Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks
推荐系统根据用户过去的偏好帮助用户找到感兴趣的相关项目。然而,在许多领域中,由于各种因素,用户的品味和偏好随着时间的推移而变化,推荐系统应该在用户偏好中捕获这些动态,以便保持对用户最当前兴趣的调谐。在这项工作中,我们提出了一个基于隐马尔可夫模型(HMM),考虑到用户偏好的动态推荐框架。我们提出了一种基于HMM的方法来检测用户交互序列中的变化点,该方法根据数据中所有用户的顺序行为来反映偏好的显着变化。拟议的框架利用已确定的变化点,以两种方式提出建议。在一种方法中,使用变化点来创建序列感知的非负矩阵分解模型,以生成与用户的当前品味一致的推荐。在第二种方法中,HMM直接用于生成考虑到所识别的变化点的建议。这些模型在变化点检测的准确性以及使用真实音乐流数据集的推荐的有效性方面进行了评估。
2018-09-29 cs.IR
Modeling Dual Period-Varying Preferences for Takeaway Recommendation
针对外卖推荐中店铺-餐食双重偏好与日内时段偏好变化的挑战,提出DPVP模型,通过双重交互感知模块、时间分解模块及时序门控机制建模偏好,实验效果优于SOTA,已在美团上线提升GMV 0.70%。
2023-06-16 cs.IR
User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
Huazhong University of Science and Technology(华中科技大学)
本文提出SMTPO框架,通过多任务监督微调和强化学习优化多轮对话推荐,提升推荐准确性与泛化能力。
2026-04-04 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络(LBSNs)(如Foursquare)提供的数据,为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐(CAVR),其另外考虑用户的周围上下文(例如,用户的位置和一天中的时间),以便提供更相关的场所建议。为了解决CAVR的挑战,我们描述了两种方法,利用词嵌入技术来推断矢量空间表示的场地,用户的现有偏好,和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明,我们可以显着提高最先进的场馆推荐方法的有效性,以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Robust Preference-Guided Denoising for Graph based Social Recommendation
基于图神经网络(GNN)的社会推荐模型通过利用GNN挖掘社会关系中包含的偏好相似性来提高用户偏好的预测精度。然而,就推荐的有效性和效率而言,很大一部分社会关系可能是冗余的甚至是嘈杂的,例如,朋友在某个领域没有共同的偏好是很正常的。现有的模型不能完全解决关系冗余和噪音的问题,因为它们直接表征了整个社交网络的社会影响力。在本文中,我们提出通过仅保留信息社会关系来改进基于图的社会推荐,以确保高效和有效的影响力扩散,即,图去噪我们设计的去噪方法是偏好引导的,以建立社会关系信心模型,并通过为推荐模型提供一个去噪但信息量更大的社交图来帮助用户偏好学习。此外,为了避免噪声社会关系的干扰,它设计了一个自校正课程学习模块和自适应去噪策略,都有利于高置信度的样本。在三个公开数据集上的实验结果表明,该算法通过鲁棒地删除10-40%的原始关系,对两种最先进的社会推荐模型具有一致的改进能力。我们在https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec上发布源代码。
2023-03-15 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
Coherence-guided Preference Disentanglement for Cross-domain Recommendations
针对跨域推荐中共享用户与共享物品稀缺的问题,提出CoPD方法,通过一致性约束提取共享物品属性,并以流行度加权损失将用户偏好解耦为兴趣与从众性嵌入,实验证明其优于竞争基线。
2025-06-09 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
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题,提出BiPNet,利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好,实验验证其优越性。
2023-11-02 cs.IR
Minimalist and High-performance Conversational Recommendation with Uncertainty Estimation for User Preference
