Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
The University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；CSIRO’s Data 61（联邦科学与工业研究组织数据61）；UNSW（新南威尔士大学）
针对现有序列推荐忽略用户静态兴趣与负向激励的问题，提出含TPNE模块的SDIL框架，同时建模两类兴趣与正负激励，在三个真实数据集上性能超越SOTA基线。
2024-10-29 cs.AI cs.IR
Learning Semantic Sentence Embeddings using Sequential Pair-wise Discriminator
Indian Institute of Technology, Kanpur（坎普尔印度理工学院）
在本文中，我们提出了一种方法来获得双级嵌入。虽然安全字级嵌入的问题是非常好的研究，我们提出了一种新的方法来获得嵌入级嵌入。这是通过解决释义生成任务的上下文中的简单方法获得的。如果我们使用顺序编码器-解码器模型来生成释义，我们希望生成的释义在语义上接近原始句子。确保这一点的一种方法是通过添加约束，使真正的释义嵌入接近，而不相关的释义候选句子嵌入远离。这是通过使用顺序的成对递归来确保的，该递归与用合适的损失函数训练的编码器共享权重。我们的损失函数惩罚释义句子嵌入距离过大。这种损失与顺序编码器-解码器网络结合使用。我们还通过评估情感分析任务的嵌入来验证我们的方法。所提出的方法实现了语义嵌入，并且在标准数据集上的释义生成和情感分析任务方面优于最先进的方法。这些结果也显示出统计学显著性。
2019-03-14 cs.AI cs.CL
Neighborhood-based Hard Negative Mining for Sequential Recommendation
The Hong Kong Polytechnic University（香港理工大学）；NetEase Inc.（网易公司）
针对序列推荐中负采样忽视结构信息的问题，提出基于邻域重叠的图负采样方法GNNO，利用物品转移图挖掘难负样本并结合课程学习，在三个Amazon数据集上有效提升多种模型性能。
2023-06-12 cs.AI cs.IR
NegPSpan: efficient extraction of negative sequential patterns with embedding constraints
Agrocampus-Ouest（西部农业高等教育学院）；IRISA（信息与随机系统研究所）；Univ Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）
频繁序列模式挖掘是指在一个大的序列数据集中提取被建模为模式的重复行为。这些模式告诉我们哪些事件在序列中经常被观察到，即真正发生了什么。有时，知道某个特定事件没有发生比提取大量观察到的事件更能提供信息。负序贯模式（NSP）通过包含观察事件和缺席事件的模式来描述重复行为。已经提出了几种方法来开采这样的NSP。此外，不同方法的NSP在句法和语义上存在差异，这使得它们难以进行比较。本文提供了一个统一的框架，制定的句法和语义的NSP。然后，我们介绍了一种新的算法，NegPSpan，提取NSP使用前缀跨度深度优先方案，并启用maxgap约束，其他方法不考虑。正式框架允许突出所提出的方法与文献中的方法之间的差异，特别是与最先进的方法eNSP之间的差异。在合成数据集和真实数据集上进行的大量实验表明，NegPSpan可以提取有意义的NSP，并且由于内存需求显著降低和计算时间缩短，它可以处理比eNSP更大的数据集。
2018-07-25 cs.AI cs.DB cs.DS
SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation
Jilin University（吉林大学）；Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
SemaCDR通过大语言模型构建统一语义空间，整合领域无关和领域特定语义，利用对比正则化对齐多视角物品特征，通过自适应融合生成统一偏好表示，提升跨域序列推荐效果。
2026-01-30 cs.AI cs.IR
PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation
Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）
PRISM通过纯化表示和集成语义建模解决生成式序列推荐中的语义不纯和信息丢失问题，提升推荐性能。
2026-01-23 cs.AI cs.IR cs.LG
Target-oriented Sentiment Classification with Sequential Cross-modal Semantic Graph
Zhejiang University（浙江大学）；The University of Manchester（曼彻斯特大学）；The University of Edinburgh（爱丁堡大学）
提出 SeqCSG，通过融合图像描述、场景图与文本 token 的序列跨模态语义图增强编码器-解码器框架，在两个标准 MABSC 数据集上取得最优性能。
2023-07-24 cs.AI cs.CV
Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation
City University of Hong Kong（香港城市大学）；Huazhong University of Science and Technology（华中科技大学）；Tencent（腾讯）；Shenzhen Technology University（深圳技术大学）；Peking University（北京大学）；Shenzhen University（深圳大学）
SRA-CL通过利用LLMs的语义能力生成高质量对比对，提升序列推荐模型的性能。
