From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题，提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架，在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
Learning Recommendations While Influencing Interests
Waterloo University（滑铁卢大学）；IIT Bombay（印度理工学院孟买分校）
个性化推荐系统（RS）在许多服务中被广泛使用。其中许多都是基于学习算法，其中RS使用推荐历史和用户响应来学习最佳策略。此外，这些算法是基于用户兴趣是刚性的假设。具体来说，他们没有考虑学习策略对用户兴趣演变的影响。在本文中，我们开发的学习算法，用于最佳推荐网站的Web用户的影响力模型。我们适应模型的\cite{Ioannidis10}，包括一个项目相关的奖励，从用户接受的建议RS。为此，我们首先开发一个静态优化方案时，所有的参数是已知的。接下来，我们开发了一个基于随机逼近的学习方案，当用户简档未知时，RS学习最优策略。最后，我们描述了几个用户的影响模型的学习算法和分析他们的影响稳定的用户兴趣和稳态最优策略相比，当用户不受影响。
2018-03-23 cs.IR cs.LG stat.ML
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Pinterest（品趣志）；Stanford University（斯坦福大学）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。然而，使这些方法实用且可扩展到具有数十亿项目和数亿用户的网络规模推荐任务仍然是一个挑战。在这里，我们描述了我们在Pinterest开发和部署的大规模深度推荐引擎。我们开发了一种数据高效的图卷积网络（GCN）算法PinSage，它结合了高效的随机游走和图卷积来生成节点的嵌入（即，项），其合并了图结构以及节点特征信息。与现有的GCN方法相比，我们开发了一种基于高效随机游走的新方法来构造卷积，并设计了一种新的训练策略，该策略依赖于越来越难的训练样本来提高模型的鲁棒性和收敛性。我们还开发了一个高效的MapReduce模型推理算法，使用训练模型生成嵌入。我们在Pinterest上部署了PinSage，并在一个图表上的75亿个示例上对其进行了训练，该图表包含30亿个代表引脚和电路板的节点以及180亿条边。根据离线指标、用户研究和A/B测试，PinSage生成的推荐质量高于同类深度学习和基于图表的替代方案。据我们所知，这是迄今为止深度图嵌入的最大应用，为基于图卷积架构的新一代网络规模推荐系统铺平了道路。
2018-06-06 cs.IR cs.LG stat.ML
ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest
Pinterest（拼趣）
产品的学习嵌入是网络规模电子商务推荐系统的重要组成部分。在Pinterest，我们构建了一组名为ItemSage的产品嵌入，以在所有购物用例中提供相关推荐，包括基于用户，图像和搜索的推荐。这种方法显著改善了参与度和转化指标，同时降低了基础设施和维护成本。虽然大多数以前的工作集中在从单一模态的功能来构建产品嵌入，我们引入了一个基于transformer的架构，能够聚合来自文本和图像模态的信息，并表明它显着优于单一模态基线。我们还利用多任务学习，使ItemSage针对多种参与类型进行优化，从而形成一个候选人生成系统，该系统对端到端推荐系统的所有参与目标都是有效的。我们进行了大量的离线实验来说明我们的方法的有效性，在线A/B实验的结果显示，关键业务指标（高达+7%的商品总价值/用户和+11%的点击量）有了实质性的提高。
2022-05-24 cs.IR cs.LG
RobustExplain: Evaluating Robustness of LLM-Based Explanation Agents for Recommendation
Workday
RobustExplain提出首个评估框架，用于衡量LLM生成推荐解释的鲁棒性，揭示当前模型鲁棒性较低，较大模型稳定性更高。
2026-02-03 cs.AI cs.IR cs.LG
Connecting Web Event Forecasting with Anomaly Detection: A Case Study on Enterprise Web Applications Using Self-Supervised Neural Networks
Michigan Technological University（密歇根理工大学）；American University（美利坚大学）；Accenture Labs（埃森哲实验室）；Cognization Lab（认知化实验室）；University of Florida（佛罗里达大学）
最近，Web应用程序已被广泛用于企业，以帮助员工提供有效和高效的业务流程。在企业Web应用程序中预测即将到来的Web事件在许多方面都是有益的，例如高效的缓存和推荐。在本文中，我们提出了一种Web事件预测方法，DeepEvent，在企业Web应用程序中更好地进行异常检测。DeepEvent包括三个关键特性：Web特定的神经网络，以考虑顺序Web事件的特性;自监督学习技术，以克服标记数据的稀缺性;以及序列嵌入技术，以整合上下文事件并捕获Web事件之间的依赖关系。我们评估DeepEvent从六个真实世界的企业Web应用程序收集的Web事件。我们的实验结果表明，DeepEvent在预测连续Web事件和检测基于Web的异常方面是有效的。DeepEvent为研究人员和从业人员提供了一个基于上下文的系统，以更好地预测具有情景感知的Web事件。