会话式推荐系统(CRS)是一种用户友好的方式来捕捉用户对候选项目和属性的动态偏好。Multi-shot CRS旨在多次提出建议,直到用户接受建议或在耐心结束时离开。现有的工作是用强化学习(RL)训练的,这可能会受到不稳定的学习和过高的计算要求的影响。在这项工作中,我们提出了一个简单而有效的CRS,Minimalist非增强交互式concilional推荐网络(MINICORN)。MINICORN模型的估计用户偏好的认知不确定性和查询用户的属性具有最高的不确定性。该系统采用了一个简单的网络架构,并使用一个单一的规则进行查询与推荐的决定。令人惊讶的是,这种最低限度的方法在三个真实世界数据集上的表现远远优于最先进的RL方法。我们希望MINICORN将成为未来研究的宝贵基线。
2022-07-01 cs.IR
Beyond Static Calibration: The Impact of User Preference Dynamics on Calibrated Recommendation
针对传统静态校准方法可能扭曲用户真实偏好的问题,本文通过分析不同大小的训练时间窗口,初步探究了动态演化的用户偏好对推荐校准的影响,并在多领域数据集上验证了该影响的领域差异性。
2024-05-16 cs.IR
Enhancing LLM-based Recommendation with Preference Hint Discovery from Knowledge Graph
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院)
本文提出基于知识图谱的偏好提示发现模型,通过提取关键属性作为提示,提升大语言模型在推荐任务中的表现。
2026-01-26 cs.IR
Unifying Search and Recommendation with Dual-View Representation Learning in a Generative Paradigm
Leiden University(莱顿大学);University of Science and Technology of China(中国科学技术大学);Renmin University of China(中国人民大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对搜索与推荐统一中的梯度冲突和设计复杂问题,提出生成范式GenSR,利用任务提示划分参数空间增强互信息,通过双表示学习和对比学习,在公开数据集上超越现有方法。
2025-10-25 cs.IR
Learning Preferences and Demands in Visual Recommendation
视觉信息是推荐系统中的一个重要因素,在推荐系统中,用户的选择由两部分组成:\emph{preferences}和\emph{demands}。在视觉推荐中,用户偏好模型的研究已经取得了一定的进展。然而,常规方法在公共视觉特征空间中对项目进行建模,这可能无法捕获项目的\emph{styles}。我们提出了一种DeepStyle方法来学习项目的风格特征。DeepStyle基于卷积神经网络(CNN)架构,消除了在原始视觉特征空间中占主导地位的项目分类信息。对于建模用户对不同类别的项目的需求,该问题可以被公式化为具有上下文和顺序信息的推荐。为了解决这个问题,我们提出了一个上下文感知门控递归单元(CA-GRU)的方法,它可以同时捕获序列和上下文信息。此外,对偏好和需求的预测的聚合,即,由DeepStyle和CA-GRU生成的预测,可以更完整地建模用户的选择行为。在真实数据集上进行的实验表明了本文方法在视觉推荐中的有效性。
2019-11-11 cs.IR
Prospective Preference Enhanced Mixed Attentive Model for Session-based Recommendation
针对会话推荐任务,提出融合时间模式与用户预期偏好的P2MAM模型,采用位置敏感注意力机制,在6个基准数据集上性能最高提升19.2%,测试效率较最佳基线平均提升47.7倍。
2022-06-04 cs.IR
End-to-End Personalized Next Location Recommendation via Contrastive User Preference Modeling
预测下一个位置是许多基于位置的服务(如目的地预测和路线规划)中非常有价值和常见的需求。下一个位置推荐的目标是基于用户的历史轨迹来预测用户可能去的下一个兴趣点。现有的模型大多只从用户的历史签到序列中学习移动模式,而忽略了用户偏好建模的重要性。在这项工作中,一个新的点的兴趣Transformer(POIFormer)与对比用户偏好建模开发的端到端的下一个位置推荐。该模型由三个主要模块组成:历史编码器、查询生成器和偏好解码器。历史编码器被设计成从历史登记序列中建模移动模式,而查询生成器显式地学习用户偏好以生成用户特定的意图查询。最后,偏好解码器结合意图查询和历史信息来预测用户的下一个位置。广泛的比较与代表性的计划和消融研究的四个真实世界的数据集证明了所提出的计划在各种设置下的有效性和优越性。