2025-12-22 cs.AI cs.IR
Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation
针对跨域序列推荐中的负迁移和噪声问题，提出可分离偏好引导扩散模型DPG-Diff，分解域不变与域特定偏好引导去噪，实现稳健知识迁移，实验优于现有基线。
2025-08-30 cs.AI cs.IR cs.SI
LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出语义偏置感知框架LLM-RecG，通过物品级泛化损失和序列级用户行为迁移，提升零样本跨域序列推荐的对齐效果与泛化能力。
2025-07-17 cs.AI cs.IR
Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
City University of Hong Kong（香港城市大学）；Harbin Engineering University（哈尔滨工程大学）
针对序列推荐仅靠协同信息去噪易出现过度去噪（尤其对冷物品）的问题，提出融合协同与语义信息的IADSR两阶段框架，经四个公开数据集验证有效且兼容不同序列推荐系统。
2025-10-05 cs.AI cs.IR
Cracking the Code of Negative Transfer: A Cooperative Game Theoretic Approach for Cross-Domain Sequential Recommendation
SK Telecom（SK电信）；Korea Advanced Institute of Science and Technology（韩国科学技术院）；NAVER
本文提出一种基于合作博弈论的跨域序列推荐框架，通过评估领域间负迁移程度并自适应调整权重，结合分层对比学习缓解负迁移，在十个领域上表现优于现有方法。
2023-11-22 cs.AI cs.LG
Is Serving-Time Language-Model Inference Necessary for Recommendation? Evidence from Generative and Agentic Settings
Hunan University（湖南大学）；Dalian University of Technology（大连理工大学）；Tongji University（同济大学）；University of Chinese Academy of Sciences（中国科学院大学）；Xinjiang College of Science & Technology（新疆科技学院）；Beihang University（北京航空航天大学）
本研究提出轻量级可审计恢复测试LIME-Rec，结合三类专家模型在三个Amazon数据集上验证语义推荐增益源于真实物品-文本对应，为序列推荐的语义增益归因提供了透明方法。
2026-10-20 cs.AI cs.IR
SLCF-Net: Sequential LiDAR-Camera Fusion for Semantic Scene Completion using a 3D Recurrent U-Net
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Computer Science Institute VI – Intelligent Systems and Robotics（计算机科学研究所VI——智能系统与机器人）
SLCF-Net通过顺序融合激光雷达和相机数据，利用高斯衰减深度先验投影和3D循环U-Net，在SemanticKITTI上实现领先的语义场景补全性能。
2024-03-13 cs.AI cs.CV cs.RO
A consequence of failed sequential learning: A computational account of developmental amnesia
本研究提出了一种计算模型，解释发展性遗忘的机制，指出海马体序列学习能力受损导致事件记忆受损，但不影响识别和语义学习。
2026-02-13 cs.AI cs.ET q-bio.NC
Empowering Contrastive Federated Sequential Recommendation with LLMs
通过整合大型语言模型作为本地语义生成器，LUMOS在联邦序列推荐中提升模型性能，增强隐私保护下的推荐系统鲁棒性。
2026-02-10 cs.AI cs.DB cs.LG
Q-BERT4Rec: Quantized Semantic-ID Representation Learning for Multimodal Recommendation
University of Shanghai for Science and Technology（上海科学技术大学）
Q-BERT4Rec通过统一语义表示与量化建模，提升多模态推荐的性能和可解释性。
2026-03-03 cs.AI cs.IR
The Best of the Two Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation
City University of Hong Kong（香港城市大学）；Xi'an Jiaotong University（西安交通大学）；Jilin University（吉林大学）；Independent Researcher（独立研究者）；Tsinghua University（清华大学）
针对序列推荐中头部和尾部物品性能权衡问题，提出H2Rec框架，通过双分支架构协调语义ID和哈希ID，并采用双级对齐策略实现知识迁移，在公开基准和商业平台上取得更好平衡。
2026-06-26 cs.AI cs.IR
CLINE: Contrastive Learning with Semantic Negative Examples for Natural Language Understanding
