MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
针对文本序列推荐中多属性表示与复杂兴趣匹配两大难题，本文提出MARS模型，通过属性感知编码和属性级交互匹配捕获细粒度偏好，在五个基准数据集上显著超越现有方法。
2024-09-04 cs.IR
CAEN: A Hierarchically Attentive Evolution Network for Item-Attribute-Change-Aware Recommendation in the Growing E-commerce Environment
传统的推荐系统主要关注用户兴趣建模。然而，由属性修改（例如价格的变化）引起的推荐项目的动态在实际系统中也是非常重要的，特别是在快速增长的电子商业环境中，这可能导致用户的需求出现、转移和消失。最近的动态项目表示的研究，努力把项目属性作为边信息，但忽略了它的时间依赖性，或模型的项目演变与相关的用户序列，但不考虑项目属性。在本文中，我们提出了核心属性进化网络（CAEN），它划分用户序列的属性值，从而模型的属性动态与这些用户的项目进化。在此框架下，我们进一步设计了一种层次化的注意力机制，该机制利用属性感知的注意力对每个属性下的用户进行聚合，并利用个性化的注意力来激活相似用户，以评估目标用户与项目的匹配程度。在实际电子商业数据集上的实验结果表明，该方法在属性快速变化的项目上取得了显著的改进，从而帮助项目推荐适应电子商业平台的发展。
2022-08-29 cs.IR
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而，现有的新闻推荐方法大多只关注推荐准确率，而忽略了多样性。重新排序是一种广泛使用的后处理技术，以促进顶部推荐结果的多样性。然而，推荐模型并不完美，并且错误可能在级联推荐算法中传播和放大。此外，推荐模型本身并不具有多样性，这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中，我们提出了一种名为LeaDivRec的新闻推荐方法，这是一个完全可学习的模型，可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法，通常是基于点或成对排序，在LeaDivRec中，我们提出了一个更有效的列表式新闻推荐模型。更具体地说，我们提出了一个置换Transformer来考虑候选新闻之间的相关性，同时可以学习不同的表示相似的候选新闻，以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外，我们提出了一个多样性感知的正则化方法，以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱（KG）具有提供明确解释的能力，因此KG上的推理被研究用于可解释的推荐。然而，现有的基于KG的可解释推荐方法忽略了时间信息（如购买时间、推荐时间等），这可能导致不适当的解释。在这项工作中，我们提出了一种新的时间感知路径推理推荐（TPRec为短）方法，它利用时间信息的潜力，提供更好的推荐与合理的解释。首先，提出了一种有效的时间感知交互关系抽取组件，用于构建具有时间感知交互的协同知识图谱（TCKG），然后提出了一种新的时间感知路径推理方法用于推荐。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，TPRec可以成功地利用TCKG，以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
Graph Embedding for Recommendation against Attribute Inference Attacks
近年来，推荐系统在帮助用户识别满足个人偏好的最合适的项目方面发挥了关键作用。由于用户-项目交互可以自然地建模为图结构数据，因此图卷积网络（GCN）的变体已经成为最新的建模器中公认的构建块。由于敏感用户简档数据的广泛使用，现有的推荐模式可能会使用户面临隐私泄露的威胁，基于GCN的推荐者也不例外。除了原始用户数据的泄漏外，当前的推理攻击的脆弱性为恶意攻击者提供了一个后门，通过他们的行为足迹和推荐结果来估计用户的私人属性。然而，很少有人注意到开发推荐系统，可以抵御这种属性推理攻击，现有的作品实现攻击抵抗牺牲相当大的推荐精度或只覆盖特定的攻击模型或受保护的信息。在我们的论文中，我们提出了GERAI，一种新的差分私有图卷积网络，以解决这些限制。具体来说，在GERAI中，我们将差分隐私中的信息扰动机制与图卷积网络的推荐能力相结合。此外，基于局部差分隐私和功能机制，创新性地设计了一种双阶段加密范式，同时对用户敏感特征和模型优化过程实施隐私保障。大量的实验表明，GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。
2021-01-29 cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Interactive Path Reasoning on Graph for Conversational Recommendation