2023-03-22 cs.IR
Deep Cross Networks with Aesthetic Preference for Cross-domain Recommendation
当购买外观第一的产品时,例如,服装,产品外观美学在决定过程中起着重要的作用。此外,用户的审美偏好可以被视为一种个性特征和基本需求,是领域无关的,可以作为知识转移的领域之间的桥梁。然而,现有的工作很少考虑产品照片中的美学信息进行跨域推荐。为此,在本文中,我们提出了一个新的深度审美偏好跨域网络(ACDN),其中表征个人审美偏好的参数在网络之间共享,以在域之间传递知识。具体来说,我们首先利用美学网络来提取相关特征。然后,我们将美学特征整合到跨领域网络中,以传递用户与领域无关的美学偏好。此外,网络交叉连接,使跨领域的双重知识转移。最后,在真实数据上的实验结果表明,我们提出的ACDN优于其他基准方法的推荐精度。研究结果还表明,用户的审美偏好可以有效地缓解跨域推荐中的数据稀疏问题。
2019-05-29 cs.IR
LISRec: Modeling User Preferences with Learned Item Shortcuts for Sequential Recommendation
Northeastern University(东北大学);Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团);Carnegie Mellon University(卡内基梅隆大学)
LISRec通过学习用户历史交互中的语义快捷方式,提升序列推荐系统对稳定用户偏好的捕捉能力,实验表明其在Yelp和Amazon数据集上优于基线模型13%。
2025-11-26 cs.IR
A First Look at Selection Bias in Preference Elicitation for Recommendation
本文首次研究推荐系统偏好引导中的选择偏差问题,提出基于主题的偏好引导模拟方法,实验表明忽略选择偏差会加剧过度代表现象,而去偏方法能显著提升后续推荐性能。
2024-05-01 cs.IR
Multimodal Recommendation via Self-Corrective Preference Alignmen
针对直播场景中用户动态偏好与主播多模态特征难以对齐的问题,本文提出 MSPA 框架,通过多模态偏好组合器与自校正偏好对齐推荐器提升推荐准确性、可解释性及文本质量,并在动态直播场景中显著优于基线方法。
2025-08-13 cs.IR
Oracle-guided Dynamic User Preference Modeling for Sequential Recommendation
针对现有序列推荐仅用历史信息导致用户偏好建模偏差的问题,提出Oracle4Rec方法,利用未来oracle信息引导模型训练,通过双编码器提取信息并以两阶段策略优化,实验证明其性能更优且可作为通用模块提升其他方法效果。
2024-12-01 cs.IR
When and How to Ask: Dynamic Preference Elicitation Strategies for Conversational Recommendation
University of Sheffield(谢菲尔德大学);Bloomberg(彭博)
研究对话推荐中偏好引出策略,发现最优策略具阶段依赖性与上下文敏感性。引入InPE数据集,提出COPE架构。离线评估表明上下文感知策略有益,分析预测策略揭示对话阶段趋势,为交互模式提供证据。
2026-07-09 cs.IR
IRF: Interactive Recommendation through Dialogue
本文提出了一个通用的交互式推荐系统框架,该框架利用对话系统与用户进行交互,并设计了一个中间件层来提供交互功能,例如提供对推荐的解释、管理从对话中获知的用户偏好、偏好引出以及基于获知的偏好来改进推荐。
2019-10-03 cs.IR
Double-Wing Mixture of Experts for Streaming Recommendations
流推荐系统(SRS)通常仅在新接收的数据上训练推荐模型以解决用户偏好漂移,即,改变用户对物品的偏好。然而,这种做法忽略了历史数据中嵌入的长期用户偏好。更重要的是,数据流中常见的异构性大大降低了流推荐的准确性。原因是不同类型的用户(或项目)的不同偏好(或特征)无法通过统一模型很好地学习。为了解决这两个问题,我们提出了一个变量和水库增强采样的双翼混合专家模型框架,称为VRS-DWMoE,以提高流媒体推荐的准确性。在VRS-DWMoE中,我们首先设计了变分和随机增强的采样,以明智地用历史数据补充新数据,从而在捕获长期用户偏好的同时解决用户偏好漂移问题。在此基础上,我们提出了一个双翼混合专家模型(DWMoE)模型,首先有效地学习异构用户的偏好和项目的特点,然后提出建议的基础上。具体而言,DWMoE包含两混合专家模型(MoE,一个有效的集成学习模型),分别学习用户偏好和项目特征。此外,每个MoE中的多个专家学习不同类型的用户(或项目)的偏好(或特性),其中每个专家专门研究一个基础类型。大量的实验表明,VRS-DWMoE始终优于最先进的SRS。
