Adaptive Candidate Retrieval with Dynamic Knowledge Graph Construction for Cold-Start Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Korea University(韩国延世大学)
ColdRAG通过动态构建知识图谱和LLM引导的多跳推理,提升冷启动推荐性能。
2025-11-24 cs.IR
DGCN: Diversified Recommendation with Graph Convolutional Networks
这些年来,人们一直致力于提高推荐系统的准确性或相关性。多样性是衡量所推荐项目之间差异的一个关键因素,但几乎没有得到详细审查。与用户满意度直接相关,通常在生成候选项之后考虑多样化。然而,这种多样化和候选生成的解耦设计使得整个系统次优。在本文中,我们的目标是推动多元化的上游候选生成阶段,借助图卷积网络(GCN)。虽然基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了很大的能力,但这些先进的工作忽略了多样性的变化。我们建议在GCN之上执行重新平衡的邻居发现,类别提升的负采样和对抗学习。我们在真实世界的数据集上进行了广泛的实验。实验结果验证了该方法在多样化问题上的有效性。进一步的消融研究验证了我们提出的方法显着地消除了准确性多样性的困境。
2021-08-16 cs.IR
Prototypical Contrastive Learning and Adaptive Interest Selection for Candidate Generation in Recommendations
深度候选生成在大规模推荐系统中起着重要的作用。它将用户历史行为作为输入,并学习用户和项目潜在嵌入以生成候选项。在文献中,常规方法存在两个问题。首先,用户具有多个嵌入以反映各种兴趣,并且这样的数量是固定的。然而,考虑到不同级别的用户活跃度,固定数量的兴趣嵌入是次优的。例如,对于不太活跃的用户,与活跃用户相比,他们可能需要更少的嵌入来表示他们的兴趣。第二,负样本通常是由未观察监督的策略产生的,并且类似的项目可能有不同的标签。这种问题被称为类冲突。在本文中,我们的目标是提出典型的双塔DNN候选生成模型。具体而言,自适应兴趣选择层被设计成根据用户的活跃度以端到端的方式自适应地学习用户嵌入的数量。此外,我们提出了一个原型的对比学习模块,以解决类冲突的问题所引入的负采样。广泛的实验评估表明,该计划显着优于竞争基线在多个基准。
2022-11-23 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题,提出关键词驱动的检索增强大语言模型框架KALM4Rec,通过关键词检索候选和LLM重排序,在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Navigation-Based Candidate Expansion and Pretrained Language Models for Citation Recommendation
科学文献的引文推荐系统,帮助作者找到应该被引用的论文,有可能加快发现和发现科学探索的新途径。我们把这个任务作为一个排名的问题,我们解决了两个阶段的方法:候选人生成,然后重新排名。在这个框架内,我们适应科学领域的一个证明组合的基础上“袋的话”检索,然后重新评分与BERT模型。我们的实验表明,领域自适应的影响,无论是在预训练领域内的数据和利用领域内的词汇。此外,我们引入了一种新的基于导航的文档扩展策略,以丰富我们的神经模型处理的候选文档。在来自不同科学学科的三个不同的集合上,我们在引文推荐任务中取得了最好的报告结果。
2020-01-23 cs.DL cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展,有越来越多的关注,适当的评价推荐算法。在本文中,我们重新评估前N推荐算法的替代实验设置,考虑三个重要因素,即数据集分割,采样指标和域选择。我们选择了八种有代表性的推荐算法(包括传统方法和神经方法),并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项,我们在这三个因素上得出了一些重要的发现,这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Training Mixed-Objective Pointing Decoders for Block-Level Optimization in Search Recommendation
在搜索引擎中,对web查询的相关或理想的后续建议通常基于几个不同的参数进行优化-与原始查询的相关性、多样性、点击概率等。可以训练一个或多个排名器来基于这些因素对来自候选池的每个建议进行评分。这些评分器通常是成对分类任务,其中每个训练样本由用户查询和候选列表中的单个建议组成。我们提出了一个架构,所有候选人的建议与给定的查询和输出的建议块。我们讨论了这种架构相对于传统方法的好处,并通过混合目标训练进一步实施每个单独的指标。
2021-05-21 cs.IR
Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务,通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小,以最大化个体满意度,实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Two-Stage Session-based Recommendations with Candidate Rank Embeddings
Zalando SE
