Do LLM Recommenders Know When They're Hallucinating? Auditing Confidence Calibration in Catalog Faithfulness
Amazon.com LLC（亚马逊公司）
该研究审计了四个零样本LLM推荐系统的幻觉率与置信度校准，发现其系统性置信不足，提出conformal弃权阈值效果有限，建议审计需同时报告校准与OOD率并采用锚定目录的提示。
2026-08-25 cs.CL cs.IR cs.LG
Inductive Conformal Recommender System
National Institute of Technology, Warangal（瓦朗加尔国立理工学院）；Mahindra University（马恒达大学）；University of Hyderabad（海得拉巴大学）；University of Delhi（德里大学）
传统的推荐算法开发的技术，可以帮助人们选择所需的项目。然而，在许多现实世界的应用中，除了一组建议之外，量化每个建议的（非）确定性也是至关重要的。适形推荐系统使用用户的经验来输出一组推荐，每个推荐与精确的置信度值相关联。给定显著性水平$\varepsilon$，它提供了关于做出错误推荐的概率的界限$\varepsilon$。适形框架使用了一个称为\emph{nonconformity measure}的关键概念，它衡量一个项目对其他项目的陌生度。任何共形推荐框架的一个重要设计挑战是将不一致性度量与推荐算法相结合。本文介绍了共形推荐系统的一个归纳变体。我们提出并分析了不同的不符合措施，在感应设置。并对算法的误差界和时间复杂度进行了理论证明。在十个基准数据集上的大量实证分析表明，归纳变体在保持准确性的同时大大提高了计算时间的性能。
2022-01-25 cs.IR cs.LG
Multi-Granularity Click Confidence Learning via Self-Distillation in Recommendation
本文提出CLSD框架，通过全局自蒸馏与用户群局部置信度调整实现多粒度点击置信度学习，在不增加额外数据和结构的情况下提升推荐效果，并已服务超4亿用户。
2023-09-28 cs.IR
Evaluating Online Bandit Exploration In Large-Scale Recommender System
Meta AI
针对Bandit学习算法在A/B测试中因探索特性导致评估不公平的问题，将UCB应用于大规模短视频推荐系统，提出一种生产级测试框架及新指标，实现公平评估。
2023-07-30 cs.AI cs.IR cs.LG
Watermarking Recommender Systems
Nanyang Technological University（南洋理工大学）；The University of Queensland（昆士兰大学）
本文针对推荐系统模型窃取威胁，提出自回归分布外水印技术 AOW，通过生成并训练植入水印序列，实现高置信度提取且能抵抗蒸馏和微调。
2024-09-30 cs.CR cs.IR cs.LG
Conf-GNNRec: Quantifying and Calibrating the Prediction Confidence for GNN-based Recommendation Methods
Xidian University（西电大学）；Communication University Of China（通信大学）
针对图神经网络推荐系统在噪声和稀疏数据下的过度自信问题，提出Conf-GNNRec方法，通过评分校准和置信度损失函数量化并校准预测置信度，提升推荐性能。
2025-05-22 cs.AI cs.IR
Unified Representation Learning for Multi-Intent Diversity and Behavioral Uncertainty in Recommender Systems
Northwestern University（西北大学）；University of Toronto（多伦多大学）；The University of Utah（犹他大学）；Shanghai Jiao Tong University（上海交通大学）
针对推荐系统中用户意图多样性与行为不确定性联合建模难题，提出含多意图表示与不确定性建模的统一学习框架，经实验验证在多指标及冷启动等场景下表现更优，具实用价值。
2025-09-04 cs.IR cs.LG
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索（EBR）系统的推荐共享与顺序查询相似的思想。其中，如何全面捕捉序列用户兴趣是一个根本性的问题。然而，大多数现有的顺序推荐模型作为输入点击或购买的行为序列，从用户项目的交互。这导致不全面的用户表示和次优的模型性能，因为它们忽略了完整的用户行为暴露数据，即，用户印象深刻但未点击的项目。在这项工作中，我们试图采用一种新的学习方法，以探索更好的顺序推荐技术，将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络，并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性，并验证了未点击项目在顺序推荐中的重要性。此外，我们部署我们的新模型（命名为XDM）在淘宝推荐系统的EBR，性能优于部署的前一代SDM。
