Cascading Residual Graph Convolutional Network for Multi-Behavior Recommendation
本文提出轻量级多行为推荐模型CRGCN,通过级联残差图卷积结构在不增加参数的情况下显式利用不同行为间联系来细化用户嵌入,并在两个真实数据集上显著超越现有方法。
2023-07-09 cs.IR
Towards Multi-Behavior Multi-Task Recommendation via Behavior-informed Graph Embedding Learning
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与软件工程学院);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室)
本文提出BiGEL,通过行为感知图嵌入学习解决多行为多任务推荐问题,引入三个模块提升模型性能。
2026-01-12 cs.IR
HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation
提出HEC-GCN方法,通过级联建模交互图与超图以捕捉细/粗粒度相关性,并利用行为一致性对齐策略,有效缓解数据稀疏性并保持行为内外一致性,在多行为推荐任务上优于现有方法。
2024-12-19 cs.IR
Cascading Hybrid Bandits: Online Learning to Rank for Relevance and Diversity
University of Amsterdam(阿姆斯特丹大学);Bloomberg(彭博);Ahold Delhaize(阿霍德·德尔海兹)
相关性排序和结果多样化是现代推荐系统的两个核心领域。相关性排名旨在建立一个按项目相关性降序排序的排名列表,而结果多样化则侧重于生成一个涵盖广泛主题的项目排名列表。在本文中,我们研究了一个在线学习设置,旨在推荐一个排名列表,其中包含最大化排名效用的$K$项目,即,一个列表,其中的项目是相关的,其主题是多样化的。我们将其表述为级联混合土匪(CHB)问题。CHB假设级联用户行为,其中用户从上到下浏览显示的列表,单击第一个有吸引力的项目,并停止浏览其余的。我们提出了一个混合上下文强盗的方法,称为CascadeHybrid,解决这个问题。CascadeHybrid使用两个独立的函数对项目相关性和主题多样性进行建模,并同时从用户点击反馈中学习这些函数。我们在两个真实世界的推荐数据集上进行实验来评估CascadeHybrid:MovieLens和Yahoo音乐数据集。我们的实验结果表明,CascadeHybrid优于基线。此外,我们证明了理论上的保证$n$步骤的性能,证明了CascadeHybrid的健全。
2020-08-12 cs.IR cs.LG stat.ML
Accelerating the Surrogate Retraining for Poisoning Attacks against Recommender Systems
针对推荐系统投毒攻击中代理模型迭代再训练耗时的瓶颈,提出梯度传递(GP)技术,通过反向传播时在交互用户-物品对间传递梯度近似级联效应,加速再训练并提升攻击效果,经真实数据集实验验证了其效率与有效性。
2024-08-20 cs.IR
UNEX-RL: Reinforcing Long-Term Rewards in Multi-Stage Recommender Systems with UNidirectional EXecution
针对多阶段推荐系统中单智能体RL难以同时优化多阶段的问题,本文提出基于单向执行的多智能体强化学习框架UNEX-RL,通过级联信息链方法处理观测依赖和级联效应,在公开数据集和亿级用户在线系统中验证了其提升长期奖励的有效性。
2024-01-12 cs.IR
Pareto-based Multi-Objective Recommender System with Forgetting Curve
针对推荐系统负反馈处理问题,提出结合艾宾浩斯遗忘曲线与帕累托优化的多目标推荐系统PMORS,在短视频场景的公开、工业数据集及微信视频号上线后均取得良好效果,GMV最高提升1.45%。
2024-02-01 cs.IR
Exposure-Aware Recommendation using Contextual Bandits
曝光偏差是推荐系统中的一个众所周知的问题,其中物品和供应商在推荐结果中的代表性不相等。当偏差随着时间的推移被放大为几个项目(例如,受欢迎的项目)在推荐列表中被反复过度表示,并且用户与这些项目的交互将随着时间的推移放大对这些项目的偏见,从而导致反馈循环。这个问题已经在基于模型或基于邻域的推荐算法的文献中得到了广泛的研究,但是在在线推荐模型上做的工作较少,例如基于top-K上下文强盗的推荐模型,其中推荐模型根据用户反馈动态更新。在本文中,我们研究了一类著名的上下文强盗算法称为线性级联强盗曝光偏差。我们分析了这些算法处理曝光偏差的能力,并为推荐结果中的项目提供了公平的表示。我们的分析表明,这些算法往往会随着时间的推移放大项目之间的暴露差异。特别是,我们观察到,这些算法不能正确地适应用户提供的反馈,并经常推荐某些项目,即使这些项目没有被用户选择。为了减轻这种偏差,我们提出了一种曝光感知(EA)奖励模型,该模型基于两个因素更新模型参数:1)用户反馈(即,点击与否),以及2)项目在推荐列表中的位置。这样,所提出的模型基于项目在推荐列表中的曝光度来控制分配给项目的效用。实验结果表明,该奖励模型在保持推荐准确率的同时,降低了曝光偏差的长期放大.
