Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems
Scheller College of Business, Georgia Tech（佐治亚理工学院谢勒商学院）；Stern School of Business, New York University（纽约大学斯特恩商学院）
本文提出深度帕累托强化学习方法，通过建模多目标复杂关系、捕捉个性化偏好和优化短期长期性能，提升多目标推荐系统的性能。
2026-02-12 cs.IR
Multi-Objective Intrinsic Reward Learning for Conversational Recommender Systems
本文提出将内在奖励学习建模为多目标双层优化问题，以同时最大化对话推荐成功率和最小化对话轮数，并在三个公开CRS基准上验证了其显著提升推荐性能的有效性。
2023-10-31 cs.IR
CAPS: Context Aware Personalized POI Sequence Recommender System
万维网（WWW）和智能手机技术的革命已经成为社交网络取得巨大成功的关键因素。由于登记数据的可用性容易，基于位置的社交网络（LBSN）（例如，Facebook1等）在过去的十年中，已经大量探索了兴趣点（POI）推荐。虽然已经定义了许多POI分类器，但它们中的大多数都专注于推荐单个位置或上下文不一致的任意列表。当人们需要可以用于各种日常活动的上下文一致的位置列表时，依赖这样的系统是麻烦的，例如，行程规划。本文提出了一种称为CAPS（上下文感知个性化POI序列推荐系统），生成上下文相关的兴趣点序列相关的用户偏好的模型。据我们所知，CAPS是通过扩展递归神经网络（RNN）及其变体来制定上下文POI序列建模的第一次尝试。CAPS通过将多个上下文合并到隐藏层并将全局上下文（序列特征）合并到隐藏层和输出层来扩展RNN。它扩展了RNN的变体（例如，长短期记忆（LSTM））。本文的主要贡献是：（i）它通过多个约束（例如，分类的、社会的、时间的等等），(ii)它扩展了RNN，将单个项目的上下文和整个序列的上下文结合起来。它还扩展了RNN变体的门控功能，以包含多个上下文，以及（iii）针对两个真实世界的数据集评估所提出的模型。
2018-03-03 cs.IR
Objective Shaping with Hard Negatives: Windowed Partial AUC Optimization for RL-based LLM Recommenders
University of Science and Technology of China（中国科学技术大学）；Meta AI；Rochester Institute of Technology（罗切斯特理工学院）
本文提出窗口化部分AUC优化方法，通过约束假阳性率提升与Top-K指标的一致性，改进基于RL的LLM推荐系统性能。
2026-04-24 cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep（FD媒体集团）；Talpa Network（Talpa网络）；Randstad Groep Nederland（任仕达荷兰集团）
随着算法个性化在新闻领域的应用，新闻机构越来越信任具有先前考虑的编辑责任的自动化系统，例如，优先向读者提供新闻。在本文中，我们研究了自动新闻推荐系统的背景下，新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究，历时一个半月，涉及1,200多名用户。在我们的第一项研究中，我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为，如偶然性，活力，多样性和覆盖范围。接下来，我们提出了一个干预研究，我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现，（i）我们的推荐系统产生更多样化的阅读行为，并产生更高的覆盖率的文章相比，非个性化的编辑排名，（ii）我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法，有效地引导我们的读者更动态的文章，而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
Kuaishou Technology（快手科技）
本文提出HarmonRank框架，通过提升排名一致性和共同性建模，改进推荐系统中的多目标集成方法，实现性能和鲁棒性的提升。
2026-02-09 cs.IR
Multi-Objective Recommendations: A Tutorial
本教程针对推荐系统从单目标优化转向多目标优化的新兴需求，概述多目标推荐相关内容并结合案例讨论，作为ACM SIGKDD 2021相关教程的补充材料。
