Mathematical Modeling of Competitive Group Recommendation Systems with Application to Peer Review Systems
在本文中，我们提出了一个数学模型来捕捉各种因素，可能会影响竞争群体推荐系统的准确性。我们将此模型应用于同行评审系统，即，会议或研究资助审查，这是我们科学界的一个重要组成部分。我们探讨了一些重要的问题，即，每篇论文的评论数量如何影响整体推荐的准确性？评分汇总政策是否会影响最终推荐？评审员的偏好如何影响最终推荐的准确性？为了回答这些重要的问题，我们正式分析我们的模型。通过这些分析，我们获得的见解如何设计一个随机算法，这是计算效率和渐近准确的竞争群体推荐系统的准确性评估。我们得到了一些有趣的观察结果：即，对于中等级别的会议，每篇论文三篇评论足以获得高准确度的推荐。对于著名的会议，一篇论文可能需要至少7篇评论才能达到高准确性。我们还提出了一个异构的审查策略，需要相等或更少的审查工作量，但可以提高超过一个同质的审查策略的建议准确性高达30%。我们相信我们的模型和方法是研究竞争性群体推荐系统的重要基石。
2012-04-12 cs.IR cs.PF
Leveraging Review Properties for Effective Recommendation
许多最先进的推荐系统通过考虑用户发布的显式项目评论在表示用户偏好和描述项目属性方面的有用性来利用它们。这些发布的评论可以具有各种相关联的属性，诸如它们的长度、自从它们被发布以来的它们的年龄、或者它们的项目评级。然而，目前尚不清楚这些不同的审查属性如何有助于其相应的审查在解决建议任务中的有用性。特别是，用户在考虑评论的不同方面（即属性）时表现出不同的偏好，以做出关于项目的决定。因此，在学习用户偏好和项目属性的同时，对评论属性和评论有用性之间的关系进行建模是很重要的。因此，我们建议使用相关的可用属性对评论进行建模。我们介绍了一种新的审查属性为基础的推荐模型（RPRM），学习审查属性是更重要的比别人在捕捉有用的评论，从而提高推荐结果。此外，受用户信息采纳框架的启发，我们将两个损失函数和一个负抽样策略集成到我们提出的RRRM模型中，以确保评论的属性与用户的偏好相关。我们使用著名的Yelp和Amazon数据集来检查RPRM的有效性。我们的研究结果表明，RRRM显着优于经典和五个国家的最先进的基线。此外，我们实验表明，使用我们提出的损失函数和负采样策略的优势，进一步提高了推荐性能的建议。
2021-02-05 cs.IR
Improving Recommendation Systems with User Personality Inferred from Product Reviews
人格是一种心理因素，它反映了人们的偏好，反过来又影响他们的决策。我们假设对用户个性的准确建模可以提高推荐系统的性能。然而，获取这样的个性特征既敏感又昂贵。为了解决这个问题，我们引入了一种新的方法，自动提取公共产品评论文本的个性特征。然后，我们设计和评估三个上下文感知的推荐架构，利用配置文件来测试我们的假设。在两个新的人格数据集Amazon-beauty和Amazon-music上的实验验证了我们的假设，表现出3- 28%的性能提升。我们的分析发现，不同的人格类型对推荐性能的贡献不同：开放和外向的人格对音乐推荐最有帮助，而尽责的人格对美容产品推荐最有帮助。
2023-03-21 cs.IR
A Zero Attentive Relevance Matching Networkfor Review Modeling in Recommendation System
用户评论和项目评论对于推荐系统的构建是有价值的。一般来说，现有的基于评论的推荐方法可以大致分为两类：分别从评论中构建静态用户和项目表示的连体模型，以及根据评论的相似性或关系动态编码用户和项目的基于交互的模型。虽然基于交互的模型具有更大的模型容量，更好地拟合人类购买行为，但现有基于交互的模型的一些问题的模型设计和假设导致其性能不如现有的连体模型。在本文中，我们确定了现有的基于交互的推荐模型的三个问题，并提出了一对夫妇的解决方案，以及一个新的基于交互的模型，将审查数据的评级预测。我们的模型实现了一个相关性匹配模型与正则化的训练损失，以发现用户相关的信息，从长项目评论，它也适应了零注意力策略，以动态平衡项目相关和项目无关的信息提取用户评论。在Amazon Product Benchmark数据集上的实证实验和案例研究表明，我们的模型可以从评论中提取有效且可解释的用户/项目表示，并且优于多种基于评论的推荐模型。
2021-08-01 cs.IR
How Useful are Reviews for Recommendation? A Critical Review and Potential Improvements
International Institute of Information Technology（国际信息技术学院）；University of California, San Diego（加州大学圣地亚哥分校）
