DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题,提出感知多样性的自校正序列推荐网络DivNet,可同时捕捉序列物品交互评估效用并实现推荐多样化,离线在线实验均优于基线方法。
2024-11-01 cs.IR
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说,很少有项目经常被推荐,而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低(即聚合多样性较低)以及推荐项目的不公平分布。在本文中,我们介绍了FairMatch,一个通用的基于图的算法,作为一个后处理的方法后,推荐生成,以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目,并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目,该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明,FairMatch在显着提高聚合多样性的同时,提供了相当的推荐准确性。
2020-05-03 cs.IR
Understanding Diversity in Session-Based Recommendation
本文系统评估了基于会话的推荐系统在准确性与多样性上的表现,发现非多样化方法在多样性上也可能表现优异,且准确性与多样性关系复杂,并识别出影响多样性的三个关键因素。
2023-05-31 cs.IR
Result Diversification in Search and Recommendation: A Survey
本综述首次提出统一分类体系,系统梳理搜索与推荐中的多样化度量标准与方法,总结多样性关注点并探讨开放性研究问题。
2024-02-19 cs.IR
Dual-disentangle Framework for Diversified Sequential Recommendation
针对序列推荐中用户兴趣与意图纠缠导致多样性不足的问题,提出模型无关的双解耦框架DDSRec,通过交互建模和表示学习的解耦来平衡准确性与多样性,实验验证其有效性。
2025-08-05 cs.IR
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems
本文提出DLCRec框架,通过将推荐过程分解为类型预测、类型填充和物品预测三个子任务,并结合数据增强技术,实现对基于大语言模型推荐系统中多样性的细粒度控制,在多个场景中优于现有基线。
2025-01-06 cs.IR
Promotional effect on cold start problem and diversity in a data characteristic based recommendation method
纯方法通常在推荐准确度和多样性方面表现优异,而混合方法通常在推荐准确度和多样性方面优于纯方法,但遇到了针对不同推荐焦点的最佳混合参数选择的困境。本文基于一个用户-项目二分网络,提出了一种基于数据特征的算法,将杂交参数与数据特征联系起来。与以往的混合算法不同,该算法根据算法与项目度之间的相关性,自适应地为每个项目分配最优参数。与高准确度的纯方法和在推荐准确度和多样性方面都很突出的混合方法相比,该方法在保持较高的整体推荐准确度的同时,对冷启动这一长期存在的挑战性问题以及推荐多样性方面都有显著的促进作用。与一种高效的改进混合推荐方法相比,该方法不仅进一步提高了冷启动项目的推荐准确率,而且增强了推荐的多样性。我们的工作可能会提供一个有前途的方法,更好地解决个人推荐的角度与数据集属性的算法。
2012-07-24 cs.IR physics.soc-ph
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
Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity
决定点过程(DPP)是一个优雅的排斥概率模型,应用于各种机器学习任务,包括总结和搜索。然而,在许多应用中起着重要作用的DPP的最大后验概率(MAP)推理是NP难的,即使是流行的贪心算法也可能计算量太大而不能用于大规模实时场景。为了克服计算的挑战,在本文中,我们提出了一种新的算法,大大加快贪婪MAP推理DPP。此外,我们的算法还适应的情况下,排斥只需要在附近的几个项目的结果序列。我们应用所提出的算法来生成相关的和多样化的建议。实验结果表明,我们提出的算法是显着快于国家的最先进的竞争对手,并提供了一个更好的相关性多样性权衡在几个公共数据集,这也证实了在线A/B测试。
2018-05-26 cs.IR
Counterfactual Multi-player Bandits for Explainable Recommendation Diversification
针对推荐多样性方法缺乏可解释性且难以优化不可微指标的问题,提出反事实多玩家老虎机 CMB,通过反事实因素识别与多玩家老虎机优化实现跨指标的可解释推荐多样化。
2025-06-11 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
Improving Recommendation Diversity by Highlighting the ExTrA Fabricated Experts