基于会话的推荐系统的最新进展由于其提供具有高召回率的实时个性化推荐的潜力而受到关注,特别是与矩阵分解和基于项目的协同过滤等传统方法相比。目前,最新的两种方法是短时注意/记忆优先级模型基于会话的推荐(STAMP)和神经注意基于会话的推荐(NARM)。然而,当这两种方法应用于Zalando(Fashion-Similar)的相似项目推荐数据集时,与简单的协作过滤方法相比,它们并不能开箱即用。为了提高相似项目推荐,我们建议集中精力提高排名的几个最相关的项目从原始的建议,通过使用的会话的用户的注意力网络编码的信息。当使用一种新的候选人排名嵌入,编码的全球排名信息的每个候选人在重新排名过程中,这种策略的有效性得到了证实。Fashion-Similar的实验结果显示,在20岁时,召回率和MRR的基线有了显着改善,在线测试的点击率也有了改善。此外,重要的是要从评估中指出这种方法在下一次点击预测问题上的潜力,因为当应用于STAMP和NARM时,它在两个公开的真实世界数据集上提高了20的召回率和MRR。
2019-08-22 cs.IR cs.LG
Personalized News Recommendation with Multi-granularity Candidate-aware User Modeling
Shandong University of Science and Technology(山东科技大学);College of Computer Science and Engineering(计算机科学与工程学院);Nanning Normal University(南宁师范学院);Guangxi Key Lab of Human-machine Interaction and Intelligent Decision(广西人机交互与智能决策重点实验室)
针对现有新闻推荐中用户兴趣建模粒度不足的问题,提出多粒度候选感知用户建模框架,整合词、实体、新闻三级特征,在真实数据集上显著优于基线模型。
2025-06-23 cs.AI cs.IR
Towards Full Candidate Interaction: A Comprehensive Comparison Network for Better Route Recommendation
AMAP, Alibaba Group(高德地图,阿里巴巴集团)
本文提出全面比较网络(CCN)用于改进路线推荐,通过比较非重叠段构建特征,解决路线推荐中的独特挑战,并在AMAP中成功部署。
2026-07-22 cs.IR
TwERC: High Performance Ensembled Candidate Generation for Ads Recommendation at Twitter
Twitter(推特(Twitter))
本文提出 Twitter 广告推荐候选生成阶段的异构重构系统 TwERC,结合实时轻量排序器与图相似性、排序分数缓存两种召回策略,分别实现 4.08% 和 1.38% 的收入提升,并给出工业级候选生成系统的评估指标体系。
2023-04-14 cs.IR cs.LG
Uni-FedRec: A Unified Privacy-Preserving News Recommendation Framework for Model Training and Online Serving
新闻推荐是个性化在线新闻服务的重要组成部分。现有的大多数新闻推荐方法依赖于集中存储的用户行为数据来离线训练模型并提供在线推荐服务。然而,用户数据通常是高度隐私敏感的,并且集中存储它们可能会引起隐私问题和风险。在本文中,我们提出了一个统一的新闻推荐框架,它可以利用用户数据本地存储在用户客户端的训练模型,并在隐私保护的方式为用户提供服务。在现实世界的推荐系统中广泛使用的范例,我们的框架包含两个阶段。第一个用于候选新闻生成(即,召回)而第二个用于候选新闻排名(即,排名)。在召回阶段,每个客户端从点击的新闻中本地学习多个兴趣表示,以全面建模用户兴趣。这些表示被上传到服务器以从大的新闻池中召回候选新闻,这些候选新闻在排名阶段被进一步分发到用户客户端以用于个性化新闻显示。此外,我们提出了一个兴趣分解-聚合方法与扰动噪声,以更好地保护私人用户信息编码在用户的兴趣表示。此外,我们协同训练召回和排名模型的数据分散在大量的用户客户端的隐私保护的方式。在两个真实新闻数据集上的实验表明,该方法在性能上优于基线方法,并有效地保护了用户隐私。
2021-09-11 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功,人们对它们在匹配市场中的使用越来越感兴趣(例如,劳动)。虽然这有可能提高市场的流动性和公平性,但我们在本文中表明,天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中,候选人申请,然后得到雇主的评估,我们提出了一个新的推荐框架来模拟这种互动机制,并提出了有效的算法计算个性化的排名在这种情况下。我们发现,最佳排名不仅需要考虑候选人和雇主的潜在不同偏好,而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数(例如,单侧或互反相关性)是非常次优的--不仅对于个人用户,而且对于社会目标(例如,低失业率)。为了解决这个缺点,我们提出了第一种方法,用于联合优化市场上所有候选人的排名,以显式地最大化社会福利。除了理论推导,我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统,我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Understanding the Effectiveness of Reviews in E-commerce Top-N Recommendation