2020-09-14 cs.IR
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来,真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本,在整个语料库上进行复杂的端到端算法是极具挑战性的。因此,传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率,旨在从大型语料库中高效地检索数百个条目,而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性,而匹配模块应该对多样性承担更多责任。在本文中,我们提出了一种新的异构图神经网络框架的多样化推荐(GraphDR)匹配,以提高推荐精度和多样性。具体来说,GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好,并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失,以平衡多样化匹配任务的推荐准确性和多样性。在实验中,我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标,并取得了显着的改善。为了更好地理解我们的模型,我们还进行了模型分析和案例研究。此外,GraphDR已经部署在一个知名的推荐系统上,影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
Causal Disentangled Recommendation Against User Preference Shifts
推荐系统容易面临用户偏好变化的问题。如果用户的偏好随着时间的推移而改变,用户表示将变得过时并导致不适当的推荐。为了解决这个问题,现有的工作集中在学习鲁棒的表示或预测的变化模式。缺乏一个全面的观点来发现用户偏好变化的根本原因。为了理解偏好转移,我们抽象出一个因果图来描述用户交互序列的生成过程。假设用户偏好在短时间内是稳定的,我们抽象的交互序列作为一组按时间顺序排列的环境。从因果图中,我们发现一些未观察到的因素的变化(例如,怀孕)导致环境之间的偏好转变。此外,细粒度的用户偏好的类别稀疏影响与不同的项目的交互。受因果图的启发,我们处理偏好转移的关键考虑因素在于通过以下方式对交互生成过程进行建模:1)捕获跨环境的偏好转移以进行准确的偏好预测,以及2)将用户偏好对交互的稀疏影响分离出来以进行准确的偏好效果估计。为此,我们提出了一个因果分解推荐(CDR)框架,它通过时间变分自编码器捕获偏好转移,并学习来自多个环境的稀疏影响。具体地说,编码器是用来推断未观察到的因素,从用户的交互,而解码器是模型的交互生成过程。此外,我们引入了两个可学习的矩阵来解开用户偏好对交互的稀疏影响。最后,我们设计了一个多目标损失优化CDR。在三个数据集上的大量实验表明了CDR的优越性。
2023-03-28 cs.IR
Future-Aware Diverse Trends Framework for Recommendation
在推荐系统中,用户-项目行为建模是用户表示学习的基础。现有的顺序排序器考虑历史交互项目之间的顺序相关性,以捕获用户的历史偏好。然而,由于用户的偏好本质上是随时间演变的和多样化的,因此仅对历史偏好进行建模(而不知道偏好的随时间演变的趋势)对于推荐补充或新鲜项目可能是较差的,从而损害推荐系统的有效性。在本文中,我们通过提出未来感知的多样化趋势(FAT)框架,弥合了过去偏好和潜在未来偏好之间的差距。通过未来感知,对于每个被检查的用户,我们构建未来序列从其他类似的用户,其中包括发生在被检查的用户的最后一个行为之后的行为,基于建议的邻居行为提取器。通过多样化的趋势,假设未来的偏好是多样化的,我们提出了多样化的趋势提取器和时间感知机制来表示一个给定的用户与多个向量的偏好的可能趋势。我们利用历史偏好和可能的未来趋势的表示来获得最终的建议。在真实世界数据集上进行的大量实验的定量和定性结果表明,该框架不仅在各种指标上优于最先进的顺序推荐方法,而且还提供了补充和新鲜的推荐。
2021-05-03 cs.IR
PANE-GNN: Unifying Positive and Negative Edges in Graph Neural Networks for Recommendation
针对GNN推荐忽视负反馈的问题,本文提出PANE-GNN,通过正负二部图、兴趣/非兴趣嵌入、差异化消息传递及负图畸变对比训练,在四个真实数据集上超越现有基准。
2023-06-08 cs.IR
