Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics
University of Bayreuth（拜罗伊特大学）；Institute of Computing, University of Campinas（坎皮纳斯大学计算机研究所）
针对传统推荐缺乏意外性的问题，提出基于知识图谱的推荐层，利用复杂网络度量对推荐结果重排序以调节惊喜度，在两个数据集上验证了其提升推荐意外感的效果。
2024-05-14 cs.AI cs.IR cs.LG
DBRec: Dual-Bridging Recommendation via Discovering Latent Groups
The University of Queensland（昆士兰大学）；National University of Defense Technology（国防科技大学）；Central Queensland University（中央昆士兰大学）；Chongqing Meiqi Industry Co.（重庆美琪实业有限公司）；Aliexpress, Alibaba group（阿里巴巴集团全球速卖通）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
在推荐系统中，用户-项目交互数据通常是稀疏的，并且不足以学习用于推荐的全面的用户/项目表示。为了解决这个问题，我们提出了一种新的双桥接推荐模型（DBRec）。DBRec与协同过滤同时执行潜在用户/项目组发现，并将组信息与用户/项目交互以桥接相似的用户/项目。因此，在DBRec中，用户对未观察到的项目的偏好可以由同一组中对该项目进行评级的用户或与未观察到的项目共享同一组的用户评级的项目来桥接。此外，我们建议共同学习用户-用户组（项目-项目组）的层次结构，这样我们就可以有效地发现潜在的群体和学习紧凑的用户/项目表示。我们联合集成协同过滤，潜在群体发现和层次建模到一个统一的框架，使所有的模型参数可以学习的目标函数的优化。我们用两个真实的数据集验证了该模型的有效性，并通过大量的实验证明了其相对于最先进的推荐模型的优势。
2019-10-16 cs.IR cs.LG stat.ML
A Simple and Scalable Tensor Completion Algorithm via Latent Invariant Constraint for Recommendation System
University of Missouri - Columbia（密苏里大学哥伦比亚分校）；Stanford University（斯坦福大学）
在本文中，我们提供了一个潜在的变量制定和解决方案的推荐系统（RS）问题的基本属性，任何合理的解决方案应该满足。具体来说，我们研究了一种新的张量完成方法，以有效和准确地学习模型参数的不可观察的个人偏好，用户评级的基础。通过正则化张量分解与一个单一的潜在不变，我们实现了可靠的推荐系统的三个属性：（1）张量完成结果的唯一性与最小的假设，（2）单位的一致性，是独立于用户的任意偏好，和（3）共识排序保证，提供一致的排名之间的观察和未观察到的评分。我们的算法导致一个简单而优雅的推荐框架，具有线性计算复杂性，没有超参数调整。我们提供的实证结果表明，该方法显着优于目前最先进的方法。
2022-07-03 cs.HC cs.IR cs.LG
TransNets: Learning to Transform for Recommendation
Carnegie Mellon University（卡内基梅隆大学）
最近，深度学习方法已被证明可以提高推荐系统的性能，特别是在评论文本可用时。例如，最近的模型DeepCoNN使用神经网络来学习目标用户撰写的所有评论的文本的一个潜在表示，以及目标项目的所有评论的文本的第二个潜在表示，然后组合这些潜在表示以获得推荐任务的最新性能。我们表明（不出所料）大部分的预测价值的审查文本来自审查的目标用户的目标项目。然后，我们介绍了一种方法，在该信息可以用于推荐，即使目标用户的审查目标项目是不可用的。我们的模型称为TransNets，通过引入一个额外的潜在层来表示目标用户-目标项目对，从而扩展了DeepCoNN模型。然后，我们在训练时将这一层正则化，使其类似于目标用户对目标项目的评论的另一个潜在表示。我们表明，TransNets和它的扩展大大提高了以前的最先进的。
2017-06-30 cs.CL cs.IR cs.LG
Explainable Recommendation Systems by Generalized Additive Models with Manifest and Latent Interactions
The University of Hong Kong（香港大学）；Suoxinda Holdings Limited（索信达控股有限公司）
近年来，推荐系统领域已经吸引了越来越多的注意力来开发预测模型，该预测模型提供了为什么向用户推荐项目的解释。这些解释可以在拟合相对复杂的模型后通过事后诊断获得，也可以嵌入到本质上可解释的模型中。在本文中，我们提出了可解释的推荐系统的基础上的广义加性模型与显式和潜在的相互作用（GAMMLI）。该模型架构本质上是可解释的，因为它由用户和项目主效应、基于观察到的特征的显式用户-项目交互以及来自残差的潜在交互效应组成。与传统的协同过滤方法不同，该方法考虑了用户和项目的群体效应。这有利于增强模型的可解释性，也可以促进冷启动推荐问题。开发了一个新的Python包GAMMLI，用于高效的模型训练和结果的可视化解释。通过仿真数据和真实案例的数值实验，表明该方法在预测性能和可解释性推荐方面都具有优势。