2022-09-04 cs.IR
A Consensus-Focused Group Recommender System
在许多情况下,推荐是由用户组而不是个人消费的。在本文中,我们提出了一个系统,建议社会事件的群体。该系统帮助团体组织联合活动,并在几个可能的选项中集体选择要执行的活动。我们还遵循群体共识决策的原则,促进共识的形成。我们的系统允许用户异步投票,添加和评论的替代品。我们通过群体决策过程中的推荐后反馈来观察群体内的社会影响。我们提出了一个决策级联模型,并估计这样的社会影响力,它可以用来提高组推荐的性能。我们进行实验来衡量我们的模型的预测性能。结果表明,该模型比独立决策模型取得了更好的效果。
2014-03-25 cs.HC cs.IR cs.SI
Optimizing Ranking Models in an Online Setting
在线学习排名(OLTR)方法通过直接与用户交互来优化排名模型,这使得它们非常高效和响应迅速。在过去十年中引入的所有OLTR方法都是在原始OLTR方法的基础上扩展的:决斗强盗梯度下降(DBGD)。最近,引入了一种根本不同的方法,即成对可微梯度下降(PDGD)算法。到目前为止,这两种方法的比较仅限于级联点击模型和低噪声水平的模拟。到目前为止的主要成果是PDGD收敛于更高的性能水平,并且比基于DBGD的方法学习得更快。然而,PDGD算法假设级联用户行为,潜在地给予其不公平的优势。此外,这两种方法对高水平噪声的鲁棒性尚未研究。因此,目前尚不清楚所报道的PDGD优于DBGD的优点是否适用于不同的实验条件。在本文中,我们调查是否以前的结论PDGD和DBGD比较推广从理想的最坏情况下。我们以两种方式这样做。首先,我们比较PDGD和DBGD的理论属性,通过在排名的背景下,在以前证明的属性进行批判性的研究。其次,我们通过模拟理想的用户行为和非常困难的行为来估计方法性能的上限和下限,即,几乎随机的非级联用户模型。我们的研究结果表明,DBGD的理论界不适用于任何常见的排名模型,而且,DBGD的性能是大大不如PDGD在理想和最坏的情况下。这些结果再现了先前发表的研究结果的相对性能PDGD与DBGD和推广他们非常嘈杂和非级联的情况下。
2019-01-29 cs.IR
Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation
本文提出BCIPM方法,通过行为上下文化物品偏好网络学习用户在各行为中的特定偏好,仅利用与目标行为相关的偏好进行推荐以减少噪声,并采用预训练策略缓解数据稀疏,在四个数据集上表现优于现有模型。
2024-04-28 cs.IR
Family Shopping Recommendation System Using User Profile and Behavior Data
随着大数据时代的到来,推荐系统已经成为企业精简销售的热门技术。在过去的十年中,针对个人用户的推荐算法得到了广泛的研究。大多数现有的推荐系统还关注于个人用户推荐,然而在许多日常活动中,项目被推荐给组而不是一个人。作为解决群体推荐问题的有效手段,本文将单用户推荐扩展到群体推荐。具体而言,我们提出了一种新的方法,基于家庭的购物推荐系统。我们使用的数据集从真实的购物中心组成的购物记录表,客户档案表和家庭关系表。该算法综合了用户行为相似度和用户简档相似度,建立了基于用户的协同过滤模型。我们评估我们的方法在现实世界的购物中心数据集。
2017-08-24 cs.IR
Multi-behavior Recommendation with SVD Graph Neural Networks
针对多行为推荐中对比学习易受噪声干扰的问题,提出MB-SVD模型,利用SVD图增强全局协同表示并以InfoNCE损失进行简化对比学习,在多个真实数据集上取得显著性能提升。
2024-05-09 cs.IR
UniSAR: Modeling User Transition Behaviors between Search and Recommendation
针对现有方法未充分建模用户搜索与推荐间行为转换的问题,提出UniSAR框架,经提取、对齐、融合三步建模细粒度转换并联合学习,可同时提升搜索与推荐效果。
2024-04-15 cs.IR
Hybrid Recommender System Based on Personal Behavior Mining
