Investigating Potential Factors Associated with Gender Discrimination in Collaborative Recommender Systems
个性化推荐技术的激增引起了人们对不同性别、年龄组和种族或民族人群之间推荐性能差异的担忧。这种不同程度的性能可能会影响用户对系统的信任，并可能在公平和公正是关键问题的领域（如工作推荐）中造成法律和道德问题。在本文中，我们调查了几个潜在的因素，可能与歧视性的性能的推荐算法，女性与男性。我们专门研究了用户简档的几个特征，并分析了它们与系统对不同性别的不同行为的可能关联。这些特征包括评分行为的异常、用户档案的熵和用户档案的大小。我们在一个公共数据集上使用四种推荐算法的实验结果表明，基于所有提到的三个因素，女性得到的推荐不如男性准确，这表明推荐算法在性别上的不公平性。
2020-02-18 cs.IR cs.SI
Hidden Author Bias in Book Recommendation
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）；National Library of the Netherlands（荷兰国家图书馆）；Delft University of Technology（代尔夫特理工大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
协同过滤算法的优点是不需要敏感的用户或项目信息来提供推荐。然而，他们仍然遭受公平相关的问题，如流行偏见。在这项工作中，我们认为，受欢迎的偏见往往会导致其他偏见是不明显的额外的用户或项目信息时，没有提供给研究人员。我们在一个常用的图书评级数据集上的图书推荐案例中检验了我们的假设。我们使用公开的外部来源提供作者信息来丰富它。我们发现，流行的书籍主要是由美国公民写的数据集，这些书籍往往是推荐的流行的协同过滤算法相比，用户的个人资料。我们的结论是，受欢迎的偏见的社会影响，应进一步研究的学者社区。
2022-09-08 cs.AI cs.IR
Mining the Stars: Learning Quality Ratings with User-facing Explanations for Vacation Rentals
在线旅游平台是虚拟的双边市场，客人在这里搜索住宿，住宿提供商列出他们的酒店和度假租赁等属性。绝大多数旅馆都由官方机构评定，用若干颗星表示它们提供的服务质量。这是一种简单有效的机制，通过帮助客人找到符合其标准的选择，并帮助住宿供应商将其产品推向正确的细分市场，从而直接影响平台上的交易数量，从而有助于使供应与需求相匹配。不幸的是，大多数度假租赁都没有类似的评级系统，这使得客人很难搜索和比较选择，度假租赁供应商也很难有效地营销他们的产品。在这项工作中，我们描述了一个机器学习的度假租赁质量评级系统。这个问题是具有挑战性的，主要是由于可解释性的要求和缺乏地面真理。我们目前的技术，以解决这些挑战和经验证据，他们的功效。我们的系统已成功部署，并通过在预订进行在线控制实验验证。com，一个大型的在线旅游平台，并运行了一年多，影响了超过一百万的住宿和数百万的客人。
2021-01-27 cs.IR
Boosting the Rating Prediction with Click Data and Textual Contents
SOKENDAI (The Graduate University for Advanced Studies)（综合研究大学院大学（SOKENDAI））；National Institute of Informatics（日本国立信息学研究所）
矩阵分解（MF）是最有效的收视率预测方法之一。MF通过分解用户-项目评级矩阵来学习用户和项目表示。此外，文本内容集成到传统的MF，以解决冷启动问题。然而，文本内容并没有反映项目的所有方面。在本文中，我们提出了一个模型，利用隐藏在项目共同点击中的信息（即，经常被用户一起点击的项目）转换为学习项目表示。我们开发了TCMF（Textual Co Matrix Factorization），它从用户-项目矩阵、文本内容和从点击数据构建的项目共同点击矩阵中共同学习用户和项目表示。项目共同点击信息捕获未通过文本内容捕获的项目之间的关系。在两个真实数据集MovieTweetings和Bookcrossing上的实验表明，我们的方法在评级预测方面优于竞争方法。此外，我们表明，该模型可以学习有效的项目表示，通过比较与国家的最先进的方法在分类任务，使用项目表示作为输入向量。
2021-05-12 cs.IR cs.LG
Cognitive Inference of Demographic Data by User Ratings
对用户人口统计数据（例如性别和年龄）的认知推断在创建用于调整营销策略和生成个性化推荐的用户简档方面起着重要作用，因为用户人口统计数据通常由于数据隐私问题而不可用。目前，用户可以容易地表达关于他们已经购买的产品或服务的反馈。在此过程中，用户人口统计数据被隐藏，但这些数据从未被成功地用于对用户人口统计数据的认知推断。在本文中，我们调查的用户评级数据的推理能力，并提出了一个简单而通用的认知推理模型，称为评级配置文件（R2P），推断用户的人口统计数据，从用户提供的评级。具体而言，所提出的R2P模型可以实现以下目标：1.正确地将用户评级整合到模型训练中。2.同时推断用户的多个人口统计属性，捕获不同人口统计属性之间的潜在相关性。3.在监督学习范式下，对特征提取器和分类器两个组件进行综合训练，有效地帮助用户从稀疏的收视率数据中发现有用的隐藏模式。我们介绍了如何将用户评分数据纳入用户人口统计数据的认知推理研究领域，并详细介绍了所提出的R2P模型的开发和优化过程。在两个真实世界的评分数据集上进行了大量的实验，对比了各种比较先进的方法，从多个方面的结果表明，我们提出的R2P模型可以显着提高用户人口统计数据的认知推理性能。
