The Dice Roll Method: A Standardized Protocol for Repeated-Query Auditing of Large Language Model Brand Recommendations
Estonian Entrepreneurship University of Applied Sciences (EUAS)(爱沙尼亚应用科学创业大学(EUAS))
该研究提出骰子掷点法作为LLM品牌推荐重复查询审计的标准化协议,通过分解响应方差等方法,得出三类迭代指导,经外部验证可有效支撑相关审计工作。
2026-10-15 cs.CL cs.IR
LLM-Guided Multi-View Hypergraph Learning for Human-Centric Explainable Recommendation
本文提出LLMHG框架,结合大型语言模型推理与超图神经网络,以人为中心建模用户偏好并提升推荐可解释性,在多个真实数据集上优于传统模型。
2024-03-29 cs.IR
Uptrendz: API-Centric Real-time Recommendations in Multi-Domain Settings
在这项工作中,我们解决的问题,适应实时的【形】推荐系统的多个应用领域,其底层的数据模型和定制的要求。为此,我们提出了Uptrendz,这是一个多域推荐平台,可以自定义以API为中心的方式提供实时的【形】推荐。我们演示了(i)如何使用流行的MovieLens-100 k数据集建立实时的【形】电影推荐器,以及(ii)如何基于创业初创公司的推荐用例同时支持多个应用领域。为此,我们在项目级和系统级上区分域。我们相信,我们的演示展示了一种以API为中心的方式适应,部署和评估推荐系统的便捷方法。GitHub上提供了演示如何使用已配置的Uptrendz API的源代码和文档。
2023-01-03 cs.HC cs.IR
When the Label Ignores the Request: Auditing Policy-Selected Targets in Synthetic Conversational Music Recommendation
本研究审计合成对话推荐中策略选择标签与用户确切歌曲请求的矛盾,发现半数开发轮次存在冲突,并通过训练时补充目录解析目标使nDCG@20相对提升53.3%。
2026-10-01 cs.IR
Unexpected Knowledge: Auditing Wikipedia and Grokipedia Search Recommendations
University of Calabria, ICAR-CNR(卡塔尼亚大学,ICAR-CNR);University of Southern California(南加州大学);University of Calabria, ICAR-CNR, Revelis s.r.l.(卡塔尼亚大学,ICAR-CNR,Revelis s.r.l.)
研究通过比较维基百科和Grokipedia的搜索推荐,发现两者均存在意外结果,但主题分布和推荐差异显著。
2025-12-18 cs.AI cs.IR
Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University(吉林大学符号计算与知识工程教育部重点实验室);PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University(香港理工大学PolyU人工智能研究院);Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney(悉尼科技大学FEIT澳大利亚人工智能研究所)
本文提出FCUCR框架,通过时间感知自蒸馏和用户原型转移机制,解决联邦学习中时间遗忘和异构用户数据下的协同个性化问题,实验证明其有效性与实用性。
2026-03-18 cs.IR
Whose Name Comes Up? Auditing LLM-Based Scholar Recommendations
本研究审计六个开放权重LLM在物理学者推荐中的表现,发现模型存在一致性差、格式错误及性别、种族和资历偏见,且偏向高被引学者,需改进以实现公平推荐。
2025-09-10 cs.AI cs.CY cs.DL
Topic-Centric Explanations for News Recommendation
本文提出一种主题感知的可解释新闻推荐模型,通过关联主题信息解释推荐理由,并引入一致性指标评估主题质量,在MIND数据集上优于多个基线系统且能生成可解释主题。
2023-10-06 cs.IR
Enhancing Recommendation Explanations through User-Centric Refinement
针对传统推荐解释因数据和模型限制无法满足用户对事实性、个性化等需求的问题,本文提出基于大语言模型的多智能体协作优化框架,通过“先规划后优化”模式和分层反思机制提升解释质量,实验验证其有效性。
2025-02-17 cs.IR
Towards the design of user-centric strategy recommendation systems for collaborative Human-AI tasks
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