Tsinghua University（清华大学）；Tsinghua ShenZhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Tencent AI Lab（腾讯AI Lab）
尽管预先训练的语言模型已被证明对学习高质量的语义表示有用，但这些模型仍然容易受到简单扰动的影响。最近旨在提高预训练模型鲁棒性的工作主要集中在从具有相似语义的扰动样本中进行对抗性训练，忽略了不同甚至相反语义的利用。与图像处理领域不同，文本是离散的，很少的单词替换就会引起显著的语义变化。为了研究小扰动对语义的影响，我们进行了一系列的试点实验，令人惊讶地发现对抗性训练对于模型检测这些语义变化是无用的，甚至是有害的。针对这一问题，本文提出了基于语义负例的对比学习（CLINE）方法，该方法在无监督的情况下构造语义负例，以提高算法在语义对抗攻击下的鲁棒性。通过与语义相似和相反的例子进行比较，该模型可以有效地感知小扰动引起的语义变化。实证结果表明，我们的方法产生了一系列的情感分析，推理和阅读理解任务的实质性改善。CLINE还保证了同一语义内的紧凑性和不同语义间的可分离性。
2021-07-01 cs.AI cs.CL
Sequential Semantic Generative Communication for Progressive Text-to-Image Generation
Yonsei University（延世大学）；Deakin University（迪肯大学）
本文提出一种基于多模态生成模型的通信系统框架，通过将图像转换为文本提示并按信息量优先级顺序传输词元，实现高效语义通信与图像重建。
2023-09-08 cs.AI eess.SP
SemPOI-RL: Aligning LLM Semantic Reasoning for Interpretable Out-of-Town POI Sequential Generation
State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）；Beihang University（北京航空航天大学）
SemPOI-RL框架通过微调LLM、引入SPAM模块并结合推荐导向强化学习，实现LLM语义推理与结构化序列生成的对齐，在两个真实数据集上优于传统推荐器和LLM基线，可生成可解释的异地POI序列。
2026-09-01 cs.AI cs.CL
Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs
Central South University, Changsha, China（中南大学）；Shopee Pte. Ltd., Shanghai, China（Shopee（上海）有限公司）；Shopee Pte. Ltd., Singapore, Singapore（Shopee（新加坡）有限公司）；Nanyang Technological University, Singapore, Singapore（南洋理工大学）
ReSID通过原生编码和语义量化提升推荐系统性能，实现比现有方法高超10%的准确率并大幅降低分词成本。
2026-02-02 cs.AI cs.IR
Perception and Semantic Aware Regularization for Sequential Confidence Calibration
South China University of Technology（华南理工大学）；Guangdong University of Technology（广东工业大学）；Pazhou Laboratory（琶洲实验室）
本文提出感知与语义感知的序列正则化框架，利用感知和语义相关序列及自适应校准强度缓解深度序列识别模型的过度自信问题，在场景文本和语音识别任务上取得最先进结果。
2023-05-31 cs.AI cs.CV
PRECISE: Pre-training Sequential Recommenders with Collaborative and Semantic Information
Tencent Inc.（腾讯公司）
针对多场景推荐下用户兴趣难全面捕捉、传统预训练推荐难处理长尾冷启动、文本推荐依赖特征工程且缺协同信号的问题，提出融合协同与语义信息的序列推荐预训练框架PRECISE，先建模全场景综合兴趣再聚焦目标场景兴趣，在公开及工业数据集上均取得优异性能。
2024-12-09 cs.AI cs.IR
Empowering Large Language Model for Sequential Recommendation via Multimodal Embeddings and Semantic IDs
City University of Hong Kong（香港城市大学）；Tencent Inc.（腾讯公司）；Tsinghua University（清华大学）
针对现有基于大语言模型的序列推荐方法存在的嵌入坍缩和灾难性遗忘问题，提出融合多模态与量化嵌入的MME-SID框架，搭配多模态残差量化变分自编码器及LoRA高效微调，在三个公开数据集上取得了更优的推荐性能。
2025-09-02 cs.AI cs.IR
Enhancing Semantics in Multimodal Chain of Thought via Soft Negative Sampling
School of Information Science
针对多模态思维链中高文本质量低语义合理性的软负推理依据易引发幻觉、难提升准确率的问题，提出结合软负采样与双向间隔损失的SNSE-CoT方法，经ScienceQA实验验证有效。
2024-05-16 cs.AI cs.CL
What Tracks Hard-Negative Transfer? A Study of Lexical and Semantic Signals
Department of Computer Science and Engineering, Indian Institute of Technology (IIT), Kharagpur, India（1. 印度理工学院（IIT）计算机科学与工程系，克哈格布尔，印度）
