A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce
本研究提出了一种基于LLM的电子商务个性化推荐系统框架，通过对用户评论和产品描述进行深度语义理解并结合上下文数据动态推荐，显著提升了推荐准确率、召回率、点击率及多样性，改善了用户体验并促进销售增长。
2024-10-02 cs.IR
Leveraging Artist Catalogs for Cold-Start Music Recommendation
University of Tartu（塔尔图大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Recombee
本文提出利用艺术家目录信息解决音乐推荐中的冷启动问题，通过引入艺术家层面的协同信号提升推荐效果，提出ACARec模型在召回率和NDCG指标上显著优于内容基线方法。
2026-04-08 cs.IR
Causal Intervention for Leveraging Popularity Bias in Recommendation
推荐系统通常会面临流行性偏差问题：从数据角度看，项目交互频率呈现不均匀（长尾）分布;从方法角度看，协同过滤方法容易通过过度推荐流行项目而放大偏差。在推荐系统中考虑人气偏差无疑是至关重要的，现有的工作主要是消除偏差效应。然而，我们认为，并非所有的数据偏见都是坏的-有些项目表现出更高的受欢迎程度，因为它们更好的内在质量。盲目追求无偏学习可能会删除数据中的有益模式，降低推荐准确性和用户满意度。本文研究了推荐中一个尚未被探索的问题--如何利用人气偏差来提高推荐的准确率。关键在于两个方面：如何在训练过程中消除流行度偏差的不良影响，以及如何在生成top-K推荐的推理阶段注入所需的流行度偏差。这对推荐生成过程的因果机制提出了质疑。沿着这条线，我们发现，项目的流行度之间的暴露项目和观察到的相互作用，造成偏见放大的不良影响的混淆的作用。为了实现我们的目标，我们提出了一个新的训练和推理模式推荐命名为流行偏见去混淆和调整（PDA）。它消除了模型训练中的混杂流行度偏差，并通过因果干预调整推荐分数与期望的流行度偏差。我们展示了潜在因素模型的新范式，并在三个真实世界的数据集上进行了广泛的实验。实证研究表明，去基训练有助于发现用户的真实兴趣，而引入流行度偏差的推理调整可以进一步提高推荐准确率。
2021-05-13 cs.IR
Leveraging the Dynamics of Leadership in Group Recommendation Systems
针对传统群体推荐忽视成员互动的问题，本文提出基于图论建模成员关系与信任动态的餐厅推荐算法，以促进共识并提升群体满意度。
2025-03-17 cs.HC cs.IR
Leveraging Review Properties for Effective Recommendation
许多最先进的推荐系统通过考虑用户发布的显式项目评论在表示用户偏好和描述项目属性方面的有用性来利用它们。这些发布的评论可以具有各种相关联的属性，诸如它们的长度、自从它们被发布以来的它们的年龄、或者它们的项目评级。然而，目前尚不清楚这些不同的审查属性如何有助于其相应的审查在解决建议任务中的有用性。特别是，用户在考虑评论的不同方面（即属性）时表现出不同的偏好，以做出关于项目的决定。因此，在学习用户偏好和项目属性的同时，对评论属性和评论有用性之间的关系进行建模是很重要的。因此，我们建议使用相关的可用属性对评论进行建模。我们介绍了一种新的审查属性为基础的推荐模型（RPRM），学习审查属性是更重要的比别人在捕捉有用的评论，从而提高推荐结果。此外，受用户信息采纳框架的启发，我们将两个损失函数和一个负抽样策略集成到我们提出的RRRM模型中，以确保评论的属性与用户的偏好相关。我们使用著名的Yelp和Amazon数据集来检查RPRM的有效性。我们的研究结果表明，RRRM显着优于经典和五个国家的最先进的基线。此外，我们实验表明，使用我们提出的损失函数和负采样策略的优势，进一步提高了推荐性能的建议。
2021-02-05 cs.IR
"Beyond the past": Leveraging Audio and Human Memory for Sequential Music Recommendation
针对序列音乐推荐难以推荐新曲目的问题，提出利用音频信息预测新曲目ACT-R激活并融入评分过程的模型，实验证明有效，并公开数据和代码。
2025-08-04 cs.IR
ProEx: A Unified Framework Leveraging Large Language Model with Profile Extrapolation for Recommendation
ProEx通过多维度资料外推提升推荐系统性能，利用链式推理构建多样化的用户和物品资料，以增强推荐效果。
2025-12-12 cs.IR
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
针对短视频推荐中现有方法直接用观看时长作标签存在语义利用不足、引入偏差的问题，提出去偏多语义提取标注框架DML，通过分位数构建多语义标签并结合因果调整去偏，经实验验证可有效挖掘用户真实兴趣、提升参与度。
2023-08-28 cs.IR