现代电子商业网站包含不同的信息源,如数字评级、文本评论和图像。这些信息可以用来帮助推荐。通过文本评论,用户明确表达了她对该项目的亲和力。之前的研究发现,通过使用从这些评论中提取的信息,我们可以更好地描述用户的显式偏好以及项目特征,从而提高推荐性能。然而,以往的算法大多只将评论信息用于评分预测等显式反馈问题,而对于top-N推荐等隐式反馈排名问题,评论信息的利用还没有得到充分的研究。针对这一缺陷,本文研究了电子商业环境下文本评论信息对top-N推荐的有效性。我们采用了几个SOTA审查为基础的评级预测模型的前N个推荐任务,并比较它们与现有的前N个推荐模型的性能和效率。我们发现,仅利用评论信息的模型不能获得比香草隐反馈矩阵分解方法更好的性能。当利用评论信息作为正则化子或辅助信息时,隐反馈矩阵分解方法的性能可以进一步提高。然而,最佳的模型结构,利用文本评论的电子商业前N推荐尚未确定。
2021-09-19 cs.IR
TopKGAT: A Top-K Objective-Driven Architecture for Recommendation
Zhejiang University(浙江大学);Hangzhou City University(杭州城市大学);CUHK-Shenzhen(香港中文大学(深圳))
TopKGAT是一种基于Top-K目标的推荐系统架构,通过可微近似Top-K指标提升推荐准确性,实验表明其在多个数据集上优于现有方法。
2026-01-26 cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST(南京理工大学);Kuaishou Technology(快手科技)
本文提出RecoChain框架,整合生成与排序流程,通过层次语义ID预测生成候选项并基于SIM进行排序,提升推荐性能。
2026-04-28 cs.IR
Use of topical and temporal profiles and their hybridisation for content-based recommendation
本文研究基于内容的推荐中如何结合时间性与主题性构建用户画像,提出两种混合方式并与替代方案评估比较。
2024-01-19 cs.IR
Job Recommendation through Progression of Job Selection
Georgia Institute of Technology(佐治亚理工学院);PeopleStrong(PeopleStrong公司);TCS(塔塔咨询服务公司)
传统的工作推荐被认为是一种基于过滤器的匹配,或者是一种基于工作和候选人特征的推荐。在本文中,我们介绍了一种方法,我们利用候选人使用机器学习的工作选择的进展。此外,我们的推荐由其他几个子推荐组成,这些子推荐至少有助于以下之一:a)为最终用户提供偶然的推荐b)克服候选人和工作的冷启动。我们的方法论的一个独特卖点是,我们将技能作为嵌入式特征,并从中衍生出潜在的能力,从而试图扩大候选人和工作的技能,以实现技能领域的更多覆盖面。我们已经在现实世界的工作推荐系统中部署了我们的模型,并通过机器学习推荐和其他子推荐的混合方法实现了最佳的点击率。为了通过机器学习推荐工作,这是我们推荐的重要组成部分,我们通过Bi-LSTM获得了最佳结果。
2020-06-02 cs.IR cs.LG stat.ML
Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations
Meta MRS
本研究提出一种轻量级生成式验证器,对检索器候选进行事后重排序,无需重新训练,在多个推荐模型上显著提升 Recall@10。
2026-09-14 cs.AI cs.IR
One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation
RMIT University(皇家墨尔本理工大学)
本文提出InvariRank框架,通过结构化注意力掩码和RoPE共享位置框架,实现位置不变的列表重排序,提升推荐系统稳定性与效率。
2026-04-30 cs.IR cs.LG
Inductive Generative Recommendation via Retrieval-based Speculation
University of California, San Diego(加州大学圣迭戈分校)
SpecGR通过引入检索生成机制,提升生成推荐模型在归纳设置下的推荐能力与整体性能。
2025-11-21 cs.IR
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用,其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐,用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下,项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤,该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果,以最大化期望的总体效用。然而,为了模拟多个推荐项目的复杂交互,由于有限的硬件资源和系统延迟的限制,重新排序阶段通常只能处理几十个候选项。因此,排名阶段对于大多数应用程序来说仍然是必不可少的,以便为重新排名阶段提供高质量的候选集。在本文中,我们提出了一个解决方案命名为Slate-Aware排名(SAR)的排名阶段。通过隐式地考虑候选项之间的关系,它显著地提高了重新排序阶段的候选集的质量,并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
Large-scale Evaluation of Transformer-based Article Encoders on the Task of Citation Recommendation
Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程与计算学院)
最近推出的基于transformer的文章编码器(TAE)旨在为相互相关的科学文章产生类似的矢量表示,在科学文章推荐的基准数据集上表现出强大的性能。然而,现有的基准数据集主要集中在单个领域,并且在某些情况下,在小的候选池中包含容易的否定。在候选库中有数千篇文章的情况下,评估此类基准的表示可能会模糊TAE的实际性能。在这项工作中,我们评估TAE的大型基准更具挑战性的候选池。我们比较了TAE的性能与词汇检索基线模型BM 25的引用推荐的任务,该模型产生一个列表的建议,在给定的输入文章中引用。我们发现,BM 25与最先进的神经检索器相比仍然具有很强的竞争力,考虑到TAE在小基准上的强劲表现,这一发现令人惊讶。为了弥补现有基准的局限性,我们提出了一个新的基准数据集来评估科学文章的表示:多领域引文推荐数据集(MDCR),它涵盖了不同的科学领域,并包含具有挑战性的候选池。
2022-09-12 cs.CL cs.IR
Decoding in Latent Spaces for Efficient Inference in LLM-based Recommendation
针对基于LLM的生成式推荐中自回归解码推理开销大的问题,提出潜在空间解码方法L2D,通过直接匹配测试序列与训练序列的隐藏状态表示来解码物品,在保持或提升性能的同时使推理速度提高10倍以上。
2025-09-15 cs.IR
CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation
Fudan University(复旦大学);Southeast University(东南大学);University of Malaya(马来亚大学)
本文提出CaST-POI模型,通过候选条件化序列阅读器动态关注用户历史,引入候选相对时间空间偏置,提升POI推荐性能。
2026-09-03 cs.AI cs.IR
GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation
Harbin Institute of Technology Qingdao Research Institute(哈尔滨工业大学(青岛)研究院);Harbin Institute of Technology (Weihai)(哈尔滨工业大学(威海));Shandong Provincial Key Laboratory of Digital Service Computing Technology and Systems(山东省数字服务计算技术系统重点实验室)
本文针对现有图增强型LLM推荐器排序决策受用户-物品关系约束弱的问题,提出GARDRec框架,通过图接地技术提升下一项推荐的候选排序性能,经实验验证其优于代表性基线。
2026-08-04 cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类,或者更简洁地说,是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是,组推荐是个性化推荐系统的改造。此外,这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战,研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Decision-Oriented Recommendation Reranking: An Empirical Study of Its Promise and Limitations
Singapore Management University(新加坡管理大学);Meta AI
本研究通过受控实验对比Jev与推荐专用模型及Qwen重排序器,发现Jev在保持推荐效果的同时延迟增长更平缓,但延迟仍高于专用模型,处于独特质量-延迟区间,为结构化输出空间的排序任务提供新方向。
2026-10-14 cs.CL cs.IR
Beyond the Beam: Constructive Repair and Candidate Completion for Generative Recommendation
Beijing Institute of Technology(北京理工大学);China Meteorological Administration(中国气象局);Tsinghua University(清华大学);Singapore Management University(新加坡管理大学)
针对生成式推荐中波束外有效标识符的失败,提出超越波束方法,通过积分流修复分配并补全候选,显著提升召回与排名指标。
2026-09-29 cs.IR
RecSys Challenge 2016: job recommendations based on preselection of offers and gradient boosting
University of Warsaw(华沙大学)
我们介绍了Mim-Solution在2016年RecSys挑战赛中的方法,该挑战赛排名第二。比赛的目的是为Xing.com网站的用户准备工作推荐。我们的两个阶段的算法包括候选人的选择,其次是候选人的排名。我们根据用户与工作机会积极互动的预测概率对候选人进行排名。我们使用了梯度提升决策树作为回归工具。
2016-12-03 cs.AI cs.IR
Ada-Ranker: A Data Distribution Adaptive Ranking Paradigm for Sequential Recommendation