2017-03-16 cs.DC cs.IR
Harnessing the power of Social Bookmarking for improving tag-based Recommendations
社会书签和标签已经出现了一个新时代的用户协作。协作标记允许用户注释他们喜欢的内容，通过适当的算法可以提供有用的产品推荐。今天的情况是，基于标签的算法与基于评级的推荐机制互补，以预测用户对各种产品的喜好。在本文中，我们提出了一种替代算法计算个性化的产品推荐，专门使用的用户提供的标签。我们的方法是基于使用用户提供的标签的语义相似性聚类成组的类似意义的想法。然后，将用户注释能力的一些可测量特征与其他度量（如用户相似度）相结合，用于计算预测。从现实世界的协作标记系统，citeUlike使用的数据的评估，证实了我们的方法优于基线向量空间模型，以及其他国家的最先进的算法，更准确地预测用户的喜好。
2014-10-19 cs.IR cs.SI
Defending Grey Attacks by Exploiting Wavelet Analysis in Collaborative Filtering Recommender Systems
"先令"攻击或"轮廓注入"攻击一直是协同过滤推荐系统（CFRS）的主要挑战。人们一直致力于改进协同过滤技术，以消除“先令”攻击。然而，大多数研究都集中在检测推送攻击或核攻击上，这些攻击在目标项上得分最高或最低。很少有人关注灰色攻击，当一个目标项目的评分低于或高于平均评分，这表明一个更隐藏的评级行为比推或核攻击。在本文中，我们提出了一种新的检测方法，使推荐系统抵抗这种攻击。为了刻画灰色评级，我们利用项目的评级偏差来区分灰色攻击配置文件和真实配置文件。此外，本研究亦利用项目的新颖度与受欢迎度来建构评分序列。由于很难区分攻击者和真正的用户之间的评级系列，我们结合到离散小波变换（DWT）来放大这些差异的基础上的评级偏差，新颖性和流行度的评级系列，分别。最后，利用幅域分析方法分别对基于评分偏差、新颖度和流行度的评分序列进行特征提取，并将聚类结果作为检测结果。我们在不同的攻击模型中对Book-Crossing和HetRec-2011数据集进行了一系列实验。实验结果验证了我们的方法与基准方法相比的有效性。
2015-06-19 cs.CR cs.IR
Personalized Entity Search by Sparse and Scrutable User Profiles
之前关于个性化网络搜索结果的工作集中在考虑查询和点击日志来捕获用户的个人兴趣。对于产品搜索，已经利用了关于购买和评级的广泛用户历史。然而，对于一般的实体搜索，例如针对特定主题的书籍或具有某些功能的旅游目的地，个性化在很大程度上未被探索。在本文中，我们解决个性化的图书搜索，作为一个典型的情况下，实体搜索，利用稀疏的用户简档通过在线问卷调查。我们设计并比较了各种基于语言模型或神经学习的重新排序方法。我们的实验表明，即使是非常稀疏的个人信息可以提高搜索结果的有效性。
2021-09-10 cs.IR
TRSM-RS: A Movie Recommender System Based on Users' Gender and New Weighted Similarity Measure
随着互联网上数据的增长，推荐系统已经能够预测用户的偏好并提供相关的电影。协同过滤是这些系统中最流行的算法之一。协同过滤的主要目的是利用评分矩阵找到用户或相同的项目。通过增加用户和项目的数量，该算法遭受的可扩展性问题。另一方面，由于对于不同项目的大量用户偏好不可用，对于新用户或项目存在冷启动问题，这对系统性能具有显著影响。本文的目的是设计一个名为TRSM-RS的电影推荐系统，使用用户的人口统计信息（只是用户的性别）以及新的加权相似性度量。通过对用户进行性别分割，改善了系统的可扩展性问题;通过将用户相似性的可靠性作为新的相似性度量（Tanimoto Reliability Similarity Measure，TRSM）的权重，削弱了冷启动问题的影响，提高了系统的性能。在MovieLens数据集上进行了实验，并使用平均绝对误差（MAE），准确度，精确度和召回率指标对系统进行了评估。实验结果表明，与研究人员的其他研究方法相比，改进的性能（准确度和精度）和系统出错率。该系统对男性和女性的最大MAE改善率分别为5.5%和13.8%。
2020-11-10 cs.IR
