Quantifying User Coherence: A Unified Framework for Analyzing Recommender Systems Across Domains
Télécom Paris Palaiseau（巴黎电信学院Palaiseau分校）；CEA List（法国原子能委员会列表）
本文提出两种信息论度量，用于量化用户一致性，通过分析推荐系统性能差异，为系统设计和评估提供实用工具。
2026-03-03 cs.IR cs.LG
Mitigating Mainstream Bias in Recommendation via Cost-sensitive Learning
针对推荐系统主流偏差问题，提出以推荐效用为隐式代理量化主流程度的用户加权代价敏感学习方法，能提升非主流用户推荐质量且几乎不损失整体准确率，同时指出单用户级评估需足够交互数据才可靠。
2023-07-25 cs.IR
Measuring the Impact of Explanation Bias: A Study of Natural Language Justifications for Recommender Systems
尽管解释对决策的潜在影响，但缺乏量化其对用户选择的影响的研究。本文提出了一个实验协议，测量在何种程度上，积极或消极的偏见的解释，可以导致用户选择次优的建议。该协议的关键要素包括一个偏好诱导阶段，允许个性化的建议，人工识别和提取项目方面的评论，并通过积极和消极方面的组合引入偏见的控制方法。我们研究了两种不同文本格式的解释：作为项目方面的列表和作为流畅的自然语言文本。通过一项有129名参与者的用户研究，我们证明了解释可以显着影响用户的选择，这些发现概括了解释格式。
2023-03-16 cs.HC cs.IR
Uncertainty-Calibrated Recommendations for Low-Active Users
Stanford University（斯坦福大学）；ByteDance Inc.（字节跳动公司）
提出一个生产就绪的框架，通过校准模型不确定性来为低活跃用户实施风险规避的去增强策略，为高活跃用户采用风险寻求的UCB策略，从而平衡推荐可靠性与多样性。
2026-05-25 cs.IR cs.LG
Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System
University of Louisville（路易斯维尔大学）
推荐系统中的闭环反馈是一种常见的设置，可能会导致不同类型的偏见。一些研究已经通过设计方法来减轻这些偏见对建议的影响来处理这些偏见。然而，大多数现有的研究没有考虑系统的迭代行为，其中闭环反馈回路在将不同的偏差纳入推荐步骤的几个部分中起着至关重要的作用。我们提出了一个理论框架来模拟渐进演化的不同组成部分的推荐系统内的反馈回路设置，并推导出理论界和收敛性能的量化措施的用户发现和盲点。我们还使用现实生活中的数据集验证了我们的理论研究结果，并在我们的理论框架内实证测试了基本探索策略的效率。我们的研究结果奠定了理论基础，量化反馈回路的影响和设计人工智能和机器学习算法，明确纳入反馈回路的迭代性质在机器学习和推荐过程。
2020-08-21 cs.AI cs.HC cs.IR
HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）；South China Agricultural University（华南农业大学）；Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）
针对推荐系统中马太效应问题，提出HyCoRec范式，通过学习物品、实体等多方面偏好，在用户与系统长期交互时有效缓解马太效应，在对话推荐任务中生成回复并预测物品，实验验证其性能优越。
2026-07-21 cs.AI cs.HC cs.IR
On the Accuracy Limits of Sequential Recommender Systems: An Entropy-Based Approach
Tsinghua University（清华大学）
本文提出基于熵的无训练方法，用于量化序列推荐的精度极限，通过实验验证其在不同数据集上的有效性，并支持用户分组诊断和训练数据选择。
2026-04-14 cs.IR
MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets
CyberAgent, Inc.（CyberAgent公司）
本文针对匹配平台的互惠推荐系统，提出MODE方法计算直接效应的相互最优推荐，实验显示其在直接效应最优性、处理速度和预期匹配数上优于现有方法。
2026-08-04 cs.IR
Interpreting Contextual Effects By Contextual Modeling In Recommender Systems
推荐系统已经被广泛应用于通过提供个性化项目推荐列表来辅助用户的决策。上下文感知推荐系统（CARS）在推荐过程中还考虑了上下文信息，因为用户对物品的品味可能因上下文而异。为了提高推荐的质量，已经提出并开发了几种上下文感知的推荐算法。然而，有有限的研究探索和讨论的能力，解释的上下文效果的推荐模型。在本文中，我们特别关注不同的上下文建模方法，重塑模型的结构，并探讨如何利用现有的上下文建模解释的上下文效果的推荐系统。我们比较了上下文效应的解释，以及在两个真实世界的数据集的推荐性能，以检查解释的质量。
2017-10-23 cs.IR
Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences
University of Calabria（卡拉布里亚大学）；ICAR-CNR（意大利国家研究委员会ICAR研究所）；Revelis s.r.l.（Revelis有限责任公司）；University of Udine（乌迪内大学）；Spotify（Spotify公司）；University of Pisa（比萨大学）；CENTAI（CENTAI研究院）
本文提出了一个随机仿真框架，通过形式化包含用户抵抗力和依赖惯性的用户模型，模拟长期用户与推荐系统交互，并引入两个新指标量化算法对用户偏好随时间漂移的影响，为部署前评估推荐算法提供了受控环境。
2024-09-24 cs.AI cs.IR cs.SI
DACSR: Decoupled-Aggregated End-to-End Calibrated Sequential Recommendation
针对序列推荐中仅追求准确性导致的公平性和多样性问题，提出端到端校准框架DACSR，通过目标函数校准和分布修改，实现准确且校准的推荐。
2022-10-21 cs.IR
Exploring Longitudinal Effects of Session-based Recommendations
基于会话的推荐是一种问题设置，其中推荐系统的任务是仅基于正在进行的会话中的少数观察到的用户交互来做出合适的项目建议。在这样的设置中缺乏关于个体用户的长期偏好信息通常导致有限的个性化水平，其中可能向许多用户推荐一小组流行项目。通过推荐的这种项目子集的这种重复暴露又可能导致随着时间的推移的强化效应，并且导致系统不再能够在期望的程度上帮助用户发现新内容。在这项工作中，我们调查这种潜在的纵向影响，基于会话的建议，在一个基于模拟的方法。具体来说，我们分析了不同类型的算法在多大程度上可能导致随着时间的推移的集中效应。我们在音乐领域的实验表明，所有研究的算法-神经和启发式的-可能会导致较低的项目覆盖率和更高的浓度上的一个子集的项目。然而，额外的模拟实验也表明，相对简单的重新排序策略，例如，通过避免在音乐领域有太多的重复推荐，可能有助于解决这个问题。
2020-08-17 cs.IR
DebiasGAN: Eliminating Position Bias in News Recommendation with Adversarial Learning
新闻推荐对于提高用户的新闻阅读体验具有重要意义。用户的新闻点击行为被广泛用于推断用户的兴趣和预测未来的点击。然而，点击行为受到网页上显示的新闻位置所带来的偏见的严重影响。为了准确地定位用户兴趣，消除位置偏差对推荐模型的影响是很重要的。在本文中，我们提出了一种名为DebiasGAN的新闻推荐方法，可以通过对抗学习有效地消除位置偏差的影响。我们使用一个偏见感知点击模型来捕捉位置偏见对点击行为的影响，我们使用一个偏见不变的点击模型与随机候选新闻位置来估计理想的无偏点击分数。我们将对抗学习技术应用于两个模型学习的隐藏表示，以帮助偏差不变的点击模型捕获用户对新闻的独立于偏差的兴趣。在两个真实数据集上的实验结果表明，DebiasGAN能够有效地消除位置偏差，提高新闻推荐的准确率。
2021-06-11 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