我们调查了越来越多的工作，旨在通过使用评论文本来改善推荐系统。一般来说，这些论文认为，既然评论“解释”了用户的意见，它们应该有助于推断预测评级或购买的潜在维度。纳入审查的方案从简单的正则化到神经网络方法。我们的初步发现揭示了报告结果中的几个差异，部分原因是（例如）尽管实验设置或数据预处理发生了变化，但仍在论文间复制结果。首先，我们尝试一个全面的分析，以解决这些歧义。进一步的调查需要讨论一个更大的问题，即用户评论对推荐的“重要性”。通过广泛的实验，我们观察到几种情况下，最先进的方法未能优于现有的基线，特别是当我们偏离了一些狭义的设置，审查是有用的。最后，我们为我们的观察提供假设，试图描述在什么条件下审查可能是有帮助的。通过这项工作，我们的目标是评估该领域的发展方向，并鼓励强有力的实证评估。
2020-05-25 cs.IR cs.LG cs.SI
A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems
使用评论来学习用户和项目表示对于推荐系统是重要的。当前基于评论的方法可以分为两类：（1）基于卷积神经网络（CNN）的模型，其从用户/项目评论中提取n-gram特征;（2）基于递归神经网络（RNN）的模型，其从用户和项目的评论中学习全局上下文表示。尽管他们的成功，CNN和RNN的模型在以前的研究遭受自己的缺点。虽然基于CNN的模型在建模文本中的长依赖关系方面很弱，但基于RNN的模型由于无法并行计算而在训练和推理方面很慢。针对这些问题，本文提出了一种新的文本编码器模型，将卷积网络和自注意网络相结合，对文本中的局部和全局交互进行建模。由于不同的词、句子和评论对用户和项目表示的重要性不同，我们通过对句子进行词编码，在句子层、评论层和用户/项目层分层构建评论模型，对评论的句子进行编码，以及对用户和项目表示的评论进行编码。在Amazon Product Benchmark上的实验表明，与现有的基于评论的推荐模型相比，我们的模型可以获得更好的性能。
2020-11-26 cs.IR
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中，为购买的商品撰写评论是表达用户意见的一个独特渠道。最近，已经提出了许多基于深度学习的解决方案，通过利用用户评论进行评级预测。相比之下，很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中，我们提出了一个新的评论驱动的神经顺序推荐模型（RNS），考虑用户的内在偏好（长期）和顺序模式（短期）。详细地说，RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列，我们设计了一个新的层次注意力机制注意力机制，以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明，RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Do Reviews Matter for Recommendations in the Era of Large Language Models?
本文研究了在大语言模型时代，文本评论对推荐系统的影响，通过比较深度学习和LLM方法，发现LLMs在数据稀疏和冷启动条件下表现更优，且移除评论不影响推荐准确性。
2025-12-15 cs.IR
GhostLink: Latent Network Inference for Influence-aware Recommendation
社交影响力在塑造用户在处理电影、食物和啤酒等品味项目的在线社区中的行为方面起着至关重要的作用。对于在线推荐，这意味着用户的偏好和评级受到其他个体的影响。如果只给出用户评论的时间戳，我们能找出谁影响谁，以及潜在影响网络的特征吗？我们可以利用这个网络来改进推荐吗？虽然社交感知推荐中的先前工作通过考虑观察到的用户社交网络来利用社交交互，但许多社区（如Amazon，Beeradvocate和Ratebeer）没有明确的用户-用户链接。因此，我们提出了GhostLink，一个无监督的概率图形模型，来自动学习评论社区背后的潜在影响网络--只考虑用户帖子及其内容的时间轨迹（时间戳）。基于对四个真实世界数据集（包含1300万条评论）的广泛实验，我们发现GhostLink比不考虑这种影响的最先进方法提高了约23%的项目推荐。作为额外的用例，我们表明，GhostLink可用于区分用户的潜在偏好和受影响的偏好，以及基于学习的影响图检测有影响力的用户。
2019-05-15 cs.IR cs.SI
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题，提出以评论为中心的对比对齐框架ReCAFR，通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示，在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
User Profiling from Reviews for Accurate Time-Based Recommendations
推荐系统是一种有价值的方式，可以让用户参与到系统中，增加参与度，并向他们展示他们可能找不到的资源。一个重要的挑战是，用户的兴趣可能会随着时间的推移而变化，某些项目具有固有的时间方面。因此，推荐系统应该尝试并考虑依赖于时间的用户-项目关系。然而，用户简档的时间方面可能并不总是明确可用的，因此我们可能需要从可用资源推断此信息。亚马逊等网站上的产品评论代表了一个有价值的数据源，可以了解为什么有人买了一件商品，以及这件商品可能是给谁的。然后，该信息可用于构造动态用户简档。在本文中，我们演示了利用评论提取时间信息来推断用户的\textit{age category preference}，并利用此功能来生成时间相关的建议。考虑到年龄和时间的可预测性，但不断变化的性质，我们表明，使用这种动态方面产生的建议导致更高的准确性相比，技术从最先进的状态。挖掘时间相关的内容评论可以使推荐超越寻找类似的项目或用户潜在地预测未来的用户需要。