2023-06-11 cs.IR
ACT: Automated Constraint Targeting for Multi-Objective Recommender Systems
Google Inc（谷歌公司）
针对多目标推荐系统中需手动调参保障次要目标阈值的问题，提出ACT框架，通过无偏数据离线成对评估找最小超参数变更集并持续重训练适配变化，已验证有效且部署于大规模生产环境。
2025-09-03 cs.IR cs.LG
Multi-Gradient Descent for Multi-Objective Recommender Systems
Oracle Labs（甲骨文实验室）；EPFL（洛桑联邦理工学院）；Swisscom（瑞士电信）
推荐系统需要反映它们所应用的环境的复杂性。我们对用户可能受益的了解越多，推荐系统的目标就越多。此外，除了法律和道德约束外，还可能有多个利益攸关方-卖方、买方、股东。到目前为止，同时优化多个目标，相关和不相关，具有相同的规模或不具有相同的规模，已经证明是困难的。我们引入了一个随机多梯度下降推荐系统（MGDRec）的方法来解决这个问题。我们表明，这超过了传统的客观混合物，如收入和召回的最先进的方法。不仅如此，通过梯度归一化，我们还可以将具有不同尺度的根本不同的目标结合到一个统一的框架中。我们表明，不相关的目标，如优质产品的比例，可以提高精度。通过使用随机性，我们避免了计算全梯度的陷阱，并为其适用性提供了明确的设置。
2020-04-17 cs.AI cs.IR cs.LG
Incorporating Recklessness to Collaborative Filtering based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）；Universidad Complutense de Madrid（马德里康普顿斯大学）；Instituto de Ciencias Matemáticas (CSIC-UAM-UCM-UC3M)（数学科学研究所（西班牙高等科学研究理事会-马德里自治大学-马德里康普顿斯大学-马德里卡洛斯三世大学））
针对推荐系统可靠性与覆盖率的两难问题，提出在基于矩阵分解的协同过滤推荐系统中引入考虑预测评分分布方差的鲁莽性项，实现风险调控并提升预测的数量与质量。
2024-05-21 cs.AI cs.IR cs.LG
Prediction Accuracy and Autonomy
科技行业因设计破坏个人自主权的应用程序而受到批评。特别是推荐系统，已被确定为可能对人们的生活进行不必要的控制的可疑罪魁祸首。在这篇文章中，我们试图评估推荐系统研究的目标，并提供了一个细致入微的讨论，这些目标如何能够与用户的目标。本讨论采用了定性的文献调查，连接心理学，设计伦理学，交互设计和推荐系统领域内的相关研究之间的点。最后，我们关注YouTube推荐系统的具体用例，并提出设计更改，以更好地与个人的自主性保持一致。基于我们的分析，我们提供了未来的研究方向，这将有助于确保注意力经济中的数字自主权。
2022-11-15 cs.IR
Bounding System-Induced Biases in Recommender Systems with A Randomized Dataset
使用随机数据集的去偏推荐在减轻系统引起的偏差方面显示出非常有希望的结果。然而，它仍然缺乏更多的理论见解或一个理想的优化目标函数相比，其他更好的研究路线没有随机数据集。为了弥补这一差距，我们从一个新的角度研究去偏置问题，并提出直接最小化理想目标函数的上界，这有利于更好地解决系统引起的偏差。首先，我们制定了一个新的理想优化目标函数与随机数据集。其次，根据所采用的损失函数可能满足的先验约束，我们导出了目标函数的两个不同的上界，即，一个泛化误差与三角不等式和一个泛化误差与可分性的界限。第三，我们表明大多数现有的相关方法都可以被视为对这两个上界的不充分优化。第四，我们提出了一种新的方法，称为去偏近似上限与随机数据集（DUB），实现了更充分的优化这些上限。最后，我们在公共数据集和真实产品数据集上进行了大量的实验，以验证我们的DUB的有效性。
2023-03-21 cs.IR
Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
University of Chinese Academy（中国科学院大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
本文提出基于代理的推荐系统，通过将关键模块转化为代理，实现动态进化，解决传统多阶段和单模型设计的静态问题。
2026-04-09 cs.IR
Generative Recommender with End-to-End Learnable Item Tokenization
