这样的目标，这些系统随着时间的推移学习用户兴趣，并且尝试呈现针对用户简档定制的内容项。根据用户的偏好推荐商品在过去几年中得到了广泛的研究，这主要归功于Netflix竞争的流行。在真实环境中，用户可能会被这些项目的子集所吸引并与它们进行交互，只留下部分反馈给系统，以便在下一个周期中学习，这会导致系统出现重大偏差，从而导致用户参与度指标无法随着时间的推移而改善的情况。问题不仅仅是系统的一个组成部分。从用户收集的数据通常用于许多不同的任务，包括学习排名功能，构建用户简档和构建内容分类器。一旦数据出现偏差，所有这些下游用例也会受到影响。因此，通过用户交互收集无偏见的数据将是有益的。传统上，无偏的数据汇集是通过显示从内容池中均匀采样的项来完成的。然而，这种简单的方案是不可行的，因为它会危及用户参与度指标，并且需要很长时间来收集用户反馈。在本文中，我们介绍了一个用户友好的无偏数据汇集框架，利用开发和勘探文献中开发的方法。我们讨论的框架是如何不同于正常的多臂强盗问题，为什么需要这样的方法。为了有效地平衡用户体验和数据汇集，我们设计了一种新的伯努利排序列表的汤普森抽样。该方法是从一个真正的桶测试验证，我们表现出强大的结果相比，旧的算法
2016-04-12 cs.IR cs.LG
Topic Community Based Temporal Expertise for Question Routing
基于社区的问答网站中的问题路由旨在向最有可能提供“接受答案”的潜在用户推荐新发布的问题。大多数现有的方法基于用户过去的问答行为和新问题的内容来预测用户的专业知识。然而，这些方法在三个方面受到挑战：1）用户过去记录的稀疏性导致缺乏个性化推荐，有时不匹配用户的兴趣或领域专业知识，2）基于所有问题和答案内容的建模使得周期性更新在计算上昂贵，以及3）尽管CQA站点是高度动态的，但它们大多被认为是静态的。本文提出了一种新的QR方法，解决了上述挑战。它基于用户在主题社区上的活动的动态建模。在三个真实数据集上的实验结果表明，该模型的性能明显优于竞争基准模型
2022-07-05 cs.IR cs.SI
Idea of a new Personality-Type based Recommendation Engine
Myers-Briggs Type Indicator（MBTI）类型描述了一个人感知世界和做出决定的心理偏好。人们通过四种主要功能来观察世界：感觉、直觉、感觉和思维。这些功能连同内向的\Extroverted性质的人，有16种性格类型，人类分为。这里提出了一个想法，其中用户可以基于用户的MBTI类型获得针对书籍、网络媒体内容、音乐和电影的推荐。只有像书籍和其他媒体内容这样的东西被选中，因为这些东西的偏好大多是主观的。除了通常基于先前购买生成的推荐内容之外，还可以通过使用MBTI来增强搜索。设计了一个最低限度的调查来收集数据。这有超过100个特征，显示了个性类型的偏好。这些包括对书籍类型，音乐类型，电影类型甚至视频游戏类型的偏好。在分析了从调查中收集的数据后，从中得出了一些推论，这些推论可以用来设计一个新的推荐引擎，以推荐符合用户个性的内容。
2013-11-08 cs.IR
A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息技术学院）
推荐系统允许用户识别社区中的热门项目，同时及时且与用户的期望相关。当各种推荐系统的目的不同时，每个用例所需的推荐类型也不同。虽然一个推荐系统可以专注于推荐流行的项目，但是另一个推荐系统可以专注于推荐与用户的兴趣相当的项目。基于内容的过滤，用户到用户和项目到项目的协同过滤，以及最近的深度学习方法已经被研究人员提出来实现更好的质量推荐。尽管这些方法中的每一种都被证明单独执行得很好，但已经有人试图突破它们的局限性。在广泛的方法之后，研究人员试图扩展标准推荐系统的功能，以向用户提供最有效的推荐，同时从企业的角度来看更有利可图。这是通过在为推荐系统构建模型和架构时采用混合方法实现的。本文综述了混合推荐系统的新模型和体系结构。作者确定了扩展基线模型功能的可能性，以及每个模型的优点和缺点，并在本文中选择了用例。
2022-05-03 cs.AI cs.IR cs.SI