2020-06-15 cs.HC cs.IR cs.SI
Enhancing Adaptive Video Streaming through Fuzzy Logic-Based Content Recommendation Systems: A Comprehensive Review and Future Directions
本文综述模糊逻辑与自适应视频流内容推荐系统的融合，分析其应对偏好与情境不确定性的机制、案例效果、挑战及未来方向。
2024-04-10 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology（大连理工大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。
2026-06-16 cs.IR
Content Recommendation through Semantic Annotation of User Reviews and Linked Data - An Extended Technical Report
目前，大多数推荐系统利用用户提供的评级来推断他们的偏好。然而，社交和电子商务网站的日益普及也鼓励用户通过文本评论分享评论和意见。在本文中，我们介绍了一种新的推荐方法，它利用用户评论的语义注释，以提取有用的和非平凡的信息，推荐项目。它还依赖于Web of Data中免费提供的知识，特别是DBpedia和Wikidata，以发现与注释实体相关的其他资源。我们在三个领域评估了我们的方法，使用DBpedia和Wikidata。结果表明，我们的解决方案提供了一个更好的排名比另一种基于Web的数据推荐方法，而它提高了新颖性，相对于传统的基于评级的技术。此外，我们的方法实现了更好的性能与维基百科比DBpedia。
2017-10-28 cs.IR
Attentive Aspect Modeling for Review-aware Recommendation
近年来，许多研究从用户评论中提取方面，并将其与评级相结合，以提高推荐性能。用户评论和产品评论中提到的共同点表明了用户和产品之间的间接联系。然而，这些基于方面的方法存在两个问题。首先，共同的方面通常是非常稀疏的，这是由用户-产品交互的稀疏性和单个用户词汇的多样性造成的。第二，用户对方面的兴趣可能会因产品的不同而不同，而现有方法通常假设这些方面是静态的。在本文中，我们提出了一个基于注意力的推荐模型（AARM）来解决这些挑战。对于第一个问题，为了丰富用户和产品之间的方面联系，除了共同的方面之外，AARM还对同义和相似方面之间的交互进行建模。对于第二个问题，神经注意力网络，同时考虑用户，产品和方面的信息被构造为捕捉用户的注意力方面时，检查不同的产品。大量的定量和定性实验表明，AARM可以有效地缓解上述两个问题，并显着优于几个国家的最先进的推荐方法在前N推荐任务。
2019-04-17 cs.IR
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Highly Relevant Routing Recommendation Systems for Handling Few Data Using MDL Principle and Embedded Relevance Boosting Factors
如果路线推荐系统还考虑收集的用户评论，则它可以提供更好的推荐，例如，通常获得正面评论的地方可能是优选的。然而，为了对情感进行分类，当今存在的许多分类算法在处理诸如简短的书面评论之类的小数据项时受到影响。在本文中，我们提出了一个强相关的路线推荐系统，是基于一个基于MDL（最小描述长度）的情感分类模型，并表明这样的系统是能够处理小数据项（短用户评论）。该模型的另一个亮点是在相关性计算中包含一组提升因子，以提高实现该模型的任何推荐系统中的相关性。
2018-06-13 cs.IR
Given Users Recommendations Based on Reviews on Yelp
在我们的项目中，我们专注于基于NLP的混合推荐系统。数据来自Yelp Data。对于我们的混合推荐系统，我们有两个主要组成部分：第一部分是嵌入与BERT模型和word 2 vec模型的评论;第二部分是实现一个基于项目的协同过滤算法，以计算不同类别的餐厅下的每个评论的相似度。最后，在相似度分数的帮助下，我们能够根据用户记录的评论向他们推荐最匹配的餐厅。编码工作分为几个部分：选择样本和数据清洗，处理，嵌入，计算相似性，计算预测和误差。由于数据的大小，每个部分将生成一个或多个JSON文件作为里程碑，以减少内存压力和每个部分之间的通信。
2021-12-03 cs.CL cs.IR
Network-based recommendation algorithms: A review
推荐系统是帮助我们克服信息过载问题的重要工具。它们被大多数电子商务网站所使用，并吸引了广大科学界的兴趣。推荐系统使用用户过去偏好的数据来选择可能被给定个体用户欣赏的新项目。虽然存在许多推荐方法，但是基于输入数据的网络表示的方法在过去已经获得了相当大的关注。我们在这里回顾了广泛的基于网络的推荐算法，并首次比较了它们在三个不同的真实数据集上的性能。我们提出的建议的主题，超越了单纯的问题，使用哪种算法-如可能的影响，使用它的系统的发展建议-最后讨论开放的研究方向和挑战。