本文提出端到端生成式推荐器ETEGRec，通过双编码器-解码器架构统一物品标记化与生成式推荐，并设计序列-物品对齐和偏好-语义对齐目标及交替优化技术，实现优于传统序列推荐和现有生成式基线的性能。
2025-06-04 cs.IR
Simplifying Content-Based Neural News Recommendation: On User Modeling and Training Objectives
提出统一新闻推荐框架，系统比较关键设计维度，发现参数高效的晚期融合和对比训练能显著提升性能并挑战现有方法。
2023-04-06 cs.IR
ParVecMF: A Paragraph Vector-based Matrix Factorization Recommender System
基于评论的推荐系统近年来获得了显著的发展。除了评分之外，这些系统还增加了用户对项目的文本评价。另一方面，神经语言处理模型已经在推荐系统中得到了应用，主要作为编码用户偏好数据的一种手段，项目的实际文本描述仅作为辅助信息。在本文中，提出了一种新的方法，将上述模型的推荐过程。首先，神经语言处理模型，更具体地说，段落向量模型被用来编码文本用户评论的可变长度到固定长度的特征向量。随后，该信息与评级分数一起融合在概率矩阵分解算法中，基于最大后验估计。由此产生的系统，ParVecMF，比较评级的矩阵分解方法的参考数据集。在一组两个指标上获得的初步结果是令人鼓舞的，可能会刺激这一领域的进一步研究。
2018-01-10 cs.IR
STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
Kuaishou Technology（快手科技）
STCRank通过时空协同排序解决快手电商互动推荐系统中多目标协作与多槽协作问题，提升推荐效果与用户参与度。
2026-01-15 cs.IR
A Survey on Intent-aware Recommender Systems
本文综述了意图感知推荐系统的现有方法并对其进行分类，分析了当前评估实践，指出未来应结合更多交互信号和上下文信息以提升推荐效果。
2024-10-19 cs.IR
Denoising Neural Reranker for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
本文提出了一种去噪神经重排器（DNR），通过利用前一阶段的检索分数来改进推荐系统的两阶段检索重排框架，通过去噪、对抗训练和分布正则化等方法提升推荐效果。
2026-05-17 cs.IR
Large Language Model as Universal Retriever in Industrial-Scale Recommender System
Taobao & Tmall Group of Alibaba, China（淘宝与天猫集团（阿里巴巴））
本研究提出基于大语言模型的通用检索模型URM，通过多查询表示、矩阵分解和概率采样技术，实现工业级推荐系统中多目标的高效生成式检索，性能优于专用模型并提升广告核心指标3%。
2025-05-19 cs.IR cs.LG
Learning Recommender Systems with Soft Target: A Decoupled Perspective
针对推荐系统标准Softmax损失易忽略潜在正反馈与真负反馈差异的问题，提出解耦软标签优化框架及对应损失函数与软标签生成算法，经多模型多数据集实验验证有效且通用。
2024-10-09 cs.IR
Pareto Front Approximation for Multi-Objective Session-Based Recommender Systems
OTTO (GmbH & Co KG)（奥托（有限两合公司））
提出 MultiTRON 方法，利用 transformer 神经网络将 Pareto 前沿近似技术应用于多目标会话推荐系统，通过训练偏好向量优化点击率与转化率等指标的权衡，使单一模型能灵活满足不同业务需求。
2025-03-30 cs.AI cs.IR cs.LG
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder（科罗拉多大学博尔德分校）
虽然推荐系统是由个性化定义的，但最近的工作表明了额外的，超越准确性目标的重要性，例如公平性。由于用户通常希望他们的推荐是纯粹个性化的，这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史，但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具，但这项工作并没有集中在推荐上。在这里，我们认为公平意识推荐系统和技术，以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究，调查用户的公平感，推荐系统，公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