2022-03-31 cs.IR
Learning Recommender Systems with Soft Target: A Decoupled Perspective
针对推荐系统标准Softmax损失易忽略潜在正反馈与真负反馈差异的问题，提出解耦软标签优化框架及对应损失函数与软标签生成算法，经多模型多数据集实验验证有效且通用。
2024-10-09 cs.IR
Mining top-k granular association rules for recommendation
推荐系统对电子商务公司和研究人员都很重要。最近，粒度关联规则已被提出用于冷启动推荐。然而，现有的方法仅保留全局强规则，因此一些用户可能根本没有收到任何推荐。在本文中，我们提出了挖掘每个用户的top-k粒度关联规则。首先，我们定义了三个粒度关联规则的措施。这些是测量用户粒度的源覆盖率，测量项目粒度的目标覆盖率，以及测量关联强度的置信度。通过置信度度量，可以根据规则的强度对其进行排名。然后，我们提出了算法，用于训练推荐和建议项目给每个用户。实验进行了公开的数据集MovieLens。结果表明，合理的粒度设置可以避免过度拟合，同时有助于获得较高的推荐准确率。
2013-05-21 cs.IR
Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback
Tokyo Institute of Technology（东京工业大学）；SMN Corporation（SMN公司）
推荐系统广泛使用隐式反馈，如点击数据，因为它的普遍可用性。虽然点击的存在在某种程度上表明了用户的偏好，但没有这种点击并不一定表示用户的负面响应，因为用户可能没有接触到这些项目（正面-未标记问题）。这导致难以从隐式反馈中预测用户的偏好。以前的研究解决了积极的未标记的问题，通过统一的权重的损失的正反馈数据或估计的信心，通过EM算法的相关信息的每个数据。然而，这些方法未能解决非随机缺失问题，其中流行或频繁推荐的项目比其他项目更可能被点击，即使用户对它们没有相当大的兴趣。为了克服这些限制，我们首先定义一个理想的损失函数进行优化，以实现最大化的相关性的建议，并提出了一个无偏估计量的理想损失。随后，我们分析了所提出的无偏估计量的方差，并进一步提出了一个裁剪估计，其中包括作为特殊情况的无偏估计量。我们证明了裁剪估计预计将提高推荐系统的性能，通过考虑偏差方差权衡。我们进行半合成和真实世界的实验，并证明所提出的方法在很大程度上优于基线。特别是，所提出的方法对于训练数据中不太频繁观察到的罕见项目效果更好。实验结果表明，该方法可以更好地实现推荐具有最高相关性的项目的目标。
2020-02-09 cs.IR cs.LG stat.ML
Play to Your Strengths: Collaborative Intelligence of Conventional Recommender Models and Large Language Models
本文提出CoReLLa框架，通过联合训练传统推荐模型与大型语言模型并利用对齐损失解决决策边界偏移，使CRM处理简单样本、LLM处理复杂样本，从而发挥两者协同优势，显著提升推荐性能。
2024-03-25 cs.IR
NEAT: A Label Noise-resistant Complementary Item Recommender System with Trustworthy Evaluation
补充项推荐系统（CIRS）为给定的查询项推荐补充项。现有的CIRS模型考虑项目共同购买的信号作为一个代理的互补关系，由于缺乏人工策划的标签，从巨大的交易记录。这些方法表示互补嵌入空间中的项目，并将互补关系建模为项目向量之间相似性的点估计。然而，共同购买的物品不一定是互补的。例如，顾客可能经常在同一笔交易中购买香蕉和瓶装水，但这两种物品并不是互补的。因此，直接使用共同购买信号作为标签将恶化模型性能。另一方面，如果用于评估的标签不反映真实的互补相关性，则模型评估将不可信。为了解决上述来自噪声标记的共同购买数据的挑战，我们将两个项目的共同购买建模为高斯分布，其中均值表示来自互补相关性的共同购买，协方差表示来自噪声的共同购买。为此，我们将每个项目表示为高斯嵌入，并通过项目高斯嵌入的均值和协方差来参数化共同购买的高斯分布。为了减少评价过程中噪声标签的影响，我们提出了一种基于独立性测试的方法来生成具有一定置信度的可信标签集。我们在公开数据集和大规模真实数据集上进行的广泛实验证明了我们提出的模型与最先进的模型相比在补充项目推荐方面的有效性。
2022-02-11 cs.IR
Green-Red Watermarking for Recommender Systems
Chongqing University（重庆大学）；University of Leicester（莱斯特大学）
本文提出GREW框架，通过秘密密钥将物品空间分为绿色和红色，实现隐蔽的输出偏置，提升推荐系统知识产权保护和抗提取攻击能力。
2026-04-26 cs.CR cs.IR