2015-11-19 cs.IR physics.soc-ph
RevGNN: Negative Sampling Enhanced Contrastive Graph Learning for Academic Reviewer Recommendation
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；Department of Computer Science, Tongji University（同济大学计算机科学系）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室）
针对学术审稿人推荐中未观测交互的假阴性问题，提出无监督Pseudo Neg-Label策略增强图对比学习的RevGNN模型，通过两阶段编码器近似审稿偏好，在多个数据集上优于所有基线。
2024-07-30 cs.AI cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）；Aalborg University（奥尔堡大学）
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征，并以结构化的形式提供它们的解释。众所周知，用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面，最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本，我们的目标是表明生成的文本可以成功地用于解释建议。在本文中，我们提出了一个框架，包括流行的审查为导向的生成模型，旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集，其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法，我们采用DeepCoNN，一种新的面向评论的推荐系统，使用深度神经网络，通过均方根误差（RMSE）来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知，这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras（帕特雷大学）
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视，尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型，用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络（DeepCoNN）是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为，而另一个网络则从用户评论中学习物品属性。在顶部，添加了一个共享层来连接这两个网络。与因子分解机器方法类似，共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果，在许多数据集上，DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
Assessing the Helpfulness of Review Content for Explaining Recommendations
尽管推荐系统的算法已经成熟，很少有人知道如何获得并为用户提供一个适当的理由的建议。当提供解释时，可以增加推荐系统的透明度和有效性。特别地，可以利用从评论中识别有用的论证内容来生成文本解释。在本文中，我们调查的原因，为什么审查可能被认为是有益的，并表明，可信度和说服力的看法调解之间的关系，有益性和客观性和相关方面的看法解决。我们的研究结果使我们提出了一个基于argumentbased的方法来自动提取有用的内容从酒店评论，一个域，不同于那些最适合经典的论证理论。
2020-10-13 cs.HC cs.IR
Mining User/Movie Preferred Features Based on Reviews for Video Recommendation System
在这项工作中，我们提出了一种基于评论挖掘用户偏好和推荐的方法。关于推荐问题已经有了很多研究。然而，大多数的研究都超越了用户生成的一个方面--内容，如用户评分、用户反馈等来陈述用户偏好。在一个方面存在的问题是缺乏挖掘来陈述用户偏好。作为示范，在协同过滤推荐中，我们试图找出拥挤用户的偏好趋势，然后使用该趋势来预测当前用户的偏好。因此，真实的用户偏好与拥挤人群的趋势之间存在差距。此外，由于用户经常评论产品的各个方面，因此可以通过挖掘用户评论来解决用户偏好。为了解决这个问题，我们主要集中在挖掘用户评论中的产品方面和用户方面，以直接表示用户的偏好。对于冷启动项目问题，我们还考虑了社会网络分析。针对冷启动用户问题，采用协同过滤算法。该框架足够通用，可以应用于不同的推荐领域。从理论上讲，我们的方法将实现显着的增强。
2017-02-09 cs.CL cs.IR
Disentangled Graph Contrastive Learning for Review-based Recommendation