如今,推荐系统(RSes)对个人用户和企业营销变得越来越重要,特别是在在线电子商务场景中。然而,虽然在文献中提出的大多数推荐算法都集中在提高预测精度的努力,推荐质量的其他重要方面,如多样性的建议,已或多或少被忽视。近十年来,推荐多样性引起了越来越多的研究关注,特别是在基于用户-项目二分网络的推荐模型中。在本文中,我们介绍了一个家庭的方法来提取制造的专家从用户的RSes,命名为专家跟踪方法(ExTrA的简称),并探讨这些制造的专家在提高推荐多样性的能力,突出他们在一个著名的二分网络为基础的方法,称为质量扩散(MD的简称)模型。这些ExTrA为基础的模型进行了比较,两个国家的最先进的MD改进模型HHP和BHC,在推荐的准确性和多样性。在三个真实世界数据集MovieLens,Netflix和RYM上的综合实证结果表明,我们提出的基于ExTrA的模型可以实现显着的多样性增益,同时保持相当的推荐准确性水平。
2020-04-24 cs.IR cs.SI
Diversity-aware Dual-promotion Poisoning Attack on Sequential Recommendation
本文提出多样性感知双目标提升投毒攻击方法DDSP,通过改进攻击目标并引入多样性约束的自回归序列生成器,在提升目标物品排名的同时维持用户偏好相关性,以增强攻击隐蔽性与有效性。
2025-04-09 cs.IR
Assessing the Impact of Music Recommendation Diversity on Listeners: A Longitudinal Study
我们提出了一个为期12周的纵向用户研究的结果,其中的参与者,110名受试者来自南欧,每天收到电子音乐(EM)多样化的建议。通过分析他们的显式和隐式反馈,我们发现,暴露于特定水平的音乐推荐多样性可能是负责对听众的态度的长期影响。特别是,我们强调多样性的功能,在听EM,音乐流派不是特别知道或喜欢的参与者之前,他们参与研究的开放性。此外,我们表明,建议可能有助于听众在消除积极和消极的附件对EM,解构预先存在的隐式协会,但也与这种音乐的刻板印象。此外,我们的研究结果表明,推荐的多样性在产生好奇心的听众显着的影响力。
2022-12-01 cs.HC cs.IR
Recent Advances in Diversified Recommendation
随着推荐系统的快速发展,准确率不再是评价推荐结果是否令人满意的唯一黄金标准。近年来,多样性在推荐系统的研究中得到了极大的关注,它被认为是提高用户满意度的一个重要因素。一方面,多样化的推荐有助于增加满足短暂用户需求的机会。另一方面,多样化的推荐结果可以帮助企业提高产品知名度,挖掘潜在的用户兴趣。本文将对多元化推荐的最新研究进展进行综述。具体来说,我们首先审查多样性的各种定义,并产生一个分类,以阐明多样性如何在推荐系统中建模或测量。在此基础上,从分类学的角度总结了多样化推荐的主要优化方法。最后,我们展望了未来,并指出了这一主题的研究方向。
2019-05-16 cs.IR
A Load Balanced Recommendation Approach
推荐系统(RS)是为缓解信息过载问题而开发的软件工具和算法,信息过载使用户难以做出正确的决策。推荐问题的两个主要范例是协同过滤和基于内容的过滤,它们试图使用评级和可用内容推荐最好的项目。这些方法通常面临着臭名昭著的问题,包括冷启动,多样性,可扩展性和巨大的计算费用。我们认为,深度学习和强化学习方法的采用也是值得怀疑的,因为它们的计算复杂性和不可解释性。在本文中,我们从一个新的角度来探讨推荐问题。我们借用无线传感器网络中簇头选择算法的思想,并将其应用于推荐问题。特别是,我们提出了负载平衡推荐系统(LBRS),它使用一个概率方案的项目推荐。此外,我们在推荐过程中考虑了项目的重要性,这显着提高了推荐的准确性。我们还介绍了一种方法,认为项目之间的异质性,以平衡的相似性和多样性的权衡。最后,我们提出了一个新的多样性度量,它强调多样性的重要性,不仅从内部列表的角度来看,但也从列表之间的角度来看。通过在RecSim上进行的仿真研究中的实验,我们表明LBRS是有效的,并且可以优于基线方法。
2021-05-20 cs.IR
Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations
本文提出基于Cornac的Informfully Recommenders框架,首次为规范驱动的多样性感知推荐提供覆盖预处理、模型、会话内重排序和多样性评估的端到端可复现实验方案,并在新闻领域离线实验中验证其有效性。
2025-08-18 cs.IR
Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation
Nanyang Technological University(南洋理工大学);Shandong University(山东大学);Alibaba Group(阿里巴巴集团)
交互式推荐是对用户与推荐系统之间的显式交互进行建模的一种方法,近年来受到了广泛的关注。以往的交互式推荐系统大多只关注推荐准确率的优化,而忽略了推荐质量的其他重要方面,如推荐结果的多样性。本文提出了一种新的推荐模型,称为\underline{D}多样性促进\underline{D} eep \underline{R} \underline{L} earning(D $^2$ RL),它鼓励交互推荐中推荐结果的多样性.更具体地说,我们采用了一个决定性点过程(DPP)模型来生成不同的,而相关的项目建议。为每个用户维护个性化的DPP核矩阵,该矩阵由两部分构成:固定的相似度矩阵,捕获项目之间的相似性,以及通过演员-评论家强化学习框架动态学习的项目的相关性。我们进行了大量的离线实验以及模拟在线实验与现实世界的数据集,以证明所提出的模型的有效性。
2019-03-19 cs.AI cs.IR
Is News Recommendation a Sequential Recommendation Task?