传统的推荐系统根据用户过去的交互历史来估计用户对项目的偏好，从而在获得细粒度和动态的用户偏好方面受到限制。会话式推荐系统（CRS）通过使系统能够直接询问用户关于物品的偏好属性，从而为这些限制带来了革命。然而，现有的CRS方法没有充分利用这一优势-他们只使用属性反馈，而隐含的方式，如更新潜在的用户表示。在本文中，我们提出了会话路径推理（CPR），一个通用的框架，模型会话推荐作为一个互动的路径推理问题的图。它通过遵循用户反馈来遍历属性顶点，以显式的方式利用用户偏好的属性。通过利用图结构，CPR能够修剪掉许多不相关的候选属性，从而更好地命中用户偏好的属性。为了演示CPR是如何工作的，我们提出了一个简单而有效的实例化，名为SCPR（简单CPR）。我们进行实证研究的多轮会话推荐的情况下，最现实的CRS设置，到目前为止，考虑多轮询问属性和推荐项目。通过在两个数据集Yelp和LastFM上的大量实验，我们验证了我们的SCPR的有效性，它显着优于最先进的CRS方法ARXiv（arXiv：2002.09102）和CRM（arXiv：1806.03277）。特别是，我们发现，有更多的属性，我们的方法可以实现更多的优势。
2020-07-01 cs.IR
On Interpretation and Measurement of Soft Attributes for Recommendation
我们解决如何鲁棒地解释自然语言的改进（或批评）的推荐系统。特别是，在人-人推荐环境中，人们经常使用软属性来表达对物品的偏好，包括电影情节的原创性，场所的嘈杂度或食谱的复杂性等概念。虽然二进制标记在推荐系统的上下文中被广泛研究，但软属性通常涉及主观和上下文方面，这些方面不能以这种方式可靠地捕获，也不能在知识库中表示为客观的二进制真理。这也增加了衡量软属性排名时的重要考虑因素。我们提出了一个更自然的表示为个性化的相对语句，而不是绝对的项目属性。我们提出了新的数据汇集技术和评估方法，以及一个新的公共数据集。我们还提出了一套评分方法，从无监督到弱监督到完全监督，作为解释和基于软属性的批评的一步。
2021-05-19 cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣，而不考虑候选新闻。然而，每个用户通常具有多个兴趣，并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法，该方法可以将候选新闻加入到用户建模中，以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络，使用候选人的新闻作为线索，模型候选人意识的全球用户兴趣。此外，我们提出了一个候选人感知的CNN网络，将候选新闻纳入本地行为上下文建模，并学习候选人感知的短期用户兴趣。此外，我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻，以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
Fairness-Aware Recommendation of Information Curators
本文重点介绍了我们正在努力创建有效的信息策展人推荐模型，可以为个人用户个性化，同时保持重要的公平性。具体地说，我们介绍了信息策展人推荐的问题，提供了一个高层次的公平意识的推荐概述，并介绍了一些初步的实验证据在现实世界的Twitter数据集。最后，我们对未来的方向提出一些想法。
2018-10-03 cs.IR
Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
针对基于会话推荐中数据稀疏及现有属性建模方法缺乏通用性的问题，提出与模型无关的框架AttrGAU，通过构建二分属性图、解耦现有模型并引入对齐与一致性约束，显著提升了属性无关模型的推荐准确性与鲁棒性。
2024-10-14 cs.IR
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模，捕捉用户的动态意图，能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上，而忽略了推荐多样性，尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR，因为它们假设用户意图是静态的，并依赖于后处理的建议列表，以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型，称为意图感知的多样化顺序推荐（IDSR）。具体来说，我们引入了一个隐式意图挖掘模块（IIM）到SR捕捉不同的用户意图反映在用户的行为序列。然后，我们设计了一个意图感知的多样性促进（IDP）损失来监督IIM模块的学习，并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明，IDSR在推荐多样性方面明显优于最先进的方法，同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升，健康饮食正引起越来越多的关注。然而，大多数现有的食品相关的研究工作集中在食谱检索，基于用户偏好的食物推荐，烹饪辅助，或菜肴的营养和热量估计，忽略了个性化的健康意识的食物推荐。因此，在这项工作中，我们提出了一个个性化的健康意识的食品推荐计划，即Market2Dish，映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分，即食谱检索，用户健康分析和健康意识的食物推荐。特别是，食谱检索的目的是获得可用的成分给用户，然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说，为了解决健康相关信息非常稀疏的问题，我们将一个词类交互机制纳入到所提出的深度模型中，以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐，我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外，大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 cs.IR
