DeepFair: Deep Learning for Improving Fairness in Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
推荐系统中缺乏偏见管理导致少数群体收到不公平的推荐。此外，公平与精确之间的权衡使得很难获得同时符合这两项标准的建议。在这里，我们提出了一种基于深度学习的协同过滤算法，该算法在不知道用户的人口统计信息的情况下，提供了公平性和准确性之间的最佳平衡的推荐。实验结果表明，它是可能的，使公平的建议，而不会失去一个显着比例的准确性。
2020-06-09 cs.AI cs.LG stat.ML
The Architecture of Mr. DLib's Scientific Recommender-System API
Trinity College Dublin（都柏林圣三一学院）；National Institute of Informatics（国立信息学研究所）
学术界的推荐系统并不广泛。这可能部分是由于开发和维护推荐系统的难度和成本。许多学术产品的运营商，如数字图书馆和参考咨询经理避免这种努力，虽然推荐系统可以提供显着的好处，他们的用户。在本文中，我们介绍了DLib先生的“推荐即服务”（RaaS）API，该API允许学术产品的运营商轻松地将科学推荐系统集成到他们的产品中。DLib先生为研究文章生成推荐，但在未来，推荐可能包括论文，资助等学术产品的运营商可以向DLib先生请求推荐，并向其用户显示这些推荐。DLib先生可以在几个小时或几天内集成;从头开始创建一个等效的推荐系统对于学术运营商来说需要几个月的时间。DLib先生已被GESIS Sowiport和参考管理器JabRef使用。DLib是开源的，其目标是促进科学推荐系统的应用和研究。在本文中，我们提出了DLib先生的动机，架构和细节的有效性。DLib先生在两年的时间里提供了9400万条推荐，平均点击率为0.12%。
2018-11-26 cs.AI cs.DL cs.IR
Impression-Aware Recommender Systems
Politecnico di Milano（米兰理工学院）；ContentWise；Amazon（亚马逊）；Universidad Autónoma de Madrid（马德里自治大学）
本文提出印象感知推荐系统，通过系统性文献综述统一了使用印象的推荐系统框架，并指出了未来研究方向。
2024-12-17 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
Recommender Systems: A Primer
Universidad Autónonoma de Madrid（马德里自治大学）；University of Klagenfurt（克拉根福大学）
个性化推荐已经成为现代在线服务的共同特征，包括大多数主要的电子商务网站、媒体平台和社交网络。今天，由于其高度的实际意义，在推荐系统领域的研究比以往任何时候都更加蓬勃发展。然而，随着我们今天观察到的推荐系统的新应用场景，在算法要求和对此类系统的评估方面也不断出现新的挑战。在本文中，我们首先提供了一个传统的配方推荐问题的概述。然后，我们回顾了经典的算法范例项目检索和排名，并阐述了如何可以评估这样的系统。之后，我们讨论了一些最近的发展，在推荐系统的研究，包括基于会话的推荐，在推荐系统的偏见，并在实践中的影响和价值的推荐系统的问题。
2023-02-06 cs.AI cs.IR
Sports Recommender Systems: Overview and Research Issues
Magistrat Villach（菲拉赫市政厅）；Institute of Software Technology (Graz University of Technology)（格拉茨工业大学软件技术研究所）
本文综述体育推荐系统在健康饮食、训练、人才团队、比赛战术及电子竞技等场景中的应用与技术，分析最新进展并指出开放研究问题。
2023-12-06 cs.AI cs.IR
The Use of Bandit Algorithms in Intelligent Interactive Recommender Systems
IBM Research AI（IBM研究院人工智能部门）
在当今的商业市场中，许多高科技互联网企业不断探索创新的方法来提供最佳的在线用户体验，以获得竞争优势。指出了开发智能交互式推荐系统的巨大需求，该系统可以通过准确地预测用户的偏好来顺序地向用户推荐最合适的项目，同时不断地接收最新的反馈以改进推荐结果。多臂强盗算法能够提供高效的推荐服务，已被广泛应用于各种在线系统中。然而，很少有现有的强盗模型能够适应现代推荐系统引入的新变化。
2021-07-01 cs.AI cs.IR
Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Conversational Group Decision Support
University of Klagenfurt（克雷格弗特大学）；University of Sarajevo（萨拉热窝大学）；Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学）
本文反思群组推荐系统的学术假设与现实差距，提出利用生成式AI，构建人类与AI智能体互动的群组决策支持系统，以推动其实际应用。
2026-10-30 cs.AI cs.IR
Personalized Recommender System for Children's Book Recommendation with A Realtime Interactive Robot
Fandou Information Technology Co. Ltd.（饭豆信息技术有限公司）；Carnegie Mellon University（卡内基梅隆大学）