一个大规模的推荐系统通常由召回和排序模块组成。排序模块(aka rankers)的目标是仔细区分用户对召回模块提出的候选项的偏好。随着深度学习技术在各个领域的成功,我们见证了主流排名器从传统模型向深度神经模型的演变。然而,我们设计和使用排名器的方式保持不变:离线训练模型,冻结参数,并将其部署为在线服务。实际上,候选项由特定用户请求确定,其中底层分布(例如,用于不同类别的项目的比例、流行或新项目的比例)在生产环境中彼此高度不同。经典的参数冻结推理方式不能适应动态的服务环境,使得排序器的性能受到影响。在本文中,我们提出了一个新的训练和推理范式,称为Ada-Ranker,以解决动态在线服务的挑战。Ada-Ranker算法不使用参数冻结模型,而是根据当前候选项组的数据分布自适应地调整排序器的参数。我们首先从候选项中提取分布模式。然后,我们调整排序器的模式,使之适应当前的数据分布。最后,我们使用修改后的排序器对候选列表进行评分。通过这种方式,我们赋予排名器从全局模型适应本地模型的能力,以更好地处理当前任务。
2022-05-22 cs.IR
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前,推荐系统应用于电子商务、视频网站、社交网站等领域,给人们的日常生活带来了极大的方便。在推荐系统中,信息的类型越来越多样化和丰富,因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而,由于不同模态之间的表示差距,它是难以有效地使用非结构化的多模态数据,以提高推荐系统的效率。在本文中,我们提出了一个端到端的多模态的与数据相关的项目相似性模型(多模态IRIS)提供建议的多模态数据源的基础上。具体来说,多模式综合注册资讯系统模式包括三个模块,即:多模态特征学习模块、项目相关网络(IRN)模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后,IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后,多模态数据特征学习,IRN和项目相似性推荐模块被统一到一个集成的系统中,以实现性能的增强,并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明,通过处理人们在选择项目时可能更加关注的多模态数据,所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展,现有方法的性能在有效性和效率方面恶化,这提出了严峻的技术挑战。为了利用高维边信息,本文提出了一种嵌入式特征选择方法,以促进顶部$N$推荐。特别是,我们建议学习边信息的特征权重,其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重,以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题,分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明,该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations
The University of Tokyo(东京大学);University College Dublin(都柏林大学学院)
本文提出 GLORY 模型,通过全局新闻图、全局实体图及门控图神经网络融合全局与局部表示,提升个性化新闻推荐的准确性与多样性。
2023-09-26 cs.CL 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
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中,基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能,如评分预测的均方根误差和top-N推荐的命中率,其中用户的反馈被认为是真实的。然而,在现实世界的应用中,用户的反馈可能被不完美的用户行为,即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中,为了解决上述问题,我们提出了一个通用的基于神经网络的推荐模型,提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡,并详细说明了如何取得平衡。具体来说,我们在协作自动编码器上实现了我们的方法,然后在三个公共数据集上进行了实验:MovieLens-1 M,Ciao和FilmTrust。我们表明,我们的方法优于竞争激烈的国家的最先进的推荐方法。此外,我们对噪声的影响,以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改,我们的对抗性训练框架可以应用于许多基于神经网络的模型,这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
BERTERS: Multimodal Representation Learning for Expert Recommendation System with Transformer
University of Tabriz(大不里士大学);University of Orleans(奥尔良大学)
专家推荐系统的目标是跟踪一组候选人的专业知识和偏好,识别他们的专业知识模式,并识别专家。在本文中,我们介绍了一个多模态的专家推荐系统(BERTERS)的分类方法。在我们提出的系统中,模态来自文本(候选人发表的文章)和图形(他们的合著者连接)信息。BERTERS使用来自Transformer的双向编码器表示(BERT)将文本转换为矢量。此外,称为ExEm的图表示技术用于从合著者网络中提取候选人的特征。候选的最终表示是这些向量和其他特征的级联。最终,分类器建立在特征的级联上。这种多模态方法既可用于学术界,也可用于社区问答。为了验证BERTERS的有效性,我们分析了它在多标签分类和可视化任务上的性能。
