Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation
提出REXHA方法，通过层次聚合的配置文件模块和高效检索模块，解决LLM推荐解释中的配置文件偏差和高检索开销问题，提升解释质量和检索效率。
2025-07-12 cs.IR
Self-supervised Hierarchical Representation for Medication Recommendation
针对现有药物推荐忽略医学术语层次结构的问题，提出HIER层次编码器，通过自监督关系嵌入和位置编码表示诊断与手术，在四个基线和两个临床数据集上显著提升推荐准确率。
2024-11-05 cs.IR
Dual-space Hierarchical Learning for Goal-guided Conversational Recommendation
提出双空间层次学习（DHL），利用多层次目标序列及层次关系，通过表示空间与优化空间的双重学习，提升对话推荐系统引导对话至推荐场景的效果。
2023-12-30 cs.IR
Component Benchmark: Hierarchical Model Profiling for Large-scale Recommendation Systems
Meta Platforms Inc（Meta平台公司）
针对大规模推荐模型结构异构、剖析困难的问题，提出组件基准CB系统，以层次化方式独立剖析各子模块性能并提供树状交互可视化，已在TB级模型上验证有效性。
2026-09-28 cs.IR
Scenario-Aware Hierarchical Dynamic Network for Multi-Scenario Recommendation
针对现有多场景推荐模型仅依赖粗粒度显式建模的局限，提出场景感知分层动态网络HierRec，联合显隐式建模并自适应感知隐式模式，在公开数据集和工业应用中显著优于现有模型。
2023-09-05 cs.IR
Hierarchical Fashion Graph Network for Personalized Outfit Recommendation
时尚服装推荐越来越受到在线购物服务和时尚社区的关注。与其他场景（例如，社交网络或内容共享），其推荐单个项目（例如，朋友或图片），服装推荐预测用户对一组匹配良好的时尚物品的偏好。因此，执行高质量的个性化服装推荐应该满足两个要求- 1）时尚物品的良好兼容性和2）与用户偏好的一致性。然而，目前的工作主要集中在一个要求，只考虑用户的服装或服装项目的关系，从而容易导致次优表示和限制的性能。在这项工作中，我们统一两个任务，时尚兼容性建模和个性化服装推荐。为此，我们开发了一个新的框架，层次时尚图网络（HFGN），同时建模用户，物品和服装之间的关系。特别是，我们构建了一个层次结构上的用户服装的相互作用和服装项目映射。然后，我们从最近的图神经网络的启发，并采用这种层次图的嵌入传播，从而聚合项目信息到一个服装表示，然后细化用户的表示通过他/她的历史服装。此外，我们联合训练这两个任务，以优化这些表示。为了证明HFGN的有效性，我们在基准数据集上进行了大量的实验，HFGN比最先进的兼容性匹配模型（如NGNN）和服装匹配模型（如FHN）有了显着的改进。
2020-05-26 cs.IR
HierLLM: Hierarchical Large Language Model for Question Recommendation
针对问题推荐中的冷启动与题库规模过大问题，本文提出基于 LLM 的分层模型 HierLLM，先识别相关概念再选择问题，并通过实验验证其优越性能。
2024-09-10 cs.IR
Distance-aware Self-adaptive Graph Convolution for Fine-grained Hierarchical Recommendation
针对 GCN 推荐中图表示结构与卷积层贡献建模不足的问题，提出 SAGCN 距离自适应层次聚合方法，通过距离驱动的层权重学习和损失优化，在四个真实数据集上显著提升推荐性能。
2026-09-28 cs.IR
Time is of the Essence: a Joint Hierarchical RNN and Point Process Model for Time and Item Predictions
近年来，基于届会的建议已成为一种越来越适用的建议。由于会话由事件序列组成，因此这种类型的推荐非常适合递归神经网络（RNN）。已经提出了几个附加的扩展这样的模型，以处理特定的问题或数据。两个这样的扩展是1.）用于捕获用户会话上的长期依赖性的会话间关系的建模，以及2.）对用户-项目交互的时间方面进行建模。前者允许基于会话的推荐在提供新推荐时利用扩展的会话历史和会话间信息。后者已被用于提供最先进的预测，即用户何时返回服务，以及改进推荐。在这项工作中，我们结合这两个扩展在一个联合模型的推荐和返回时间预测的任务。该模型包括一个层次RNN的会话间和会话内的项目推荐扩展与点过程模型的会话之间的时间间隔。实验结果表明，所提出的模型在两个数据集上的推荐显著提高，同时在基线返回时间预测模型上提高了返回时间预测。
2018-12-04 cs.IR
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
Hierarchical Transformer with Spatio-Temporal Context Aggregation for Next Point-of-Interest Recommendation
针对用户移动高度变异和个性化导致下一兴趣点推荐困难的问题，提出STAR-HiT模型，通过堆叠分层编码器递归编码时空上下文并自适应捕获多粒度子序列的潜在分层结构，在三个公共数据集上取得优越性能且具备可解释性。