Causal Inference for Recommendation: Foundations, Methods and Applications
推荐系统是实现个性化服务的重要工具。传统上，这些系统使用数据采掘和机器学习技术来基于在数据中发现的相关性做出推荐。然而，仅仅依赖相关性而不考虑潜在的因果机制可能会导致各种实际问题，例如公平性，可解释性，鲁棒性，偏差，回音室和可控性问题。因此，相关领域的研究人员开始将因果关系引入到推荐系统中来解决这些问题。在这项调查中，我们回顾了现有的文献因果推理推荐系统。我们讨论了推荐系统和因果推理的基本概念以及它们之间的关系，并回顾了推荐系统中不同问题的因果方法的现有工作。最后，我们讨论了开放的问题和未来的方向在因果推理领域的建议。
2023-01-08 cs.IR
Beyond Uniform Token Training: A Multi-Target Framework for Learning Token-Weighted Objectives in Generative Recommenders
Carnegie Mellon University（卡内基梅隆大学）；National Taiwan University（台湾大学）；National Tsing Hua University（国立清华大学）；Academia Sinica（中央研究院）
本文提出基于课程学习的生成推荐系统中的标记加权多目标学习方法，通过两种信息增益策略提升推荐性能，实验表明其在不同语义ID构造下表现优异。
2026-08-21 cs.IR
GORACS: Group-level Optimal Transport-guided Coreset Selection for LLM-based Recommender Systems
针对大语言模型推荐系统微调成本过高的问题，提出组级最优传输引导的核心集选择框架GORACS，通过代理优化目标和两阶段组级选择算法，在降低微调成本的同时实现了优于现有基线和全量训练的性能。
2025-06-04 cs.IR
Multi-Modality is All You Need for Transferable Recommender Systems
针对传统基于ID的推荐系统难迁移、易冷启动的问题，提出纯多模态推荐系统PMMRec，通过多模态内容学习通用转移模式，在多数据集上的推荐性能和可迁移性均超越现有最优方法。
2023-12-18 cs.IR
Towards Effective Research-Paper Recommender Systems and User Modeling based on Mind Maps
虽然用户建模和推荐系统成功地利用了电子邮件、新闻和电影等项目，但它们普遍忽视了思维导图作为用户建模的来源。我们认为这是一个严重的缺点，因为我们假设基于思维导图的用户建模与基于其他项目的用户建模同样有效。因此，数以百万计的思维导图用户可以从推荐系统等用户建模应用程序中受益。这篇博士论文的目标是开发一种有效的基于思维导图的用户建模方法。为了实现这一目标，我们在我们的思维导图和参考管理软件Docear中集成了一个推荐系统。推荐系统基于思维导图建立用户模型，并基于用户模型推荐研究论文。作为我们研究的一部分，我们确定了与基于思维导图的用户建模相关的几个变量，并通过离线评估、用户研究和基于向4,700名用户显示的430,893条推荐的在线评估来评估这些变量对用户建模有效性的影响。我们发现，除其他外，分析节点的数量，修改时间，节点的可见性，节点之间的关系，以及一个节点的孩子和兄弟姐妹的数量影响用户建模的有效性。当所有变量以有利的方式组合时，这种新方法的点击率达到7.20%，这几乎是最佳基线的两倍。此外，我们表明，基于思维导图的用户建模以及基于其他项目的用户建模，即用户下载或引用的研究文章。我们的研究结果让我们得出结论，基于思维导图的用户建模是一个很有前途的研究领域，开发人员的思维导图应用程序应该集成到他们的应用程序的推荐系统。这样的系统可以为数百万思维导图用户创造额外的价值。
2017-03-27 cs.IR
A Differentiable Ranking Metric Using Relaxed Sorting Operation for Top-K Recommender Systems
Sungkyunkwan University（成均馆大学）