Promotional effect on cold start problem and diversity in a data characteristic based recommendation method
纯方法通常在推荐准确度和多样性方面表现优异，而混合方法通常在推荐准确度和多样性方面优于纯方法，但遇到了针对不同推荐焦点的最佳混合参数选择的困境。本文基于一个用户-项目二分网络，提出了一种基于数据特征的算法，将杂交参数与数据特征联系起来。与以往的混合算法不同，该算法根据算法与项目度之间的相关性，自适应地为每个项目分配最优参数。与高准确度的纯方法和在推荐准确度和多样性方面都很突出的混合方法相比，该方法在保持较高的整体推荐准确度的同时，对冷启动这一长期存在的挑战性问题以及推荐多样性方面都有显著的促进作用。与一种高效的改进混合推荐方法相比，该方法不仅进一步提高了冷启动项目的推荐准确率，而且增强了推荐的多样性。我们的工作可能会提供一个有前途的方法，更好地解决个人推荐的角度与数据集属性的算法。
2012-07-24 cs.IR physics.soc-ph
The Relationship between the Consistency of Users' Ratings and Recommendation Calibration
推荐系统中的公平性问题近年来受到研究者的关注。不公平的推荐对推荐系统的有效性有负面影响，因为它可能降低用户的满意度，忠诚度，在最坏的情况下，它可能导致或延续不良的社会动态。可能影响公平性的因素之一是校准，即用户对各种项目类别的偏好在他们收到的推荐中反映的程度。用于生成有效推荐的推荐算法的能力可以取决于输入数据的意义和用户简档中可用的信息量。在本文中，我们的目的是探讨用户的评级行为的一致性和他们收到的校准推荐的程度之间的关系。我们根据不同用户群体评级的一致性进行分析。我们在一个电影数据集和几种推荐算法上的实验结果表明，用户评分行为的一致性与推荐的校准程度之间存在正相关关系，这意味着评分不一致性较高的用户组得到的推荐校准程度较低。
2019-11-03 cs.IR
Effects of Foraging in Personalized Content-based Image Recommendation
推荐系统的一个主要挑战是帮助用户定位感兴趣的项目。个性化推荐系统已经变得非常流行，因为它们试图预先确定用户的需求，并向他们提供个性化导航的推荐。然而，很少有研究已经解决的问题是什么驱动用户的注意力集中的具体内容，是什么影响了有趣的项目的选择。为此，我们采用的镜头信息觅食理论（IFT）的图像推荐，以演示用户如何利用视觉书签来定位感兴趣的图像。我们研究了一个个性化的基于内容的图像推荐系统，以了解是什么影响用户的注意力，加强视觉注意力线索的基础上IFT。我们进一步发现，视觉书签（线索）导致更强烈的气味推荐的图像集合。我们的评估基于Pinterest图像集。
2019-07-20 cs.HC cs.IR cs.MM
Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction
在现代社交媒体平台上，有效的内容推荐应该有利于创作者为他们带来真正的利益，也有利于消费者帮助他们获得真正有趣的内容。在本文中，我们提出了一个称为社会探索注意力网络（SEAN）的内容推荐模型。SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动的推荐。此外，SEAN允许个性化因素关注用户在社交网络上的高阶好友，以提高推荐结果的准确性和多样性。从一个流行的分散式内容分发平台Steemit构建两个数据集，我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。实验结果表明，SEAN的有效性在两个基尼系数的推荐平等和F1分数的推荐性能。
2019-06-16 cs.IR cs.SI
Analysing the Effect of Recommendation Algorithms on the Amplification of Misinformation
推荐算法已经被指出是数字领域错误信息传播的罪魁祸首之一。然而，目前还不清楚这些算法如何真正传播错误信息，例如，还没有示出哪些特定推荐方法更倾向于建议错误信息项，或者算法的哪些内部参数可能更多地影响它们的错误信息传播能力。出于这一事实，在本文中，我们提出了一些最流行的推荐算法在Twitter上传播的错误信息的效果进行分析。一组关于如何适应这些算法的指导方针提供了这样的分析和研究文献的全面审查的基础上。还生成了一个数据集并发布给科学界，以激发关于未来设计和开发推荐算法以对抗错误信息的讨论。该数据集包括编辑标记的新闻条目和关于其错误信息性质的声明。