2020-12-15 cs.AI cs.LG stat.ML
SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation
Hefei University of Technology（合肥工业大学）；Missouri University of Science and Technology（密苏里科技大学）；Microsoft Research Asia（微软亚洲研究院）
协同过滤是推荐系统中最成功的方法之一。随着在线社交网络的出现，社会化推荐成为一个热门的研究方向。这些社会推荐模型大多利用每个用户的本地邻居的偏好，以减轻CF中的数据稀疏性问题。然而，他们只考虑了每个用户的本地邻居，而忽略了用户的偏好的过程中，作为社会网络中的信息扩散。最近，图卷积网络~（GCN）通过利用图的结构和节点特征信息对图中的信息扩散过程进行建模，显示出很好的结果。为此，在本文中，我们提出了一个有效的图卷积神经网络为基础的社会推荐模型。基于经典的CF模型，我们提出的模型的核心思想是，我们借用GCN的优势，以捕捉用户的偏好是如何影响的社会扩散过程中的社交网络。用户偏好的扩散建立在逐层扩散的方式上，初始用户嵌入是当前用户特征和不包含在用户特征中的自由基用户特征向量的函数。类似地，每个项的隐向量也是项的自由隐向量及其特征表示的组合。此外，我们表明，我们提出的模型是灵活的，当用户和项目功能不可用。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2019-07-11 cs.IR cs.LG cs.SI
Mend the Measurement Gap: Latent User Preference Modeling for Short-Form Video Recommendation
Google（谷歌）；YouTube（优兔）
针对短视频推荐中行为反馈受时长等混杂因素干扰的问题，提出因子化潜在价值模型（FLVM），从异构反馈中分离测量噪声并估计偏好价值，在YouTube Shorts上提升离线指标及在线观众享受指标2.67%。
2026-09-29 cs.IR cs.LG
RecRec: Recursive Refinement for Sequential Recommendation
Sony Research India（索尼印度研究实验室）
研究从递归推理角度重新审视序列推荐，提出轻量级RecRec模型，通过共享递归模块更新潜在状态，引入证据锚定校正机制。实验表明其在少参数下性能优，消融研究凸显递归潜在推理的有效性。
2026-07-16 cs.IR cs.LG
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto（多伦多大学）
在本文中，几个协同过滤（CF）的方法与潜变量的方法进行了研究，使用用户项目的相互作用，以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式，并提供产品建议。具有神经协同过滤（NCF）的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益（NDCG）性能。使用贝叶斯优化（BO）测试不同的超参数在CF框架中的适用性。外部数据源，如点击数据和指标，如点击率（CTR）进行了审查，以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术，以增加收入，吸引新客户，并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
Deep Coevolutionary Network: Embedding User and Item Features for Recommendation
Georgia Institute of Technology（佐治亚理工学院）
推荐系统通常使用潜在特征来解释用户的行为并捕获项目的属性。当用户随着时间与不同的项目交互时，用户和项目特征可以随着时间的推移相互影响、进化和共同进化。用户与项目特征的兼容性进一步影响用户与项目之间的未来交互。最近，在文献中提出了基于点过程的模型，旨在捕捉这些潜在特征的时间演变性质。然而，这些模型往往对用户和项目潜在特征的演化过程做出强参数假设，这可能无法反映现实，并且在表达这些过程背后的复杂和非线性动力学方面能力有限。为了解决这些局限性，我们提出了一种新的深度协同进化网络模型（DeepCoevolve），用于根据交互图学习用户和项目特征。DeepCoevolve使用递归神经网络（RNN）来定义点过程中的强度函数，这使得模型能够捕捉用户和项目之间复杂的相互影响，以及特征随时间的演变。我们还开发了一个有效的程序来训练模型参数，并表明，与以前的最先进的参数模型相比，学习模型在推荐和活动预测方面有了显着的改进。
2017-02-28 cs.IR cs.LG
Latent Skill Embedding for Personalized Lesson Sequence Recommendation
Cornell University（康奈尔大学）
在线课程中的学生生成大量数据，可用于个性化学习过程和提高教育质量。在本文中，我们提出了潜在技能嵌入（LSE），学生和教育内容的概率模型，可用于推荐个性化的课程序列，以帮助学生准备具体的评估。类似于推荐系统的协同过滤，该算法不要求学生或内容由特征描述，但它使用访问轨迹来学习表示。我们制定这个问题作为一个正规化的最大似然嵌入的学生，经验教训，并从历史的学生内容的互动评估。对自适应学习技术公司Knewton的大规模数据进行的实证评估表明，该方法预测评估结果与基准模型具有竞争力，并且能够区分导致掌握和失败的课程序列。