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程，候选项生成和建议有效地帮助用户找到最适合他们的项目。因此，识别可互换的可替代项目开辟了新的机会，以改善所生成的候选人的质量。当用户正在浏览特定类型的产品（例如，笔记本电脑）购买，替代品的准确推荐（例如，配备更好的笔记本电脑）可以为用户提供更合适的选择，从而大大增加成功购买的机会。然而，现有的方法仅仅把这个问题作为挖掘成对项目关系，而没有考虑用户的个人偏好。此外，可替代的关系是通过学习项目的潜在表示隐含地识别，导致不可解释的推荐结果。在本文中，我们提出了属性感知的协同过滤（A2 CF）执行替代推荐解决问题，从个性化和可解释性的角度。而不是直接建模的用户-项目的交互，我们提取明确的和极化的项目属性与情感分析，之后的属性，用户和项目的表示同时学习的用户评论。然后，通过将属性视为用户和项目之间的桥梁，我们可以彻底建模用户-项目偏好（即，个性化）和项目-项目关系（即，替代）的建议。此外，A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验，证明了A2 CF的推荐有效性和解释质量。
2020-05-19 cs.IR
Counterfactual Explanation for Fairness in Recommendation
本文提出CFairER模型，利用异质信息网络和离策略强化学习生成属性级反事实解释，通过注意力动作剪枝缩小搜索空间，在保持推荐性能的同时实现公平性诊断。
2023-07-10 cs.IR
Improving Recommendation Fairness without Sensitive Attributes Using Multi-Persona LLMs
针对推荐系统在无敏感属性场景下的公平性问题，提出LLMFOSA框架，利用多角色大语言模型推断敏感信息并学习鲁棒表示，通过互信息目标优化，在公开数据集上验证了提升公平性的有效性。
2025-05-26 cs.IR
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题，以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而，这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此，受深度语义建模的最新发展的启发，我们提出了一个混合的深度语义矩阵分解（HDMF）模型，以进一步提高标签感知个性化推荐的性能，通过集成深度语义建模，混合学习和矩阵分解技术。实验结果表明，HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线，例如，其平均倒数秩（分别，平均精度）为1.52（分别，1.66）倍。
2017-08-12 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题，提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型，在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Knowledge-aware Dual-side Attribute-enhanced Recommendation
针对现有知识感知推荐方法无法建模细粒度用户偏好及利用偏好-属性连接的问题，提出KDAR方法，通过构建用户偏好和属性融合表示增强协同过滤，并引入多级协同对齐对比机制区分属性贡献，在四个基准数据集上优于基线。
2024-03-24 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
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而，一篇新闻文章可能涵盖多个方面和实体，并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣，以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器，以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下，知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation
流媒体基于会话的推荐（SSR）是一个具有挑战性的任务，需要推荐系统在流媒体场景中进行基于会话的推荐（SR）。在电子商务和社交媒体的实际应用中，在一定时间内生成的用户-项目交互序列被分组为会话，并且这些会话以流的形式连续到达。最近的SR研究大多集中在静态设置，首先获得训练数据，然后用于训练基于会话的推荐模型。它们需要在整个数据集上进行几个时期的训练，这在流媒体设置中是不可行的。此外，由于对用户信息的忽视或简单使用，很难很好地捕捉用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流设计的。在本文中，我们提出了一个全局属性图（GAG）神经网络模型与Wasserstein水库的SSR问题。一方面，当新会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以考虑全局属性和当前会话两者，以学习会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein水库，以帮助保存历史数据的代表性草图。在两个真实数据集上进行了大量的实验，以验证与最先进的方法相比，GAG模型的优越性。