2021-03-26 cs.IR cs.SI
Learning with linear mixed model for group recommendation systems
准确预测用户对项目的响应是许多计算建议应用的主要目标之一。例子包括推荐电影、新闻文章、歌曲、工作、衣服、书籍等等。对不活跃用户的响应的准确预测对于许多应用仍然是具有挑战性的问题。本文研究了推荐系统中的线性混合模型。推荐过程自然地被建模为客观效应（固定效应）和主观效应（随机效应）之间的混合过程。通过约束极大似然方法挖掘用户的主观感受与用户反应之间的潜在关联。结果表明，线性混合模型能够自然有效地将项目属性和用户特征相结合。虽然该模型不能产生最精确的个人层次的个性化推荐，它是相对快速和准确的群体（用户）/类（项目）的推荐。GroupLens基准问题的数值算例表明了该方法的有效性。
2022-12-17 cs.IR stat.AP
Quality-aware News Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
新闻推荐是许多在线新闻平台使用的核心技术。向用户推荐高质量的新闻对于保持良好的用户体验和新闻平台的声誉至关重要。然而，现有的新闻推荐方法主要是为了优化新闻点击，而忽略了他们推荐的新闻的质量，这可能会导致推荐的新闻与非信息内容，甚至点击诱饵。在本文中，我们提出了一个质量感知的新闻推荐方法命名为QualityRec，可以有效地提高推荐新闻的质量。在我们的方法中，我们首先提出了一个有效的新闻质量评估方法的基础上，分布的用户的阅读停留时间的新闻。接下来，我们建议将新闻质量信息纳入用户兴趣建模，通过设计一个内容质量的注意力网络，选择点击新闻的基础上，新闻语义和质量。我们进一步训练的推荐模型与辅助新闻质量预测任务学习质量感知的推荐模型，我们添加了一个推荐质量正则化损失，以鼓励模型推荐更高质量的新闻。在两个真实数据集上的大量实验表明，QualityRec可以有效地提高推荐新闻的整体质量，减少对低质量新闻的推荐，推荐准确率甚至略有提高。
2022-02-28 cs.CL cs.IR
Implicit ZCA Whitening Effects of Linear Autoencoders for Recommendation
Hokkaido University（北海道大学）
该研究揭示推荐系统中线性自编码器的对偶解对物品特征向量存在隐式ZCA白化效应，验证了其用于低维物品嵌入相似度估计的正确性，实验表明白化低维嵌入有效。
2023-08-15 cs.IR cs.LG
Filter Bubble or Homogenization? Disentangling the Long-Term Effects of Recommendations on User Consumption Patterns
本研究将同质化与过滤气泡效应拆解为用户间、用户内多样性两个指标，借助基于智能体的仿真框架发现传统推荐算法仅通过用户间多样性缓解过滤气泡，进而提出兼顾两类多样性的新型推荐算法。
2024-03-07 cs.CY cs.IR
A Survey of Retrieval Algorithms in Ad and Content Recommendation Systems
University of Toronto（多伦多大学）；American Express Company（美国运通公司）
本文综述了广告推荐与内容推荐系统中的检索算法，比较了两类应用的特点，并阐述了各自最有效的方法。
2024-07-19 cs.AI cs.IR
Effect of user tastes on personalized recommendation
在本文中，基于用户-对象二分网络的加权投影，我们研究了用户的口味对基于质量扩散的个性化推荐算法的影响，其中用户的口味或兴趣是由他所收集的对象的平均度来定义的。我们认为，位于对象上的初始推荐力应该由它们的程度和用户的口味决定。通过引入一个可调参数，研究了用户偏好对初始推荐功率分布配置的影响。数值实验结果表明，该算法可以提高推荐的准确率，以平均排序得分来衡量，更重要的是，我们发现当数据稀疏时，该算法应该给那些程度接近用户口味的对象更多的推荐权，而当数据密集时，该算法应该给那些程度与用户口味明显不同的对象更多的推荐权.