推荐系统大多是众所周知的,他们的应用在电子商务网站,大多是静态模型。经典的个性化推荐算法包括Amazon的基于项目的协同过滤算法、Netflix的基于矩阵分解的协同过滤算法等。我们使用阿里巴巴T-mall提供的脱敏移动交易记录来构建一个混合动态推荐系统。序列模式挖掘的目的是在序列数据库中发现频繁的序列模式,并将其应用于该混合模型中,以预测客户的支付行为,从而提高模型的准确性。
2016-07-10 cs.IR
Multi-behavior Graph Contextual Aware Network for Session-based Recommendation
基于会话的推荐(Session Based Recommendation,SBR)中,预测短时间序列的下一次交互是一个具有挑战性的任务,而多行为会话推荐考虑了会话序列中的多种交互类型,如点击和购买,以充分捕捉更有效的用户意图表示,尽管现有的基于多行为的SBR方法性能优越,但仍存在一些严重的局限性:(1)现有的研究大多集中在单一的下一行为目标类型上,未能对多个行为会话进行统一建模。(ii)以前的方法也忽略了各种下一个行为和历史行为序列之间的语义关系,这是重要的信号,以获得当前的潜在意图SBR。(iii)现有模型建立的全局跨会话项-项图可能会包含语义和上下文噪声,从而实现多行为会话推荐。为了克服限制(i)和(ii),我们提出了两个新的任务SBR,这需要将历史行为和下一个行为到统一的多行为推荐建模。为此,我们设计了一个多行为图上下文感知网络(MGCNet)的多行为会话为基础的建议的两个任务。具体来说,我们建立了一个多行为的全局项目转移图的基础上,涉及所有的交互类型的所有会话。基于全局图,MGCNet基于局部上下文意图将全局兴趣表示附加到最终项目表示,以解决限制(iii)。最后,我们显式地利用下一个行为信息来指导SBR的一般兴趣和当前意图的学习。在三个公共基准数据集上的实验表明,MGCNet在基于会话的多行为推荐中的性能优于现有的模型。
2021-09-24 cs.IR
Multi-Behavior Generative Recommendation
提出多行为序列生成式推荐框架 MBGen,通过交错 token 序列实现两步预测并采用位置路由稀疏架构扩展模型,在多任务上显著优于现有方法。
2024-07-30 cs.IR
Behavior Pattern Mining-based Multi-Behavior Recommendation
针对多行为推荐中未充分探索用户与项目间复杂行为模式的问题,提出BPMR算法,通过挖掘交互模式作为特征并采用贝叶斯方法简化推荐过程,在三个真实数据集上显著优于现有方法。
2024-08-22 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation
针对单行为推荐的数据稀疏问题,提出分层图卷积网络MB-HGCN,从全局到行为特定层次学习嵌入,并通过多任务学习优化,在Tmall等数据集上显著提升推荐性能。
2023-06-19 cs.IR
Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation
本文提出 RecBLR 模型,利用行为依赖线性循环单元、门控机制和定制 CUDA 扫描加速,同时实现序列推荐的高性能、高效训练与低成本推理。
2024-09-05 cs.IR
User Invariant Preference Learning for Multi-Behavior Recommendation
本文提出 UIPL 方法,利用不变风险最小化和变分自编码器从多行为交互中提取用户不变偏好,以抑制辅助行为噪声,从而提升目标行为推荐性能。
2025-07-20 cs.IR
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
Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation
本文提出层次化图信息瓶颈框架HGIB,通过图精炼编码器动态去噪并学习紧凑充分表示,有效缓解多行为推荐中的分布差异和负迁移问题,在公开数据集和工业在线A/B测试中均取得显著提升。
2025-07-21 cs.IR
Generative Adversarial User Model for Reinforcement Learning Based Recommendation System
Ant Financial(蚂蚁集团)