用户评论数据有助于缓解许多推荐系统中的数据稀疏问题。在基于评论的推荐方法中，评论数据被认为是辅助信息，其可以提高用于用户评级预测任务的所学习的用户/项目或交互表示的质量。然而，这些方法通常以整体的方式对用户-项目交互进行建模，而忽略了它们背后的潜在因素的纠缠，例如，价格，质量或外观，导致次优表示和降低可解释性。本文提出了一种基于文本评论数据的基于评论推荐的解纠缠图对比学习（DiscentralGraphContrasiveLearning，DGARCH）框架，分别对基于不同潜在因素的用户-项目交互进行建模。为此，我们首先从评论数据中的语义信息和用户项图数据中的结构信息对潜在因素的交互分布进行建模，形成几个因素图。然后设计了一个因子分解的消息传递机制来学习因子图上的用户/项目表示，这使我们能够进一步表征交互，并通过设计的注意力机制自适应地组合来自多个因子的预测评级。最后，我们设置两个因素明智的对比学习目标，以减轻稀疏性问题和模型的用户/项目和交互功能相关的每个因素更准确。五个基准数据集的实证结果验证了DGCLR相对于最先进方法的优越性。进一步的分析提供了解释学习的意图因素和评级预测在DGRENT。
2022-09-04 cs.IR
Extended Recommendation Framework: Generating the Text of a User Review as a Personalized Summary
University P. et M. Curie, Sorbonne-Universités（皮埃尔与玛丽·居里大学（索邦大学））；CNRS（法国国家科学研究中心）
我们建议增加评级为基础的推荐系统，为用户提供额外的信息，这可能有助于他在他的选择或理解的建议。我们在这里考虑作为一个新的任务，与项目相关联的个性化评论的生成。我们使用一个提取的摘要公式来生成这些评论。我们还表明，这两个信息源，评级和项目，可用于估计评级和生成摘要，从而提高性能，为每个系统相比，使用一个单一的来源。除了这两个贡献，我们展示了如何个性化的极性分类器可以整合的评级和文本方面。总的来说，该系统为用户提供了三个个性化的建议提示：评级，文本和极性。我们在两个数据集上对这三个组成部分进行了评估，并对每个任务使用了适当的措施。
2014-12-17 cs.CL cs.IR
Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation
Nanyang Technological University（南洋理工大学）
本文针对推荐系统中用户生成内容的稀疏与不完整问题，提出MOSAIC模型，通过聚合邻居用户评论的属性-情感证据构建元评审，结合MMoE与注意力模块提升推荐准确率与解释质量，在多数据集上优于现有基线。
2026-08-28 cs.IR
SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation
The University of Tokyo（东京大学）；Rakuten Group, Inc.（乐天集团）
SymCERE通过结构几何对齐和对称NCE损失，提升推荐系统在处理假负样本和流行偏见方面的鲁棒性，实验显示NDCG@10提升达43.6%。
2025-12-16 cs.IR
Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
Emory University（埃默里大学）
针对双边平台序列推荐中评论反馈的非随机性与溢出效应问题，提出TS-SSM模型，经多数据集实验较现有基准模型在Recall@20上有显著提升。
2026-10-01 cs.IR
Non-IID Recommender Systems: A Review and Framework of Recommendation Paradigm Shifting
Advanced Analytics Institute, University of Technology Sydney（悉尼科技大学高级分析学院）
虽然推荐在我们的生活、学习、工作和娱乐中扮演着越来越重要的角色，但我们收到的推荐往往是不相关的、重复的或无趣的产品和服务。现有的推荐理论和推荐系统都假设推荐用户和推荐项目是独立同分布的，这是造成这种不良推荐的一个重要原因。另一个现象是，虽然已经做出了巨大的努力来对用户或项目的特定方面进行建模，但总体用户和项目特征及其非IID性却被忽视了。本文首先讨论了推荐的非IID性质和特征，然后从耦合性和异质性两个角度，建立了非IID的理论框架，以期对推荐问题的内在本质有一个深入而全面的理解。这种非IID推荐研究触发了从IID到非IID推荐研究的范式转变，并有望提供知情的，相关的，个性化的和可操作的建议。它创造了令人兴奋的新方向和基本解决方案，以解决各种复杂性，包括冷启动，基于稀疏数据，跨域，基于组和先令攻击相关的问题。
2020-07-01 cs.IR cs.LG
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
Tsinghua University（清华大学）；Tencent（腾讯）
推荐系统旨在为用户提供项目推荐，并且通常面临数据稀疏问题（例如，冷启动）。最近，预训练的模型已经显示出它们在领域和任务之间的知识传递的有效性，这可能会缓解推荐系统中的数据稀疏性问题。在这项调查中，我们首先提供了一个审查的推荐系统与预训练。此外，我们通过实验展示了预训练对推荐系统的好处。最后，我们讨论了几个有前途的方向，为未来的研究推荐系统与预训练。