Pairwise Interactive Graph Attention Network for Context-Aware Recommendation
Nanjing University（南京大学）
上下文感知推荐系统（CARS）考虑了丰富的边信息来提高推荐性能，引起了学术界和工业界越来越多的关注。如何从不同的上下文特征中预测用户偏好是CARS的核心。最近的几个模型关注用户行为，并使用专门设计的结构来从历史行为中提取自适应的用户兴趣。然而，很少有研究考虑项目历史交互，这导致项目特征表示和项目吸引力提取的不足。根据这些观察，我们将用户-项目交互建模为动态交互图（DIG），并提出了一种基于GNN的模型，称为成对交互图注意力网络（PIGAT），以同时捕获动态用户兴趣和项目吸引力。PIGAT引入了注意力机制来考虑每个交互的用户/项目对用户和项目的重要性，该机制捕获用户兴趣、项目吸引力及其对推荐上下文的影响。此外，置信度嵌入应用于交互，以区分在不同时间发生的交互的置信度。然后，更有表现力的用户/项目表示和自适应交互功能，这有利于推荐性能，特别是当涉及长尾项目。我们在三个真实世界的数据集上进行实验，以证明PIGAT的有效性。
2019-11-18 cs.IR cs.LG
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
SamWalker++: recommendation with informative sampling strategy
由于缺乏可靠的负反馈数据，隐式反馈推荐是一项极具挑战性的任务。现有方法通过将所有未观察到的数据视为负面（不喜欢）但降低这些数据的置信度来解决这一挑战。然而，这种处理方法会导致两个问题：（1）未观测数据的置信度权重通常是手动分配的，这缺乏灵活性，并可能在评估用户的偏好时产生经验偏差。(2)为了处理大量的未观测反馈数据，大多数现有的方法依赖于随机推理和数据采样策略。然而，由于用户只知道一个很小的一部分项目在一个大的数据集，它是困难的，现有的采样器选择翔实的训练实例中，用户真的不喜欢的项目，而不是不知道it.To解决上述两个问题，我们提出了两个新的推荐方法SamWalker和SamWalker++，支持自适应置信度分配和有效的模型学习。SamWalker使用社交网络感知函数对数据置信度进行建模，该函数可以根据用户的社交背景自适应地为不同的数据指定不同的权重。然而，在许多推荐系统中，用户可能无法获得社会网络信息，这就阻碍了SamWalker的应用。因此，我们进一步提出了SamWalker++，它不需要任何辅助信息，并使用构建的伪社交网络对数据置信度进行建模。我们还为我们的SamWalker和SamWalker++开发了基于快速随机游走的采样策略，以自适应地绘制信息丰富的训练实例，这可以加快梯度估计并降低采样方差。在五个真实数据集上的实验证明了所提出的SamWalker和SamWalker+…
2021-07-31 cs.IR
GRCN: Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback
将用户的隐式反馈重新组织为用户-项目交互图，有利于图卷积网络（GCN）在推荐任务中的应用。在交互图中，用户和项目节点之间的边作为GCN的主要元素来执行信息传播并生成信息表示。然而，一个潜在的挑战在于交互图的质量，因为观察到的与不太感兴趣的项目的交互发生在隐式反馈中（例如，用户意外地观看微视频）。这意味着与这种假阳性边缘相关的邻域将受到负面影响，并且用户偏好的信号可能受到严重污染。然而，现有的基于GCN的推荐模型留下这样的挑战，探索，导致次优的表示和性能。在这项工作中，我们专注于自适应地细化交互图的结构，以发现和修剪潜在的假阳性边缘。为此，我们设计了一个新的基于GCN的推荐模型，\emph{Graph-Refined Convolutional Network}（GRCN），它调整交互图的结构自适应的基础上的状态模型的训练，而不是保持固定的结构。特别地，图细化层被设计为以假阳性交互的高置信度来识别噪声边缘，并且因此以软方式修剪它们。然后，我们在细化的图上应用图卷积层，以提取关于用户偏好的信息信号。通过在三个微视频推荐数据集上的大量实验，验证了GRCN的合理性和有效性。进一步的深入分析展示了改进的图如何有益于基于GCN的推荐模型。
2021-11-03 cs.IR cs.MM
Uncertainty in Repeated Implicit Feedback as a Measure of Reliability
本文针对音乐流媒体中重复隐式反馈的不确定性问题，提出量化重复消费模式不确定性的方法，并将其作为一致性指标融入推荐模型，实验证明能提升推荐准确性与相关性。
2025-05-05 cs.IR
Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations
用户兴趣挖掘是推荐系统中一个重要而又具有挑战性的课题，它体现了推荐模型和用户-项目交互之间的闭环效应。上下文强盗（CB）算法努力在探索和利用之间做出很好的权衡，使用户的潜在兴趣有机会暴露。然而，经典的CB算法只能应用于一个小的，抽样的项目集（通常数百），这迫使推荐系统中的典型应用仅限于候选人后排名，主页顶部项目排名，广告创意选择，或在线模型选择（A/B测试）。在本文中，我们介绍了两个简单但有效的分层CB算法，使一个经典的CB模型（如LinUCB和汤普森采样）能够探索用户的兴趣在整个项目空间，而不限于一个小的项目集。我们首先通过自底向上的聚类算法构建一个层次项目树，以粗到细的方式组织项目。然后，我们提出了一个层次CB（HCB）算法来探索用户的兴趣层次树。HCB算法将探索问题看作是一系列决策过程，目标是找到一条从根节点到叶子节点的路径，并将反馈信息反向传播到路径上的所有节点，进而提出了一种渐进式层次CB（pHCB）算法，该算法逐步扩展达到一定置信度的可见节点进行探索，以避免在顺序决策过程中对上层节点的误导性操作。在两个公共推荐数据集上的实验证明了该方法的有效性和灵活性。
2021-10-19 cs.IR
Meta Clustering of Neural Bandits
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出M-CNB算法，通过元学习器动态适应聚类并结合UCB探索策略，解决神经老虎机聚类问题，在推荐和在线分类中优于SOTA方法。
2024-09-27 cs.IR cs.LG
Pseudo-Implicit Feedback for Alleviating Data Sparsity in Top-K Recommendation
我们提出了PsiRec，一种新的用户偏好传播推荐器，它采用伪隐式反馈来丰富原始稀疏隐式反馈数据集。PsiRec的三个独特特征是：（i）它将用户-项目交互视为二分图，并从这个角度对伪隐式反馈进行建模;（ii）其基于随机游走的方法从这个二分图中提取图结构信息，以估计伪隐式反馈;以及（iii）它采用Skip-gram启发的伪隐式反馈中的置信度度量，该伪隐式反馈捕获用户和项目之间的逐点互信息。这种伪隐式反馈最终被纳入一个新的潜在因素模型，以估计用户的偏好，在极端稀疏的情况下。PsiRec在精度@10和召回率@10方面比最先进的协作去噪自动编码器提高了21.5%和22.7%。我们的实现可以在https://github.com/heyunh2015/PsiRecICDM2018上获得。
2019-01-03 cs.IR cs.SI
Cold-start Recommendation by Personalized Embedding Region Elicitation
VinAI Research（VinAI研究院）；The Chinese University of Hong Kong（香港中文大学）；College of Engineering & Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
针对冷启动推荐中固定物品集限制性能的问题，提出两阶段个性化评分提取方案，利用区域估计表示用户嵌入并顺序选择自适应物品，显著提升了推荐效果。
2024-06-03 cs.IR cs.LG
A Simple yet Effective Negative Sampling Plugin for Constructing Positive Sample Pairs in Implicit Collaborative Filtering
Beijing Institute of Technology（北京理工大学）
PSP-NS通过增强正样本信号和活动感知加权，提升隐式协同过滤的排序质量。
2026-02-20 cs.IR
Drift-Aware Continual Tokenization for Generative Recommendation
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
本文提出DACT框架，通过分词微调和分层代码重新分配，解决生成推荐中持续漂移带来的分词冲突问题，提升推荐质量并减少对已有知识的干扰。
2026-03-31 cs.IR
Restricted Bernoulli Matrix Factorization: Balancing the trade-off between prediction accuracy and coverage in classification based collaborative filtering
Departamento de Algebra, Geometria y Topologia, Universidad Complutense de Madrid（代数、几何与拓扑系，马德里complutense大学）；Instituto de Ciencias Matematicas (CSIC-UAM-UCM-UC3M)（数学研究所（CSIC-UAM-UCM-UC3M））；KNODIS Research Group, Universidad Politecnica de Madrid（KNODIS研究组，马德里理工大学）；Departamento de Sistemas Informaticos, Universidad Politecnica de Madrid（信息系统系，马德里理工大学）
提出受限伯努利矩阵分解算法（ResBeMF）提升基于分类的协同过滤性能，基于受限矩阵分解为用户-项目对生成评分概率分布，实验表明该模型在预测质量、数量和推荐质量上表现良好。
2026-07-07 cs.AI cs.IR