2022-09-04 cs.IR
Factorial User Modeling with Hierarchical Graph Neural Network for Enhanced Sequential Recommendation
大多数采用图神经网络（GNNs）的顺序推荐（SR）系统只将用户的交互序列建模为没有层次结构的平面图，忽略了用户偏好中的各种因素。此外，相互作用的项目之间的时间跨度没有充分利用以前的模型，限制SR的性能增益。为了解决这些问题，我们提出了一种新的SR系统采用分层图神经网络（HGNN）模型阶乘用户的喜好。具体地说，一个时间跨度感知序列图（TSG）的目标用户首先构建与交互项目之间的时间跨度。然后，将TSG中的所有原始节点软聚类为因子节点，每个因子节点代表用户偏好的某个因子。最后，所有的因素节点的表示一起使用，以预测SR结果。我们在两个数据集上进行的大量实验证明，我们基于HGNN的阶乘用户建模比最先进的SR模型获得了更好的SR性能。
2022-07-27 cs.IR
Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation
City University of Hong Kong（香港城市大学）；Kuaishou Technology（快手科技）
研究针对生成式跨域推荐的异构模式建模挑战，提出HD-Rec框架，采用分层量化与领域自适应稀疏路由技术，在三个公开基准上优于各类基线方法。
2026-08-10 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
A Hierarchical Optimizer for Recommendation System Based on Shortest Path Algorithm
Top-k最近地理社会关键字查询是指在地理社会网络中，根据用户指定的空间范围和关键字，向用户提供k个推荐，并通过最短路径算法实现。然而，最短路径算法不能提供令人信服的建议，所以我们设计了一个分层的优化器组成的分类器和一个常数优化器，优化结果的一些功能的服务提供商。
2019-11-07 cs.IR cs.SI
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分：用户和项目嵌入学习，其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息，利用历史评论丰富了用户/项目嵌入学习能力，或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展，我们认为，目前的解决方案，基于审查的建议遭受两个缺点。首先，由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图，如何更好地利用这种独特的图结构进行推荐？其次，虽然目前大多数模型都受到用户行为的限制，但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件？为此，在本文中，我们提出了一种新的审查感知图对比学习（RGCL）框架的审查为基础的推荐。具体来说，我们首先构建一个具有功能增强边缘的评论感知用户项目图，其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边，可以帮助专心地学习每个邻居节点的权重，用于用户和项目表示学习。之后，我们设计了两个额外的对比学习任务（即，节点鉴别和边缘鉴别），为推荐过程中的两个组件提供自监督信号。最后，在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
CCFormer: Efficient Cross-Field Interaction and Hierarchical Sequence Compression for Industrial Recommendation at Tencent
Platform and Content Group, Tencent（腾讯平台与内容事业群）
CCFormer是腾讯提出的高效Transformer骨干网络，通过跨域交互与分层序列压缩技术，在工业推荐场景中取得显著性能提升，已部署于腾讯生产系统服务核心流量。
2026-10-30 cs.IR
Minimizing Mindless Mentions: Recommendation with Minimal Necessary User Reviews
最近，研究人员将注意力转向了只使用最少必要数据的推荐系统。这种趋势是由这样一种想法所告知的，即推荐系统不应该使用比为了向用户提供有用的推荐所需要的更多的用户交互。在这份立场文件中，我们提出了将最小必要数据的想法应用于使用用户评论的推荐系统的案例。我们认为，个人用户评论的内容应该最小化。具体来说，作为训练数据生成建议的评论或用于帮助用户决定购买或消费的评论应该被自动编辑，以仅包含所需的信息。
2022-09-09 cs.IR
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
Generative Sequential Recommendation via Hierarchical Behavior Modeling
针对多行为序列推荐中序列建模不足及缺乏合适数据集的问题，提出基于仅解码器的生成式框架GAMER，通过跨层级交互层与序列增强策略捕捉行为层次依赖，并发布大规模短视频多行为数据集ShortVideoAD，实验证明其在多指标上优于现有基线。
2025-11-05 cs.IR