将强化学习(RL)应用于推荐系统,既有很大的研究兴趣,也面临着许多挑战。在这种情况下,在线用户是环境;奖励函数和环境动态都没有明确定义,这使得RL的应用具有挑战性。在本文中,我们提出了一种新的基于基于模型的强化学习框架的推荐系统,我们开发了一个生成对抗网络,模仿用户的行为动力学和学习她的奖励函数。使用此用户模型作为模拟环境,我们开发了一种新的级联DQN算法,以获得一个组合的推荐策略,可以有效地处理大量的候选项目。在我们对真实数据的实验中,我们表明这种生成式对抗用户模型可以更好地解释用户行为,并且基于该模型的RL策略可以为用户带来更好的长期回报和更高的系统点击率。
2020-01-01 cs.IR cs.LG stat.ML
Generative Sequential Recommendation via Hierarchical Behavior Modeling
Tsinghua University(清华大学)
针对多行为序列推荐中序列建模不足及缺乏合适数据集的问题,提出基于仅解码器的生成式框架GAMER,通过跨层级交互层与序列增强策略捕捉行为层次依赖,并发布大规模短视频多行为数据集ShortVideoAD,实验证明其在多指标上优于现有基线。
2025-11-05 cs.IR
Are Big Recommendation Models Fair to Cold Users?
在线推荐系统广泛使用大模型来提高推荐性能。它们通常是在历史用户行为数据上学习的,以推断用户兴趣并预测未来的用户行为(例如,点击)。事实上,在兴趣建模和未来行为预测方面,具有更多历史行为的重度用户的行为通常可以提供比冷用户更丰富的线索。大模型可能会从重度用户的行为模式中学习更多,从而有利于重度用户,并给冷用户带来不公平。在本文中,我们研究大推荐模型是否是公平的冷用户。我们的经验表明,优化大的推荐模型的整体性能可能会导致不公平的冷用户的性能下降。针对这一问题,提出了一种基于自升华的BigFair方法,该方法以模型对原始用户数据的预测为教师,对随机丢弃的用户行为进行正则化,从而使模型能够公平地捕获重用户和冷用户的兴趣分布.在两个数据集上的实验表明,BigFair能够有效地提高大推荐模型在冷用户上的性能公平性,而不会损害在重用户上的性能.
2022-02-28 cs.IR
On the User Behavior Leakage from Recommender System Exposure
现代推荐系统被训练成从用户的历史行为数据预测用户潜在的未来交互。在交互过程中,尽管数据来自用户侧推荐系统也产生曝光数据,为用户提供个性化的推荐板。与稀疏的用户行为数据相比,系统暴露数据的体积要大得多,因为只有非常少的暴露项目会被用户点击。此外,用户的历史行为数据是隐私敏感的,通常通过仔细的访问授权来保护。然而,大量的推荐曝光数据通常受到较少的关注,并且可以在相对较大的范围内访问各种信息搜索者。在本文中,我们研究了推荐系统中的用户行为泄漏问题。我们表明,隐私敏感的用户过去的行为数据可以推断,通过系统暴露的建模。此外,可以仅从对该用户的当前系统暴露的观察来推断用户已经点击了哪些项目。鉴于系统曝光数据可以从相对较大的范围广泛访问的事实,我们认为,用户过去的行为隐私在推荐系统中具有很高的泄漏风险。更准确地说,我们进行一个攻击模型,其输入是当前推荐的物品名单(即,系统暴露),而输出是用户的历史行为。在两个真实数据集上的实验结果表明,用户行为泄漏的危险性很大。为了解决这一风险,我们提出了一个两阶段的隐私保护机制,首先选择一个子集的项目从曝光石板,然后替换所选择的项目与统一的或基于流行度的曝光。实验结果表明,推荐准确率和隐私泄露风险之间的权衡效果。
2022-10-24 cs.IR
GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation
Tencent Inc.(腾讯公司);Tsinghua University(清华大学)
GPR提出了一种单模型框架,通过统一生成方法解决广告推荐中的目标不一致和误差传播问题,提升GMV和CTCVR指标。
2026-02-12 cs.IR
BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
University of Science and Technology of China(中国科学技术大学);iFLYTEK Co., Ltd.(科大讯飞股份有限公司)
BLADE通过双融合建模和行为级数据增强,提升多行为序列推荐的性能和泛化能力。
2025-12-15 cs.IR
LD4MRec: Simplifying and Powering Diffusion Model for Multimedia Recommendation