本文提出ECI，一种无需训练的诊断方法，通过冻结的目标编码器嵌入对候选负样本进行排序，其在MS MARCO数据集上展示了优于其他模型的性能，且在不同条件下表现出稳定性。
2026-10-16 cs.AI cs.IR
Temporal Sparse Autoencoders: Leveraging the Sequential Nature of Language for Interpretability
Harvard School of Engineering and Applied Science（哈佛工程与应用科学学院）；Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究学院）；Harvard Business School（哈佛商学院）
时间稀疏自编码器通过引入对比损失，有效解耦语义与语法特征，提升语言模型的可解释性。
2026-02-25 cs.AI cs.CL cs.LG
Pacer and Runner: Cooperative Learning Framework between Single- and Cross-Domain Sequential Recommendation
SK Telecom（SK电信）；KAIST（韩国科学技术院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对跨域序列推荐中的负迁移问题，提出Pacer和Runner协作学习框架，通过非对称协作网络评估并加权控制负迁移，结合互信息最大化辅助损失，在真实数据集和线上部署中显著提升了推荐点击率。
2024-07-24 cs.AI cs.IR
Dual-Interest Sequential Product Recommendation With Multi-Granular SSM
The Hong Kong University of Science and Technology（香港科技大学）
针对现有序列推荐忽视物品多义性和多粒度动态的问题，提出双兴趣跨状态空间模型DSRec，通过长期与短期兴趣解耦及残差交叉融合，在公开基准上取得最优性能。
2026-09-21 cs.AI cs.LG
Which bird does not have wings: Negative-constrained KGQA with Schema-guided Semantic Matching and Self-directed Refinement
Department of Computer Science, Yonsei University（延世大学计算机科学系）
本文提出负约束知识图谱问答任务NEST-KGQA，设计PyLF逻辑形式和CUCKOO框架，通过模式引导语义匹配和自导向细化提升负约束问题的解答能力。
2026-04-16 cs.AI cs.CL
A Cognitive Study on Semantic Similarity Analysis of Large Corpora: A Transformer-based Approach
IIIT Naya Raipur（新赖布尔印度信息技术学院）
针对传统神经网络在语义相似度建模中上下文提取不当的问题，本文提出基于Transformer的DeBERTa变体方法，结合K折交叉验证在专利短语匹配数据集上实验，取得0.79平均Pearson相关系数，性能优于传统技术。
2023-06-25 cs.AI cs.CL cs.NE
Unleash LLMs Potential for Sequential Recommendation by Coordinating Dual Dynamic Index Mechanism
Central South University（中南大学）；Microsoft（微软公司）；Microsoft Research Asia（微软亚洲研究院）；Griffith University（格里菲斯大学）
本文提出端到端双动态（ED$^2$）推荐器，通过双动态索引机制统一索引生成与序列推荐，并利用用户相关信息，在三个公开数据集上分别提升命中率19.62%和NDCG 21.11%。
2026-09-17 cs.AI cs.CL cs.IR
Syntactic and Semantic Control of Large Language Models via Sequential Monte Carlo
MIT（麻省理工学院）；ETH Zürich（苏黎世联邦理工学院）；McGill（麦吉尔大学）；Canada CIFAR AI Chair（加拿大 CIFAR 人工智能主席）；Mila（蒙特利尔人工智能研究院）；Johns Hopkins（约翰霍普金斯大学）；Yale（耶鲁大学）；ISI（信息科学研究所）
本文提出基于序贯蒙特卡洛的受控文本生成框架，在推理时灵活施加句法与语义约束，使小型开源模型在四个挑战性任务上超越8倍规模及闭源微调模型。
2025-04-18 cs.AI cs.CL cs.LG
HNCSE: Advancing Sentence Embeddings via Hybrid Contrastive Learning with Hard Negatives
College of Cyberspace Security（网络空间安全学院）；Jinan University（暨南大学）；School of Cyberspace Security（网络空间安全学院）；Beijing University of Posts and Telecommunications（北京邮电大学）；Birmingham College（伯明翰学院）；Beihang University（北京航空航天大学）
本文提出HNCSE框架，通过在SimCSE对比学习中引入困难负样本并混合增强正负样本学习，提升无监督句向量表示的语义理解能力，在语义相似度和迁移任务上表现更优。
2024-11-19 cs.AI cs.CL