人工智能正被人类用来协作解决搜索和救援、制造等复杂任务。通过了解用户偏好并向人类推荐解决特定任务的不同策略,可以实现高效的团队合作。先前的工作集中在个性化的推荐系统,在电子商务或社交网络的背景下,相对较好地理解的任务。在本文中,我们试图了解设计以用户为中心的决策策略推荐系统时要考虑的重要因素。我们进行了一个人类受试者实验(n=60),测量不同的个性类型的用户对不同的策略推荐系统的偏好。我们在四种类型的策略推荐模式中进行了我们的实验,这些模式在先前的工作中已经建立:(1)单一策略推荐,(2)多个相似的推荐,(3)多个不同的推荐,(4)所有可能的策略推荐。虽然这些策略推荐方案已独立探索在以前的工作中,我们的研究是新颖的,因为我们同时采用所有这些策略的建议,为我们提供了一个深入的概述不同的策略推荐系统的看法。我们发现,某些人格特质,如诚实,显着影响对特定类型的系统的偏好(p < 0.01)。最后,我们报告了可用性,一致性和感知智能之间的有趣关系,其中更大的感知一致性的建议与自己的喜好导致更高的感知智能(p < 0.01)和更高的可用性(p < 0.01)。
2023-01-17 cs.AI cs.HC cs.IR
ID-centric Pre-training for Recommendation
本文提出以ID为中心的推荐预训练范式IDP,通过跨领域ID匹配器CDIM将预训练领域的行为性ID嵌入迁移到新领域物品表示,在冷启动和热启动场景中显著优于基线方法。
2024-05-07 cs.IR
A Survey on Side Information-driven Session-based Recommendation: From a Data-centric Perspective
本文从数据中心视角全面综述辅助信息驱动的会话推荐,涵盖任务定义、相关基准、辅助信息的类型与使用方式、研究进展分类,最后总结局限并展望未来方向。
2025-05-18 cs.IR
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences(中国科学院大学);Tencent(腾讯);Beihang University(北京航空航天大学);Institute of Intelligent Computing Technology(智能计算技术研究所)
会话式推荐系统(CRS)的目标是在会话中提供高质量的推荐。然而,大多数常规CRS模型主要关注当前会话的对话理解,而忽略了中心主题的其他丰富的多方面信息(即,用户)推荐。在这项工作中,我们强调,用户的历史对话会话和外观相似的用户是用户偏好的重要来源,除了当前的对话会话在CRS。为了系统地对多方面信息进行建模,我们提出了一个以用户为中心的会话推荐(UCCR)模型,该模型回归了CRS任务中用户偏好学习的本质。具体来说,我们提出了一个历史会话学习器,以捕捉用户的多视图偏好的知识,语义和消费的意见作为补充,以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器,通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中,我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比,UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
A Survey on Data-Centric Recommender Systems
本文首次系统综述数据驱动的推荐系统,涵盖基础概念、数据三大问题、现有研究及未来方向,强调从模型中心向数据中心的范式转变。
2024-05-28 cs.IR
Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations
University of Georgia(佐治亚大学);The Hong Kong Polytechnic University(香港理工大学);Tencent AI Lab(腾讯AI实验室)
针对系统冷启动推荐难题,提出基于小语言模型的PromptRec方法,通过以数据为中心的流水线增强模型能力,仅用大模型17%的推理时间即可实现相当的推荐性能。
2024-03-04 cs.AI cs.CL cs.IR
A Data-Centric Multi-Objective Learning Framework for Responsible Recommendation Systems
提出以数据为中心的多目标学习框架MoRec,通过三层架构(PID控制器、符号梯度、标准优化器)统一异构目标优化,解决推荐系统中目标优先级可控性不足的问题,实验证明其有效且适合实际应用。
2023-10-20 cs.IR
Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
Tsinghua University(清华大学);Paradigm Inc.(Paradygm公司);The Hong Kong University of Science and Technology (GZ)(香港科技大学(广州))
针对KG推荐缺乏个性化且难泛化到新物品的问题,提出KUCNet,通过用户-物品子图、注意力GNN与Personalized PageRank剪枝实现准确高效可解释推荐。
2024-03-21 cs.AI cs.IR cs.LG
PersonaAct: Simulating Short-Video Users with Personalized Agents for Counterfactual Filter Bubble Auditing
State Key Lab of AI Safety, Institute of Computing Technology, CAS(人工智能安全国家重点实验室,中国科学院计算技术研究所);University of Chinese Academy of Science(中国科学院大学)