2009-10-14 cs.IR physics.data-an physics.soc-ph
Research on the Design of a Short Video Recommendation System Based on Multimodal Information and Differential Privacy
University of Houston（休斯顿大学）；Brown University（布朗大学）；Case Western Reserve University（凯斯西储大学）；Johns Hopkins University（约翰霍普金斯大学）
针对短视频推荐系统利用多模态信息时的隐私泄露问题，本文提出融合多模态特征提取与差分隐私保护的系统，提升推荐准确率并保障隐私，性能优于主流方法。
2025-03-27 cs.AI cs.CR cs.IR
From Raw Features to Effective Embeddings: A Three-Stage Approach for Multimodal Recipe Recommendation
KAIST（韩国科学技术院）
本文提出TESMR三阶段框架，通过内容、关系和学习增强多模态特征，提升食谱推荐性能，实验表明其在Recall@10上比现有方法高7-15%。
2026-04-22 cs.IR cs.LG
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville（路易斯维尔大学）；Microsoft（微软）
本文研究了ChatGPT作为top-n对话式推荐系统的有效性，通过构建带反馈的重新提示流水线来精炼推荐结果，发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
A Novel Mamba-based Sequential Recommendation Method
Huawei Technologies Co., Ltd.（华为技术有限公司）
本文提出多头潜在Mamba架构Hydra，通过低维Mamba层和位置编码高效建模长序列用户行为，在显著降低参数和训练时间的同时超越现有序列推荐方法，并支持多域扩展。
2025-04-10 cs.AI cs.IR
A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations
Rochester Institute of Technology（罗切斯特理工学院）
我们提出了一种新的动态推荐模型，专注于用户谁在过去的互动，但最近变得相对不活跃。对这些时间敏感的冷启动用户进行有效的推荐对于保持推荐系统的用户群至关重要。由于稀疏的最近的交互，它是具有挑战性的，以捕捉这些用户的当前偏好精确。仅仅依靠他们的历史互动也可能导致过时的建议与他们最近的利益不一致。该模型利用历史和当前的用户项交互，并动态地将用户的（潜在的）偏好分解为特定于时间和时间演变的表示，共同影响用户的行为。这些潜在因素进一步与优化的项目嵌入交互，以实现准确和及时的推荐。在真实数据上的实验证明了所提出的时间敏感的冷启动推荐模型的有效性。
2022-04-03 cs.IR cs.LG
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation
DePaul University（德保罗大学）
增加聚合多样性（或目录覆盖率）在许多推荐领域中是重要的系统级目标，在这些领域中，可能期望减轻流行度偏差并提高向用户给出的推荐中的长尾项的覆盖率。这在多利益相关者推荐场景中尤其重要，在多利益相关者推荐场景中，不仅对于最终用户，而且对于其他利益相关者（诸如物品卖家或生产者）优化效用可能是重要的，这些利益相关者期望在系统产生的推荐列表中公平地表示他们的物品。不幸的是，增加聚合多样性的尝试通常会导致最终用户的推荐准确性降低。因此，解决这个问题需要一种方法，可以有效地管理准确性和聚合多样性之间的权衡。在这项工作中，我们提出了一个双边的后处理方法，其中用户和项目公用事业被认为是。我们的目标是最大化聚合多样性，同时最小化推荐准确性的损失。我们的解决方案是一个推广的延迟接受算法，提出了一个有效的算法来解决著名的稳定匹配问题。我们证明，我们的算法的结果在一个独特的用户最佳的稳定匹配项目和用户之间。使用三个推荐数据集，我们实证证明了我们的方法与几个基线相比的有效性。特别是，我们的研究结果表明，所提出的解决方案是非常有效的，在增加聚合多样性和项目端的效用，同时优化最终用户的推荐准确性。
2020-06-05 cs.IR cs.LG
HistLLM: A Unified Framework for LLM-Based Multimodal Recommendation with User History Encoding and Compression
HistLLM提出统一多模态推荐框架，通过用户历史编码模块将多模态交互压缩为单令牌表示，提升LLM处理用户偏好的效率与准确性。
2025-04-22 cs.IR cs.MM
Disentangling the Effects of Social Signals
同行推荐是一项众包任务，它利用许多人的意见来识别在线有趣的内容，如新闻，图像或视频。对等推荐应用通常使用社交信号，例如，事先推荐的数量，引导人们去看更感兴趣的内容。人们对社交信号的反应，结合内容质量及其呈现顺序，决定了同行推荐的结果，即，物品人气。使用Amazon Mechanical Turk，我们通过实验测量了社交信号在同行推荐中的影响。具体来说，控制后的变化，由于项目的内容和位置，我们发现，社会信号影响项目的流行程度约一半的位置和内容。这些效应在某种程度上是相互关联的，因此社会信号加剧了“富人更富”的现象，这导致了更广泛的受欢迎程度差异。此外，社交信号会改变个人偏好，产生“羊群效应”，使人们对内容的判断产生偏见。尽管如此，我们发现，社会信号提高了同行推荐的效率，减少了投入的努力，评估内容，同时保持推荐质量。
2016-01-27 cs.CY cs.IR cs.SI