Factorization Machines Leveraging Lightweight Linked Open Data-enabled Features for Top-N Recommendations
随着链接开放数据（LOD）的普及和相关的增长，可以通过LOD访问的免费访问的知识，利用LOD的推荐系统已被广泛研究基于各种方法，如基于图或使用不同的机器学习模型与LOD启用功能。许多先前的方法需要构造附加图以运行基于图的算法或通过组合用户-项目交互（例如，喜欢、不喜欢）和来自LOD的背景知识。在本文中，我们研究了基于特别轻量级的LOD功能的因子分解机（FM），这些功能可以通过公共SPARQL端点直接获得，而无需任何额外的努力来构建图。首先，我们的目标是研究使用FM与这些轻量级的LOD功能相比，是否可以提供有竞争力的性能学习排名的方法，利用LOD以及其他成熟的方法，如kNN项目和BPRMF。其次，我们感兴趣的是找出在多大程度上每一组LOD功能的推荐性能的贡献。标准数据集上的实验评估表明，我们提出的方法使用FM与轻量级的LOD功能提供了最好的性能相比，其他方法在五个评估指标。此外，基于不同的LOD功能集的推荐性能的研究表明，属性对象列表和项目的PageRank分数是有用的，以提高性能，并可以提供最佳的性能，通过使用它们一起FM。我们观察到，主题属性列表的项目并没有贡献的推荐性能，而是降低了性能。
2017-07-28 cs.IR
Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
本文提出基于认知不确定性的冷启动推荐框架 CREU，借助 PaiDEs 高效度量模型对训练知识的利用效率，从而优化冷启动场景下的用户-物品交互推荐性能。
2025-08-08 cs.IR
Leveraging Opposite Gender Interaction Ratio as a Path towards Fairness in Online Dating Recommendations Based on User Sexual Orientation
针对在线约会推荐中用户性取向公平性研究不足的问题，提出异性交互比例（OGIR）指标量化群体不公平，并设计基于重新加权和重新排序的公平推荐系统，有效缓解群体数量与校准不平衡，在维持模型效用的同时显著提升公平性。
2024-02-19 cs.IR
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST（韩国科学技术院计算机学院）
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而，以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一：无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性，当他们被排名，自回归方法未能考虑到无序，因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法，其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明，我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
Leveraging Code-Mixed Product Metadata and User Feedback for Personalized Recommendation on Daraz Bangladesh
East West University（东西大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
针对孟加拉国电商平台代码混合评论，通过k-core阈值消融实验评估六类模型，发现Banglish词汇碎片化导致NDCG@10下降46.8%，为低资源代码混合环境下的推荐研究建立可复现评估基础。
2026-06-16 cs.IR
Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题，提出将媒体框架作为可控维度的推荐多样化方法，首次用三类规范性指标评估，实现未接触框架曝光度最高提升50%，同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
Leveraging Multi-aspect Time-related Influence in Location Recommendation
兴趣点推荐的目的是挖掘用户的访问历史，并找到他/她可能喜欢的地方。虽然位置推荐方法已经得到了广泛的研究和改进，但利用包括时间方面在内的各种影响因素仍然存在挑战。受时间包括许多颗粒槽（例如分钟、小时、天、周等）的事实的启发，在本文中，我们定义了一个新的问题来执行推荐，通过利用所有不同的时间因素。特别是，我们认为，大多数现有的方法只专注于有限数量的时间相关的功能和忽视其他人。此外，在推荐中考虑特定粒度（例如，一天中的时间）并不总是适用于每个用户或每个数据集。为了解决这些问题，我们提出了一个概率生成模型，命名为多方面时间相关影响（MATI），以促进POI推荐。我们还开发了一种新的优化算法的基础上期望最大化（EM）。我们的MATI模型首先检测一个用户的时间多变量方向使用她的签到日志在基于位置的社交网络（LBSNs）。然后，它使用用户和建议的位置之间的时间相关性进行推荐。我们的方法是适应各种类型的推荐系统，可以有效地工作在多个时间尺度。在两个大规模LBSN数据集上的实验结果验证了该方法的有效性。