新闻推荐通常被建模为一个顺序推荐任务,它假设历史点击新闻具有丰富的短期依赖性。然而,在新闻推荐场景中,用户通常对新闻信息的时间多样性有很强的偏好,并且可能不倾向于连续点击类似的新闻,这与电子商务推荐等许多顺序推荐场景有很大不同。在本文中,我们研究新闻推荐是否可以被视为一个标准的顺序推荐问题。通过在两个真实数据集上的大量实验,我们发现将新闻推荐建模为顺序推荐问题是次优的。为了应对这一挑战,我们进一步提出了一个时间多样性感知的新闻推荐方法,可以促进候选新闻是从最近点击的新闻,这可以帮助预测未来的点击更准确。实验表明,我们的方法可以不断提高各种新闻推荐方法。
2021-08-26 cs.IR
On Practical Diversified Recommendation with Controllable Category Diversity Framework
针对推荐系统回声室效应,提出可控类别多样性框架CCDF,通过两阶段匹配同时提升用户显式与非交互多样性,离线与在线实验验证其有效性。
2024-02-06 cs.IR
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation
DePaul University(德保罗大学)
增加聚合多样性(或目录覆盖率)在许多推荐领域中是重要的系统级目标,在这些领域中,可能期望减轻流行度偏差并提高向用户给出的推荐中的长尾项的覆盖率。这在多利益相关者推荐场景中尤其重要,在多利益相关者推荐场景中,不仅对于最终用户,而且对于其他利益相关者(诸如物品卖家或生产者)优化效用可能是重要的,这些利益相关者期望在系统产生的推荐列表中公平地表示他们的物品。不幸的是,增加聚合多样性的尝试通常会导致最终用户的推荐准确性降低。因此,解决这个问题需要一种方法,可以有效地管理准确性和聚合多样性之间的权衡。在这项工作中,我们提出了一个双边的后处理方法,其中用户和项目公用事业被认为是。我们的目标是最大化聚合多样性,同时最小化推荐准确性的损失。我们的解决方案是一个推广的延迟接受算法,提出了一个有效的算法来解决著名的稳定匹配问题。我们证明,我们的算法的结果在一个独特的用户最佳的稳定匹配项目和用户之间。使用三个推荐数据集,我们实证证明了我们的方法与几个基线相比的有效性。特别是,我们的研究结果表明,所提出的解决方案是非常有效的,在增加聚合多样性和项目端的效用,同时优化最终用户的推荐准确性。
2020-06-05 cs.IR cs.LG
Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(Salesforce AI研究院);Beihang University(北京航空航天大学)
针对序列推荐中表示退化导致多样性不足的问题,提出SPMRec方法,通过奇异谱平滑正则化控制退化,平衡推荐性能与多样性,并在四个基准数据集上验证其优越性。
2024-07-19 cs.IR cs.LG
DUM: Diversity-Weighted Utility Maximization for Recommendations
推荐列表多样化的需要在许多推荐系统用例中表现出来。然而,多样性的增加可能会损害建议的效用,因为清单中的相关项目可能会被更多样的项目所取代。在这项工作中,我们提出了一种新的方法,最大限度地提高效用的推荐项目的多样性用户的口味,并表明,这个问题的最佳解决方案可以找到greenly。我们评估所提出的方法在两个在线用户的研究,以及在离线分析,将一些评估指标。评估的结果表明,我们的方法的优越性超过了一些基线。
2014-11-13 cs.IR stat.ML
Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations
提出自适应探索推荐框架,通过句子嵌入聚类和用户控制采样平衡多样性与相关性,实验显示降低列表内相似度并提升意外性,优于基线。
2025-03-25 cs.IR
GANPrompt: Enhancing Robustness in LLM-Based Recommendations with GAN-Enhanced Diversity Prompts
针对大语言模型推荐系统的提示敏感性问题,提出基于GAN的多维提示多样性框架GANPrompt,通过生成多样化提示训练模型并引入多样性约束,有效提升推荐的准确性与鲁棒性。
2024-12-12 cs.IR
Reconciling the accuracy-diversity trade-off in recommendations
本文研究推荐系统中准确性与多样性的权衡问题,提出用户消费约束模型,揭示标准准确性指标未考虑此约束导致权衡,为多样化推荐设计提供理论依据。
2023-07-27 cs.IR cs.SI
Balancing Accuracy and Diversity in Recommendations using Matrix Completion Framework