推荐系统通过计算项目的偏好分数、根据分数对项目进行排序以及过滤具有高分数的前K个项目来为用户生成个性化推荐。虽然对项目进行排序和排名是这个推荐过程不可或缺的一部分，但将它们纳入端到端模型训练的过程并非易事，因为排序是不可微的，并且难以用梯度下降进行优化。这导致了现有的学习目标和排名指标之间的不一致性问题。在这项工作中，我们提出了DRM（微分排名度量），减轻了不一致性，并通过采用微分放松排名度量，提高推荐性能。通过与几个真实世界的数据集的实验，我们证明了DRM目标的联合学习现有的基于因子的推荐器显着提高了推荐的质量，与其他国家的最先进的推荐方法相比。
2020-12-05 cs.AI cs.IR
RecoWorld: Building Simulated Environments for Agentic Recommender Systems
Meta Platforms, Inc.（Meta平台公司）；National University of Singapore（新加坡国立大学）；University of Illinois（伊利诺伊大学）
RecoWorld通过双视角架构和多轮强化学习，构建了代理推荐系统的模拟环境，旨在提升用户留存和参与度。
2026-07-28 cs.IR
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题，提出反馈感知编码和多目标预测模块，并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
Economic Recommender Systems -- A Systematic Review
该综述系统梳理了经济推荐系统文献，识别133篇论文，分类并评述技术方法、评估方法，指出研究局限与未来方向。
2023-12-21 cs.IR
A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions
推荐系统是当今互联网上最重要的信息服务之一。最近，图神经网络已经成为推荐系统的新的最先进的方法。在这项调查中，我们进行了全面的文献综述图神经网络为基础的推荐系统。本文首先介绍了推荐系统和图神经网络的发展背景和历史。对于推荐系统，一般来说，有四个方面来分类现有的作品：阶段，场景，目标和应用。对于图神经网络，现有的方法包括两大类，光谱模型和空间模型。然后讨论了将图神经网络应用于推荐系统的动机，主要包括高阶连通性、数据的结构特性和增强的监督信号。然后，我们系统地分析了图的构建，嵌入传播/聚合，模型优化和计算效率的挑战。之后，主要是，我们提供了一个全面的概述了大量现有的工作图神经网络为基础的推荐系统，按照上述分类。最后，我们提出了在这一领域的开放性问题和有前途的未来方向的讨论。我们在\url{https://github.com/tsinghua-fib-lab/GNN-Recommender-Systems}中总结了代表性论文及其代码库。
2023-01-12 cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore（新加坡国立大学）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Singapore Management University（新加坡管理大学）
本文提出CARE框架，结合外部推荐系统和LLM进行上下文适应，提升对话推荐的准确性，实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
UniRec: Cross-stage Multi-Task Fusion with Preference Optimization for Cascaded Recommender Systems
Kuaishou Technology（快手科技）
针对级联推荐系统跨阶段不一致问题，提出UniRec统一融合模型，通过共享嵌入、双轴偏好对齐和属性组正则化实现跨阶段联合优化，离线优于基线，在线时长提升0.616%。
2026-10-19 cs.IR
UMRE: A Unified Monotonic Transformation for Ranking Ensemble in Recommender Systems
本文提出统一单调排序集成框架 UMRE，用无约束单调神经网络替代手工变换，并结合轻量级排序模型与帕累托最优策略，实现推荐系统多目标融合的自动化、排序一致性与个性化。
2025-08-18 cs.IR
CRUISE on Quantum Computing for Feature Selection in Recommender Systems
School of Computing Technologies, RMIT University（RMIT大学计算技术学院）
本文提出利用量子退火器求解推荐系统特征选择中的QUBO问题，并引入反事实分析显著提升基于物品的KNN推荐算法性能。
2024-07-03 cs.AI cs.IR