PersonaAct通过个性化代理模拟短视频用户,提升过滤气泡审计的保真度和深度,揭示内容压缩现象并释放首个开源数据集。
2026-01-30 cs.IR
Can we aggregate human intelligence? an approach for human centric aggregation using ordered weighted averaging operators
本文的主要目的是提出一种方法,推荐系统,可以同化排名的选民或排名,使推荐可以优先考虑专家的建议比通常的建议。为了实现这一点,我们通过有序加权聚合(OWA)引入了以人为中心的聚合概念。在这里,我们提倡排名推荐,其中排名者根据他们在排名中的位置被分配权重。此外,推荐过程中,这是在这里介绍的推荐图书大学生利用语言数据摘要和有序加权聚合(OWA)技术。在所建议的方法中,权重的分配方式是将较高的权重与排名最好的大学相关联。该方法已被评估超过八个不同的参数。所提出的方法的优越性是显而易见的,从评估结果。我们声称,该方案节省了传统推荐系统所需的存储空间,以及它不需要用户的先验偏好,从而产生冷启动问题的解决方案。这设想,该计划可以是非常有用的决策问题,特别是推荐系统。此外,它强调了如何以人为中心的聚合可以在推荐研究中的有用,也给出了一个新的方向,如何各种人类特定的任务可以数值聚合。
2021-05-01 cs.HC cs.IR
Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census
Norly Research(诺利研究)
本研究对巴厘岛两个区域的4776家餐饮场所开展完整普查,审计四大AI助手的推荐结果,发现多数场所未被推荐、存在过时推荐问题,且跨系统一致性低。
2026-08-10 cs.CY cs.IR
UniFormer: Efficient and Unified Model-Centric Scaling for Industrial Recommendation
Kuaishou Technology(快手科技)
提出UniFormer框架,通过分解特征与任务空间、引入语义令牌化及多序列交叉注意力,实现工业推荐系统的统一模型中心缩放,在快手和快手极速版上显著提升用户参与度。
2026-06-26 cs.IR
Dataset Regeneration for Sequential Recommendation
本研究针对序列推荐中以模型为中心范式忽略数据质量问题的不足,提出模型无关的DR4SR及模型感知的DR4SR+数据集再生框架,在四个数据集上结合多种方法均实现显著性能提升,为以数据为中心的推荐系统研究提供新思路。
2024-09-11 cs.IR
Insight-centric Visualization Recommendation
Georgia Tech(佐治亚理工学院);Adobe Research(奥多比研究中心)
可视化推荐系统简化了探索性数据分析(EDA),并通过自动生成可视化供用户探索,使所有技能水平的用户更容易理解数据。然而,大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制,我们引入了一类新的可视化推荐系统,自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果,以自动发现见解。一个关键的优点是,这种方法推广到各种各样的属性类型,如分类,数值和时间,以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性,我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight,它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究,结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
U-NEED: A Fine-grained Dataset for User Needs-Centric E-commerce Conversational Recommendation
Alibaba Group(阿里巴巴集团)
本文构建了真实电商场景下细粒度的用户需求中心对话推荐数据集U-NEED,提出5个关键任务并建立基线,实验揭示不同类别中该任务的挑战各异。
2023-05-05 cs.AI cs.IR
Infinite Recommendation Networks: A Data-Centric Approach
University of California, San Diego(加州大学圣地亚哥分校);Meta AI
我们利用神经切线核及其训练无限宽神经网络的等价性来设计$\infty$ -AE:一个具有无限宽瓶颈层的自动编码器。结果是一个高度表达但简单的推荐模型,具有单个超参数和封闭形式的解决方案。利用$\infty$ -AE的简单性,我们还开发了Distill-CF,用于合成微小的高保真数据摘要,该摘要从非常大和稀疏的用户-项目交互矩阵中提取最重要的知识,用于高效和准确的后续数据使用,如模型训练,推理,架构搜索等。其中,我们的目标是独立于学习算法,提高用于后续建模的记录的用户反馈数据的质量。我们特别利用可微Gumbel采样的概念来处理固有的数据异构性,稀疏性和半结构化,同时可扩展到具有数亿用户-项目交互的数据集。我们提出的两种方法都显著优于各自的最新技术水平,当一起使用时,我们观察到$\infty$ -AE在完整数据集上的96-105%的性能,只有原始数据集大小的0.1%,这让我们探索了一个反直觉的问题:您需要更多的数据来获得更好的推荐吗?