设计推荐系统的目的是实现高的预测精度是一个广泛的研究领域。然而,一些研究表明,需要多样化的建议,具有可接受的准确性水平,以避免单调和改善客户体验。然而,增加多样性伴随着推荐准确性的相关降低;因此需要在两者之间进行最佳权衡。在这项工作中,我们试图实现准确性与多样性的平衡,利用可用的评级和项目元数据,通过一个单一的,联合优化模型建立在矩阵完成框架。大多数现有的作品,不像我们的配方,提出了一个2阶段的模型,一个启发式的项目排名计划的顶部现有的协同过滤技术。电影推荐系统上的实验评估表明,我们的模型实现了更高的多样性,为一个给定的准确率下降相比,现有的最先进的技术。
2019-12-11 cs.IR cs.LG
Network Flow Based Post Processing for Sales Diversity
协同过滤是一个广泛而强大的框架,用于构建已被广泛采用的推荐系统。在过去的十年中,已经观察到这种系统倾向于偏爱流行产品,从而产生回音室。这引起了一个活跃的研究领域,该领域试图使这些算法生成的推荐多样化。我们解决的问题,越来越多的多样性推荐系统,是基于协同过滤,使用过去的评级预测潜在的建议的评级质量。在我们早期的工作之后,我们将推荐系统设计制定为从潜在推荐的候选超图中选择子图的问题,其中多样性和评级质量都被显式优化:(1)在建模方面,我们定义了一个新的灵活的多样性概念,允许系统设计者规定每个项目应该接收的推荐数量,并平滑地惩罚偏离此分布的情况。(2)在算法方面,我们表明,最小成本的网络流方法产生快速的算法在理论和实践中设计的推荐子图,优化这一概念的多样性。(3)在实证方面,我们展示了我们的新模型和方法的有效性,以增加多样性,同时保持高评级质量的标准评级数据集从Netflix和MovieLens。
2017-02-17 cs.DS cs.IR
Recommending Accurate and Diverse Items Using Bilateral Branch Network
推荐系统由于能够结合用户的个人喜好而在在线平台中发挥着至关重要的作用。除了准确性之外,多样性也被认为是扩大用户视野和促进企业销售的关键因素。然而,准确性和多样性之间的权衡仍然是一个巨大的挑战,数据和用户偏见尚未被探索。在本文中,我们开发了一个自适应学习框架,准确和多样化的推荐。我们将计算机视觉领域最近提出的双向分支网络从图像分类推广到项目推荐。具体来说,我们编码域水平的多样性,自适应平衡准确的建议在常规分支和多样化的建议在双边分支网络的自适应分支。我们还捕获用户级的多样性,使用双向自适应度量学习骨干网络在每个分支。我们在三个真实世界的数据集上进行了广泛的实验。结果表明,我们提出的方法始终优于最先进的基线。
2021-01-04 cs.IR
DGCN: Diversified Recommendation with Graph Convolutional Networks
这些年来,人们一直致力于提高推荐系统的准确性或相关性。多样性是衡量所推荐项目之间差异的一个关键因素,但几乎没有得到详细审查。与用户满意度直接相关,通常在生成候选项之后考虑多样化。然而,这种多样化和候选生成的解耦设计使得整个系统次优。在本文中,我们的目标是推动多元化的上游候选生成阶段,借助图卷积网络(GCN)。虽然基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了很大的能力,但这些先进的工作忽略了多样性的变化。我们建议在GCN之上执行重新平衡的邻居发现,类别提升的负采样和对抗学习。我们在真实世界的数据集上进行了广泛的实验。实验结果验证了该方法在多样化问题上的有效性。进一步的消融研究验证了我们提出的方法显着地消除了准确性多样性的困境。
2021-08-16 cs.IR
Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure
Cadence通过因果去偏共购关系和反事实暴露提升推荐多样性,同时保持准确性。
2025-12-19 cs.AI cs.IR
Testing the Impact of Semantics and Structure on Recommendation Accuracy and Diversity
异构信息网络(HIN)形式主义非常灵活,并支持复杂的推荐模型。我们评估了HIN的不同部分对推荐的准确性和多样性的影响,然后调查这些影响是否仅是由于网络中编码的语义内容。我们使用最近提出的多样性措施,这是基于网络结构,更适合HIN形式主义。最后,我们随机打乱HIN的某些部分的边缘,以清空网络的语义内容,同时使其结构相对不受影响。我们表明,编码在网络数据中的语义内容的推荐系统的性能有一个有限的重要性和结构是至关重要的。
2020-11-10 cs.IR cs.SI