本文提出轻量扩散模型LD4MRec,通过无前向推理策略降低计算复杂度,并设计C-Net融合协同信号与个性化模态偏好信号,以高效生成符合用户偏好的多媒体推荐行为。
2025-04-12 cs.IR
Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation
School of Computer Science and Technology, Wuhan University of Science and Technology(武汉科技大学计算机科学与技术学院);School of Computer Science, Wuhan University(武汉大学计算机学院)
针对生成式下一个POI推荐中异构信息丢失和单一行为理解不足的问题,提出KGTB框架,利用知识图谱组织数据并开发基于KG的标记器生成结构ID,同时引入多行为学习任务微调LLM,显著提升了推荐性能。
2025-09-15 cs.IR
ID-Agnostic User Behavior Pre-training for Sequential Recommendation
近年来,顺序推荐成为一个被广泛研究的课题。现有的研究主要是设计有效的神经网络结构来基于项目ID对用户行为序列进行建模。然而,这种方法高度依赖于用户-项目交互数据,而忽略了用户偏好的相似项目之间的属性或特征级相关性。鉴于这些问题,我们提出IDA-SR,这代表身份不可知的顺序推荐用户行为预训练方法。IDA-SR不是显式地学习项ID的表示,而是直接从富文本信息中学习项表示。为了弥补文本语义和序列用户行为之间的差距,我们使用预训练的语言模型作为文本编码器,并对序列用户行为进行预训练架构。通过这种方式,项目文本可以直接用于顺序推荐,而不依赖于项目ID。大量的实验表明,所提出的方法可以实现可比的结果时,只使用ID不可知的项目表示,并表现得比基线时,与ID信息进行微调时,有很大的利润。
2022-06-06 cs.IR
END4Rec: Efficient Noise-Decoupling for Multi-Behavior Sequential Recommendation
针对多行为序列推荐中序列过长导致效率低及噪声干扰问题,提出高效行为序列挖掘器EBM及硬软去噪模块,并结合对比损失与引导训练实现噪声解耦,实验验证了方法的有效性与效率。
2024-03-26 cs.IR
Latent Factor Modeling with Expert Network for Multi-Behavior Recommendation
College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部);School of Computer Science and Information Engineering, Hefei University of Technology(合肥工业大学计算机与信息学院)
本文提出MBLFE方法,通过专家网络建模潜在因子,动态选择专家以更准确表示用户偏好,实验表明优于现有基线。
2026-03-19 cs.IR
Intent-aware Recommendation via Disentangled Graph Contrastive Learning
针对用户行为不足下的复杂意图学习及不同行为意图分布关联问题,提出基于解耦图对比学习的意图感知推荐方法IDCL,通过行为解耦模块、意图级对比学习和编码率降低正则化实现可解释推荐,实验验证其性能提升显著。
2024-03-06 cs.IR
LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
Alibaba Group(阿里巴巴集团);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
该研究针对生成式推荐中系统侧记忆缺失的问题,提出LoopMemGR框架,通过维护推荐体验日志并提取多视图信号,在淘宝数据集上验证了方法的有效性。
2026-09-10 cs.IR
Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