2016-02-23 cs.AI cs.CY cs.LG
Recommendation system using a deep learning and graph analysis approach
University of Qom（库姆大学）
当用户连接到互联网来满足他的需求时，他经常会遇到大量的相关信息。推荐系统是一种对信息进行大规模过滤并提供用户满意和感兴趣的项目的技术。机器学习方法的进步，特别是深度学习，使得推荐系统取得了巨大的成就，尽管这些系统仍然受到诸如冷启动和稀疏性问题等挑战。为了解决这些问题，通常使用诸如用户通信网络的上下文信息。本文提出了一种基于矩阵分解和图分析的推荐方法。此外，我们利用深度自动编码器来初始化用户和项目的潜在因素，深度嵌入方法从用户信任图中收集用户的潜在因素。该方法在两个标准数据集上实现。实验结果和比较表明，该方法优于现有的国家的最先进的推荐方法。我们的方法优于其他比较方法，并取得了很大的改善。
2021-07-13 cs.LG cs.SI stat.ML
Deep Context-Aware Recommender System Utilizing Sequential Latent Context
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Telekom Innovation Laboratories at BGU（BGU德国电信创新实验室）；Stern School of Business, New York University（纽约大学斯特恩商学院）
上下文感知推荐系统（CARS）通过感知和分析用户上下文来提供个性化服务。将上下文添加到推荐模型是具有挑战性的，因为上下文的添加可能增加模型的维度和稀疏性。最近的研究表明，将上下文信息建模为潜在向量可以解决稀疏性和维度挑战。本文提出了一种新的序列上下文潜在建模方法，通过生成上下文信息序列并将其上下文空间压缩为一个压缩的潜在空间，对上下文信息序列进行训练，构造一个长短期记忆（LSTM）编码解码器网络，并从网络的隐藏层提取序列潜在上下文，以压缩表示序列数据。我们提出了新的上下文感知推荐模型，扩展了神经协同过滤方法，并学习用户，项目和上下文的潜在特征之间的非线性相互作用，考虑到顺序的潜在上下文表示作为推荐过程的一部分。我们使用两个具有不同上下文维度的上下文感知数据集部署了我们的方法。我们的研究结果的实证分析验证了我们提出的顺序潜在的上下文感知模型（SLCM），超越了最先进的CARS模型。
2020-08-06 cs.LG stat.ML
Topic-Enhanced Memory Networks for Personalised Point-of-Interest Recommendation
University of Cambridge（剑桥大学）；Tencent Inc.（腾讯公司）
兴趣点推荐系统通过向用户推荐未知兴趣点而在人们的生活中发挥着重要作用，引起了学术界和工业界的广泛关注。尽管他们的价值，但是，他们仍然遭受的挑战，捕捉复杂的用户偏好和细粒度的用户-兴趣点关系的时空敏感的兴趣点推荐。现有的推荐算法，包括浅层和深层的方法，通常嵌入到一个单一的潜在向量的访问记录的用户的偏好模型：这具有有限的能力表示和解释。在本文中，我们提出了一种新的主题增强的记忆网络（TEMN），一个深度的架构集成的主题模型和记忆网络的优势，利用全球结构的潜在模式和本地邻域为基础的功能，在一个非线性的方式。我们进一步纳入了地理模块，利用用户特定的空间偏好和POI特定的空间影响，以提高建议。所提出的统一混合模型可广泛应用于各种兴趣点推荐场景。在真实世界的微信数据集上进行的大量实验证明了其有效性（上下文感知推荐和顺序推荐的改进率分别为3.25%和29.95%）。此外，定性分析的关注权重和主题建模提供了洞察模型的推荐过程和结果。
2019-05-19 cs.IR cs.LG stat.ML
Regret vs. Bandwidth Trade-off for Recommendation Systems
City University of Hong Kong（香港城市大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Massachusetts Institute of Technology（麻省理工学院）
我们认为，建议系统需要在无线带宽的限制下运行，测量广播传输的数量，并证明了（在某些情况下紧）遗憾和带宽之间的权衡两种情况下：多臂土匪的情况下，上下文，和的情况下，有一个潜在的结构，我们可以利用，以减少学习阶段的消息空间。
2018-10-15 cs.IR cs.LG stat.ML
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney（悉尼科技大学）；Shandong University（山东大学）；The University of Queensland（昆士兰大学）