2017-01-03 cs.CY cs.IR
Leveraging Two Types of Global Graph for Sequential Fashion Recommendation
随着服装零售业和在线电子商务的发展，在线服装购物越来越受到人们的重视，服装序列推荐在其中具有重要的意义。建立一个有效的序列式时尚推荐模型的关键在于捕捉两类模式：用户的个人时尚偏好和相邻商品之间的过渡关系。这两类模式通常分别与用户-项交互和项-项转换建模相关。然而，由于大量的用户和项目以及稀疏的历史交互，这是很难训练一个有效的和高效的顺序时尚推荐模型。为了解决这些问题，我们建议利用两种类型的全局图，即，用户-项目交互图和项目-项目转换图，以通过在图上合并高阶连接来获得增强的用户和项目表示。此外，我们采用了LightGCN的图核在两个图中的信息传播，并提出了一种新的设计项目-项目转移图。在两个已建立的序列时尚推荐数据集上的实验验证了该方法的有效性和效率。
2021-05-30 cs.IR cs.MM
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology（佐治亚理工学院）；TU Wien（维也纳工业大学）
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题，提出可嵌入多种深度架构的对比学习损失，用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Leveraging LLMs for Influence Path Planning in Proactive Recommendation
针对主动推荐中影响路径缺乏目标物品包含性和连贯性的问题，提出基于 LLM 的 LLM-IPP 方法，通过捕捉用户兴趣变化和物品特征生成连贯路径，显著提升了用户可接受性和路径连贯性。
2025-04-30 cs.IR
Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
TCS Research, India（塔塔咨询服务公司研究院）
本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架，通过构建异构知识图谱并学习用户人设，提升稀疏或冷启动场景下的个性化推荐效果。
2026-04-14 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
MMALFM: Explainable Recommendation by Leveraging Reviews and Images
虽然潜在因素模型在评分预测方面取得了很好的准确性，但它存在许多问题，包括冷启动，不透明，以及个别用户-项目对的次优结果。在本文中，我们利用文本评论和项目图像以及评级来解决这些限制。具体来说，我们首先应用一个建议的多模态方面感知主题模型（MATM）的文本评论和项目图像从不同的方面来模拟用户的喜好和项目的功能，也估计方面的重要性，用户对一个项目。然后，方面的重要性集成到一个新的方面感知的潜在因素模型（ALFM），学习用户和项目的潜在因素的基础上的评级。特别是，ALFM引入了一个权重矩阵，将这些潜在因素与MATM中的同一组方面相关联，从而可以使用潜在因素来估计方面评级。最后，通过方面评级的线性组合计算整体评级，这些方面评级由相应的方面重要性加权。为此，我们的模型可以缓解数据稀疏性问题，并获得良好的解释性推荐。此外，每个方面的评级是加权的方面的重要性，这是依赖于目标用户的喜好和目标项目的功能。因此，预计所提出的方法可以更准确地为每个用户-项目对建模用户对项目的偏好。在Yelp 2017 Challenge数据集和Amazon产品数据集上进行了全面的实验研究，以证明我们方法的有效性。
2018-11-24 cs.IR
Explainable Artificial Intelligence Recommendation System by Leveraging the Semantics of Adverse Childhood Experiences: Proof-of-Concept Prototype Development
University of Tennessee Health Science Center（田纳西大学健康科学中心）；Oak Ridge National Laboratory（橡树岭国家实验室）；College of Medicine（医学院）
对童年不良经历及其后果的研究是在过去20年中出现的。在这项研究中，我们的目的是利用可解释的人工智能，并提出了一个概念验证原型的知识驱动的循证推荐系统，以改善不良的童年经历的监督。我们使用的概念，我们已经开发了一个本体构建和训练问答代理使用谷歌对话流引擎。除了问答代理之外，初始原型还包括利用第三方图技术的知识图谱生成和推荐组件。为了展示框架的功能，我们在这里提出了一个原型设计，并通过四个用例场景的动机，目前在田纳西州孟菲斯市的一家儿童医院实施的倡议的主要功能。原型的持续开发需要实施建议的优化算法，通过个人健康库纳入隐私层，并进行临床试验以评估实施的可用性和有用性。这种语义驱动的可解释的人工智能原型可以增强医疗保健从业者为他们做出的决策提供解释的能力。