2022-10-12 cs.IR cs.LG
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of California San Diego(加州大学圣地亚哥分校);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院)
本文提出个人智能体中介推荐(PAMR)范式,主张将推荐控制权从平台端排序转向用户端证据中介,并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 cs.IR
Rec-R1: Bridging Generative Large Language Models and User-Centric Recommendation Systems via Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
Rec-R1通过强化学习连接生成式大语言模型与用户导向推荐系统,有效提升推荐性能并保留LLM通用能力。
2026-01-28 cs.CL cs.IR
Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学);Academy of Cyber(赛博研究院)
本文提出一个三方框架TriRec,用于基于代理的推荐系统,旨在协调用户效用、物品曝光和平台层面的公平性,从而提高推荐系统的准确性和公平性。
2026-08-26 cs.IR
Auditing Return Conditioning as a Control Knob: An Offline Diagnostic for Decision Transformer Recommendation
Independent Researcher
本研究针对Decision Transformer推荐系统,提出将回报条件作为控制旋钮的离线诊断方法,通过在MovieLens 25M与MAL数据集上开展实验,验证了RTG局部性等四项检查对回报控制的审计作用。
2026-08-26 cs.IR
ULMRec: User-centric Large Language Model for Sequential Recommendation
针对 LLM 序列推荐难以捕捉用户级个性化偏好的问题,本文提出 ULMRec,通过标题语义化、用户索引和偏好对齐调优融合用户偏好,并在两个公开数据集上显著优于现有方法。
2024-12-07 cs.IR
A Task-Centric Perspective on Recommendation Systems
Nanyang Technological University(南洋理工大学)
该研究从任务中心视角分析推荐系统的任务表述,梳理影响离线评估的关键因素与交互复杂性,探讨任务特异性和模型泛化性的平衡,为推荐系统研究提供结构化参考,助力公平有意义的评估。
2025-10-30 cs.IR
Is Serving-Time Language-Model Inference Necessary for Recommendation? Evidence from Generative and Agentic Settings
Hunan University(湖南大学);Dalian University of Technology(大连理工大学);Tongji University(同济大学);University of Chinese Academy of Sciences(中国科学院大学);Xinjiang College of Science & Technology(新疆科技学院);Beihang University(北京航空航天大学)
本研究提出轻量级可审计恢复测试LIME-Rec,结合三类专家模型在三个Amazon数据集上验证语义推荐增益源于真实物品-文本对应,为序列推荐的语义增益归因提供了透明方法。
2026-10-20 cs.AI cs.IR
LLM-I2I: Boost Your Small Item2Item Recommendation Model with Large Language Model
LLM-I2I通过大语言模型提升小物品到物品推荐模型的性能,缓解数据稀疏性和噪声问题,提高推荐准确性和商业价值。
2025-12-25 cs.AI cs.IR
Segregation Before Polarization: How Recommendation Strategies Shape Echo Chamber Pathways
The University of Tokyo(东京大学);Institute of Science Tokyo(东京科学大学)
通过扩展动态有界置信模型,研究基于内容与基于链接的推荐策略如何分别导致社交网络先隔离后极化的不同演化路径。
2026-05-30 cs.IR cs.SI physics.soc-ph
PICASSO: Unleashing the Potential of GPU-centric Training for Wide-and-deep Recommender Systems
个性化推荐的发展显着提高了信息匹配的准确性和电子商务平台的收入。近年来,它有两个趋势:1)推荐系统必须及时训练,以应对不断增长的新产品和不断变化的用户兴趣,从在线营销和社交网络; 2)SOTA推荐模型引入DNN模块,以提高预测精度。传统的基于CPU的推荐系统不能满足这两个趋势,以GPU为中心的训练已经成为一种趋势。然而,我们观察到GPU设备在训练推荐系统中的利用率不足,并且它们不能达到预期的吞吐量提高,因为它在CV和NLP领域已经取得了成就。这个问题可以解释为这些推荐模型的两个特点:第一,它们包含多达一千个输入特征字段,引入零碎和内存密集型操作;第二,多个组成特征交互子模块引入了大量的小型计算内核。为了消除这个障碍,推荐系统的发展,我们提出了一个新的框架名为PICASSO商品硬件上的推荐模型的训练加速。具体而言,我们进行了系统的分析,以揭示培训推荐模型中遇到的瓶颈。我们利用模型结构和数据分布,通过我们的打包、交织和缓存优化来释放硬件的潜力。实验表明,PICASSO在SOTA基准的基础上,硬件利用率提高了一个数量级,对各种行业推荐模型的吞吐量提升高达6倍。在生产中使用相同的硬件预算,PICASSO平均将日常培训任务的walltime缩短了7个小时,大大减少了持续交付的延迟。