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而，在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白，本文提供了理论分析和经验结果，何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说，我们回答了哪些类型的模型和数据集更适合双曲空间，以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案，使用6个广泛使用的数据集和不同的潜在大小。此外，我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论，双曲空间上SCML和显示的国家的最先进的性能，双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Deep Retrieval: Learning A Retrievable Structure for Large-Scale Recommendations
ByteDance Inc.（字节跳动有限公司）
大规模推荐中的核心问题之一是准确有效地检索最相关的候选人，最好是在亚线性时间内。以前的方法大多基于两步过程：首先学习内积模型，然后使用近似最近邻（ANN）搜索算法来找到最佳候选人。在本文中，我们提出了深度检索（DR），直接使用用户-项目交互数据（例如点击）来学习可检索的结构，而无需在ANN算法中采用欧几里德空间假设。DR的结构将所有候选项编码到离散的潜在空间中。候选者的那些潜在代码是模型参数，并且与其他神经网络参数一起学习以最大化相同的目标函数。随着模型的学习，在结构上执行束搜索以检索用于重新排序的最佳候选。从经验上讲，我们首先证明了DR，具有次线性计算复杂性，可以达到几乎相同的精度作为两个公共数据集上的蛮力基线。此外，我们表明，在现场生产推荐系统中，部署的DR方法在参与指标方面显着优于精心调整的ANN基线。据我们所知，DR是第一个成功部署在工业推荐系统中数亿项规模的非ANN算法之一。
2021-05-18 cs.IR cs.LG stat.ML
Utilizing Textual Reviews in Latent Factor Models for Recommender Systems
Erasmus University Rotterdam（伊拉斯姆斯大学鹿特丹分校）
大多数现有的推荐系统仅基于评级数据，并且它们忽略了可能提高推荐质量的其他信息源，例如文本评论或用户和项目特征。此外，这些系统中的大多数仅适用于小型数据集（具有数千个观测值），无法处理大型数据集（具有数百万个观测值）。我们提出了一种推荐算法，它结合了评级建模技术（即，潜在因素模型）与基于文本评论的主题建模方法（即，潜在的Dirichlet分配），我们扩展的算法，使其允许添加额外的用户和项目的特定信息的系统。我们使用不同大小的Amazon.com数据集，对应于23个产品类别的算法的性能进行评估。在将构建的模型与其他四个模型进行比较后，我们发现将文本评论与评级相结合会带来更好的推荐。此外，我们发现向模型中添加额外的用户和项目特征可以提高其预测准确性，这对于中型和大型数据集尤其如此。
2021-11-16 cs.IR cs.LG stat.ML
Explanations for Temporal Recommendations
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
推荐系统是人工智能（AI）不可或缺的一部分，在人工智能商业化的时代变得越来越重要。用于推荐系统（RS）的深度学习（DL）技术为有效的推荐提供了强大的潜在特征模型，但是遭受不可解释的主要缺点。在本文中，我们描述了一个框架，可解释的时间建议在DL模型。我们考虑基于LSTM的递归神经网络（RNN）架构用于推荐，以及基于邻域的方案用于在模型中生成解释。我们通过在Netflix数据集上的实验，通过联合优化预测准确性和可解释性，证明了我们方法的有效性。
2018-07-17 cs.AI cs.HC cs.IR
REST: Debiased Social Recommendation via Reconstructing Exposure Strategies
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Tufts University（塔夫茨大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）
推荐系统依靠历史观测数据来建模用户和项目之间的复杂关系，在实际应用中取得了巨大的成功。选择偏差是现有基于观测数据的方法中最重要的问题之一，它实际上是由多种类型的未观测暴露策略（例如促销和假期效应）引起的。虽然已经提出了各种方法来解决这个问题，他们主要依赖于隐式去偏置技术，而不是显式建模的未观察到的曝光策略。通过显式重构暴露策略（Reconstructing Exposure Strategies，简称REST），我们将推荐问题形式化为反事实推理，并提出了去偏见的社会推荐方法。在REST中，我们假设一个项目的暴露是由潜在暴露策略、用户和项目控制的。基于上述生成过程，我们首先通过辨识分析为我们的方法提供了理论保证。其次，我们采用变分自动编码器，重建潜在的曝光策略，在社交网络和项目的帮助下。第三，我们设计了一个基于反事实推理的推荐算法，利用恢复的曝光策略。在四个真实世界的数据集上进行的实验，包括三个已发布的数据集和一个私人微信公众号数据集，证明了几种最先进的方法的显着改进。
2022-01-13 cs.LG
Interactive Movie Recommendation Through Latent Semantic Analysis and Storytelling