Efficient Retrieval Scaling with Hierarchical Indexing for Large Scale Recommendation
Meta
本文提出通过交叉注意力和残差量化联合学习分层索引，以提升大规模检索模型的效率和精确度，并在Meta实现实时广告推荐。
2026-04-14 cs.IR
MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation
针对单行为推荐的数据稀疏问题，提出分层图卷积网络MB-HGCN，从全局到行为特定层次学习嵌入，并通过多任务学习优化，在Tmall等数据集上显著提升推荐性能。
2023-06-19 cs.IR
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
HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Alibaba Group（阿里巴巴集团）
提出分层图对比学习（HGCL），通过跨层对比预训练和分层图微调，利用物品分层结构提升推荐准确性，在多个基准数据集上优于现有模型。
2025-05-25 cs.AI cs.IR
Hierarchical Semantic RL: Tackling the Problem of Dynamic Action Space for RL-based Recommendations
Fudan University（复旦大学）；Kuaishou Technology（快手科技）；Tianjin University（天津大学）
HSRL通过层次化语义强化学习解决推荐系统中动态动作空间问题，利用语义ID和多级批评者提升推荐效果。
2026-02-24 cs.IR
Hierarchical Contrastive Learning with Multiple Augmentation for Sequential Recommendation
针对序列推荐中对比学习增强方法结构简单、条件有限的问题，提出HCLRec框架，通过分层组合多重增强生成多级视图对，并利用Transformers与PFFN模块学习序列不变性，在稀疏交互下取得优于现有方法的鲁棒推荐性能。
2023-08-07 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
A Hierarchical Contextual Attention-based GRU Network for Sequential Recommendation
顺序推荐是Web应用的基本任务之一。以前的方法大多是基于马尔可夫链与强马尔可夫假设。最近，递归神经网络（RNN）越来越受欢迎，并已在许多任务中证明了其有效性。最后一个隐藏状态通常被用作序列的表示来进行推荐。得益于RNN的自然特性，隐藏状态在一定程度上是长期依赖和短期兴趣的结合。然而，RNN的单调时间依赖性损害了用户的短期兴趣。因此，隐藏状态不足以反映用户的最终兴趣。在这项工作中，为了解决这个问题，我们提出了一个层次上下文注意力为基础的GRU（HCA-GRU）网络。HCA-GRU的第一级在输入端进行。我们利用注意力机制，通过使用几个最近的输入来构造上下文输入。这可以模拟最近项目之间的复杂相关性，并加强隐藏状态。第二层是在隐藏状态下执行的。我们融合了当前隐藏状态和由注意力机制建立的上下文隐藏状态，从而得到更适合用户整体兴趣的隐藏状态。在两个真实数据集上的实验表明，HCA-GRU能够有效地生成个性化的排序列表，并取得了显著的改进。
2018-02-05 cs.IR
HatLLM: Hierarchical Attention Masking for Enhanced Collaborative Modeling in LLM-based Recommendation
针对LLM注意力机制难以捕捉跨物品协同信号的问题，提出分层注意力掩码策略HatLLM，在浅层促进物品内语义理解、深层强制捕捉跨物品相关性，实现token级与物品级依赖联合建模，性能平均提升9.13%。
2025-10-13 cs.IR
Hierarchical BiGraph Neural Network as Recommendation Systems
George Mason University（乔治梅森大学）
图神经网络作为一种有前途的建模方法出现在处理在图域中最好表示的数据集的应用中。具体而言，开发推荐系统通常需要解决稀疏结构化数据，这些数据通常缺乏用户和/或项目侧的特征丰富性，并且需要在正确的上下文中进行处理以获得最佳性能。这些数据集可以直观地映射并表示为网络或图形。在本文中，我们提出了层次双图神经网络（HBGNN），一个层次的方法，使用GNN作为推荐系统，并使用一个双图框架结构化的用户项功能。我们的实验结果表明，与目前的推荐系统的方法和可移植性的竞争力的表现。
2020-07-27 cs.IR cs.LG stat.ML
Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation
本文提出层次化图信息瓶颈框架HGIB，通过图精炼编码器动态去噪并学习紧凑充分表示，有效缓解多行为推荐中的分布差异和负迁移问题，在公开数据集和工业在线A/B测试中均取得显著提升。
2025-07-21 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
HHFT: Hierarchical Heterogeneous Feature Transformer for Recommendation Systems
HHFT通过分层异构特征变换器提升推荐系统CTR预测性能，实现AUC提升0.4%并提高GMV
2025-12-14 cs.IR