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景,当用户对一个目标项目表示兴趣时,点击,喜欢和购买)。除了考虑建议与触发项目之间的相关性外,建议还应多样化,以避免信息茧。然而,现有的多样化推荐方法主要集中在项目级的多样性,这是不够的,当推荐的项目都是相关的目标项目。此外,冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题,我们提出了一个功能分解自平衡重新排序框架(FDSB),以捕获功能感知的多样性。该框架包括两个主要模块,即解纠缠注意编码器(DAE)和自平衡多方面排名。在DAE中,我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中,我们开发了一个特定于方面的排名机制,能够自适应地平衡每个方面的相关性和多样性。在实验中,我们对收集的数据集进行离线评估,并在快手应用程序上部署FDSB,对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而,大多数以前的工作顺序推荐不考虑多样性,并争取最大的准确性,导致同质的建议。在本文中,我们考虑到准确性和多样性,提出了一个属性感知的多样化顺序推荐(ADSR)。具体而言,ADSR利用可用的属性信息时,建模用户的顺序行为,同时学习用户的最有可能的项目进行交互,以及他们的属性偏好。然后,ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明,ADSR可以有效地提供多样化的建议,同时保持准确性。
2020-08-03 cs.IR
Augmenting Sequential Recommendation with Balanced Relevance and Diversity
本文提出序列推荐的平衡数据增强插件BASRec,通过单序列增强与跨序列增强模块平衡数据的相关性与多样性,有效缓解语义漂移并显著提升模型性能。
2024-12-21 cs.IR
Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));City University of Hong Kong(香港城市大学);Centre for Frontier AI Research, A*STAR(新加坡国立研究局前沿人工智能研究中心);Institute of High-Performance Computing, A*STAR(新加坡国立研究局高性能计算研究所)
本文提出CPGRec框架,通过准确性驱动、多样性驱动和综合模块平衡视频游戏推荐的准确性和多样性,实验表明在Steam数据集上提升了推荐效果。
2026-08-28 cs.IR
DACSR: Decoupled-Aggregated End-to-End Calibrated Sequential Recommendation
针对序列推荐中仅追求准确性导致的公平性和多样性问题,提出端到端校准框架DACSR,通过目标函数校准和分布修改,实现准确且校准的推荐。
2022-10-21 cs.IR
STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation
STAR-Rec提出序列级混合专家框架,结合偏好感知注意力与状态空间建模,以线性复杂度处理变长序列并自适应路由多样化行为模式,在四个真实数据集上一致超越现有序列推荐方法。
2025-05-06 cs.IR
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam(阿姆斯特丹大学);IKEA Retail (Ingka Group)(宜家零售(英格卡集团))
本文提出基于对比学习的方法,通过引入精心挑选的负样本,提升零售场景中产品推荐的多样性和覆盖范围,同时保持推荐质量。
2026-02-09 cs.IR cs.LG
FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation
Pohang University of Science and Technology(浦项科技大学);Korea University(韩国大学)
FLAME通过将集成多样性压缩到单一网络,提升序列推荐效率。利用模块化集成和预训练冻结网络,实现稳定优化,实验显示在六个数据集上优于现有方法。
2026-08-26 cs.IR
RADio -- Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
University of Amsterdam(阿姆斯特丹大学);RTL Nederland B.V.(RTL荷兰有限公司)
在传统的推荐系统文献中,多样性通常被视为相似性的对立面,通常被定义为所识别的主题、类别或词模型之间的距离。然而,这并不能表达社会科学对多样性的解释,多样性解释了新闻机构的规范和价值观,我们在这里称之为规范多样性。我们介绍RADio,一个多功能的指标框架,以评估建议,根据这些规范的目标。RADio引入了秩感知的Jensen Shannon(JS)发散。这种组合说明了(i)用户观察列表中更下方的项目的倾向降低,以及(ii)与点估计相反的完全分布偏移。我们评估RADio的能力,以反映五个规范的概念,在微软新闻数据集和六个(神经)推荐算法的新闻推荐,我们的元数据丰富管道的帮助下。我们发现,RADio提供了有见地的估计,可以潜在地用于通知新闻推荐系统的设计。
2022-10-13 cs.IR cs.LG
Multidimensional Fairness in Paper Recommendation
针对论文推荐算法中的隐性偏见问题,提出三种同时兼顾多维度作者人口特征的公平推荐方法,实验证明其能在基本不降低效用的前提下显著提升多样性,可推广至多类学术遴选场景。