2022-04-17 cs.DC 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
All Eyes on the Ranker: Participatory Auditing to Surface Blind Spots in Ranked Search Results
School of Computing Science University of Glasgow Glasgow United Kingdom;Information Sciences University of Strathclyde Glasgow United Kingdom;School of Computing Science University of Glasgow;Information Sciences University of Strathclyde
本文通过参与式审计揭示用户对排名搜索结果影响的认知盲点,探讨了参与式审计在揭示用户感知影响和问责缺口中的作用,同时指出了其局限性。
2026-04-10 cs.CY cs.IR
How Researchers Could Obtain Quick and Cheap User Feedback on their Algorithms Without Having to Operate their Own Recommender System
大多数推荐算法都是基于历史基准数据集进行评估的。对历史基准数据集的评估是快速和廉价的,但排除了实际消费推荐的用户的观点。用户反馈很少被收集,因为它需要访问操作推荐系统。建立和维护一个可操作的推荐系统会给大多数研究人员带来无法承担的及时和经济负担。我们的目标是减少这种负担,以促进广泛的以用户为中心的评价推荐算法,特别是在该领域的新手研究人员。我们目前正在进行的评估工具,实现了一种新的范式,使用户为中心的评价推荐算法,而无需访问一个操作推荐系统的工作。最后,我们勾勒出我们计划在评估工具的帮助下进行的实验。
2022-12-14 cs.IR
A Random Walk Model for Item Recommendation in Folksonomies
社会化标记作为一种新颖的信息组织和发现方法,已被广泛应用于许多Web2.0应用中。标签提供了一种新的信息类型,可以被推荐系统利用。然而,三元<用户,标签,项目>交互数据的稀疏性限制了基于标签的协同过滤的性能。提出了一种基于随机游走的算法来处理社会标签数据中的稀疏性问题,该算法通过用户与标签的交互来捕捉用户与项目之间潜在的传递性关联。特别是,两个平滑策略,提出了以用户为中心和以项目为中心的角度。在真实数据集上的实验证明了该算法的有效性。
2013-09-27 cs.IR
Mutual Harmony: Sequential Recommendation with Dual Contrastive Network
针对现有序列推荐中随机掩码导致信号不可靠及以用户为中心忽略物品提供者的问题,提出双对比网络(DCN),通过双表示和双兴趣对比学习实现用户与物品提供者的相互协调,生成真实自监督信号,在四个基准数据集上验证了有效性。
2023-09-15 cs.IR
User-centric Music Recommendations
Departamento de Sistemas Informáticos Universidad de Castilla - La Mancha(卡斯蒂利亚-拉曼查大学计算机系统系);Faculty of Information Technology. Monash University. Clayton. Australia.(墨尔本大学信息技术学院)
本研究提出含四个可定制阶段的以用户为中心的音乐推荐框架,基于单用户15年Last.fm播放记录,结合标签与音频特征预测用户偏好以推荐曲目,可扩展至多用户。
2025-05-16 cs.AI cs.IR
Evaluating Conversational Recommender Systems via Large Language Models: A User-Centric Framework
The Hong Kong Polytechnic University(香港理工大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);City University of Hong Kong(香港城市大学)
本文提出CoRE框架,通过大语言模型评估对话推荐系统,结合用户评价和多代理辩论,提升用户体验评估的准确性。
2026-01-24 cs.IR
Democratic Recommendation with User and Item Representatives Produced by Graph Condensation
South China University of Technology(华南理工大学);Central South University(中南大学);City University of Hong Kong(香港城市大学);Pengcheng Lab(鹏城实验室);Education University of Hong Kong(香港教育大学)
DemoRec通过图压缩生成用户和物品代表,提升推荐系统在大规模二部图中的性能、效率和鲁棒性。
2025-11-23 cs.IR
OT-FlowRec: Optimal Transport-Guided Multi-Bridge Flow for Multimodal Sequential Recommendation
Nanjing University of Science and Technology(南京理工大学)
本文针对多模态序列推荐中多兴趣分布建模不足的问题,提出OT-FlowRec框架,通过最优传输引导的多桥流匹配实现兴趣解耦,在三个公开数据集上优于现有SOTA基线。