推荐已成为改善销售记录的在线服务的最重要的组成部分之一，然而在线推荐的可视化工作仍然非常有限。本文提出了一种交互式推荐方法，包括以下两个部分。首先，评分记录是在线推荐中使用最广泛的数据，但它们通常在高维空间中处理，不容易理解或交互。我们提出了一个潜在的语义模型（LSM），捕捉统计特征的语义概念的2D域和抽象的用户偏好的个人推荐。其次，我们提出了一个互动的推荐方法，通过一个讲故事的机制，促进用户和推荐系统之间的沟通。我们的方法强调交互性，明确的用户输入，和语义信息传达，因此它可以使用一般用户没有任何知识的推荐或可视化算法。我们通过数据统计验证了我们的模型，并通过MovieLens100K数据集的案例研究展示了我们的方法。我们的潜在语义分析和交互式推荐的方法也可以扩展到其他基于网络的可视化应用，包括各种在线推荐系统。
2017-01-01 cs.IR cs.SI
Latent Multi-Criteria Ratings for Recommendations
New York University（纽约大学）
多准则推荐系统在帮助消费者基于用户体验的不同维度来识别最相关的物品方面已经变得越来越有价值。然而，以前提出的多标准模型没有考虑到潜在的嵌入用户评论，捕捉用户和项目之间的潜在语义关系。为了解决这些问题，我们利用变分自编码器映射到潜在的嵌入，随后压缩成低维离散向量的用户评论。由此产生的压缩向量构成潜在的多标准评级，我们使用的推荐目的，通过标准的多标准推荐方法。我们表明，建议的潜在多标准评级方法优于几个基线显着和一致的不同的数据集和性能评估措施。
2019-06-26 cs.IR cs.LG stat.ML
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation
Southern University of Science and Technology（南方科技大学）；Massey University（梅西大学）
针对分布外推荐的偏好偏移问题，提出条件可识别隐环境推荐模型CILER，在三类偏移下的12项OOD排序指标上均实现提升。
2026-08-05 cs.IR cs.LG
A Serendipitous Recommendation System Considering User Curiosity
本文提出一种基于用户好奇心估计有用性与意外性偏好比例的机缘推荐方法，结合长期与短期兴趣建模，在MovieLens-1M上达到与最先进方法相当的性能。
2025-04-09 cs.IR
GhostLink: Latent Network Inference for Influence-aware Recommendation
社交影响力在塑造用户在处理电影、食物和啤酒等品味项目的在线社区中的行为方面起着至关重要的作用。对于在线推荐，这意味着用户的偏好和评级受到其他个体的影响。如果只给出用户评论的时间戳，我们能找出谁影响谁，以及潜在影响网络的特征吗？我们可以利用这个网络来改进推荐吗？虽然社交感知推荐中的先前工作通过考虑观察到的用户社交网络来利用社交交互，但许多社区（如Amazon，Beeradvocate和Ratebeer）没有明确的用户-用户链接。因此，我们提出了GhostLink，一个无监督的概率图形模型，来自动学习评论社区背后的潜在影响网络--只考虑用户帖子及其内容的时间轨迹（时间戳）。基于对四个真实世界数据集（包含1300万条评论）的广泛实验，我们发现GhostLink比不考虑这种影响的最先进方法提高了约23%的项目推荐。作为额外的用例，我们表明，GhostLink可用于区分用户的潜在偏好和受影响的偏好，以及基于学习的影响图检测有影响力的用户。
2019-05-15 cs.IR cs.SI
A Multi-Modal Latent-Features based Service Recommendation System for the Social Internet of Things
针对现有社交物联网服务推荐方法未挖掘多模态内容下潜在物品-物品结构的问题，本文提出基于潜在特征的推荐系统，通过多模态聚合构建潜在物品图并结合图卷积优化物品表示，性能优于现有方法。
2024-04-13 cs.IR cs.SI
From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, UCAS（UCAS网络安全学院）
FatsMB通过潜在空间中的偏好生成，实现从无偏到特定的多行为序列推荐，提升推荐的多样性和准确性。
2026-02-26 cs.IR cs.LG
DDTCDR: Deep Dual Transfer Cross Domain Recommendation
New York University（纽约大学）
跨领域推荐系统在帮助消费者从不同的类别中识别最满意的商品方面越来越有价值。然而，以前提出的跨领域模型没有考虑用户和项目之间的双向潜在关系。此外，它们不显式地对用户和项目特征的信息进行建模，而仅利用用户评级信息进行推荐。为了解决这些问题，在本文中，我们提出了一种新的方法，跨域建议的基础上的双重学习机制，在两个相关的域之间的信息传输，在迭代的方式，直到学习过程稳定。我们开发了一种新的潜在的正交映射提取用户的偏好在多个领域，同时保持用户之间的关系在不同的潜在空间。结合自动编码器方法提取特征信息的潜在本质，提出了深度双传输跨域推荐（DDTCDR）模型，在各个领域提供推荐。我们在包含电影，书籍和音乐项目三个领域的大型数据集上测试了所提出的方法，并证明它始终显着优于几种最先进的基线和经典的迁移学习方法。
2019-10-11 cs.IR cs.LG
Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data
University of Hyderabad（海得拉巴大学）；University of Delhi（德里大学）；Mahindra University（马恒达大学）
基于协同过滤的推荐系统在许多电子商务应用中起着至关重要的作用，因为它们引导用户根据用户过去的交易和其他类似客户的反馈找到他们感兴趣的项目。数据稀疏性是协同过滤技术的主要缺点之一，由于交易和反馈数据的数量较少。为了减少稀疏性问题，出现了称为迁移学习/跨域推荐的技术。在迁移学习方法中，考虑来自其他密集域（源）的数据，以便预测稀疏域（目标）中的缺失评级。在本文中，我们提出了一种新的跨域推荐的迁移学习方法，其中的聚类级别的评级模式（码本）的源域通过一个共同的聚类技术获得。之后，我们应用最大边际矩阵分解（MMMF）技术的码本，以学习用户和项目的潜在特征的码本。通过以一种新的方式将这些潜在特征引入到优化函数中来实现目标评级矩阵的预测。在实验中，我们证明了我们的模型提高了基准数据集上目标矩阵的预测精度。
2022-03-26 cs.IR cs.LG
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
DiffSBR通过基于扩散的潜在邻居生成方法，提升基于会话的推荐性能。
2026-01-07 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
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
Deep Latent Mixture Model for Recommendation
神经网络的最新进展已经成功地应用于在线推荐应用中的许多任务。我们提出了一个新的框架，称为锥潜在的混合模型，它利用手工制作的状态，能够因素不同的依赖关系之间的多个相关的文件。具体来说，它使用判别优化技术来生成有效的多级知识库，并使用在线判别学习技术来利用这些功能。对于这种联合模型，它使用每个主题的置信度估计，并能够学习一个判别式训练联合自动提取显著特征，其中判别式训练只使用特征，然后能够准确地训练。
2022-10-27 cs.IR
Factorized Latent Reasoning for LLM-based Recommendation
Macquarie University（麦考瑞大学）；University of New South Wales（新南威尔士大学）；Meituan LongCat Interaction Team（美团长猫交互团队）
针对现有潜在推理方法用单向量表示用户意图难以捕捉多面偏好的问题，提出分解潜在推理框架，通过多因子注意力模块解耦偏好因子，结合正则化与强化学习提升推荐性能与可解释性。
2026-06-15 cs.IR
The FacT: Taming Latent Factor Models for Explainability with Factorization Trees
Peking University（北京大学）；University of Virginia（弗吉尼亚大学）
潜在因素模型在个性化推荐方面取得了巨大的成功，但它们也是出了名的难以解释。在这项工作中，我们整合回归树来指导潜在因素模型的学习，并使用学习的树结构来解释产生的潜在因素。具体来说，我们建立回归树上的用户和项目分别与用户生成的评论，并关联到树上的每个节点的潜在配置文件来表示用户和项目。随着回归树的生长，潜在的因子在树结构的正则化作用下逐渐细化。因此，我们能够通过查看回归树上每个因子的路径来跟踪潜在配置文件的创建，从而作为对所产生建议的解释。两个大集合的亚马逊和Yelp评论的广泛的实验证明了我们的模型的优势，几个有竞争力的基线算法。此外，我们广泛的用户研究也证实了我们的模型产生的可解释的建议的实用价值。
2019-06-03 cs.IR cs.LG stat.ML
Recurrent Latent Variable Networks for Session-Based Recommendation
Cyprus University of Technology（塞浦路斯理工大学）
在这项工作中，我们试图改善数据稀疏性的影响，在基于会话的建议。具体来说，我们试图设计一个机器学习机制，能够提取微妙的和复杂的潜在的时间动态观察到的会话数据，以便通知推荐算法。为此，我们改进了利用具有循环连接单元的深度学习技术的系统;我们通过采用贝叶斯统计领域的概念，即变分推理来实现这一点。我们提出的方法包括在治疗网络经常性单位作为随机潜变量与先验分布强加给他们。在此基础上，我们继续推断相应的后验;这些可以用于预测和推荐生成，在某种程度上，占可用的稀疏训练数据的不确定性。为了使我们的方法可以轻松地扩展到大型现实世界的数据集，我们在近似摊销变分推理（AVI）设置下执行推理，从而通过（传统的）神经网络参数化学习后验。我们使用具有挑战性的基准数据集对我们的方法进行了广泛的实验评估，并说明了其优于现有最先进技术的优越性。
2017-06-13 cs.IR cs.LG stat.ML
UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks
Ping An Technology (Shenzhen) Co., Ltd（平安科技（深圳）有限公司）