2023-05-02 cs.IR
Operationalizing Framing to Support Multiperspective Recommendations of Opinion Pieces
个性化新闻推荐系统中的多样性通常被定义为相异性,并且基于主题多样性(例如,农民罢工(农民罢工)。然而,新闻媒体的多样性被理解为多视角(例如,对电晕措施的不同意见),可以说是民主社会中媒体的关键责任。在通信科学领域,视点多样性通常被认为是信源多样性的同义词。我们操作框架的概念,从通信科学。我们将这一概念应用于主题相关推荐列表的重新排名,以形成一种新颖的观点多样化方法的基础。我们的离线评估表明,所提出的方法是能够提高的观点多样性的推荐列表根据多样性度量从文献。在一项在线研究中,在荷兰新闻聚合平台Blendle平台上,有超过2000名用户,我们发现用户愿意消费观点多样化的新闻推荐。我们还发现,呈现特征显着影响不同的建议的阅读行为。这些结果表明,未来的研究建议的呈现方面可以一样重要的新的观点多样化的方法,真正实现多视角在网络新闻环境。
2021-03-24 cs.CY cs.IR
Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations
University of Calabria(卡拉布里亚大学);ICAR-CNR;KTH Royal Institute of Technology(皇家理工学院)
本文提出以用户为中心的推荐框架,通过概率用户行为模型和 copula 函数结合相关性与多样性,以最大化用户知识获取,并在多个数据集上验证其优于现有方法。
2024-08-07 cs.AI cs.IR
Simultaneous Relevance and Diversity: A New Recommendation Inference Approach
Smule(Smule公司);Virginia Tech(弗吉尼亚理工大学);Northeastern University(东北大学);Stanford University(斯坦福大学)
相关性和多样性对于推荐系统的成功都很重要,因为它们可以帮助用户从大量的项目中发现一组紧凑的候选人,这些候选人不仅有趣,而且具有探索性。挑战在于,在传统的推荐系统中,相关性和多样性通常是两个相互竞争的目标,这需要在开发和探索之间进行经典的权衡。传统上,更高的多样性往往意味着牺牲相关性,反之亦然。我们提出了一种新的方法,异构推理,它扩展了一般的协同过滤(CF)通过引入一种新的方式CF推理,否定到肯定。异构推理实现发散相关性,其中相关性和多样性作为一个推荐模型中的两个合作目标相互支持,并且其中推荐多样性是相关性推理过程的固有结果。受益于其简洁性和灵活性,我们的方法适用于各种复杂程度的各种推荐场景/用例。我们对公共数据集和真实生产数据的分析和实验表明,我们的方法在相关性和多样性方面同时优于现有方法。
2020-09-27 cs.IR cs.LG cs.SI
Diversity in the Music Listening Experience: Insights from Focus Group Interviews
在当今的数字空间中,音乐聆听的高度特征是世界各地的人们都可以访问庞大的音乐目录。在这种情况下,推荐系统被设计成引导听众找到最适合他们要求的曲目和艺术家,因此有能力影响他们所听音乐的多样性。虽然有几个作品提出了新的技术来开发多样性意识的建议,很少有人知道人们如何感知多样性,同时与音乐推荐互动。在这项研究中,我们采访了几个听众的作用,多样性在他们的听力体验,试图更好地了解他们如何与音乐推荐互动。我们招募的听众中的参与者以前的定量研究,在那里他们面临的多样性的概念时,被要求确定,从一系列的电子音乐列表中,最多样化的,根据他们的信念。作为后续行动,在这个定性研究中,我们进行了半结构化的采访,以了解听众如何评估音乐列表的多样性,并调查他们的经验与音乐推荐的多样性。我们在这里报告我们的主要发现1)什么可以影响曲目和艺术家的音乐列表的多样性评估,2)哪些因素可以表征听众与音乐推荐多样性的互动。
2022-01-25 cs.HC cs.IR
Beyond Accuracy Optimization: On the Value of Item Embeddings for Student Job Recommendations
在这项工作中,我们解决的问题,推荐工作给大学生。为此,我们探讨了利用神经项目嵌入的任务,基于内容的推荐,我们建议整合的因素的频率和新近的互动与工作岗位,结合这些项目嵌入。我们使用预测准确性,多样性和适应性新颖性指标在奥地利学生就业门户网站Studo的数据集上评估我们的工作推荐系统。本文表明,利用频率和新近的互动与职位发布相结合的项目嵌入结果在一个强大的模型的准确性和多样性,这也提供了最好的适应新颖的结果。
2017-11-21 cs.IR