2020-06-30 cs.CL cs.IR cs.LG
A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage
用于top-N推荐的标准协同过滤方法偏向于热门项目。因此,他们推荐用户可能知道的项目,并代表长尾项目。这是不够的,既为消费者谁喜欢新颖的项目,因为集中在流行的项目覆盖率低的项目空间,而高项目空间覆盖率增加供应商的收入。我们提出了一种方法,依赖于历史评级数据来学习用户长尾新奇的喜好。我们将这些偏好整合到一个通用的重新排名框架中,该框架可以在准确性和覆盖率之间实现自定义平衡。我们经验验证,我们提出的框架增加了建议的新颖性。此外,通过向正确的用户群推广长尾项目,我们显着增加了系统的覆盖率,同时可扩展地保持准确性。我们的框架还支持现有非个性化算法的个性化,使其在关键性能指标(包括准确性和覆盖率)方面与现有个性化算法竞争。
2018-03-01 cs.IR
A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations
Expedia Group(亿客行集团)
针对度假租赁替代房源推荐,提出融合协同过滤与图神经网络的混合候选生成方法,在超200万房源数据上Recall@300提升14.8%,并验证了候选质量对下游排序的正向影响。
2026-09-09 cs.IR cs.LG
Integrated Expert Recommendation Model for Online Communities
在线社区已成为Web 2.0用户分享知识和经验的重要场所。近年来,在社区中寻找专家用户已成为一个重要的研究课题。本文提出了一种新的级联模型的专家推荐使用聚合知识提取的巨大的内容和社会网络的功能。向量空间模型用于计算发布内容与特定查询的相关性,PageRank算法用于对候选专家进行排序。实验结果表明,该模型能够保证大多数候选专家既与特定查询高度相关,又在相应领域具有高度影响力,是一种有效的推荐方法。
2013-11-14 cs.IR cs.SI
Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations
Yandex
提出Gryphon架构,在生成式检索中联合训练物品级评分组件,通过直接重评分解决序列似然校准和ID碰撞问题,在工业音乐服务上Recall@1000提升3.7%,并简化候选生成流水线。
2026-06-09 cs.IR
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性,异构信息网络(HIN)已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的,异构的数据关系,包含各种信息,可能不相关的推荐任务。因此,有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题,我们提出了一个基于课程预训练的异构子图Transformer(称为\emph{CHEST})与新的\emph{data characterization},\emph{representation model}和\emph{learning algorithm}。具体来说,我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图,包含足够的和相关的上下文信息用于推荐。然后,我们通过一个异构的子图Transformer,在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义(\eg图结构和路径语义)。此外,我们设计了一个课程预训练策略,提供了一个初级到高级的学习过程,我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明,我们提出的方法优于一些有竞争力的基线,特别是当只有有限的训练数据。
2021-06-12 cs.IR
A Design of A Simple Yet Effective Exercise Recommendation System in K-12 Online Learning
TAL Education Group(好未来教育集团);The University of Memphis(孟菲斯大学);Guangdong Institute of Smart Education, Jinan University(暨南大学广东智慧教育研究院)
我们提出了一种简单而有效的方法来推荐高质量和多样性的练习给学生。我们的方法由三个关键部分组成:(1)候选生成模块;(2)多样性促进模块;(3)范围限制模块。该方法在召回率方面提高了整体推荐性能,与基线相比,推荐候选的多样性增加了0.81%。
2022-06-23 cs.AI cs.IR
Mining top-k granular association rules for recommendation
推荐系统对电子商务公司和研究人员都很重要。最近,粒度关联规则已被提出用于冷启动推荐。然而,现有的方法仅保留全局强规则,因此一些用户可能根本没有收到任何推荐。在本文中,我们提出了挖掘每个用户的top-k粒度关联规则。首先,我们定义了三个粒度关联规则的措施。这些是测量用户粒度的源覆盖率,测量项目粒度的目标覆盖率,以及测量关联强度的置信度。通过置信度度量,可以根据规则的强度对其进行排名。然后,我们提出了算法,用于训练推荐和建议项目给每个用户。实验进行了公开的数据集MovieLens。结果表明,合理的粒度设置可以避免过度拟合,同时有助于获得较高的推荐准确率。
2013-05-21 cs.IR