在现代电子商务中,顾客的行为包含着丰富的信息,消费习惯,偏好的动态。最近,基于会话的推荐越来越流行,以探索客户的交互行为的时间特性。然而,现有的研究主要是利用短期行为,没有充分考虑客户的长期稳定的偏好和演变。在本文中,我们提出了一种新的行为密集型神经网络(BINN)的下一个项目推荐结合用户的历史稳定的偏好和目前的消费动机。具体来说,BINN包含两个主要组件,即,神经项目嵌入和区分行为学习。首先,提出了一种基于用户交互的项目嵌入方法,以获得每个项目的统一表示。然后,通过嵌入的项目和项目序列上的交互行为,BINN有区别地学习目标用户的历史偏好和当前动机。因此,BINN可以更好地为目标用户推荐下一个项目。最后,为了评估BINN的性能,我们在两个真实世界的数据集上进行了广泛的实验,即,天池和JD.实验结果清楚地证明了BINN的有效性与几个国家的最先进的方法相比。
2018-08-03 cs.IR
Denoising and Prompt-Tuning for Multi-Behavior Recommendation
在实际的推荐场景中,用户经常在多类型行为下与项目交互(例如,点击、添加到购物车和购买)。传统的协同过滤技术通常假设用户对项目仅具有单一类型的行为,使得其不足以利用复杂的协同信号来学习信息表示并推断实际的用户偏好。因此,一些先驱研究探索建模多行为异质性,以学习更好的表示和提高目标行为的推荐性能。然而,大量的辅助行为(即,点击和添加到购物车)可能会将不相关的信息引入购物车,这可能会误导目标行为(即,购买)推荐,呈现两个关键挑战:(i)对辅助行为进行去噪,以及(ii)弥合辅助行为和目标行为之间的语义鸿沟。基于上述观察,我们提出了一个新的框架-去噪和提示微调(DPT)与三阶段学习范式来解决上述挑战。特别是,DPT在第一阶段配备了模式增强的图形编码器,以数据驱动的方式学习复杂的模式作为先验知识,以指导后续阶段学习信息表示和精确定位可靠的噪声。因此,我们在接下来的阶段中采用不同的有效和高效的轻量级调优方法,以进一步减弱噪声的影响,并缓解多类型行为之间的语义鸿沟。在两个真实世界数据集上的大量实验证明了DPT在各种最先进方法上的优越性。实现代码可在https://github.com/zc-97/DPT上在线获得。
2023-02-12 cs.IR
AskMe: Joint Individual-level and Community-level Behavior Interaction for Question Recommendation
社区问答(CQA)网站中的问题主要是根据用户回答或询问的问题中提取的用户兴趣推荐给用户的。但普遍存在的现象是,用户回答问题较少,而更注重关注问题和投票答案。这可能会影响在向用户推荐问题(以获得他们的答案)时,通过使用他们在现有研究中的历史回答行为的性能。为了解决数据稀疏性问题,我们提出了AskMe,旨在利用CQA中丰富的混合行为交互来提高问题推荐性能。一方面,我们对用户不同行为之间的丰富相关性进行建模(例如,回答、跟随、投票)以获得个人级别的行为交互。另一方面,我们对相似用户之间复杂的行为关联进行建模,以获得社区级的行为交互。最后,我们提出了元素级融合的方式来混合这两种相互作用在一起预测排名得分。通过在知乎上收集的数据集(1126个用户,219434个问题)对该模型的性能进行了测试,实验结果表明,与基线方法相比,该模型具有最好的性能,尤其是在历史回答行为数据较少的情况下。
2021-10-11 cs.IR
UnifiedSSR: A Unified Framework of Sequential Search and Recommendation
提出统一框架UnifiedSSR,通过双分支网络联合学习搜索与推荐场景的用户行为历史,并设计面向意图的会话建模模块捕捉动态意图,在三个数据集上显著优于现有方法。
2023-10-21 cs.IR
Using offline metrics and user behavior analysis to combine multiple systems for music recommendation
有许多离线指标可以作为评价和优化推荐系统性能的参考。混合推荐方法通常用于通过组合不同的系统来改进其中的一些指标。在这项工作中,我们专注于音乐推荐,并提出了一种新的方法来改善建议,相对于一个所需的度量选择,结合多个系统,为每个用户单独根据其预期的性能。从本质上讲,我们的方法包括预测每个系统将根据他们以前的活动为每个用户产生的预期误差。为此,我们提出了训练回归模型的不同指标预测每个系统的性能的基础上,一些功能表征以前的用户行为的系统。然后,我们使用不同的融合策略来组合每个系统产生的建议。遵循这种方法,可以相对于所需的选择度量来优化最终的混合动力系统。作为概念的证明,我们进行实验结合两个推荐系统,矩阵分解模型和基于流行度的推荐。我们使用Melon提供的数据,韩国音乐流媒体服务,训练和评估系统的性能。