Clicks Versus Conversion: Choosing a Recommender's Training Objective in E-Commerce
Digitec Galaxus AG
本文通过在线A/B测试对比了电子商务中优化CTR与转化率（ACR/OSR）对业务目标的影响，发现优化OSR能带来比CTR高五倍以上的GMV提升且不牺牲新商品发现。
2025-08-14 cs.IR cs.LG
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University（莫纳什大学）
提出多目标框架自动优化LLM提示，以生成更真实、多样化的用户模拟行为，缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL cs.IR
Recommender Systems for Sustainability: Overview and Research Issues
Graz University of Technology（格拉茨工业大学）；Magistrat Villach（菲拉赫市政厅）
该研究综述了推荐系统在支持可持续发展目标（SDGs）中的应用现状，分析其整合的AI技术，并探讨未来研究的开放问题，为利用推荐系统推进可持续发展提供方向。
2024-12-04 cs.AI cs.IR
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统，提出基于物品特征的新分类，并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
Predictive accuracy of recommender algorithms
本文在受控实验中比较三种传统推荐算法与两种深度学习算法的预测准确性，发现深度学习算法表现较弱并探讨过拟合及正则化改进方向。
2024-06-26 cs.IR
Civic Ground Truth in News Recommenders: A Method for Public Value Scoring
RMIT University（皇家墨尔本理工大学）
本文提出一种通过全国性调查和自动化元数据增强生成价值标签的方法，将公民价值嵌入新闻推荐系统，以实现公共价值评分。
2025-10-26 cs.IR
Manipulating Visually-aware Federated Recommender Systems and Its Countermeasures
本文研究了视觉感知联邦推荐系统的安全问题，发现引入视觉信息能抵御现有模型投毒攻击，但也引入了图像投毒攻击这一新威胁，并提出利用扩散模型净化图像以防御攻击。
2023-05-16 cs.IR
Reward Balancing Revisited: Enhancing Offline Reinforcement Learning for Recommender Systems
针对离线强化学习中世界模型内在偏差与策略推荐多样性难以同时平衡的问题，提出 R3S 框架，通过整合模型不确定性并引入带衰减的惩罚器，有效提升了世界模型准确性和用户异构偏好的协调性。
2025-06-30 cs.IR
Sequences, Items And Latent Links: Recommendation With Consumed Item Packs
推荐器通常通过使用协同过滤来基于显式反馈使用户（或项目）相关来个性化web内容，评级.收集这种反馈的困难最近促使人们考虑隐式反馈（例如，项目消耗以及相应的时间）。在本文中，我们介绍了消费项目包（CIP）的概念，使链接用户（或项目）的基础上，他们的隐式类似的消费行为。我们的建议是通用的，我们表明，它捕获三个新的隐式的搜索：基于用户的（CIP-U），基于项目的（CIP-I），和基于词嵌入（DEEPCIP），以及一个国家的最先进的技术，使用隐式反馈（FISM）。我们表明，我们的用户处理增量更新，将新鲜消费的项目。我们证明，所有这三个推荐者提供的推荐质量是具有竞争力的国家的最先进的，包括一个结合明确和隐含的反馈。
2017-12-07 cs.IR cs.SI stat.ML
Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders
Google（谷歌）；OpenAI
本研究针对序列推荐器负反馈学习不足的问题，提出将显隐式负反馈纳入训练的“不推荐”损失函数，经工业级在线实验验证有效，并构建反事实框架实现响应度衡量，证实建模改进可提升推荐响应速度。
2023-08-23 cs.IR cs.LG
Maximizing profit using recommender systems
Brown University（布朗大学）