Attention-based neural re-ranking approach for next city in trip recommendations
Edinburgh(爱丁堡);Saint-Petersburg(圣彼得堡)
本文描述了一种解决旅游预订系统下一个目的地城市推荐问题的方法。我们提出了一个两阶段的方法:一个启发式的候选人选择方法和一个注意力神经网络模型的候选人重新排名。我们的方法的灵感来自列表学习排名方法和自然语言处理的最新发展,特别是Transformer架构。我们使用这种方法来解决Booking.com推荐挑战我们的团队使用这种方法在挑战中获得了第5名,在数据集的封闭部分上获得了0.555的准确度@4值。
2021-03-23 cs.IR cs.LG
Towards Low-loss 1-bit Quantization of User-item Representations for Top-K Recommendation
由于量化表示学习在空间压缩和推理加速方面的优势,近年来已成为推荐系统的一个新兴研究方向。由于目标是在离散的嵌入空间中嵌入潜在特征,因此开发具有少量低精度整数的用户项表示的量化面临着高信息损失的挑战,从而导致Top-K推荐的性能不理想。在这项工作中,我们研究的问题,表示学习的建议与1位量化。提出了一种低损失量化图卷积网络(L^2 Q-GCN)模型。与以往将量化作为用户项嵌入的最终编码器的工作不同,L^2 Q-GCN学习量化表示,同时捕获不同语义级别的用户项交互图的结构信息。这实现了中间交互信息的大量保留,减轻了由数值量化引起的用于排名的特征平滑问题。为了进一步提高模型的性能,我们还提出了一种改进的解决方案,称为L^2 Q-GCN-anl与量化近似和退火训练策略。我们在Top-K推荐任务的四个基准上进行了广泛的实验。实验结果表明,L^2 Q-GCN-anl在近9倍的表示存储压缩下,与现有模型相比,性能恢复率约为90~99%.
2021-12-03 cs.IR
TransX Technical Report: Scaling Sequence Transduction for Recommendation
LinkedIn(领英)
本研究提出TransX序列转换框架及配套基础设施,通过拆分组件实现规模化,经实验验证其在推荐任务中可提升点击率、转化率,同时大幅降低推理成本并提高吞吐量。
2026-10-16 cs.IR
Local Popularity and Time in top-N Recommendation
在推荐算法中,项目流行度是一个强信号。它强烈影响协同过滤方法,并且已被证明是结果准确性方面的一个非常好的基线。即使我们错过了一个真正的个性化,全球流行度可以有效地用于向用户推荐项目。在本文中,我们介绍了一个时间感知的个性化流行推荐系统的想法,考虑两个项目之间的邻居的流行度,以及它如何随着时间的推移而变化。实验评估表明,所提出的方法相比,最先进的基于模型的协作方法,在结果的准确性方面具有很强的竞争力的行为。
2019-07-04 cs.IR
LLM-as-a-Judge for Reliable and Explainable Offline Evaluation in Top-K Recommendation
City University of Hong Kong(香港城市大学);Shanghai Jiao Tong University(上海交通大学);Xiamen University(厦门大学)
针对离线评估中反馈偏差和缺乏解释的问题,提出基于LLM的语义代理和推理评分框架,提升评估可靠性与可解释性。
2026-06-23 cs.IR
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
Personalized TV Recommendation: Fusing User Behavior and Preferences
Academia Sinica(中央研究院);National Chengchi University(国立政治大学);KKStream Limited(KKStream有限公司)
在本文中,我们提出了一个两阶段的排名方法推荐线性电视节目。所提出的方法首先利用关于时间和TV频道的用户观看模式来识别用于推荐的潜在候选者,然后进一步利用用户偏好来对给定关于节目的文本信息的这些候选者进行排名。为了评估该方法,我们对真实世界的电视数据集进行了实证研究,结果表明我们的模型在推荐准确性和时间效率方面都具有优越的性能。
2020-08-30 cs.IR cs.LG stat.ML
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of California San Diego(加州大学圣地亚哥分校);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院)
本文提出个人智能体中介推荐(PAMR)范式,主张将推荐控制权从平台端排序转向用户端证据中介,并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 cs.IR
Democratizing News Recommenders: Modeling Multiple Perspectives for News Candidate Generation with VQ-VAE
University of Stuttgart(斯图加特大学);Universitas Mikroskil(米克罗斯基尔大学);IT University of Copenhagen(哥本哈根信息技术大学);Bocconi University(博科尼大学)
本文提出A2CG方法,通过VQ-VAE建模用户兴趣并生成多样化新闻候选,支持民主目标的配置,实现个性化与民主对齐的平衡。
2026-05-12 cs.IR