2020-09-07 cs.CR cs.LG
A Deep Hybrid Model for Recommendation Systems
Istanbul Technical University（伊斯坦布尔理工大学）
从电子商务到社交网站，推荐一直是一个长期存在的问题。目前的研究大多集中在传统的推荐方法上，如基于内容的推荐或协同过滤，而对混合推荐系统的研究相对较少。由于深度学习在包括计算机视觉和自然语言处理在内的不同领域取得的最新进展，深度学习在推荐系统中也受到了广泛关注。有几项研究利用用户和项目的ID嵌入来实现深度神经网络的协同过滤。然而，这样的研究并没有利用输入的其他分类或连续特征。在本文中，我们提出了一种新的深度神经网络架构，它不仅包括ID嵌入，而且还包括辅助信息，如职位发布和职位推荐系统的候选人的功能，这是一个互惠推荐系统。在一个工作站点数据集上的实验结果表明，该方法比利用ID嵌入的深度学习模型提高了推荐结果。
2020-09-21 cs.AI cs.LG stat.ML
A Personalized Tag-Based Recommendation in Social Web Systems
最近，标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此，标签本身可以用于找到个性化的项目推荐。在本文中，我们提出了一个基于标签的推荐系统，建议相似的网页的基础上，他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素，如标签的流行程度，标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统，我们进行了一项实验，涉及来自12个国家的38人使用的数据从Del.icio.us，社会书签网络系统，用户可以分享他们的个人书签。
2012-03-01 cs.IR cs.SI
WebRec: Enhancing LLM-based Recommendations with Attention-guided RAG from Web
针对现有基于RAG的推荐系统未充分利用网络资源的问题，提出WebRec框架，通过LLM生成适配的检索查询、设计MP-Head模块增强分散相关信息的注意力，有效提升了推荐效果。
2025-11-18 cs.IR
A Hybrid Web Recommendation System based on the Improved Association Rule Mining Algorithm
随着人们对用于为用户提供定制数据的Web推荐系统的兴趣越来越大，我们开始了对该系统的研究。推荐系统一般分为两大类，如协同推荐系统和基于内容的推荐系统。在协作推荐系统的情况下，这些系统试图找出与给定用户具有相同品味的用户，并根据给定用户的喜好推荐网站。而基于内容的推荐系统试图推荐与用户喜欢的那些网站相似的网站。在最近的研究中，我们发现基于关联规则挖掘算法的有效技术被提出来解决网页推荐问题。同样的主要问题是，网页被赋予同等的重要性。在这里，页面的重要性根据访问网页的频率以及用户在该页面上花费的时间而变化。另外，推荐集合中不包括新添加的网页或用户尚未访问的网页的推荐。为了克服这个问题，我们使用了Web使用日志中的自适应关联规则的Web挖掘，其中的关联规则被应用到个性化。该算法纯粹基于Apriori数据采掘算法来生成关联规则。然而，这种方法也存在一些不可避免的缺点。本文提出并研究了一种基于加权关联规则挖掘算法和文本挖掘的新方法。这是改进的算法，增加了语义知识的结果，具有更高的效率，因此提供了更好的质量和性能相比，现有的方法。
2013-11-28 cs.IR
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功，以及不同的社交网络网站，如亚马逊和电影镜头，推荐系统正在创造前所未有的机会，以帮助人们浏览网页时，寻找相关的信息，并作出选择。通常，这些推荐系统分为三类：基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常，这些系统采用标准推荐方法，例如人工神经网络、最近邻或贝叶斯网络。然而，这些方法与基于web应用（诸如社交网络或语义web）的方法相比是有限的。在本文中，我们提出了一种新的方法，称为语义社会推荐系统，提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
QoS-Aware Graph Contrastive Learning for Web Service Recommendation
Yonsei University（延世大学）；Jeonbuk National University（全北国立大学）
针对Web服务推荐中的数据稀疏和冷启动问题，提出QAGCL模型，利用图对比学习构建包含地理位置信息的增强图以学习嵌入，有效提升了QoS感知推荐的准确性。
2024-01-06 cs.IR cs.LG cs.SE