2020-09-19 cs.CL cs.IR
Joint Deep Modeling of Users and Items Using Reviews for Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
大量的信息存在于用户撰写的评论中。这种信息源被大多数当前的推荐系统所忽略，但它可以潜在地缓解稀疏性问题并提高推荐质量。在本文中，我们提出了一个深度模型，从评论文本中联合学习项目属性和用户行为。提出的模型，命名为深度合作神经网络（DeepCoNN），由两个并行的神经网络耦合在最后一层。其中一个网络专注于利用用户撰写的评论来学习用户行为，另一个网络则从为项目撰写的评论中学习项目属性。在顶部引入共享层以将这两个网络耦合在一起。共享层使得为用户和项目学习的潜在因子能够以类似于因子分解机器技术的方式彼此交互。实验结果表明，DeepCoNN在各种数据集上的性能明显优于所有基线推荐系统。
2017-01-17 cs.IR cs.LG
On Faithfulness and Coherence of Language Explanations for Recommendation Systems
University of California, San Diego（加州大学圣迭戈分校）
评论包含丰富的信息，产品的特点和用户的兴趣，因此通常用于提高推荐系统的性能。具体来说，以前的工作表明，共同学习执行审查生成提高评级预测性能。同时，这些模型生成的评论作为推荐解释，为用户提供预测评级的见解。然而，尽管现有的模型可以生成流畅的、类似人类的评论，但目前还不清楚这些评论在多大程度上充分揭示了联合预测评级背后的基本原理。在这项工作中，我们进行了一系列的评估，探测国家的最先进的模型和他们的审查生成组件。我们发现，所产生的解释是脆弱的，需要进一步的评估，然后才被视为字面上的理由估计评级。
2022-09-12 cs.AI cs.CL cs.IR
Recommendations by Concise User Profiles from Review Text
针对交互稀疏但评论丰富的用户，提出CUP框架，通过构建简洁用户画像并微调小型语言模型，在图书评论数据上取得优于LLM排序的性能。
2025-02-27 cs.IR
ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation
University of Southern California, USA（美国南加州大学）；Sejong University, South Korea（韩国世宗大学）
本文提出ReFORM框架，利用LLM和多因素注意力机制从评论中生成用户和物品资料，提升餐厅推荐的鲁棒性和性能。
2026-03-17 cs.IR cs.LG
Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Machine Learning for Food Review and Recommendation
Nanyang Technological University（南洋理工大学）
食品评论和建议一直是在线食品服务网站的重要组成部分。然而，评论和推荐食物并不简单，因为它可能会被不同的上下文和含义所淹没。在本文中，我们使用不同的深度学习方法来解决情感分析、自动评论标签生成和食品评论检索等问题。我们建议在南洋理工大学（NTU）开发一个基于网络的食品评论系统，名为NTU Food Hunter，它结合了不同的深度学习方法，帮助用户选择食物。首先，我们将BERT和LSTM深度学习模型实现到食品评论的情感分析系统中。然后，我们开发了一个词性（POS）算法来自动识别和提取的评论内容的形容词-名词对的评论标签生成的基础上词性标注和依存句法分析。最后，我们还训练了一个RankNet模型，用于对检索结果进行重新排序，以提高基于Solr的食品评论搜索系统的准确性。实验结果表明，我们提出的深度学习方法是有前途的实际问题的应用。
2022-01-15 cs.CL cs.IR cs.LG
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络（LBSN）（例如，Facebook）有很多因素（例如，评级，签到时间等）。这对兴趣点（POI）建议起着至关重要的作用。与评级不同，评论可以帮助用户详细阐述他们的意见，并根据相关的感兴趣因素（方面）分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论，但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知，这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中，我们提出了一个模型称为PERS（个性化可解释POI推荐系统），模型的评论方面类别的相关性，通过利用深度神经网络，制定了用户方面类别二分关系作为一个二分图，和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是：（i）基于用户通过评论发布的方面对用户和位置进行建模，（ii）利用深度神经网络对评论-方面类别相关性进行建模，（iii）提供多个上下文（例如，分类、空间等）在兴趣点推荐模型中，（iv）将用户对方面类别的偏好表示为二分关系，将其表示为位置-方面类别二分图，并使用基于二分核心和基于排名的方法，利用有序稠密子图提取的概念对可解释推荐进行建模，（v）使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