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型，如BERT，最近在语言建模方面表现出了非常强大的能力，在许多下游任务上都取得了令人印象深刻的结果。研究还表明，它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统（CRS）的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识，我们使用了不同的探针，这些探针需要不同类型的知识来求解，即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息（如文本描述和流派）相匹配的知识。相比之下，基于协作的知识需要模型根据社区交互（如评级）将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识，并使用完形填空风格提示。此外，我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入，以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后，我们研究了BERT在会话推荐下游任务中的表现。总的来说，我们的分析和实验表明：（i）BERT在其参数中存储了关于书籍、电影和音乐内容的知识;（ii）它具有更多基于内容的知识，而不是基于协作的知识;（iii）当面对对抗性数据时，…
2021-03-04 cs.IR
Collaborative Recommendation Model Based on Multi-modal Multi-view Attention Network: Movie and literature cases
本文提出基于多模态多视图注意力网络的协同推荐模型CRMMAN，通过结合用户偏好与厌恶视图及场景语义结构信息丰富表示，在MovieLens-1M和Book-Crossing数据集上显著提升了推荐性能。
2023-05-24 cs.IR
Where to Go on Your Next Trip? Optimizing Travel Destinations Based on User Preferences
基于用户偏好的推荐是电子商务网站的常见任务。新的推荐算法通常通过与基线算法进行离线比较来评估，例如推荐随机或最受欢迎的项目。在这里，我们研究这些算法本身是如何执行的，并在实际应用中的大规模在线实验中与操作生产系统进行比较。具体来说，我们专注于在主要的在线旅游网站Booking.com上向搜索他们喜欢的度假活动的用户推荐旅游目的地。为了建立排名模型，我们使用了以前的用户在目的地停留后提供的多标准评级数据。我们实现了三种方法，并将它们与Booking.com中的当前基线进行比较：random，most popular和Naive Bayes。我们的总体结论是，在对实时用户的在线A/B测试中，我们基于朴素贝叶斯的排名器比当前的在线系统显著提高了用户参与度。
2015-06-02 cs.IR
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性，提出去除异常值的输入处理方法，并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
You Get What You Chat: Using Conversations to Personalize Search-based Recommendations
之前关于个性化推荐的工作集中在利用来自用户特定查询、点击、喜欢和评级的明确信号。本文探讨了利用不同来源的隐含信号的兴趣和品味：用户之间的在线聊天。本文提出了一种基于搜索的个性化实体推荐的表达模型和有效方法。来自聊天的用户模型增强了不同的方法，用于对中等粒度查询的实体答案进行重新排名。本文提出了具体的技术，以提高用户模型捕获特定领域的词汇和基于实体的扩展。实验是基于一个受控的用户研究，涵盖三个领域的在线聊天的集合：书籍，旅游，食品。我们评估不同的配置，并比较基于聊天的用户模型对简洁的用户简档从问卷调查。总体而言，这两种变体在NCDG@20方面表现相当，但在某些领域各有优势。
2021-09-10 cs.IR
RARD: The Related-Article Recommendation Dataset
推荐系统数据集用于推荐系统评估、训练机器学习算法和探索用户行为。虽然在电影、书籍和音乐领域有许多用于推荐系统的数据集，但来自研究论文推荐系统的数据集却相当少。在本文中，我们介绍了RARD，相关文章推荐数据集，从数字图书馆Sowiport和解释作为一种服务提供商先生DLib。该数据集包含向Sowiport用户显示的5740万条推荐信息。这些信息包括使用了哪些推荐方法（例如基于内容的过滤，刻板印象，最流行的），在基于内容的过滤中使用了哪些类型的功能（简单术语与关键词），从哪里提取功能（标题或摘要），以及推荐被交付和点击的时间。此外，数据集包含一个隐式的项目-项目评级矩阵，该矩阵是根据推荐点击日志创建的。RARD使研究人员能够训练用于研究论文推荐的机器学习算法，进行离线评估，并对DLib先生的推荐系统的数据进行研究，而无需自己实现推荐系统。在科学推荐系统领域，我们的数据集是独一无二的。据我们所知，没有数据集有更多的（隐式）评级可用，以及推荐算法的许多变化。该数据集可在http://data.mr-dlib.org上获得，并在Creative Commons Attribution 3.0 Unported（CC-BY）许可下发布。
2017-06-20 cs.IR
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
A Text-Based Recommender System that Leverages Explicit Affective State Preferences