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用，其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器（MA-CVAE）用于标签推荐，它将项目协作信息和项目多辅助信息相耦合，内容和社交图谱，通过定义一个生成过程。具体而言，该模型使用变分自编码器（VAE）从不同的项目辅助信息中学习深度潜在嵌入，该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外，为了推荐新项目的标签，项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理，其中重建损失被添加在训练阶段中，以通过不同的辅助嵌入来限制反馈预测的生成。此外，一个归纳变分图自动编码器的设计，新的项目节点可以推断在测试阶段，使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
Contrastive Learning for Cold-Start Recommendation
推荐冷启动项目是推荐系统中一个长期存在的基本挑战。在没有冷启动项目的任何历史交互的情况下，CF方案无法使用协作信号来推断用户对这些项目的偏好。为了解决这个问题，已经进行了广泛的研究，将边信息纳入CF方案。具体地，它们采用现代神经网络技术（例如，dropout、一致性约束）来发现和利用内容特征和协作表示的联合效应。然而，我们认为，这些工作较少探索内容特征和协作表征之间的相互依赖关系，缺乏足够的理论支持，从而导致性能不尽如人意。在这项工作中，我们重新制定冷启动项目表示学习从信息论的观点。它旨在最大限度地提高项目内容和协作信号之间的相互依赖性。具体地说，表示学习理论上是由两个术语的集成下界：用户和项目的协作嵌入之间的互信息，以及协作嵌入和项目的特征表示之间的互信息。为了模拟这样的学习过程，我们设计了一个新的目标函数建立在对比学习和开发一个简单而有效的对比学习为基础的冷启动推荐框架（CLCRec）。特别是，CLCRec由三个组件组成：对比对组织，对比嵌入和对比优化模块。它允许我们在热启动和冷启动项目的内容表示中保留协作信号。通过对四个公开访问的数据集进行广泛的实验，我们观察到CLCRec在热启动和冷启动场景中都比最先进的方法有了显着的改进。
2021-07-15 cs.IR cs.MM
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
PP-Rec: News Recommendation with Personalized User Interest and Time-aware News Popularity
个性化新闻推荐方法在在线新闻服务中得到了广泛的应用。这些方法通常基于新闻内容和从历史行为推断的用户兴趣之间的匹配来推荐新闻。然而，这些方法通常难以向冷启动用户做出准确的推荐，并且倾向于推荐与那些用户已经阅读过的新闻相似的新闻。一般来说，热门新闻通常包含重要信息，可以吸引不同兴趣的用户。此外，它们通常在内容和主题上是多样的。因此，在本文中，我们建议将新闻流行度信息，以减轻个性化新闻推荐的冷启动和多样性问题。在我们的方法中，用于向目标用户推荐候选新闻的排名分数是个性化匹配分数和新闻流行度分数的组合。前者用于捕捉个性化的用户对新闻的兴趣。后者用于测量候选新闻的时间感知流行度，其基于新闻内容、新近度和实时CTR使用统一框架进行预测。此外，我们提出了一个流行度感知的用户编码器，以消除用户行为的流行偏见，准确的兴趣建模。在两个真实数据集上的实验表明，该方法能有效地提高新闻推荐的准确性和多样性。
2021-06-10 cs.IR
DFW-PP: Dynamic Feature Weighting based Popularity Prediction for Social Media Content
IIIT Sri City（印度国际信息技术学院斯里城校区）；Shiv Nadar University（希夫纳达尔大学）
社交媒体平台的日益普及使得研究用户参与变得非常重要，这是任何营销策略或商业模式的重要方面。社交媒体平台上内容的过度饱和促使我们确定影响内容受欢迎程度的重要因素。这是因为只有极少量的海量在线内容能吸引目标受众的注意力。在流行度预测领域已经使用几种机器学习技术进行了全面的研究。然而，我们观察到，在分析媒体内容的社会重要性方面仍有很大的改进余地。我们提出了DFW-PP框架，以了解随着时间的推移而变化的不同功能的重要性。此外，所提出的方法通过应用对数-对数归一化来控制特征分布的偏度。所提出的方法进行了实验与基准数据集，显示出可喜的结果。该守则将在https://github.com/chaitnayabasava/DFW-PP上公布。