2019-01-08 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题,提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型,在四个数据集上表现优于当前最优方法。
2023-12-15 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
Rank List Sensitivity of Recommender Systems to Interaction Perturbations
Georgia Institute of Technology(佐治亚理工学院);University of California San Diego(加州大学圣迭戈分校)
预测模型可能表现出对训练数据的敏感性:训练数据中的微小变化可能会产生在测试期间将冲突预测分配给各个数据点的模型。在这项工作中,我们研究了这种敏感性的推荐系统,用户的建议大大改变了其他不相关的用户的交互中的小扰动。我们介绍了一种衡量推荐系统的稳定性的方法,称为秩列表敏感性(RLS),它衡量了在测试时由于训练数据中的扰动而导致的给定推荐系统生成的秩列表的变化。我们开发了一种方法,CASPER,它使用级联效应来识别最小的和系统的扰动,导致更高的不稳定性在推荐系统。在四个数据集上的实验表明,推荐模型对随机引入的或通过CASPER引入的微小扰动过于敏感-即使扰动一个用户的一个随机交互也会极大地改变所有用户的推荐列表。重要的是,通过CASPER扰动,模型为低准确度用户生成更不稳定的推荐(即,那些收到低质量推荐的人)比高准确性的人。
2022-08-16 cs.CR cs.IR cs.LG
Session-Based Recommendation by Exploiting Substitutable and Complementary Relationships from Multi-behavior Data
本文提出SCRM方法,通过联合点击与购买行为构建可替代和互补图,并利用去噪网络与约束损失函数优化关系建模,从而提升基于会话的推荐效果。
2024-01-14 cs.IR
Sequential Recommendation with Causal Behavior Discovery
顺序推荐的关键在于准确的项目相关性建模。以往的模型基于项目共现来推断这些信息,这可能无法捕获真正的因果关系,并影响推荐性能和可解释性。在本文中,我们配备了一个新的因果关系发现模块的顺序推荐用户行为之间的因果关系。我们的总体思路是首先假设一个因果图的项目相关性,然后我们学习因果图与顺序推荐模型通过拟合真实的用户行为数据。更具体地说,为了满足因果关系的要求,因果图正则化的可微有向无环约束。考虑到推荐系统中的项目数量可能非常大,我们用一组统一的潜在聚类来表示不同的项目,并在聚类级别上定义因果图,从而增强了模型的可扩展性和鲁棒性。此外,我们提供了理论分析的学习因果图的可识别性。据我们所知,本文提出了第一步相结合的顺序推荐与因果发现。为了评估推荐性能,我们用不同的神经顺序架构实现了我们的框架,并将它们与许多基于真实世界数据集的最先进的方法进行了比较。实证研究表明,我们的模型可以平均提高性能约7%和11%,分别为f1和NDCG。为了评估模型的可解释性,我们构建了一个新的数据集,其中包含人类标记的解释,用于定量和定性分析。
2022-12-13 cs.IR
Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与技术学院)
本文提出BDPL框架,通过构建定制化行为感知子图和级联结构图神经网络,结合偏好级对比学习和自适应门控机制,解决异质序列推荐中行为数据稀疏性和噪声问题,提升推荐精度。
2026-04-16 cs.IR
Micro-Behavior Encoding for Session-based Recommendation
基于会话的推荐(SR)的目的是预测下一个项目的推荐基于先前记录的用户交互会话。大多数现有的SR方法集中在建模的项目的过渡模式。在这样的模型中,所谓的微行为描述了用户如何定位物品并对其执行各种活动(例如,单击、添加到购物车和阅读评论)被简单地忽略。最近的一些研究试图将微观行为的序列模式纳入SR模型。然而,这些顺序模型仍然不能有效地捕捉微观行为操作之间的所有固有的相互依赖性。在这项工作中,我们的目标是系统地研究SR中的微观行为信息的影响。具体来说,我们确定了两种不同的模式的微观行为:“序列模式”和“二元关系模式”。为了建立一个统一的用户微观行为模型,我们首先设计了一个多重图,通过一个图神经网络聚合来自不同项目的序列模式,然后利用一个扩展的自注意网络来开发微观行为的成对关系模式。在三个公开的真实世界数据集上进行的大量实验表明,所提出的方法优于最先进的基线,并证实了这两种不同的微观行为模式对SR的有用性。