Department of Computer Science University of North Carolina at Charlotte（计算机科学系北卡罗来纳大学夏洛特分校）
本文提出一种利用用户显式情感状态偏好的新型推荐任务，构建了从书评中挖掘细粒度情感表达的大规模数据集，并提出基于Transformer的架构，实验证明结合项目文本与情感偏好的模型效果最佳。
2025-08-21 cs.AI cs.IR
Topic-Level Bayesian Surprise and Serendipity for Recommender Systems
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
该论文提出基于内容的的公式化（即根于内容的利用用户历史中相似用户的消费历史，实现协同过滤，从而识别用户能够体验来自新颖、未见类别的的内容。一种缓解这种不良行为的方法，推荐具有高奇遇性潜力的即基于高潜在被高度为奇遇性的的物品。
2023-10-18 cs.AI cs.IR cs.LG
Improving Recommendation Quality by Merging Collaborative Filtering and Social Relationships
矩阵分解技术已经成功地应用于提高协同过滤系统（CFS）产生的建议的质量。基于矩阵分解的传统CFS基于用户提供的评级进行操作，最近已扩展到包括年龄和性别等人口统计方面。在本文中，我们建议合并CFS的基础上矩阵分解和信息的社会友谊，以提供用户更准确的建议和排名的项目，他们感兴趣的。所提出的方法已在现实生活中的在线社交网络上进行了评估，实验结果表明，对现有的CFS的改进。并与相关文献进行了详细的比较。
2011-09-30 cs.IR cs.SI physics.soc-ph
RARD II: The 94 Million Related-Article Recommendation Dataset
Trinity College Dublin（都柏林圣三一学院）；National Institute of Informatics（情报信息研究所）；University College Dublin（都柏林大学学院）
本文的主要贡献是介绍和描述一个新的推荐系统数据集（RARD II）。它基于DLib先生的数据，DLib先生是数字图书馆和参考管理软件领域的一个推荐系统即服务。因此，RARD II补充了其他领域的数据集，如书籍，电影和音乐。该数据集包含9400万条建议，这些建议是在2016年9月至2018年9月的两年中提供的。该数据集覆盖了24m个独特项目的项目空间。RARD II提供了一系列丰富的推荐数据，超越了传统的评级。例如，除了通常的（隐含的）评级矩阵，RARD II还包括原始的推荐日志，这些日志提供了对生成推荐的算法的许多方面的独特见解。这些日志使研究人员能够对真实世界的推荐系统进行各种分析。这包括评估用于预测算法性能的元学习方法。在本文中，我们总结了该数据集发布的主要功能，描述了它是如何生成的，并讨论了它的一些独特功能。与其前身RARD相比，RARD II包含64%的推荐，187%的功能（算法，参数和统计数据），50%的点击量，140%的文档，以及一个额外的服务合作伙伴（JabRef）。
2019-08-21 cs.AI cs.DL cs.IR
Recommendations by Concise User Profiles from Review Text
针对交互稀疏但评论丰富的用户，提出CUP框架，通过构建简洁用户画像并微调小型语言模型，在图书评论数据上取得优于LLM排序的性能。
2025-02-27 cs.IR
DDTCDR: Deep Dual Transfer Cross Domain Recommendation
New York University（纽约大学）
跨领域推荐系统在帮助消费者从不同的类别中识别最满意的商品方面越来越有价值。然而，以前提出的跨领域模型没有考虑用户和项目之间的双向潜在关系。此外，它们不显式地对用户和项目特征的信息进行建模，而仅利用用户评级信息进行推荐。为了解决这些问题，在本文中，我们提出了一种新的方法，跨域建议的基础上的双重学习机制，在两个相关的域之间的信息传输，在迭代的方式，直到学习过程稳定。我们开发了一种新的潜在的正交映射提取用户的偏好在多个领域，同时保持用户之间的关系在不同的潜在空间。结合自动编码器方法提取特征信息的潜在本质，提出了深度双传输跨域推荐（DDTCDR）模型，在各个领域提供推荐。我们在包含电影，书籍和音乐项目三个领域的大型数据集上测试了所提出的方法，并证明它始终显着优于几种最先进的基线和经典的迁移学习方法。
2019-10-11 cs.IR cs.LG
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站，如Facebook，YouTube，Lastfm等，已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中，我们感兴趣的是研究社会网络信息的有效性，以预测用户的评分项目。提出了一种新的分层贝叶斯模型，它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息，以及它们的重要性，协同过滤的训练数据。在两个大规模数据集上的实验结果表明，该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解，即社交圈对人们关于信息有用性的决定有更大的影响（例如，对美味的书签偏好）而不是个人品味（例如，在Lastfm上的音乐偏好）。我们还研究和讨论了潜在的信息泄漏的解决方案，在许多推荐系统，利用社会信息。