基于会话的推荐问题旨在根据用户的会话历史预测用户的下一步行为。以前的方法将会话历史建模为序列，并通过RNN和GNN方法估计用户潜在特征以进行推荐。然而，在大规模、复杂的金融推荐场景下，虚拟商品和真实商品并存，这种方法不足以准确地表现用户的潜在特征，也忽略了用户的长期特征。为了兼顾用户的长期偏好和动态兴趣，本文提出了一种新的嵌入式推荐方法，即基于用户的图神经网络嵌入式推荐方法（UBER-GNN）。UBER-GNN利用结构化数据来生成长期用户偏好，并将会话序列转换为图来生成基于图的动态兴趣。最后利用注意力机制将用户潜在特征表示为用户长期偏好和动态兴趣的组合。在真实的平安场景上进行的大量实验表明，UBER-GNN优于最先进的基于会话的推荐方法。
2020-08-06 cs.IR cs.LG
EvoReason: Self-Evolving Reasoning Primitive-Guided On-Policy Distillation for Latent Reasoning in Generative Recommendation
Kuaishou Technology（快手科技）；Shenzhen University（深圳大学）
针对生成式推荐中潜在推理的原始CoT监督效果不佳问题，提出自演化框架EvoReason，通过推理原语引导的在线策略蒸馏实现显式推理监督与学生潜在推理空间的自适应对齐，提升推理迁移效果。
2026-08-03 cs.IR
A Hybrid Latent Variable Neural Network Model for Item Recommendation
Brigham Young University（杨百翰大学）；University of Arkansas（阿肯色大学）
协同过滤用于向用户推荐项目，而不需要项目本身的知识，并且往往优于其他技术。然而，协同过滤遭受冷启动问题，这发生在项目尚未被评级或用户尚未对任何项目进行评级时。将附加信息（如项目或用户描述）添加到协同过滤中可以解决冷启动问题。在本文中，我们提出了一个神经网络模型与潜在的输入变量（潜在的神经网络或LNN）作为一种混合协同过滤技术，解决了冷启动问题。LNN优于基于内容的过滤器（基于项目描述进行推荐）和其他混合方法，同时保持最先进的协同过滤技术的准确性。
2014-06-09 cs.IR cs.LG cs.NE
Evaluation Framework for Understanding Sensitive Attribute Association Bias in Latent Factor Recommendation Algorithms
本文提出一个评估隐因子推荐算法中敏感属性关联偏见的框架，通过四种评估策略揭示推荐模型如何捕获或放大性别等敏感属性偏见，并在工业播客推荐模型中验证了系统性偏见风险。
2023-10-30 cs.IR
Sequential Recommendation with Latent Relations based on Large Language Model
本文提出了一种基于大语言模型和离散状态变分自编码器的潜在关系发现（LRD）序列推荐框架，利用LLM挖掘物品间潜在关系以克服预定义关系的稀疏性，显著提升了推荐性能。
2024-03-27 cs.IR
LaRec: Unleashing LLM-based Latent Reasoning for Generative Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Xiaohongshu（小红书）
研究针对LLMs在推荐中现有方法的问题，提出LaRec框架。核心方法是通过潜在预训练赋予潜在推理能力，用个性化强化学习调整引导遍历多样推理路径。主要贡献是在多数据集实验中，以相当效率显著超越现有基线。
2026-07-28 cs.IR
LatentCRS: A Variational EM Framework for Bridging Semantics and Behavior in LLM-based Conversational Recommendation
Nanjing University（南京大学）
提出LatentCRS框架，通过变分EM过程桥接LLM的语义空间与用户行为模式，解决对话推荐中语义理解与推荐精度不匹配的问题，实验表明其有效提升推荐性能。
2026-06-23 cs.CL cs.IR
Sequential Recommendation with Relation-Aware Kernelized Self-Attention
最近的研究表明，顺序推荐是由注意力机制改善。通过这种发展，我们提出了一个自注意力机制的Transformer的概率模型的增强的感知核自注意力（RKSA）。Transformer最初的自注意力是一种确定性测度，没有关系意识。因此，我们引入了一个潜在的空间的自注意力力，和潜在的空间模型的推荐上下文的关系作为一个多变量的偏态正态分布与核化协方差矩阵的同现，项目的特点，和用户信息。该工作通过添加推荐任务细节的概率模型，将Transformer的自注意力和顺序推荐相结合。我们在基准数据集上进行了RKSA实验，与最近的基线模型相比，RKSA显示出显着的改进。此外，RKSA还能够生成一个潜在空间模型来回答推荐的原因。
2019-11-15 cs.IR cs.LG stat.ML
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
LFG: A Generative Network for Real-Time Recommendation
本文针对LFM在实时推荐中需重新训练的不足，提出LFG网络，通过深度神经网络动态生成用户潜在因子，在电影推荐实验中准确率优于传统矩阵分解，有效解决了实时推荐挑战。