2020-11-06 cs.AI cs.IR
Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；RIIS & SIME, Shanghai University of Finance and Economics（上海财经大学RIIS与SIME机构）；China Mobile Research Institute（中国移动研究院）
本文提出KG-CRS，通过将用户-物品图与物品-属性图融合为动态图并利用邻居传播学习嵌入，有效建模属性、用户和物品间关系，在三个数据集上验证了其在推荐和对话任务中的优越性。
2024-08-02 cs.AI cs.IR
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Latent Customer Segmentation and Value-Based Recommendation Leveraging a Two-Stage Model with Missing Labels
Walmart Global Tech（沃尔玛全球技术）
本文提出了一种两阶段模型，通过 Self-Paced Loss 提高客户细分准确性，利用缺失标签框架识别活动驱动意图，从而提升基于价值的推荐效果。
2026-02-12 cs.IR
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
Information Extraction from Scientific Literature for Method Recommendation
随着研究社区的发展，每年发表的论文越来越多。因此，人们越来越需要改进的方法来查找相关论文，自动理解关键思想并为目标问题推荐潜在的方法。尽管在搜索引擎的进步，它仍然很难确定新技术根据研究人员的需要。由于领域的多样性和极其有限的注释资源，在科学推荐中利用自然语言处理的工作相对较少。在这个提议中，我们的目标是通过从大量的科学论文中提取科学术语并将这些术语组织成知识图谱来进行科学推荐。在初步工作中，我们使用少量注释数据训练了一个科学术语提取器，并通过应用多种半监督方法利用大量未注释的论文获得了最先进的性能。我们建议构建一个知识图谱的方式，可以最大限度地利用手工标注的数据，只使用提取的术语，无监督的关系信号，如同现，和结构化的外部资源，如维基百科。科学术语之间的潜在关系可以从图中了解到。建议将通过观察到的和未观察到的关系对的图形推理。
2018-12-14 cs.IR
EXPLORE -- Explainable Song Recommendation
本研究开发了一个结合协同过滤与内容过滤、并配备交互界面的可解释音乐推荐系统，通过RMSE和用户研究验证了其有效性和用户满意度。
2023-12-30 cs.IR
Leveraging Social Influence based on Users Activity Centers for Point-of-Interest Recommendation
University of Zanjan（赞詹大学）；University College London（伦敦大学学院）；University of Amsterdam（阿姆斯特丹大学）
推荐系统（RS）的目标是在与项目（如兴趣点（POI））交互时对用户偏好进行建模和预测。这些系统面临着一些挑战，例如数据稀疏性，限制了它们的有效性。在本文中，我们解决这个问题，将社会，地理和时间信息的矩阵分解（MF）技术。为此，我们基于两个因素对社交影响力进行建模：用户之间在常见签到方面的相似性以及他们之间的友谊。我们介绍了两个层次的友谊的基础上明确的友谊网络和高检入用户之间的重叠。我们的友谊算法基于用户的地理活动中心。结果表明，我们提出的模型优于国家的最先进的两个现实世界的数据集。更具体地说，我们的消融研究表明，社交模型在Gowalla和Yelp数据集上分别将我们提出的POI推荐系统的性能提高了31%和14%。
2022-01-10 cs.AI cs.IR
Efficiently Leveraging Multi-level User Intent for Session-based Recommendation via Atten-Mixer Network
本文提出Atten-Mixer网络，通过移除冗余GNN传播并利用概念视图和实例视图读出实现多级推理，高效捕捉会话中的多级用户意图，在三个基准上验证了有效性和高效性，并已成功应用于大规模电商在线服务。
2023-10-11 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
TF-DCon: Leveraging Large Language Models (LLMs) to Empower Training-Free Dataset Condensation for Content-Based Recommendation