Learning Hierarchical Item Categories from Implicit Feedback Data for Efficient Recommendations and Browsing
The Hong Kong University of Science and Technology（香港科技大学）
搜索、浏览和推荐是可以减轻用户在在线市场中所面临的“选择过载”的常见方式。在本文中，我们提出了使用层次项目类别，从隐式反馈数据，使有效的浏览和建议。我们提出了一种只从隐式反馈数据创建层次项目类别的方法，即，而没有关于项目的任何其他信息，如名称、流派等。以这种方式创建的类别基于用户对项目的共同消费。因此，当用户浏览层次结构时，它们在查找有趣和相关的项目时可能更有用。我们还表明，该项目层次结构可以是有用的，在作出基于类别的建议，这使得建议更可解释，并增加了多样性的建议，而不会影响太多的准确性。项层次结构在创建自动项分类框架时也很有用，因为它可以绕过手动标记和注释。这对小商贩尤其有用。我们的数据驱动的层次类别是基于分层潜在树分析（HLTA），这是以前用于文本分析。我们提出了一个扩大的学习算法\emph{HLTA-Forest}，使HLTA可以应用于隐式反馈数据。
2019-06-21 cs.AI cs.IR
Anatomy of a Decision: Uncertainty-aware Hierarchical Intent Learning via Flow Matching for Multimodal Recommendation
Sydney Smart Technology College, Northeastern University（悉尼智能科技学院，东北大学）；School of Computer and Communication Engineering and Hebei Key Laboratory of Marine Perception Network and Data Processing, Northeastern University at Qinhuangdao（秦皇岛东北大学计算机与通信工程学院及河北省海洋感知网络与数据处理重点实验室）；Shijiazhuang Innovation Research Institute of Northeastern University（东北大学石家庄创新研究院）
针对现有推荐方法忽视多模态不确定性和静态扁平意图结构的问题，提出UHIFlow框架，通过流匹配量化不确定性并动态构建分层意图，实验证明其显著优于基线。
2026-09-25 cs.IR
HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
Glance
本文提出HASTE框架，通过分层损失和属性特定损失优化生成式推荐，在多领域数据集上提升了推荐性能，使训练收敛速度约提升1倍。
2026-10-14 cs.AI cs.IR cs.LG
Hierarchical Attention Network for Visually-aware Food Recommendation
食物推荐系统在帮助用户确定想要吃的食物方面起着重要的作用。决定吃什么食物是一个复杂而多方面的过程，它受到许多因素的影响，如成分，食谱的外观，用户对食物的个人偏好，以及各种背景，如在过去的饭菜中吃了什么。在这项工作中，我们制定的食物推荐问题，预测用户偏好的食谱上的三个关键因素，确定用户的选择上的食物，即：1）用户的（和其他用户的）历史; 2）配方的成分;和3）的描述性图像的食谱。为了解决这个具有挑战性的问题，我们开发了一个专用的基于神经网络的解决方案层次注意力的食物推荐（HAFR），它能够：1）捕捉协同过滤效果，如类似的用户倾向于吃什么; 2）推断用户的偏好在成分水平;和3）学习用户偏好从食谱的视觉图像。为了评估我们提出的方法，我们构建了一个由AllRecipes.com的数百万评级组成的大规模数据集。大量的实验表明，我们的方法优于几个竞争的推荐解决方案，如因子分解机和视觉贝叶斯个性化排名的平均提高了12%，在预测用户对食物的偏好提供了有希望的结果。代码和数据集将在验收后发布。
2019-01-06 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
D-HAN: Dynamic News Recommendation with Hierarchical Attention Network
Beihang University（北京航空航天大学）
本文提出动态新闻推荐模型D-HAN，通过将连续时间信息融入层次注意力网络并引入动态负采样，在三个真实数据集上验证了其有效性。
2023-09-19 cs.AI cs.IR
Hierarchical Attentive Knowledge Graph Embedding for Personalized Recommendation
Nanyang Technological University（南洋理工大学）；Macquarie University（麦考瑞大学）
事实证明，知识图谱（KG）对于高质量推荐是有效的，其中用户和项目之间的连接性为用户与项目的交互提供了丰富且互补的信息。然而，大多数现有的方法，是不足以利用的KG捕捉用户的喜好，因为他们要么表示用户项目的连接性通过路径有限的表现力或隐式地通过传播信息在整个KG不可避免的噪声模型。在本文中，我们设计了一个新的分层注意知识图谱嵌入（HAKG）框架，利用知识图谱进行有效的推荐。具体来说，HAKG首先提取的表达子图，链接用户项目对，以表征其连接性，这既容纳语义和拓扑结构的KG。然后，通过分层关注子图编码对子图进行编码，以生成用于增强的用户偏好预测的有效子图嵌入。大量的实验表明，HAKG对国家的最先进的推荐方法的优越性，以及其在缓解数据稀疏性问题的潜力。