Time Lag Aware Sequential Recommendation
虽然已经提出了各种方法来进行顺序推荐,但由于两个挑战,它仍然远未得到很好的解决。首先,现有的方法往往缺乏同时考虑的全局稳定性和局部波动的用户偏好,这可能会降低学习用户的当前偏好。第二,现有的方法通常使用基于标量的加权模式来融合长期和短期偏好,这是太粗糙,无法学习当前偏好的表达嵌入。为了解决这两个挑战,我们提出了一种新的模型称为时滞感知顺序推荐(TLSRec),它集成了一个层次化的用户偏好建模和时间滞后敏感的细粒度融合的长期和短期的偏好。TLSRec采用分层自注意网络来学习用户在全局和局部时间尺度上的偏好,并采用神经时间门来自适应地调节长期和短期偏好的贡献,以在方面级别上学习用户的当前偏好,并基于当前时间和用户上次行为时间之间的滞后。在真实数据集上进行的大量实验验证了TLSRec的有效性。
2022-08-09 cs.IR
Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences
针对对话推荐系统单一用户表示难以区分用户喜好与厌恶等对比意图的问题,提出CORAL模型,借助LLMs通过对比偏好扩展提取隐藏偏好并融入推荐,在三个基准数据集上Recall@10最高提升99.72%。
2025-03-27 cs.IR
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
本文提出概率偏好混淆方法 SBO,在保持推荐准确率的同时降低用户受保护属性泄露风险,并在多个主流模型和数据集上验证了其更优的准确率—隐私权衡。
2024-06-17 cs.IR
Analyzing User Preference for Social Image Recommendation
随着社交媒体平台上共享的多媒体数据量的惊人增长,推荐系统已经成为减轻用户信息过载负担的重要必要条件。在这种情况下,大量的异构信息,如标签,图像内容,除了用户对项目的偏好,是非常有价值的,使有效的建议。在本文中,我们探索了一种新的混合算法称为{ \em STM},用于图像推荐。STM在稀疏表示的基础上,将图像内容分析与用户偏好结合起来考虑。STM能够解决社交网络场景中高度稀疏的用户反馈和冷启动问题的挑战。此外,我们的模型是基于经典的概率矩阵分解,可以很容易地扩展到包括其他有用的信息,如社会关系。我们评估我们的方法与一个新收集的30万社会图像数据集从Flickr。实验结果表明,稀疏主题建模的图像内容导致更有效的建议,与国家的最先进的替代品具有显着的性能增益。
2016-04-24 cs.IR
Unifying Search and Recommendation in LLMs via Gradient Multi-Subspace Tuning
Leiden University(莱顿大学);CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心)
针对搜索与推荐统一中全微调计算昂贵、参数高效微调存在梯度冲突和用户意图理解偏移的问题,提出梯度多子空间调优框架,通过多子空间分解和零空间投影缓解冲突并保持通用知识,在基准数据集上超越现有方法。
2026-06-24 cs.IR
DRGame: Diversified Recommendation for Multi-category Video Games with Balanced Implicit Preferences
针对订阅制视频游戏推荐中隐式反馈不平衡及多类别兴趣建模难题,提出DRGame框架,通过平衡隐式偏好学习与聚类多样化推荐模块,在真实数据集上实现更优的多样化推荐。
2023-08-30 cs.IR
Direct Preference Optimization for LLM-Enhanced Recommendation Systems
针对LLM预训练目标与推荐任务不匹配导致性能受限的问题,提出DPO4Rec框架,通过将直接偏好优化(DPO)集成至LLM增强的推荐系统,利用奖励模型筛选响应构建微调数据并实现结构对齐,显著提升了重排序性能及指令遵循能力。
2025-04-02 cs.IR
Fading to Grow: Growing Preference Ratios via Preference Fading Discrete Diffusion for Recommendation
University of Science and Technology of China(中国科学技术大学)
针对连续高斯噪声与离散推荐数据不匹配的问题,提出 PreferGrow 离散扩散推荐框架,通过偏好渐隐、比率建模与迭代增长重建偏好,并在五个基准上验证其理论与性能优势。
2025-09-30 cs.IR
Dynamically Expandable Graph Convolution for Streaming Recommendation