本研究针对儿童-机器人交互环境，提出结合逆过滤文本搜索、贝叶斯网络兴趣预测及领域同义词关联的个性化图书推荐系统，在嵌入式设备上实现高效运行。
2023-05-08 cs.AI cs.IR
GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation
Monash University（莫纳什大学）；Ostadkar Company（Ostadkar公司）
关于推荐系统的研究出现在过去的十年中，包括有价值的服务，以增加不同公司的收入。在处理论文推荐系统中存在几种方法。虽然大多数现有的推荐系统依赖于基于内容的方法或协作方法，但存在可以使用两种方法的组合来提高推荐准确性的混合方法。尽管已经提出了许多算法来使用这些方法，但仍有必要进一步改进。在本文中，我们提出了一个推荐系统的方法，使用基于图的模型与用户的评级的相似性，结合用户的人口统计和位置信息。利用Autoencoder特征提取的优点，在所有组合属性的基础上提取新的特征。使用新的一组功能聚类用户，我们提出的方法（GHRS）已经获得了显着的改善，这主导了其他方法的性能在冷启动问题。在MovieLens数据集上的实验结果表明，该算法在推荐准确率上优于现有的推荐算法。
2022-03-25 cs.AI cs.IR cs.LG
Overhead-free User-side Recommender Systems
National Institute of Informatics（情报学研究所）
针对用户侧推荐系统通信开销过高的问题，提出无开销框架RecCycle，通过回收提供商的历史推荐结果，在保持与先进算法同等性能的同时显著降低成本。
2024-11-12 cs.AI cs.DB cs.DL
Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems
Institute of Advanced Scientific Research（高级科学研究所）；Shivaji University（希瓦吉大学）
本文综述了图神经网络在推荐系统中的应用，涵盖背景、分类、动机及图构建、嵌入传播和计算效率的挑战，并展望未来方向。
2023-11-10 cs.AI cs.IR cs.LG
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University（嘉应学院）
在大数据时代，推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来，推荐系统的技术发展经历了从感知学习到认知推理的过程，将推荐任务直观地构建为逻辑推理的过程，并取得了显著的进步。然而，推理中的逻辑陈述隐含地承认了排序的无关性，甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外，结合时间上下文的推荐模型将倾向于自我关注，即，自动聚焦更多（更少）的相关性（无关性）。针对这些问题，本文提出了一种基于时间感知的自注意力神经协作推理（TiSANCR）推荐模型，将时间模式和自注意力机制集成到基于推理的推荐中。特别是，时间模式表示的相对时间，提供上下文和辅助信息来描述用户的偏好在推荐，而自我注意是利用提取信息模式和抑制无关。因此，自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明，提出的TiSANCR推荐算法性能显著提高，并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Towards a Theoretical Understanding of Two Tower Recommendation Models
Indian Institute of Technology (BHU) Varanasi（印度理工学院（瓦拉纳西））
本研究针对双塔推荐模型，分析其渐近行为、收敛特性，证明其收敛更快，且在合成与真实数据实验中性能优于现有方法，建立了其理论特性与统计保证。
2026-08-10 cs.AI cs.IR
Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities towards Social Recommendation
在互联网中存在信息过载下的决策情况，其中人们有大量的可用选项可供选择，例如在电子商务网站上购买的产品，或在大城市中访问的餐馆。推荐系统作为一种数据驱动的个性化决策支持工具出现，以帮助用户在这些情况下：他们能够处理用户相关的数据，根据用户的偏好，需求和/或行为过滤和推荐项目。与大多数传统的推荐方法不同，其中项目是推荐给用户的无生命实体，并且成功仅取决于终端用户对所接收的推荐的反应，在互惠推荐系统（RRS）中，用户成为被推荐给其他用户的项目。因此，最终用户和被推荐的用户都应该接受“匹配”推荐以产生成功的RRS性能。RRS的操作不仅需要像经典的预测器那样对用户交互数据进行准确的偏好估计，而且还需要计算（对）用户之间的相互兼容性，通常通过对单边用户到用户偏好信息应用融合过程。本文提出了一个快照风格的分析，总结了现有的文献，最先进的RRS研究的日期，集中在RRS的算法，融合过程和基本特征，既继承了传统的用户到项目的推荐模型和这些固有的新兴家庭的方法。代表性的RRS模型也同样突出显示。在此之后，我们讨论了RRS未来研究的挑战和机遇，特别关注（i）融合策略，以考虑互惠性和（ii）与社会推荐相关的新兴应用领域。
2021-01-13 cs.AI cs.IR cs.SI
Personalized Counterfactual Fairness in Recommendation
Rutgers University（罗格斯大学）