2021-09-15 cs.IR cs.LG
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
Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks
Politecnico di Milano（米兰理工大学）；Telefonica Research（西班牙电信研究）；Gravity R&D（Gravity研发公司）
基于会话的推荐在许多现代在线服务（例如，电子商务、视频流）和推荐设置中高度相关。最近，循环神经网络已经被证明在基于会话的设置中表现得非常好。虽然在许多基于会话的推荐域中很难获得用户标识符，但也存在用户简档很容易获得的域。我们提出了一种无缝的方法来个性化RNN模型与跨会话信息传输，并设计了一个分层的RNN模型，中继端演变的RNN在用户会话的潜在隐藏状态。两个行业数据集的结果显示，与仅会话RNN相比，有很大的改进。
2017-08-23 cs.HC cs.IR cs.LG
Hierarchical Bayesian Personalized Recommendation: A Case Study and Beyond
Facebook Inc（脸书公司）
现代推荐系统中的项目通常以层次结构组织。这些层次结构和其中的数据为构建个性化推荐系统提供了有价值的信息。在本文中，我们提出了一个通用的分层贝叶斯学习框架，即，\emph{HBayes}，学习结构和相关的潜在因素。此外，我们开发了一个变分推理算法，能够学习模型参数，经验收敛速度快。建议HBayes评估两个现实世界的数据集，从不同的领域。结果表明，我们的方法的项目推荐任务的好处，并表明，它可以优于国家的最先进的模型在精度，召回率和归一化的折扣累积增益。为了鼓励可重复的结果，我们在git repo上公开了我们的代码：\url{https://tinyurl.com/ycruhk4t}。
2019-08-20 cs.IR cs.LG stat.ML
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
Preference-Drift-Aware Subsequence Learning and Hierarchical Context Fusion for Long-Sequence Generative Recommendation
Software College, Northeastern University（东北大学软件学院）；Tencent（腾讯）
针对长序列生成式推荐中偏好漂移与噪声问题，提出偏好漂移感知子序列学习与层次化上下文融合方法，提升准确性与效率。
2026-09-14 cs.IR
HSUGA: LLM-Enhanced Recommendation with Hierarchical Semantic Understanding and Group-Aware Alignment
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Artificial Intelligence, Shenzhen Technology University（深圳职业技术大学人工智能学院）
HSUGA通过引入层次语义理解和群体感知对齐模块，解决LLM增强推荐中用户语义嵌入提取与利用的可靠性与适应性问题，提升推荐性能。
2026-05-12 cs.IR
Efficient Optimization of Hierarchical Identifiers for Generative Recommendation
University of Amsterdam（阿姆斯特丹大学）
SEATER通过优化分层标识符和对比训练目标提升推荐效率和质量，改进了树构建算法以应对大规模数据挑战。
2026-01-19 cs.IR
Hierarchical Latent Reasoning for LLM-based Recommendation
Xiaohongshu（小红书）；Peking University（北京大学）；Beijing Jiaotong University（北京交通大学）
本文针对基于LLM的推荐系统提出分层潜在推理框架HiLaR，通过层感知强化优化提升推荐性能，在四个Amazon基准数据集上优于多种主流基线。
2026-07-31 cs.AI 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
Hierarchical Gating Networks for Sequential Recommendation
用户-项目交互的时间顺序是许多推荐系统中的关键特征，其中用户将交互的项目可能在很大程度上取决于用户最近访问的那些项目。然而，随着用户和项目的大量增加，顺序推荐系统仍然面临着一些挑战性的问题：（1）从稀疏隐式反馈建模的长期用户兴趣的困难;（2）捕捉短期用户兴趣给定的几个项目，用户刚刚访问的困难。为了应对这些挑战，我们提出了一个分层门控网络（HGN），集成了贝叶斯个性化排名（BPR），以捕捉长期和短期的用户兴趣。我们的HGN包括一个功能门控模块，一个实例门控模块，和一个项目-项目产品模块。特别是，我们的特征门控和实例门控模块分别从特征和实例级别选择可以传递到下游层的项特征。我们的项目-项目产品模块明确地捕获了用户过去访问的项目和用户将来访问的项目之间的项目关系。我们使用几种最先进的方法和五个真实世界数据集的不同验证指标对我们的模型进行了广泛的评估。实验结果证明了该模型在Top-N顺序推荐中的有效性。
2019-06-21 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