个性化推荐系统被广泛研究和应用,以减少信息过载,满足用户的多样化需求。然而,传统的推荐模型只进行一次性的训练测试的方式,很难适应不断变化的需求,考虑到用户偏好的变化和不断增加的用户和项目在现实世界中。为了应对这些挑战,流媒体推荐被提出,并引起了极大的关注。其中,持续图学习被学术界和工业界广泛认为是一种有前途的流媒体推荐方法。然而,现有的方法要么依赖于历史数据回放,这往往是不切实际的日益严格的数据法规,或很少能解决\textit{over-stability}的问题。为了克服这些困难,我们提出了一种新的\textbf{D}的\textbf{E}可扩展的\textbf{G}和\textbf{C}卷积(DEGC)算法,从\textit{model isolation}的角度来看,流媒体推荐,这是正交于以前的方法。基于从有用的长期偏好中分离过时的短期偏好的动机,我们设计了一系列操作,包括图卷积修剪,精炼和扩展,以仅保留有益的长期偏好相关参数并提取新鲜的短期偏好。此外,我们建模的时间用户偏好,这是用来作为用户嵌入初始化,更好地捕捉个人层面的偏好变化。在三个最具代表性的基于GCN的推荐模型和四个工业数据集上的实验证明了该方法的有效性和鲁棒性。
2023-03-21 cs.IR
Reinforced Preference Optimization for Reasoning-Augmented Recommendations
City University of Hong Kong(香港城市大学);Kuaishou Technology(快手科技)
本文提出RPORec框架,通过统一LLM的推理能力与专用推荐头,提升推荐系统的精确性,实验表明其在公开基准和大规模部署中均优于现有方法。
2026-05-21 cs.IR
SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation
Zhejiang University of Technology(浙江工业大学);Hong Kong Polytechnic University(香港理工大学);Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(电子科技大学深圳高等研究院);University of South Australia(南澳大学)
本文首次系统研究出城旅行推荐问题,提出 SPOT-Trip 框架,通过 POI 属性知识图谱、神经常微分方程和时序点过程分别建模静态与动态双重用户偏好并融合,实验表明性能提升最高达 17.01%。
2025-09-20 cs.IR
Multi-Domain Recommendation to Attract Users via Domain Preference Modeling
针对多领域平台吸引用户的新推荐任务MDRAU,提出DRIP框架,通过双层面偏好建模和掩码领域建模解决映射组合多、偏好差异化的挑战,实验验证了其有效性。
2024-03-26 cs.IR
A Hybrid Recommendation Method Based on Feature for Offline Book Personalization
推荐系统在各个领域得到了广泛的应用。协同过滤注重评分,忽略了项目本身的特征。为了有效评估顾客对图书的偏好,结合线下图书零售的特点,采用LDA模型计算顾客对图书主题的偏好,采用word2vec模型计算顾客对图书类型的偏好。在预测图书的评价时,我们考虑了两个因素:顾客的相似性和顾客与图书的相关性。实验结果表明,基于特征的混合推荐方法在离线图书零售数据中的推荐效果优于单一推荐方法。
2018-04-26 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
AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation
Xidian University(西安电子科技大学)
AgentGR通过结合语义推理和群体动态模拟,提升群体推荐的准确性与决策模拟能力,采用链式偏好推理机制和多智能体策略改进用户偏好和群体互动模拟。
2026-05-11 cs.IR
Distributional Domain-Invariant Preference Matching for Cross-Domain Recommendation
针对非重叠跨域推荐中偏好映射的挑战,提出分布域不变偏好匹配方法,通过分层逼近域级偏好分布并最小化分布距离,实现跨域偏好对齐。
2023-09-04 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
Preference-Drift-Aware Subsequence Learning and Hierarchical Context Fusion for Long-Sequence Generative Recommendation
Software College, Northeastern University(东北大学软件学院);Tencent(腾讯)