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中,已经探索了个性化推荐中的相关性和公平性之间的权衡,目标是最小化对某些人口统计学的学习歧视,同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性(MMR)重新排名的方法,它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验,并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果,并通过对一组查询图像的排名结果进行定量分析,来检查相关性和公平性之间的权衡。我们表明,我们提出的方法可以在排名结果中包含公平性,同时获得比基线更高的精度,而我们的案例研究表明,即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
Contextual Distillation Model for Diversified Recommendation
针对现有多样化推荐方法复杂度高、仅适用于重排序阶段的问题,提出可适配全推荐流水线的上下文蒸馏模型CDM,通过对比上下文编码与知识蒸馏学习MMR策略,经离线与快手在线实验验证其在效率与多样性上的优势。
2024-08-14 cs.IR
Information Filtering via Balanced Diffusion on Bipartite Networks
近十年来,推荐系统的兴起使用户能够从海量的网络资源中获取相关的商品和服务。一些简单的物理扩散过程被用来设计有效的用户-对象二分网络推荐算法,典型的质量扩散(MD)和热传导(HC)算法在准确性和多样性上分别具有不同的优势。本文研究了权重分配对MD和HC混合推荐算法的影响,发现一种新的具有均衡权重的MD和HC混合推荐算法能够获得最优推荐结果,我们称之为均衡扩散(BD)算法。在MovieLens、Netflix和RateYourMusic(RYM)三个基准数据集上的数值实验表明,BD算法在推荐准确性、多样性和新颖性三个重要指标上的性能优于现有的基于扩散的推荐方法。具体而言,它不仅可以提供准确的推荐结果,而且可以通过准确地推荐不受欢迎的对象来产生更高的多样性和新颖性。
2014-02-24 cs.IR
A Network Resource Allocation Recommendation Method with An Improved Similarity Measure
本文提出PIM+RA方法,通过带自连接边和权重的二分网络及改进皮尔逊相关系数优化资源分配,在提升推荐准确性的同时改善覆盖率、多样性和新颖性,并增强长尾物品曝光。
2023-07-07 cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.(字节跳动公司);University of Virginia(弗吉尼亚大学)
长期以来,准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而,我们指出,由于多样性通常是通过某些预先选择的项目属性来衡量的,例如,类别作为最普遍采用的一种,只要多样化尊重用户对预选属性的偏好,就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解,其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中,我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件,以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明,该方法在提高推荐准确率和多样性方面是有效的。深入分析表明,这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下,这种列表式的解释应该为用户提供多样化和相关的选项。然而,在实践中,列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成,该排名函数从标记数据中学习以优化准确性。然而,top-N推荐可能会导致次优,因为它单独关注每个项目的准确性,而忽略了项目之间的相互影响。因此,我们提出了一个个性化的重新排序模型,以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后,任何现有的排名功能。重排序模型采用个性化的决定点过程(DPP),提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度,但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制,我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明,我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
D-RDW: Diversity-Driven Random Walks for News Recommender Systems
本文提出D-RDW算法,通过多样性驱动随机游走与可定制目标分布相结合,为新闻推荐提供透明且计算高效的多样化重排序方案。
2025-08-18 cs.IR