传统的推荐系统仅仅基于客户过去的购买、产品评级和人口统计数据来进行推荐，而不考虑所推荐项目的盈利能力。在这项工作中，我们研究的问题，供应商如何可以直接将项目的盈利能力纳入其推荐，以最大限度地提高其预期利润，同时仍然提供准确的建议。我们的方法使用任何传统推荐系统的输出，并根据项目的盈利能力进行调整。我们的方法是参数化的，所以供应商可以控制多少的建议，包括利润可以偏离传统的建议。我们研究了我们的方法在两种设置下，并表明，它实现了约22%以上的利润比传统的建议。
2009-08-25 cs.AI cs.CY cs.IR
Contrastive Learning for Recommender System
推荐系统分析用户的偏好模式以推荐潜在的目标，是当今社会不可或缺的。协同过滤（CF）是最流行的推荐模型。具体而言，图神经网络（GNN）已成为CF的新的最先进的。在基于GNN的推荐系统中，通常使用消息丢弃来减轻用户-项目二分图中的选择偏差。然而，基于用户-项目二分图的推荐系统中，由于消息丢失的随机性，消息丢失可能会降低推荐系统的性能。为了解决这个问题，我们提出了一个图对比学习模块的一般推荐系统，学习嵌入在一个自我监督的方式，并减少了随机性的消息丢失。此外，许多推荐系统优化模型与成对排序的目标，如贝叶斯成对排序（BPR）基于负抽样策略。然而，BPR存在以下问题：次优抽样和样本偏差。我们引入一种新的去偏对比损失来解决这些问题，它提供了足够的负样本，并应用偏差校正概率来减轻样本偏差。我们将所提出的框架（包括图对比模块和去偏对比模块）与几个矩阵分解（MF）和基于GNN的推荐模型集成在一起。在三个公共基准上的实验结果证明了该框架的有效性。
2021-01-05 cs.IR
Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems
推荐系统由于能够帮助用户缓解信息过载问题而受到广泛关注。矩阵分解技术是协同过滤推荐系统研究中应用最广泛的技术之一，因为它可以有效地处理非常大的用户-项目评分矩阵。最近，基于直觉，额外的信息提供了有用的见解矩阵分解技术，一些推荐算法已经利用额外的信息，以提高矩阵分解方法的性能。然而，大多数的研究都集中在处理冷启动用户的问题上，而忽略了冷启动项目的问题。此外，这些内容增强的矩阵分解方法来计算分类项目之间的相似性，有几个合适的相似性措施。本文提出了一种基于属性耦合的项目增强矩阵分解方法，该方法将项目属性信息融入矩阵分解技术中，并采用耦合对象相似度来捕捉项目之间的关系。将项目属性信息作为项目关系正则项，对矩阵分解过程进行正则化。具体地，通过考虑项目之间的耦合的耦合对象相似性来测量项目之间的相似性。在两个真实数据集上的实验结果表明，该方法的推荐性能优于现有的推荐算法，并且在项目属性信息较多的情况下，能够有效地解决项目冷启动问题.
2014-05-05 cs.IR
Fine-grained Semantics Integration for Large Language Model-based Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Wuhan University（武汉大学）
TS-Rec通过细粒度语义集成提升基于LLM的推荐系统性能
2026-08-11 cs.IR
Transparency, Privacy, and Fairness in Recommender Systems
本文从透明度与认知模型、隐私与有限偏好信息、公平性与流行度偏差三方面系统研究推荐系统的可信性问题，并提出心理学启发的设计方法、基于邻域重用的差分隐私协同过滤方案，以及基于智能体建模的长期公平性分析。
2024-06-28 cs.IR
Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
Carnegie Mellon University（卡内基梅隆大学）；Language Technologies Institute（语言技术研究所）
提出融合辅助信息的通用框架，在不大幅修改架构下提升基于会话的推荐系统性能，收敛更快且优于SOTA，并引入新型损失正则化注意力机制。
2024-06-02 cs.IR cs.LG
PSLF: A PID Controller-incorporated Second-order Latent Factor Analysis Model for Recommender System
Southwest University（西南大学）；Chongqing Aerospace Polytechnic（重庆航天职业技术学院）
本文针对二阶潜在因子模型收敛慢的问题，提出融合PID控制器的PSLF模型，通过改进误差估计和利用Hessian-向量积获取二阶信息，在多个HDI数据集上实现了优于现有模型的收敛速度与泛化性能。
2024-08-31 cs.AI cs.IR cs.LG