2022-04-05 cs.IR
Learning from Atypical Behavior: Temporary Interest Aware Recommendation Based on Reinforcement Learning
传统的鲁棒推荐方法将非典型的用户-项目交互视为噪声,并旨在通过某种噪声过滤技术来减少其影响,这通常面临两个挑战。首先,在现实世界中,非典型的互动可能会表明用户的临时兴趣不同于他们的一般偏好。因此,简单地将非典型交互作为噪声过滤掉可能是不合适的,并且会降低推荐的个性化。第二,由于没有明确的监督信号来指示交互是否是非典型的,因此难以获得临时兴趣。为了解决这个问题,我们提出了一个新的模型称为临时兴趣感知推荐(TIARec),它可以区分非典型的互动,从正常的没有监督和捕获的临时兴趣,以及用户的一般偏好。特别是,我们提出了一个强化学习框架,包含一个推荐代理和一个辅助分类器代理,这是联合训练的目标,最大化的推荐代理的建议的累积回报。在联合训练过程中,分类器Agent可以判断与推荐Agent推荐的项目的交互是否为非典型交互,并将从非典型交互中学习暂时兴趣的知识传递给推荐Agent,使得推荐Agent能够单独做出平衡用户一般偏好和暂时兴趣的推荐。最后,在真实数据集上进行了实验,验证了TIARec的有效性.
2022-01-16 cs.IR
Causal Embeddings for Recommendation
许多当前的应用程序使用推荐来修改自然用户行为,例如增加销售数量或在网站上花费的时间。这导致了最终推荐目标和经典设置之间的差距,在经典设置中,通过预测用户-项目矩阵中缺失的条目或最有可能的下一个事件,通过与过去用户行为的一致性来评估推荐候选者。为了弥合这一差距,我们优化了推荐策略,以增加期望的结果与有机用户行为的任务。我们证明了这相当于学习在完全随机的推荐策略下预测推荐结果。为此,我们提出了一个新的领域自适应算法,学习记录的数据包含结果从一个有偏见的推荐策略,并预测推荐结果根据随机曝光。我们比较我们的方法对国家的最先进的因式分解方法,除了新的方法的因果关系的建议,并显示显着的改善。
2018-08-03 cs.IR
Dynamic Multi-Behavior Sequence Modeling for Next Item Recommendation
序列推荐系统(SRS)的目标是预测下一个项目,用户将消费,通过建模的用户兴趣在他们的项目序列。虽然大多数现有的SRS专注于单一类型的用户行为,但只有少数关注多行为序列,尽管它们在现实世界中非常常见。在多行为序列中有效地捕获用户兴趣是具有挑战性的,因为关于用户兴趣的信息在整个序列中以复杂的关系纠缠在一起。为此,我们首先解决的多行为序列,应考虑在SRS的特点,然后提出了新的方法动态多行为序列建模命名为DyMuS,这是一个轻的版本,和DyMuS+,这是一个改进的版本,考虑到这些特点。DyMuS首先独立地对每个行为序列进行编码,然后使用动态路由来组合编码序列,该动态路由基于序列之间的相关性从许多候选者中动态地整合最终结果中所需的信息。此外,DyMuS+甚至将动态路由应用于对每个行为序列进行编码,以进一步捕获项目级的相关性。此外,我们发布了一个新的,大的和最新的数据集的多行为推荐。我们在DyMuS和DyMuS+上的实验表明了它们的优越性和捕捉多行为序列特征的意义。
2023-01-28 cs.IR
Disentangled Cascaded Graph Convolution Networks for Multi-Behavior Recommendation
针对多行为推荐中偏好捕捉不准、因素纠缠及缺乏个性化的问题,提出Disen-CGCN模型,通过解耦表示、多行为元网络和注意力机制优化推荐,在基准数据集上较SOTA平均提升7.07%与9.00%。
2024-04-17 cs.IR
QARM: Quantitative Alignment Multi-Modal Recommendation at Kuaishou
Kuaishou Technology(快手科技)
本文提出QARM框架,通过定量对齐解决多模态预训练与推荐任务间的表示不匹配和不可学习问题,为下游模型定制可训练的多模态信息。
2024-11-18 cs.AI cs.IR