2021-07-09 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题，提出感知多样性的自校正序列推荐网络DivNet，可同时捕捉序列物品交互评估效用并实现推荐多样化，离线在线实验均优于基线方法。
2024-11-01 cs.IR
Comprehensive Privacy Analysis on Federated Recommender System against Attribute Inference Attacks
近年来，推荐系统对于提供满足用户偏好的个性化服务至关重要。通过个性化推荐服务，用户可以享受电影、书籍、广告、餐厅等多种推荐。尽管有很大的好处，个性化推荐通常需要收集个人数据进行用户建模和分析，这可能使用户容易受到属性推断攻击。具体地，现有集中式加密器在属性推断攻击下的脆弱性为恶意攻击者留下了推断用户的私有属性的后门，因为系统记住了它们的训练数据的信息（即，交互数据和辅助信息）。一种新兴的实践是在联合设置中实现推荐器系统，其使得所有用户设备能够协作地学习共享全局推荐器，同时将所有训练数据保持在设备上。然而，在联邦推荐系统中的隐私问题却很少被探讨。在本文中，我们首先设计了一个新的属性推理攻击执行一个全面的隐私分析的最先进的联邦推荐模型。实验结果表明，每个模型组件对属性推理攻击的脆弱性是不同的，突出了新的防御方法的需要。因此，我们提出了一种新的自适应隐私保护方法，以保护用户的敏感数据存在的属性推理攻击，同时最大限度地提高推荐精度。在两个真实数据集上的大量实验结果验证了我们的模型在推荐有效性和抵抗推理攻击方面的优越性能。
2023-03-19 cs.IR
Attribute-aware Explainable Complementary Clothing Recommendation
The University of Queensland（昆士兰大学）
现代电子商务推荐系统对时尚商品之间的混搭关系建模的要求越来越高，但也越来越具有挑战性。在进行服装匹配时，大多数现有的方法利用从时尚物品图像中提取的潜在视觉特征进行兼容性建模，这缺乏对所生成的匹配结果的可解释性，并且难以说服用户推荐。尽管最近的方法开始结合预定义的属性信息（例如，颜色、款式、长度等）对于学习项目表示和改进模型可解释性，它们对属性信息的利用仍然主要保留用于增强所学习的项目表示和经由后处理生成解释。因此，当我们试图提高推荐准确性并生成细粒度的解释时，这会产生严重的瓶颈，因为显式属性与实际推荐过程只有松散的联系。本文提出了一种新颖的属性感知的时尚推荐器（AFRec），旨在解决时尚推荐任务中的可解释性挑战。具体而言，AFRec推荐器通过明确利用从每个项目的视觉特征中提取的属性级表示来评估服装兼容性。属性作为两个时尚物品之间的桥梁，我们通过学习它们属性之间的兼容性来量化一对物品的亲和力。大量的实验表明，通过充分利用推荐过程中的显式属性，AFRec能够实现最先进的推荐准确率，同时生成直观的解释。
2021-07-04 cs.IR cs.LG
Chain-of-Choice Hierarchical Policy Learning for Conversational Recommendation
本文提出多类型属性多轮对话推荐问题设置MTAMCR，并设计链式选择分层策略学习框架CoCHPL，通过分层强化学习同时优化提问效率与推荐效果，在四个基准上超越现有方法。
2024-04-03 cs.IR
Privacy-Aware Recommendation with Private-Attribute Protection using Adversarial Learning
推荐是帮助用户找到与其兴趣相关的信息的关键应用之一。然而，恶意攻击者可以通过推荐来推断用户的私人信息。先前的工作在与推荐系统共享之前混淆用户项数据。这种方法在执行数据混淆时没有显式地解决推荐的质量。此外，它不能保护用户免受基于建议的私有属性推理攻击。这项工作是第一次尝试建立一个推荐与属性保护（RAP）模型，同时推荐相关的项目和计数器私有属性推理攻击。我们的方法的关键思想是制定这个问题作为一个对抗性的学习问题，有两个主要组成部分：私人属性推理攻击者，和贝叶斯个性化推荐。攻击者试图根据用户的项目列表和建议来推断用户的私有属性信息。推荐器的目标是提取用户的兴趣，同时利用攻击者来规范推荐过程。实验表明，该模型既保持了推荐服务的质量，又保护了用户免受私有属性推理攻击。
2019-11-22 cs.CR cs.IR cs.SI
Sequence-aware Large Language Models for Explainable Recommendation
University of Science and Technology of China（中国科学技术大学）
本文提出SELLER框架，结合用户行为与物品语义，通过混合专家适配器对齐LLM信号，统一评估框架提升推荐解释质量与实际效用。
2026-03-25 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
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题，提出将时间戳和间隔纳入考量的新方法TAIW，在三个真实数据集上优于最先进基线，并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
针对推荐系统个性化公平现有方法训练成本高、公平与准确性权衡次优的问题，提出仅需训练一个模型、推理时自适应满足不同公平要求的AFRL模型，通过信息对齐机制兼顾公平性与推荐准确性，经实验和理论分析验证了其优越性。
2024-04-13 cs.IR