E-commerce Webpage Recommendation Scheme Base on Semantic Mining and Neural Networks
University of Science and Technology of China（中国科学技术大学）；Arizona State University（亚利桑那州立大学）；The University of Chicago（芝加哥大学）；Georgia Institute of Technology（佐治亚理工学院）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对电商网页推荐方案难以满足网购用户需求的问题，提出结合语义网挖掘与BP神经网络的推荐方案，提取5类日志特征训练网络实现优先级排序，经图书销售网页实验验证可快速准确识别用户所需网页。
2024-09-11 cs.AI cs.IR
Web Services Discovery and Recommendation Based on Information Extraction and Symbolic Reputation
本文指出了Web服务表示的关键问题，分析了影响Web服务表示的各种因素，提出了一种基于WSDL文件信息的传统文本描述的Web服务表示方法。不幸的是，文本Web服务描述是脏的，需要进行大量的清理以仅保留有用的信息。为了解决这个问题，我们引入了基于规则的文本标记方法，它允许过滤Web服务描述，只保留重要信息。然后引入基于这种过滤数据的新表示。许多Web服务都有空的描述。此外，我们考虑基于WSDL文件结构（类型、属性等）的Web服务表示。或者，我们引入了一个新的表示称为符号信誉，这是从Web服务之间的关系计算。使用这些表示的Web服务发现和推荐的影响进行了研究和讨论，在实验中使用真实世界的Web服务。
2013-04-11 cs.IR
Automatic Recommendation for Online Users Using Web Usage Mining
一个组织的网站管理员的一个现实世界的挑战性任务是匹配用户的需求，并保持他们的注意力在他们的网站。因此，唯一的选择是捕捉用户的直觉，并为他们提供推荐列表。更具体地说，在线导航行为与日俱增，因此智能地从中提取信息是一个困难的问题。网站管理员应该使用Web使用挖掘方法来捕捉直觉。WUM被设计为对包含用户导航的Web服务器日志进行操作。因此，基于WUM的推荐系统可以预测用户的导航模式，并以推荐列表的形式向用户推荐。在本文中，我们提出了一个两层架构，用于捕获用户的直觉，在推荐列表的形式包含由用户访问的页面和其他用户的具有类似的使用配置文件访问的页面。实际应用表明，该体系结构和算法提高了用户直觉捕捉的准确性。
2010-09-02 cs.HC cs.IR
A Privacy-Preserving QoS Prediction Framework for Web Service Recommendation
基于服务质量的Web服务推荐为用户提供高质量的服务，近年来受到了广泛的关注。为了促进这样的建议，现有的研究建议使用协同过滤技术的个性化QoS预测。这些方法，通过利用部分观察到的QoS值从用户，可以实现高精度的QoS预测的未观察到的。然而，要求收集用户的QoS数据可能会使用户的隐私处于危险之中，从而使他们不愿意贡献他们的使用数据的Web服务推荐系统。因此，隐私成为一个关键的挑战，在开发实用的Web服务推荐系统。在本文中，我们第一次尝试，以应付隐私问题的Web服务推荐。具体来说，我们提出了一个简单而有效的隐私保护框架，通过应用数据混淆技术，并进一步开发两个代表性的隐私保护QoS预测方法在此框架下。一个公开的真实世界的Web服务的QoS数据集的评估结果表明，我们的隐私保护的QoS预测方法的可行性和有效性。我们相信我们的工作可以作为一个很好的起点，激发更多的研究工作的隐私保护Web服务推荐。
2015-05-02 cs.CR cs.IR
A Hybrid Approach to Web Service Recommendation Based on QoS-Aware Rating and Ranking
随着互联网上具有相同或相似功能的Web服务数量的不断增加，越来越多的服务使用者在寻找和选择合适的Web服务时，将注意力集中在Web服务的非功能属性上，即服务的服务质量（quality of service，QoS）。对于大多数QoS感知的Web服务推荐系统，推荐的Web服务列表通常是基于一个面向评级的预测方法，旨在预测潜在的评级，活跃的用户可能会分配给未评级的服务尽可能准确地获得。然而，在一些应用场景中，评级预测的高准确性可能不一定导致令人满意的推荐结果。在本文中，我们提出了一个面向排名的混合方法相结合的基于项目的协同过滤和潜在因素模型来解决Web服务的排名问题。特别是，两个Web服务之间的相似性来衡量他们的排名，而不是传统的QoS评级之间的相关系数。此外，我们还改进了衡量标准NDCG（归一化折扣累积增益），用于评估排名顺序返回的前K个建议的准确性。在真实Web服务的QoS数据集上进行了全面的实验，实验结果表明，该方法的性能优于其他同类方法。
2015-01-18 cs.IR cs.SE
Movie Recommendation using Web Crawling
本文提出结合网络爬取实时数据与静态数据集训练的推荐系统，采用混合过滤方法，以提升电影推荐的个性化和时效性。
2024-12-14 cs.IR
Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年，仅在亚马逊，网络用户每秒订购73件商品，并对他们的消费体验做出大量评论。随着Web的成熟，变得社会化和参与性，协作过滤器是搜索有关人员，事件和产品的在线信息的基本补充。在Web 2.0中，连接的消费者创建的不仅仅是内容（例如评论），而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是，它促进了互联消费者更有效地搜索和浏览复杂的网络，并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实，在计算机和营销研究的相关研究，以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上，我们描述了一个分类的推荐系统的基础上两个家庭的标准：如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号，并作为一个桥梁，在商业和营销文献的相关问题。我们的分析集中在一对一营销，基于网络的营销，网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下，建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出 InteraRec 框架，利用网页高频截图和 MLLM 提取用户偏好，并结合 LLM 优化生成个性化推荐，同时构建 Amazon 截图数据集验证其效果。
2024-06-16 cs.AI cs.IR
WARBERT: A Hierarchical BERT-based Model for Web API Recommendation
School of Software Engineering（软件工程学院）；School of Computer Science and Technology（计算机科学与技术学院）；Huazhong University of Science and Technology（华中科技大学）；SmartX
本文提出WARBERT模型，通过双组件特征融合和注意力机制解决Web API推荐中的语义模糊、语义细化不足和计算效率低问题，实验表明其在准确性和效率上均优于现有基线。
2026-04-17 cs.AI cs.IR
Recommendation Subgraphs for Web Discovery
推荐是许多网站的核心，包括YouTube，Quora以及流行的电子商务商店。这些网站通常在每个产品页面上包含一组推荐，使访问者能够轻松浏览网站。在每个页面上选择一组合适的推荐是后端引擎的关键功能之一，这些引擎已经部署在几个电子商务网站上。特别是在BloomReach，一个由几个独立组件组成的引擎分析和优化其客户的网站。本文重点介绍结构优化器组件，它可以改善网站导航体验，从而发现新的内容。我们首先正式定义用于发现的建议的概念。我们制定这作为一个自然的图形优化问题，在其最简单的情况下，减少到一个二分匹配问题。在实践中，解决这些匹配问题需要超线性时间，并且不可扩展。此外，实现简单的算法在实践中至关重要，因为它们在生产中更容易维护。这促使我们分析了三种方法来解决这个问题的复杂性增加的顺序：一个采样算法，一个贪心算法和一个更复杂的分区算法。我们首先从理论上分析了这三种方法在随机图模型上的性能，当需要更复杂的时候，每种方法都会产生足够质量的解决方案和参数范围。我们通过对模拟和真实世界的生产数据提供这些算法的实证分析来补充这一点。我们的研究结果证实，它并不总是需要在现实世界中实现复杂的算法，可以通过使用由具体的理论保证的信心支持的算法来获得非常好的实际效果。
2014-09-06 cs.DS cs.IR
PIPE: Personalizing Recommendations via Partial Evaluation
它示出，个性化的网页内容可以有利地被视为一种形式的部分评估-一种众所周知的技术，在程序设计语言社区。其基本思想是将推荐空间建模为程序，然后根据用户偏好（和功能）对该程序进行部分评估，以获得专门的内容。该技术支持基于内容和协作的方法，并适用于一系列需要从多个Web源自动集成信息的应用程序。这种方法的有效性说明了两个示例应用程序-（一）个性化的内容，为游客的布莱克斯堡电子村（http：www.bev.net），和（ii）定位和选择在互联网上的科学软件。这种技术的可扩展性证明了它的能力，与在线网络本体，索引成千上万的网页。
2000-04-26 cs.AI cs.IR
AgentWebRec: Compact Evidence Fusion over the Agent Web for Personalized Recommendation
Beihang University（北京航空航天大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AgentWebRec提出在智能体网络中，通过有限证据预算下的任务时证据获取与融合，利用平台语义和本地记忆，并条件查询邻居智能体，以提升个性化推荐性能。
2026-10-02 cs.IR
Smart E-commerce Recommendations with Semantic AI
针对电商页面推荐难以满足用户需求的问题，提出结合语义网络挖掘与BP神经网络的方案，提取五类用户特征实现页面排序推荐，提升了推荐准确率与效率，可扩展应对现代电商挑战。
2024-09-11 cs.AI cs.IR cs.LG