On Explaining Recommendations with Large Language Models: A Review
本文针对大语言模型用于生成推荐解释的方向开展系统综述，检索2022年11月至2024年11月相关文献后发现该领域研究仍处早期，梳理了现有方法与挑战并指出未来发展方向。
2025-01-17 cs.HC cs.IR
Asymmetrical Hierarchical Networks with Attentive Interactions for Interpretable Review-Based Recommendation
Rutgers University（罗格斯大学）；NEC Laboratories America（NEC美国实验室）
最近，推荐系统已经能够通过利用用户提供的评论来发出显著改进的推荐。现有的方法通常将给定用户或项目的所有评论合并到一个长文档中，然后以相同的方式处理用户和项目文档。然而，在实践中，这两组评论是明显不同的：用户的评论反映了他们购买的各种物品，因此在他们的主题中是非常异质的，而物品的评论只涉及单个物品，因此主题是同质的。在这项工作中，我们开发了一种新的神经网络模型，适当地考虑到这一重要的差异，通过不对称的注意模块。用户模块学习只关注那些与目标项目相关的信号，而项目模块学习提取与项目属性相关的最显著内容。我们的多层次范式解释了这样一个事实，即不是所有的评论都同样有用，也不是每个评论中的所有句子都同样相关。在各种真实数据集上的大量实验结果证明了我们方法的有效性。
2019-12-18 cs.CL cs.IR
Are Representation Disentanglement and Interpretability Linked in Recommendation Models? A Critical Review and Reproducibility Study
本文在四个数据集上复现了五种推荐模型，量化并研究了解耦与推荐有效性和表征可解释性的联系，发现解耦与有效性无关，但与可解释性密切相关。
2025-01-30 cs.IR
Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
跨领域推荐（CDR）是利用不同领域的知识来解决推荐系统中的数据稀疏性和冷启动问题的一种方法。在本文中，我们专注于基于评论的非重叠推荐（RNCDR）问题。该问题是一个普遍存在且具有挑战性的问题，主要表现在两个方面，即目标域上只有正的用户项目评分和不同域之间没有重叠的用户。大多数先前的CDR方法不能很好地解决RNCDR问题，因为（1）它们不能有效地将审查与其他信息（例如，ID或评级）来获得富有表现力的用户或项目嵌入，（2）它们不能减少用户和项目上的域差异。为了填补这一空白，我们提出了协同过滤与归因对齐模型（CFAA），一个跨域推荐框架的RNCDR问题。CFAA包括两个主要模块，即，评分预测模块和嵌入属性对齐模块。前者旨在联合挖掘评论，一个热门ID和多个热门历史评分，以生成富有表现力的用户和项目嵌入。后者包括纵向归因一致性和横向归因一致性，倾向于基于多个视角减少差异。我们对豆瓣和亚马逊数据集的实证研究表明，CFAA在RNCDR设置下显着优于最先进的模型。
2022-02-10 cs.AI cs.IR
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology（香港科技大学）；Nanjing University（南京大学）
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法，专注于明确的反馈，因此面临着收集他们的困难。同时，提出了基于评分的方法，对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而，它通常忽略了一种重要的信息：项目评论。项目审查不仅证明了用户的偏好，而且还有助于减轻冷启动问题，失败的协同过滤。在本文中，我们提出了两个新颖而简单的模型，将项目评论贝叶斯个性化排名。在每个模型中，我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上，我们发现了解释用户反馈变化的评论维度，这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析，以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
最近的研究在推荐系统中已经成功地实现了显着改善的性能，利用评论的评级预测。然而，尽管被广泛研究，这些方法仍然受到一些限制。首先，以往的研究要么对文档进行编码，要么通过神经网络提取潜在的情感，难以直观地解释评论者的情感。其次，他们忽视了评论与用户/项目的个性化交互，即，当对用户/项目的情感偏好进行建模时，每个评论具有不同的贡献。为了解决这些问题，我们提出了一个情感感知的交互式融合网络（SIFN）的评论为基础的项目推荐。具体来说，我们首先通过BERT编码用户/项目评论，并提出了一个轻量级的情感学习器来提取每个评论的语义特征。然后，我们提出了一个情感预测任务，引导情感学习器通过明确的情感标签来提取情感感知特征。最后，我们设计了一个评级预测任务，该任务包含一个评级学习器，该评级学习器具有一个交互和融合模块来融合身份（即，用户和项目ID）和每个评论表示，使得各种交互式特征可以协同地影响最终评级分数。在五个真实数据集上的实验结果表明，该模型优于现有的模型。