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入（JCCE），研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上，以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。进一步的实验显示有用的结构，学习嵌入，可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation
针对电子商务、短视频推荐等场景中用户简档不可见的问题，提出了基于会话的推荐（SBR）方法，用于在短会话内推荐商品。有一个常见的场景，用户指定一个目标类别的项目作为一个全局过滤器，但以前的SBR设置主要考虑项目的顺序，忽略了丰富的目标类别信息。因此，我们定义了一个新的任务，称为类别感知的基于会话的推荐（CSBR），专注于上述情况下，用户指定的类别可以有效地利用推荐系统。为了解决所提出的任务的挑战，我们开发了一种新的方法称为意图自适应图神经网络（IAGNN），它利用项目和它们的类别之间的关系，以实现准确的推荐结果。具体来说，我们构建了一个类别感知的图与项目和类别节点来表示会话中的复杂的过渡信息。利用类别感知图上的意图自适应图神经网络通过将历史交互信息传递到用户指定的类别域来捕获用户意图。在三个真实世界的数据集上进行了广泛的实验，以显示我们的IAGNN在新任务中的性能优于最先进的基线。
2022-04-09 cs.IR
Multiple Choice Questions based Multi-Interest Policy Learning for Conversational Recommendation
会话式推荐系统（CRS）能够基于交互式对话获取细粒度的、动态的用户偏好。以前的CRS假设用户有一个明确的目标项。然而，对于许多使用CRS的用户来说，他们可能并不清楚自己真正喜欢的是什么。具体地，用户可能对物品的某些属性类型（例如颜色）具有明确的单一偏好，而对于其他属性类型，用户可能具有多个偏好或者甚至没有明确的偏好，这导致一个属性类型的多个可接受的属性实例（例如黑色和红色）。因此，用户可以在多个属性实例的组合下显示他们对项目的偏好，而不是所有属性实例的唯一组合的单个项目。因此，我们首先提出了一个更现实的CRS学习设置，即多兴趣多轮会话推荐，其中用户可能有多个属性实例组合的兴趣，并接受多个项目的属性实例的部分重叠组合。为了有效地应对新的CRS学习环境，在本文中，我们提出了一种新的学习框架，即基于多选择问题的多兴趣策略学习。为了更有效地获取用户的偏好，代理生成多项选择问题，而不是二元的是/否的特定属性实例。此外，我们提出了一个联合集策略来选择候选项目，而不是现有的交集策略，以克服过度过滤项目在会话。最后，我们设计了一个多兴趣策略学习模块，它利用捕获的用户的多个兴趣来决定下一步的行动，无论是问属性实例或推荐项目。在四个数据集上的实验结果验证了该方法的优越性。
2022-02-07 cs.IR
LLM-Powered Nuanced Video Attribute Annotation for Enhanced Recommendations
本研究提出利用大语言模型作为标注器，在工业短视频推荐系统中实现细粒度内容属性标注，通过端到端流程和知识蒸馏，显著提升标注质量与用户参与度。
2025-10-08 cs.IR
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时，常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面，我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面，推荐系统社区很少研究为顺序推荐设计的相似性度量。因此，在本文中，我们专注于设计一种新的相似性度量称为位置感知相似性（PAS）的顺序推荐。建议PAS是，据我们所知，第一个计数为基础的相似性度量，同时捕获的序列模式，从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究，其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能，包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型，通过公平感知的映射函数和基于影响函数的重加权方法，在跨域推荐中实现用户群体公平，同时保持推荐准确性。
2023-05-15 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架，融合GeoSoCa、LORE和USG等上下文感知模型，扩展多维度评估并开源，以提升POI推荐的可复现性。
2023-06-20 cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣，并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是，新闻点击行为可以表明用户的兴趣。然而，在实际场景中，除了用户兴趣与新闻内容之间的相关性之外，新闻点击行为还可能受到其他因素的影响，例如在线平台中新闻呈现的偏差。例如，位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声，影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec，该方法可以处理偏见信息，从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块，一个偏见意识的用户建模模块，和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模，以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型，从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型，其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。在两个真实数据集上的实验表明，该方法能有效地提高新闻推荐的性能。