2023-11-25 cs.IR
Parallel Latent Reasoning for Sequential Recommendation
GSAI, Renmin University of China（中国人民大学智能计算研究院）；Alibaba Group（阿里巴巴集团）
并行潜在推理通过多轨迹并行计算提升序列推荐的推理能力与效率
2026-01-06 cs.IR
Latent-Aligned Reasoning for Multimodal Recommendation
Xiaohongshu Inc.（小红书公司）；Nanjing University（南京大学）
针对多模态推荐中跨模态稀释问题，提出含互补对齐机制的两阶段隐式推理框架LARK，在多数据集上实现多种推荐架构的SOTA性能，各组件贡献经消融实验验证。
2026-09-07 cs.CL cs.CV cs.IR
Personalised Visual Art Recommendation by Learning Latent Semantic Representations
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究院（LIST））；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）
在推荐系统中，数据表示技术扮演着重要的角色，因为它们有能力纠缠，隐藏和揭示嵌入在数据集中的解释性因素。因此，它们影响建议的质量。具体来说，在视觉艺术（VA）建议中，绘画中体现的概念的复杂性使得机器捕获语义的任务远非微不足道。在VA推荐中，杰出作品通常使用手动策划的元数据来驱动推荐。该领域的最新工作旨在利用使用深度神经网络（DNN）提取的视觉特征。然而，这样的数据表示方法需要资源并且没有直接的解释，阻碍了用户的接受。为了解决这些局限性，我们引入了一种基于学习绘画的潜在语义表示的视觉艺术个性化推荐方法。具体来说，我们训练了一个关于绘画文本描述的潜在狄利克雷分配（LDA）模型。我们的LDA模型成功地揭示了绘画之间的非明显语义关系，同时能够提供可解释的建议。实验评估表明，我们的方法往往比利用使用预训练的深度神经网络提取的视觉特征表现得更好。
2020-07-24 cs.CL cs.IR
Hierarchical Latent Reasoning for LLM-based Recommendation
Xiaohongshu（小红书）；Peking University（北京大学）；Beijing Jiaotong University（北京交通大学）
本文针对基于LLM的推荐系统提出分层潜在推理框架HiLaR，通过层感知强化优化提升推荐性能，在四个Amazon基准数据集上优于多种主流基线。
2026-07-31 cs.AI cs.IR
Exploiting Latent Codes: Interactive Fashion Product Generation, Similar Image Retrieval, and Cross-Category Recommendation using Variational Autoencoders
University of the Philippines, Diliman（菲律宾大学迪利曼分校）
深度学习应用在时尚行业的兴起推动了大规模数据集的管理，以构建产品设计，图像检索和推荐系统的应用程序。本文提出利用变分自编码器（Variational Autoencoder，VAE）来构建一个交互式的时尚产品应用框架，允许用户根据自己的喜好生成具有属性的产品，检索同一产品类别的相似风格，并接收来自其他类别的基于内容的推荐。包含眼镜、鞋类和箱包的时尚产品图像数据集适合于说明该管道适用于蓬勃发展的电子商务行业，从而能够在指定所需产品时与新的数据匹配方法进行直接用户交互，并通过使用VAE并利用其生成的潜在代码来推荐系统。
2020-09-02 cs.CV cs.IR
Latent Structure Mining with Contrastive Modality Fusion for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
近年来，人们对多媒体推荐越来越感兴趣，多媒体推荐的目的是预测用户是否会与具有多模态内容的项目进行交互。以往的研究集中在建模用户项目交互多模态功能包括作为边信息。然而，该方案不是很好地设计用于多媒体推荐。首先，只有合作项目项目关系隐式建模通过高阶项目-用户-项目同现。我们认为，潜在的语义项目，这些多模态内容的项目结构可能有利于学习更好的项目表示，并协助推荐模型，以全面发现候选项目。其次，以前的研究忽略了细粒度的多模态融合。虽然有机会获得多个模态可能会让我们捕捉到丰富的信息，我们认为，简单的粗粒度融合的线性组合或级联在以前的工作是不够的，以充分了解内容信息和项目的relationship.To为此，我们提出了一个潜在的结构挖掘与ContRastive mOdality融合方法（MICRO为简洁）。具体而言，我们设计了一个新颖的模态感知结构学习模块，学习每个模态的项目-项目关系。基于学习到的模态感知潜在项关系，我们执行图卷积，显式地将项亲和力注入到模态感知项表示中。然后，我们设计了一种新的对比方法来融合多模态特征。这些丰富的项目表示可以插入到现有的协同过滤方法中，以做出更准确的推荐。在真实世界数据集上进行的大量实验表明，我们的方法优于最先进的基线。
2022-03-17 cs.IR cs.LG cs.MM