针对长序列生成式推荐中偏好漂移与噪声问题,提出偏好漂移感知子序列学习与层次化上下文融合方法,提升准确性与效率。
2026-09-14 cs.IR
P$^3$Rec: Distilling Prior--Posterior Preference Reasoning for LLM-based Recommendation
Chongqing University of Technology(重庆理工大学);Peking University(北京大学);Chongqing University(重庆大学)
针对现有方法仅从单一视角蒸馏LLM偏好知识的问题,提出P3Rec框架,联合提取并内化先验与后验偏好推理,利用兴趣熵自适应校准用户表示,在多个公开数据集上验证了有效性。
2026-09-17 cs.IR
Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);Kuaishou Technology(快手科技);School of Information and Communication Technology, Griffith University(格里菲斯大学信息与通信技术学院);Cyberspace Institute of Advanced Technology, Guangzhou University(广州大学先进网络与安全研究院);Guangdong Key Laboratory of Industrial Control System Security(广东省工业控制系统安全重点实验室);Huangpu Research School of Guangzhou University(广州大学黄埔研究生院)
本文提出NF-NPCDR框架,通过个性化偏好编码器和共同偏好编码器捕捉用户多兴趣偏好,结合随机自适应解码器提升冷启动用户推荐性能。
2026-04-28 cs.IR
Dual Preference Distribution Learning for Item Recommendation
提出双偏好分布学习框架DUPLE,联合学习用户总体偏好和特定属性偏好,在六个数据集上验证了推荐有效性与可解释性。
2022-11-04 cs.IR
Evolutionary Preference Learning via Graph Nested GRU ODE for Session-based Recommendation
基于会话的推荐(SBR)旨在根据正在进行的会话预测用户的下一个动作。最近,有越来越多的兴趣建模的用户偏好的演变,以捕捉细粒度的用户兴趣。虽然会话背后的潜在用户偏好随着时间的推移不断漂移,但大多数现有方法仍然在离散状态空间中对时间会话数据进行建模,这无法捕获细粒度的偏好演化并导致次优解决方案。为此,我们提出了图嵌套GRU常微分方程(ODE),即GNG-ODE,一种新的连续模型,扩展了神经ODE的思想,连续时间的时间会话图。该模型保留了动态用户偏好的连续性,将项目转换的时间和结构模式编码为连续时间动态嵌入。由于现有的ODE求解器不考虑图结构的变化,因此不能直接应用于动态图,我们提出了一种时间对齐技术,称为t对齐,对齐的时间会话图的更新时间步骤内的一批。在三个基准数据集上的实证结果表明,GNG-ODE显著优于其他基线。
2022-08-22 cs.IR
Disentangled Modeling of Preferences and Social Influence for Group Recommendation
针对群组推荐中偏好偏差和数据稀疏问题,提出DisRec模型,通过用户级解耦网络分离群组成员偏好与社会影响,结合基于社会的对比学习策略,在两个真实数据集上性能显著优于现有方法。
2025-01-20 cs.IR
TrackRec: Iterative Alternating Feedback with Chain-of-Thought via Preference Alignment for Recommendation
TrackRec框架通过生成器与验证器之间的迭代交替反馈和偏好对齐,提升大语言模型在推荐系统中的思维链推理质量,并在数亿用户广告平台上验证了其超越现有方法的有效性。
2025-08-21 cs.IR
Collaborative User Prompt for Personalized Generative Recommendation
University College London(伦敦大学学院)
本文提出一种整合个体与集体偏好的人工智能框架,通过注意力机制融合相似兴趣用户的嵌入表示,提升推荐系统的个性化与协同性。
2026-03-21 cs.IR
Modeling Multi-aspect Preferences and Intents for Multi-behavioral Sequential Recommendation
针对多行为序列推荐中偏好意图的多方面建模及行为噪声问题,提出 MAINT 模型,通过多方面投影、行为增强 LSTM、精炼注意力和门控融合提升推荐效果。
2023-09-26 cs.IR