2021-08-18 cs.AI cs.IR
Are ID Embeddings Necessary? Whitening Pre-trained Text Embeddings for Effective Sequential Recommendation
本文研究了仅依赖文本特征无需ID嵌入的序列推荐，发现预训练文本嵌入的各向异性阻碍性能，提出利用白化变换将其转为各向同性的WhitenRec+集成方法，在三个基准数据集上优于现有方法。
2024-02-16 cs.IR
Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works
Contata Solutions LLC（Contata Solutions有限责任公司）
随着互联网上数字信息量的指数级增长，在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内找到相关信息的最方便的方式。近年来，深度学习的进展在语音识别、图像处理和自然语言处理领域获得了极大的关注。与此同时，最近的一些研究已经表明了深度学习在推荐系统和信息检索领域的实用性。在这篇简短的综述中，我们将介绍使用各种深度学习技术变体在推荐领域取得的最新进展。我们将综述分为三个部分：协作系统、基于内容的系统和混合系统。该综述还讨论了深度学习集成推荐系统对几个应用领域的贡献。本文最后讨论了深度学习在各个领域的推荐系统中的影响，以及深度学习是否比传统的推荐系统有任何显着的改进。最后，我们还提供了未来的研究方向，这是可能的基础上使用的深度学习在推荐系统的当前状态。
2017-12-20 cs.IR cs.LG
A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
本文系统综述了哈希标签推荐方法，从传统频率模型到基于Transformer的深度学习，分析了多模态、评估范式及数据稀疏等挑战，并提出了未来研究方向。
2025-03-25 cs.IR
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation
提出面向方面性能的超图神经网络APH，利用评论情感极性推断商品性能，提升基于评论推荐的准确性，在六个数据集上平均提升MSE、Precision@5和Recall@5分别2.30%、4.89%和1.60%。
2025-01-26 cs.IR
TransNets: Learning to Transform for Recommendation
Carnegie Mellon University（卡内基梅隆大学）
最近，深度学习方法已被证明可以提高推荐系统的性能，特别是在评论文本可用时。例如，最近的模型DeepCoNN使用神经网络来学习目标用户撰写的所有评论的文本的一个潜在表示，以及目标项目的所有评论的文本的第二个潜在表示，然后组合这些潜在表示以获得推荐任务的最新性能。我们表明（不出所料）大部分的预测价值的审查文本来自审查的目标用户的目标项目。然后，我们介绍了一种方法，在该信息可以用于推荐，即使目标用户的审查目标项目是不可用的。我们的模型称为TransNets，通过引入一个额外的潜在层来表示目标用户-目标项目对，从而扩展了DeepCoNN模型。然后，我们在训练时将这一层正则化，使其类似于目标用户对目标项目的评论的另一个潜在表示。我们表明，TransNets和它的扩展大大提高了以前的最先进的。
2017-06-30 cs.CL cs.IR cs.LG
Enhancing Hotel Recommendations with AI: LLM-Based Review Summarization and Query-Driven Insights
针对预订平台评论繁多、用户筛选效率低的问题，本研究开发instaGuide网页应用，利用LLM总结Booking.com房源评论并支持定向查询，显著缩短用户找房时间、优化决策。
2025-10-21 cs.IR
Technical Paper Recommendation: A Study in Combining Multiple Information Sources
管理和利用在线数据源的需求日益增长，这为人们更接近他们所需的资源提供了新的机会。例如，考虑一种推荐服务，通过这种服务，研究人员可以每天收到他们感兴趣领域的期刊论文的指针。我们调查了一些已知的方法来解决技术论文推荐的问题，并询问如何将它们扩展到处理多个信息源。更具体地说，我们专注于这个问题的一个变体-向审查委员会成员推荐会议论文提交-这为我们提供了一个尝试不同方法的测试平台。使用WHIRL -一个信息集成系统-我们能够实现不同的推荐算法来自信息检索原则。我们还使用了一种新的自主程序，从网络上收集评论家的兴趣信息。我们评估我们的方法，并将其与其他方法相比，使用AAAI-98会议审查委员会成员提供的偏好数据以及实际提交的数据。
2011-06-01 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