随着越来越多的用户使用推荐系统进行信息搜索和决策，推荐系统对人类和社会产生了越来越重要的影响。因此，解决推荐中潜在的不公平问题至关重要。就像用户对物品有个性化偏好一样，用户对公平性的诉求在很多场景下也是个性化的。因此，为用户提供个性化的公平推荐，以满足其个性化的公平需求是非常重要的。此外，以往的公平推荐工作主要集中在基于关联的公平性。然而，重要的是要从关联公平的概念，因果公平的概念，更恰当地评估公平的推荐系统。基于上述考虑，本文重点研究了在推荐系统中实现个性化的反事实公平性。为此，我们引入了一个框架，通过生成功能独立的用户嵌入推荐，通过对手学习实现反事实公平的建议。该框架允许推荐系统实现个性化的公平性，同时也涵盖非个性化的情况下，用户。在两个真实数据集上使用浅层和深层推荐算法进行的实验表明，该方法可以为用户生成更公平的推荐，并具有理想的推荐性能。
2021-11-05 cs.AI cs.IR cs.LG
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中，提出了各种评价战略。但是，它们散见于不同的论文中，缺乏系统而详细的比较。为了弥补这一差距，本文全面回顾了前人的工作，并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作，我们还分析了现有的评估方法的优点（缺点），并提供了一系列的指导方针，如何选择他们。本调查的内容基于来自顶级会议（如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI）的100多篇论文，其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查，我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi（德里大学阿查里亚·纳伦德拉·德夫学院）；Swami Sharaddhanand College, University of Delhi（德里大学斯瓦米·沙拉德南德学院）；University of Delhi（德里大学）；Atma Ram Sanatam Dharam College, University of Delhi（德里大学阿特马·拉姆·萨纳坦·达拉姆学院）
在互联网上，网络冲浪者在搜索信息时，总是努力寻找推荐。由于信息领域的日益增长，产生推荐的解决方案变得更加困难。在本文中，我们已经计算基于熵的用户之间的相似性，以实现可扩展性问题的解决方案。利用这个概念，我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上，协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明，从一组有价值的排序者在第一级，只有那些排序者具有较低的熵在第二级比熵在第一级，作为值得信赖的排序者。最后，为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
An MDP-based Recommender System
Ben-Gurion University（本-古里安大学）；Microsoft Research（微软研究院）
典型的推荐系统采用推荐过程的静态视图，并将其视为预测问题。我们认为，它是更合适的，以查看作为一个顺序的决策问题的问题产生的建议，因此，马尔可夫决策过程（MDP）推荐系统提供了一个更合适的模型。MDP有两个好处：它们考虑到每项建议的长期影响，并考虑到每项建议的预期价值。为了在实践中取得成功，一个基于MDP的推荐系统必须采用一个强大的初始模型，本文的大部分内容都是关于这样一个模型的生成。特别是，我们建议使用一个n-gram预测模型来生成初始MDP。我们的n-gram模型诱导了一个用户行为的马尔可夫链模型，其预测精度高于现有的预测模型。我们详细描述了我们的预测模型，并评估了其在真实数据上的性能。此外，我们展示了如何使用该模型在基于MDP-Recommender系统。
2015-05-16 cs.AI cs.IR cs.LG
Online certification of preference-based fairness for personalized recommender systems
Meta AI
推荐系统正面临审查，因为它们对我们所能获得的机会的影响越来越大。目前对公平性的审计仅限于敏感群体级别的粗粒度奇偶性评估。我们建议审计无嫉妒性，这是一个与个人偏好相一致的更细粒度的标准：每个用户都应该喜欢他们的推荐。由于审计嫉妒需要估计用户的偏好超出他们现有的建议，我们投审计作为一个新的纯探索多武装土匪的问题。我们提出了一个样本效率的算法，理论上保证它不会恶化用户体验。我们还研究了在现实世界的推荐数据集上实现的权衡。
2023-03-06 cs.AI cs.CY cs.LG
User-oriented Fairness in Recommendation
Rutgers University（罗格斯大学）
作为一个高度数据驱动的应用，推荐系统可能会受到数据偏差的影响，导致对不同数据组的结果不公平，这可能是影响系统性能的一个原因。因此，识别和解决推荐场景中的不公平问题非常重要。在本文中，我们从用户的角度来解决推荐系统中的不公平问题。我们根据用户的活跃程度将其分为弱势群体和弱势群体，并进行实验，以表明目前的推荐系统将表现出不公平的两组用户之间。具体而言，在数据中只占很小比例的弱势用户（活跃）比弱势用户（不活跃）享有更高的推荐质量。这种偏见也会影响整体性能，因为弱势用户占大多数。为了解决这个问题，我们提供了一个重新排名的方法，以减轻这种不公平的问题，通过增加约束的评估指标。我们在几个真实世界的数据集上进行了各种推荐算法的实验表明，我们的方法不仅可以提高用户在推荐系统中的群体公平性，但也取得了更好的整体推荐性能。
2021-04-21 cs.AI cs.HC cs.IR