本文提出TF-DCon，利用大语言模型在内容层和用户层进行双层数据集浓缩，无需迭代优化即可在减少95%数据规模时保留约97%的推荐性能。
2025-02-09 cs.IR
ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta
Michigan State University（密歇根州立大学）；Meta Platforms, Inc.（Meta平台公司）
该研究提出 ConnectionMind 框架，结合社交网络与 LLM，经两阶段学习训练后，在 Meta 部署并通过 A/B 测试实现视频观看时长 0.43% 的提升，解决传统推荐模型的多关系上下文整合不足问题。
2026-08-12 cs.IR cs.SI
EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations
University of British Columbia（不列颠哥伦比亚大学）；Meta AI；Monash University（莫纳什大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对基于内容的推荐需求，本文提出EmbSum框架，结合预训练编解码模型、多头注意力层与LLM监督的用户兴趣摘要生成，实现离线预计算与长期兴趣建模，在两个跨领域数据集上以更少参数超越现有最优方法，还可输出兴趣摘要。
2024-08-19 cs.CL 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
AdaF^2M^2: Comprehensive Learning and Responsive Leveraging Features in Recommendation System
ByteDance（字节跳动）
针对推荐系统中长尾数据导致的ID特征过度依赖问题，提出模型无关框架AdaF^2M^2，通过特征掩码与自适应权重机制实现全面特征学习与利用，在线实验显著提升用户活跃度与应用时长。
2025-01-27 cs.AI cs.IR
Graph Neural Pre-training for Enhancing Recommendations using Side Information
利用与实体（即用户和项目）相关联的边信息来增强推荐系统的性能已被广泛认为是一个重要的建模维度。虽然许多现有的方法集中在集成方案，将实体边信息-通过结合的建议损失函数与额外的边信息感知损失-在本文中，我们提出了一种新的预训练方案，而不是利用边信息。特别是，我们首先使用实体的边信息预训练表示模型，然后使用现有的基于一般表示的推荐模型对其进行微调。具体来说，我们提出了两个预训练模型，命名为GCN-P和COM-P，通过考虑从边信息构建的实体和它们的关系分别作为两种不同类型的图，预训练实体嵌入。对于GCN-P模型，分别从所有用户和项目的边信息构造两个单关系图，利用图卷积网络对实体表示进行预训练。对于COM-P模型，构造两个多关系图，使用基于组合的图卷积网络对实体表示进行预训练。对我们的预训练模型进行了广泛的评估，这些模型在四种基于一般表示的推荐模型（即MF，NCF，NGCF和LightGCN）下进行了微调，结果表明，有效地使用用户和项目的边信息进行预训练嵌入可以显着提高这些原始模型的有效性和稳定性。
2021-07-09 cs.IR
Leveraging Social Signal to Improve Item Recommendation for Matrix Factorization
尽管在过去的十年里，推荐系统在工业界和学术界都得到了广泛的研究，但目前的推荐系统大多存在以下问题：1）用户-项目矩阵的数据稀疏性严重影响了推荐系统的质量。因此，传统的推荐系统方法不能处理用户评价较少的问题，这就是推荐系统中的冷启动问题。2)传统的推荐系统假设用户是独立同分布的，忽略了用户之间的社会关系。然而，在现实生活中，由于社交网络服务，如Facebook和Twitter的指数增长，不同用户之间的社会联系起着重要的作用推荐系统的任务。在这项工作中，旨在提供一个更好的推荐系统，将用户的社会网络信息，我们提出了一个矩阵分解框架与用户的社会关系约束。在真实数据集上的实验结果表明，该方法在MAE和RMSE方面明显优于现有方法，特别是对于冷启动用户。
2018-05-17 cs.IR cs.SI
PixRec: Leveraging Visual Context for Next-Item Prediction in Sequential Recommendation
Department of Computer Science, Northwestern University（北western大学计算机科学系）；Elmore Family School of Electrical and Computer Engineering（电气与计算机工程学院）
PixRec通过整合视觉信息提升序列推荐的准确性，利用视觉-语言模型在电子商务中实现更精准的下一项预测。
2026-01-10 cs.CV cs.IR cs.LG
Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家级试点软件工程学院））；The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；Central South University（中南大学）；National University of Singapore（新加坡国立大学）；Jinan University（暨南大学）
针对跨域推荐中多模态数据利用不足和侧用户被忽视的问题，提出MuSiC模型，通过多模态与大语言模型提取特征，并利用跨域扩散模块为冷启动用户生成目标域特征向量，在Amazon数据集上取得最优性能。
2025-07-05 cs.AI cs.IR
Look into the Future: Deep Contextualized Sequential Recommendation
针对现有序列推荐仅依赖用户历史行为、忽略未来信息的问题，提出LIFT框架，通过融合自身历史与其他用户相似交互的跨时序上下文，结合行为掩码预训练，在5个真实数据集的两类任务上显著优于基线模型。
2024-08-14 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
Yonsei University（延世大学）
针对现有群体推荐方法需复杂昂贵训练的问题，提出Group-GF方法，通过构建多视图项目相似性图、发现独特多项式图滤波器并聚合，实现极快推荐且兼具高准确性。
2025-02-13 cs.AI cs.IR cs.IT
A Practical Two-stage Ranking Framework for Cross-market Recommendation
跨市场推荐是指在资源稀缺的目标市场中，利用用户在资源丰富的目标市场中的行为向用户推荐产品，这对于电子商务企业来说是至关重要的，但目前研究较少。在本文中，我们提出了我们在跨市场推荐竞赛中采用的详细解决方案，即，第2022章.为了更好地利用目标市场和源市场之间的协作信号和相似性，我们仔细考虑了多个特征以及由深度图推荐模型（图神经网络，DeepWalk等）组成的堆叠学习模型。和传统推荐模型（ItemCF、UserCF、Swing等）。此外，我们采用基于树的集成方法，例如，LightGBM在预测任务中显示出优越的性能，以生成最终结果。我们在XMRec数据集上进行了全面的实验，验证了我们的模型的有效性。我们团队WSDM_Coggle_提出的解决方案被选为第二名。
2022-04-27 cs.IR
SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation
处理稀疏、长尾数据集和冷启动问题一直是推荐系统面临的挑战。这些问题可以部分地通过预测来解决，而不是孤立地进行预测，而是通过利用相关事件的信息来解决;这些信息可以包括来自社会关系或最近活动序列的信号。这两种类型的附加信息都可以用于提高最先进的基于矩阵分解的技术的性能。在本文中，我们提出了新的方法，同时结合社会和顺序信息，以进一步提高推荐性能。我们证明了这些技术在处理几个大型真实数据集的稀疏性和冷启动问题时特别有效。
2017-06-16 cs.IR
Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
该研究利用 LLM 生成对话摘要与物品推荐信息，并采用 DPO 精炼文本，以提升对话推荐的自然性与真实性。
2025-08-29 cs.IR
Generative News Recommendation
针对现有新闻推荐仅做语义匹配、仅原样推送新闻的不足，提出含高层匹配与连贯叙述生成的生成式新闻推荐范式及GNR模型，通过双层表征、新闻筛选和UIFT训练方法提升推荐准确率与叙述质量。
2024-03-06 cs.IR
MACRec: a Multi-Agent Collaboration Framework for Recommendation
针对推荐系统领域多智能体协作应用的空白，提出新型框架MACRec，通过多类专用智能体协同直接处理推荐任务，支持多种推荐场景且已开源。
2024-11-01 cs.IR
DRE: Generating Recommendation Explanations by Aligning Large Language Models at Data-level
本文提出非侵入式DRE框架，在数据级利用大语言模型对齐用户数据与推荐物品，并通过目标感知偏好蒸馏丰富解释，从而为黑盒推荐模型生成准确、以用户为中心的解释。
2024-04-09 cs.IR
Bridging Search and Recommendation through Latent Cross Reasoning
针对搜索历史噪声影响推荐的问题，提出潜在交叉推理框架，先编码全局兴趣再迭代推理搜索行为，结合对比学习与强化学习，在公开基准上持续超越强基线。
2025-08-06 cs.IR
SWGCN: Synergy Weighted Graph Convolutional Network for Multi-Behavior Recommendation
Chongqing University（重庆大学）
SWGCN通过引入目标偏好加权器和协同对齐任务，提升多行为推荐的性能，实现命中率和NDCG的显著提升。
2026-01-31 cs.IR