2021-04-15 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
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱（KGs）来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中，最近的工作探索了图的拓扑结构，以学习具有丰富语义的用户和项目的低维表示。然而，这些现实世界中的三分图通常是无标度的，其内在的层次图结构在现有的工作中是强调不足，因此，导致次优的推荐性能。为了解决这个问题，提供更准确的推荐，我们提出了一种基于双曲几何的知识感知推荐方法，即洛伦兹知识增强的图卷积网络推荐（LKGR）。在数据统一后，LKGR有助于更好地建模无标度三部图。具体来说，我们采用不同的信息传播策略，在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明，LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
A^2-GCN: An Attribute-aware Attentive GCN Model for Recommendation
属性作为重要的辅助信息，在现有的推荐系统中得到了广泛的应用。在现实世界的场景中，项目/用户的一些属性缺失是常见的（例如，一些电影丢失类型数据）。先前的研究通常使用默认值（即，“其他”）来表示缺失的属性，从而导致次优性能。为了解决这个问题，在本文中，我们提出了一个属性感知注意图卷积网络（A ${^2}$ -GCN）。特别是，我们首先构建一个图，其中用户，项目和属性是三种类型的节点，它们的关联是边。之后，我们利用图卷积网络来表征<用户，项目，属性>之间的复杂交互。为了学习节点表示，我们转向消息传递策略来聚合从其他直接链接类型的节点（例如，用户或属性）。为此，我们能够结合关联属性来加强用户和项目表示，从而自然地解决属性缺失问题。考虑到对于不同的用户，项目的属性对他们对该项目的偏好有不同的影响，我们设计了一种新的注意力机制，通过考虑属性信息来过滤从项目传递到目标用户的消息。在几个公开访问的数据集上进行了大量的实验，以证明我们的模型是正确的。结果表明，我们的模型优于几个国家的最先进的方法，并证明了我们的注意力方法的有效性。
2020-03-20 cs.IR
Towards Multi-Subsession Conversational Recommendation
提出多子会话多轮对话式推荐场景MSMCR及新框架MSCAA，通过上下文感知推荐、属性选择策略与对话策略模块协同，有效建模用户跨会话兴趣并主动激活，在四个数据集上验证了有效性。
2023-10-20 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
Making Cross-Domain Recommendations by Associating Disjoint Users and Items Through the Affective Aware Pseudo Association Method
本文利用一个巧妙的基于文本的情感感知伪关联方法（AAPAM）链接不相交的用户和项目在不同的信息域，并利用它们进行跨域的基于内容的协同过滤推荐。本文证明了AAPAM方法可以无缝地连接不同的信息域数据集作为一个没有任何额外的跨域信息检索协议。除了进行跨域推荐之外，通过AAPAM连接来自不同信息域的数据集的好处是，它在进行偶然推荐的同时消除了冷启动问题。
2021-02-10 cs.IR
Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations
本文评估上下文感知模型和校准流行度技术对POI推荐中流行度偏差的缓解效果，发现两者结合能在准确性与流行度校准间取得最佳平衡。
2025-07-13 cs.IR
CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs
针对知识图谱推荐中可解释路径生成不足与长路径遍历效率低的问题，提出类别感知双智能体强化学习模型CADRL，通过类别感知门控图神经网络和双智能体框架提升推荐效果与效率。
2024-08-06 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
DAGNN: Demand-aware Graph Neural Networks for Session-based Recommendation
基于会话的推荐已被广泛用于各种在线视频和电子商务网站。大多数现有的方法都是直观地提出来发现潜在的兴趣或偏好的匿名会话数据。这显然忽略了这些顺序行为通常反映会话用户的潜在需求的事实，即，语义级因素，因此如何估计来自会话的潜在需求是具有挑战性的。针对上述问题，提出了一种需求感知的图神经网络（DAGNN）。具体地，需求建模组件被设计为首先提取会话需求，并且使用全局需求矩阵来估计每个会话的潜在多个需求。然后，需求感知的图神经网络被设计用于提取会话需求图，以学习需求感知的项目嵌入，用于以后的推荐。进一步设计互信息损失以提高学习的嵌入的质量。在几个真实世界的数据集上进行了大量的实验，所提出的模型达到了SOTA模型的性能。
2022-02-24 cs.IR