2012-06-18 cs.IR cs.SI
Collaborative Filtering by Personality Diagnosis: A Hybrid Memory- and Model-Based Approach
随着互联网商务的发展，协同过滤（CF）算法被广泛应用于推荐系统中。这样的系统利用关于多个用户的已知偏好的知识来向其他用户推荐感兴趣的项目。CF方法已经被用来对网页、电影、书籍和玩具等项目进行推荐。研究人员已经提出并评估了许多生成推荐的方法。我们描述和评估一种新的方法，称为人格诊断（PD）。给定用户对某些项目的偏好，我们计算他或她与其他用户具有相同“个性类型”的概率，进而计算他或她喜欢新项目的概率。PD保留了传统相似加权技术的一些优点，因为所有数据都与每个预测有关，并且可以轻松地增量添加新数据。此外，PD具有有意义的概率解释，可用于证明、解释和增强结果。我们报告的实证结果的EachMovie数据库的电影评级，并从CiteSeer数字图书馆收集的计算机科学研究论文的用户简档数据。概率框架自然支持各种描述性的测量-特别是，我们考虑的信息值（VOI）计算的适用性。
2013-01-16 cs.IR
CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network
Wuhan University（武汉大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
在一个大型的推荐系统中，产品（或项目）可以在许多不同的类别或领域。给定两个相关域（例如，书籍和电影），用户可以与一个域中的项目进行交互，但不能与另一个域中的项目进行交互。对于后者，这些用户被认为是冷启动用户。如何有效地将基于用户交互的偏好从一个域转移到另一个相关域，是跨域推荐的关键问题。受基于评论的推荐技术的启发，我们提出了一种基于评论的方面级用户偏好迁移模型。为此，我们提出了一个跨域推荐框架，通过方面传输网络的冷启动用户（命名为CATN）。CATN被设计为从他们的评论文档中提取每个用户和每个项目的多个方面，并使用注意力机制学习跨域的方面相关性。此外，我们进一步利用志同道合的用户的辅助评论，以提高用户的方面表示。然后，利用端到端的优化框架，以加强我们的模型的鲁棒性。在真实世界的数据集上，建议的CATN在评级预测精度方面明显优于SOTA模型。进一步的分析表明，我们的模型是能够揭示用户方面的连接，在一个精细的粒度级别的域，使建议可解释。
2020-05-23 cs.IR cs.LG
Memory Assisted LLM for Personalized Recommendation System
National University of Singapore（新加坡国立大学）
本文提出记忆辅助个性化LLM（MAP），通过为用户构建历史画像并基于相似度提取相关记忆整合到提示中，解决了现有LLM个性化方法成本高或无法及时更新用户历史的问题，实验证明其在单域和跨域推荐中均优于常规方法。
2025-11-03 cs.AI cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）；Aalborg University（奥尔堡大学）
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征，并以结构化的形式提供它们的解释。众所周知，用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面，最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本，我们的目标是表明生成的文本可以成功地用于解释建议。在本文中，我们提出了一个框架，包括流行的审查为导向的生成模型，旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集，其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法，我们采用DeepCoNN，一种新的面向评论的推荐系统，使用深度神经网络，通过均方根误差（RMSE）来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知，这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
Privacy Risks of LLM-Empowered Recommender Systems: An Inversion Attack Perspective
Monash University（墨尔本大学）
本文首次系统研究了针对LLM赋能推荐系统的反演攻击，提出Similarity Guided Refinement方法优化vec2text框架，从模型输出logits重构原提示词，实验证明该攻击能高保真恢复用户交互项目及人口属性，揭示了此类系统的严重隐私漏洞。
2025-09-12 cs.AI cs.IR