2026-10-14 cs.AI cs.IR
FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms
本文提出 FairSort 重排序模型,以跑道机制替代背包约束,并用二分搜索保障最小效用,从而在双边公平与个性化推荐质量间取得平衡。
2024-12-08 cs.GT cs.IR
The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape
Tsinghua University(清华大学);Tencent Inc.(腾讯公司)
研究基于LLM的代理推荐市场,用户先提需求平台竞争注意力。实验发现新设置在获取与注意力间有紧张关系,竞争引发平台策略行为,关联反馈可增加购买机会,强调设计代理推荐需综合考虑多方面并作为联合机制设计问题。
2026-07-30 cs.AI cs.IR
Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability
Pohang University of Science and Technology(浦项科技大学);Korea Advanced Institute of Science and Technology(韩国高等科学技术研究院)
顺序推荐系统通过捕捉用户的兴趣漂移,实现了有效的推荐。现有的顺序模型有两组:以用户为中心的模型和以项目为中心的模型。以用户为中心的模型基于每个用户的顺序消费历史来捕获个性化的兴趣漂移,但是没有明确地考虑用户对物品的兴趣是否持续超过训练时间,即,兴趣可持续性。另一方面,以项目为中心的模型考虑的是用户的一般兴趣在训练时间后是否持续,但它不是个性化的。在这项工作中,我们提出了一个推荐系统,利用这两类模型。我们提出的模型捕捉个性化的兴趣可持续性,表明是否每个用户的项目的兴趣将持续超过训练时间或没有。我们首先制定了一个任务,需要预测哪些项目,每个用户将消费在最近一段时间的训练时间的基础上用户的消费历史。然后,我们提出了简单而有效的计划,以增加用户的稀疏消费历史。大量的实验表明,该模型优于10个基线模型在11个真实世界的数据集。这些代码可在https://github.com/dmhyun/PERIS上获得。
2022-09-14 cs.AI cs.IR cs.LG
Frappe: Understanding the Usage and Perception of Mobile App Recommendations In-The-Wild
本文描述了一个真实世界的部署上下文感知的移动应用程序推荐系统(RS)称为Frappe。利用混合方法,我们进行了一个大规模的应用程序市场部署与1000个Android用户结合一个小规模的本地用户研究,涉及33个用户。由此产生的使用日志和主观反馈使我们能够收集有关(1)依赖于上下文的应用程序使用情况和(2)最终用户在与上下文感知移动应用程序推荐交互时的感知和体验的关键见解。虽然Frappe基于以使用为中心的评估指标表现得非常好,但小规模研究的见解揭示了一些负面的用户体验。我们的研究结果指出了一些可操作的经验教训,特别是与设计,部署和评估移动上下文感知RS在野外与真实用户。
2015-05-12 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
Can We Steer the Black-Box? Towards Controllability-Centric Evaluation of Recommender Systems with Collaborative Agents
Institute of Information Engineering, Chinese Academy of Sciences, China(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences, China(中国科学院大学网络安全学院)
针对推荐系统缺乏可控性的问题,提出CtrlBench-Rec协同多智能体框架,形式化三个基本任务衡量可操纵性,通过实验有效量化可控性、揭示系统瓶颈,为可控推荐研究等提供首个标准化工具包。
2026-07-17 cs.AI cs.IR
ReST: A Plug-and-Play Spatially-Constrained Representation Enhancement Framework for Local-Life Recommendation
Kuaishou Technology(快手科技)
本文提出ReST框架,通过空间受限的ID表示增强网络SIDENet,提升长尾项表示,解决本地生活推荐中的空间约束与长尾稀疏性问题。
2026-04-18 cs.IR
MOSAIC: Multimodal Multistakeholder-aware Visual Art Recommendation
MOSAIC提出一种基于CLIP和BLIP的多模态多利益相关者感知视觉艺术推荐方法,通过联合优化画作流行度与代表性,在213名用户偏好评估和100名众包用户研究中验证了流行度的显著正向作用,为多利益相关者内容推荐提供了新思路。
2024-07-31 cs.IR
Beyond One-Size-Fits-All: A Study of Neural and Behavioural Variability Across Different Recommendation Categories
本文通过结合脑电图与行为数据的对照电商研究,考察精确、替代、互补和无关推荐类别下用户神经与行为反应的差异及个体差异。
2025-06-16 cs.IR
Enhancing and Scaling Search Query Datasets for Recommendation Systems
JPMorganChase(摩根大通)
本文提出一个面向数字银行推荐系统的生产级数据增强系统,通过合成查询生成、意图消歧和意图缺口分析三个模块缓解冷启动问题并提升推荐精度,在真实环境中验证了显著效果。
2025-08-22 cs.AI cs.IR