2021-10-16 cs.IR cs.LG cs.SI
Analysing Word Importance for Image Annotation
YMCA UST Faridabad（法里达巴德YMCA科学技术大学）
图像标注根据不同的标签自动为图像提供多个关键词来描述图像的内容，这在图像检索中非常有用。各种研究人员正在研究基于文本和基于内容的图像注释[7，9]。在传统的图像标注方法中，标注词被同等对待，没有考虑每个词在现实世界中的重要性。在这种情况下，在这项工作中，图像注释关键字的基础上，他们的频率计数和词的相关性。此外，这项工作提出了一种方法来计算候选关键字的重要性得分，具有相同的频率计数。
2013-06-20 cs.CV cs.IR
Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks
Spotify；Sapienza University of Rome（罗马大学）
针对Spotify有声书推荐面临的相关性要求高、数据稀疏及需高可扩展性的挑战，提出结合异构图神经网络和双塔模型的2T-HGNN系统，显著提升有声书推荐效果，还能惠及播客业务。
2024-03-08 cs.IR cs.LG
Hierarchical Reinforcement Learning for Modeling User Novelty-Seeking Intent in Recommender Systems
New York University（纽约大学）；Google Research（谷歌研究院）
本文提出基于分层强化学习的推荐方法，同时建模用户静态内在求新偏好与会话级动态倾向，并在奖励中引入多样性和新颖性度量，从而在多个公开数据集上优于现有基线。
2023-06-02 cs.IR cs.LG
Efficient filtering of adult content using textual information
如今，成人内容在网络内容中占不可忽视的比例。最重要的是保护儿童免受这些内容的影响。搜索引擎作为Web导航的入口点，是处理这个问题的理想选择。在本文中，我们提出了一种方法，建立一个安全的索引，即成人内容免费的搜索引擎。此方法基于仅使用来自网页和关联URL的文本信息的过滤器。
2015-12-04 cs.IR
A Deeper Investigation of the Importance of Wikipedia Links to the Success of Search Engines
越来越多的工作凸显了维基百科志愿者创建的内容在帮助搜索引擎实现其核心目标（满足数百万人的信息需求）方面所发挥的重要作用。在本文中，我们报告的调查结果的发病率维基百科链接在搜索引擎结果页面（SERP）。我们的研究结果扩展了以前的工作，考虑三个美国搜索引擎，模拟移动和桌面设备，并使用空间分析方法，旨在研究现代SERP，不再只是“十个蓝色链接”。我们发现，维基百科链接在重要的搜索环境中非常常见，出现在所有常见和趋势查询的SERP中的67-84%，但在医学查询中较少出现。此外，我们观察到维基百科的链接经常出现在“知识面板”SERP元素中，并且位于用户可见的位置，而无需滚动，尽管维基百科在移动设备上的突出位置较少。我们的发现强化了以下互补概念：（1）维基百科的内容和研究在维基百科领域之外具有重大影响;（2）强大的技术，如搜索引擎，高度依赖于志愿者创建的免费内容。
2020-04-21 cs.CY cs.IR
Balancing Information Perception with Yin-Yang: Agent-Based Information Neutrality Model for Recommendation Systems
针对推荐系统的过滤气泡问题，本文提出基于阴阳理论、可与原有偏好推荐算法集成的智能体信息中立模型 AbIN，并实证表明其能在尊重用户偏好的同时提升信息多样性。
2024-04-07 cs.HC cs.IR
Fuzzification-based Feature Selection for Enhanced Website Content Encryption
本文提出一种基于模糊化理论的特征选择方法，用于增强网站内容加密，通过模糊逻辑评估特征重要性，提升加密效率与互联网安全。
2023-06-23 cs.CR cs.IR