Towards a Context-Aware IDE-Based Meta Search Engine for Recommendation about Programming Errors and Exceptions
研究表明，在软件开发和维护过程中，软件开发人员花费大约19%的时间在Web上查找信息。传统的网络搜索迫使他们离开工作环境（例如，IDE）并在Web浏览器中查找信息。它也没有考虑开发人员寻找解决方案的问题的背景。Web浏览器和IDE之间的频繁切换既耗时又分散注意力，基于关键字的传统Web搜索通常对解决问题没有多大帮助。在本文中，我们提出了一个基于Eclipse IDE的Web搜索解决方案，利用三个流行的Web搜索引擎提供的API-谷歌，雅虎，Bing和一个流行的编程问答网站，堆栈溢出，并捕获内容相关性，上下文相关性，流行度和搜索引擎的信心，每个候选结果对遇到的编程问题。使用所提出的方法与75个编程错误和异常的实验表明，包含与给定的异常相关联的不同类型的上下文信息可以提高给定的异常的推荐精度。实验与现有的两种方法和现有的Web搜索引擎证实，我们的方法可以比他们更好的召回率，平均精度和其他性能指标，很少的计算成本。
2018-07-06 cs.IR cs.SE
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
ZOOMER: Boosting Retrieval on Web-scale Graphs by Regions of Interest
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
我们介绍ZOOMER，这是一个部署在中国最大的电子商务平台淘宝上的系统，用于在网络规模的图上训练和提供基于GNN的推荐。ZOOMER旨在解决淘宝海量用户数据带来的两个挑战：由于图的规模巨大而导致的低训练/服务效率，以及由于信息过载而导致的低推荐质量，这分散了推荐模型对特定用户意图的注意力。ZOOMER通过在GNN中引入一个关键概念，即用于推荐的感兴趣区域（ROI）来实现这一点，即，图中与强用户意图显著相关的邻域区域。ZOOMER缩小了整个图的焦点，并“放大”了更相关的ROI，从而降低了培训/服务成本，同时减轻了信息过载。通过精心设计的机制，ZOOMER识别每个推荐请求所表达的兴趣，通过对兴趣进行采样来构建ROI子图，并通过多层次注意力模块引导GNN对ROI的不同部分进行重新加权。作为一个大规模的分布式系统部署，ZOOMER支持具有数十亿个节点的图形进行训练，每秒可处理数千个请求。ZOOMER在缩小采样规模时实现了高达14倍的加速，与基线方法相比具有相当（甚至更好）的AUC性能。此外，离线评估和在线A/B测试都证明了ZOOMER的有效性。
2022-03-20 cs.AI cs.IR cs.LG
GPU-accelerated Multi-relational Parallel Graph Retrieval for Web-scale Recommendations
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Baidu Inc.（百度公司）；The Hong Kong University of Science and Technology（香港科技大学）
针对百度现有Web推荐检索中用户-物品关系理解不全面、图基ANNS效率低的问题，提出GMP-GR框架，通过多关系度量学习、分层并行图搜索及系统优化，提升检索准确性与效率，已在百度多应用部署，服务数亿用户且吞吐量超每秒一亿次请求。
2025-02-17 cs.DC cs.IR cs.LG
Web Content Extraction - a Meta-Analysis of its Past and Thoughts on its Future
在本文中，我们提出了一个元分析的几个Web内容提取算法，并提出建议，为未来的内容提取在Web上。首先，我们发现，几乎所有的Web内容提取器不考虑一个非常大的，不断增长的，现代网页的一部分。第二，这是很好的理解，包装感应提取器往往打破Web的变化，启发式/功能工程提取器被认为是免疫网站的演变，但我们发现，这是不是这样：启发式内容提取器的性能也往往会随着时间的推移，由于网站形式和做法的演变而降低。最后，我们对未来的工作，解决这些和其他调查结果的建议。
2015-08-18 cs.DB cs.IR
Making Recommendations from Web Archives for "Lost" Web Pages
当用户从Web存档中请求网页时，如果该网页可用，则用户通常将获得HTTP 200，或者如果该网页尚未存档，则获得HTTP 404。这是因为Web存档通常通过URI查找访问，并且响应是二进制的：存档要么有页面，要么没有，并且用户不会知道存在其他存档的网页，并且可能与所请求的网页相似。在本文中，我们提出了增强这些二进制响应与模型选择和排名推荐的网页在Web存档。这是为了增强HTTP 404响应和HTTP 200响应，通过在存档中显示用户可能不知道存在的网页。首先，我们检查URI是否已经在DMOZ或维基百科中分类。如果没有找到请求的URI，我们使用ML对URI进行分类，使用DMOZ作为我们的本体，并收集候选URI以推荐给用户。接下来，我们根据候选人是否存在于存档中来过滤它们。最后，我们根据几个特征对候选人进行排名，例如档案质量，网页流行度，时间相似性和URI相似性。我们在第一级计算了不同分类方法的F1得分。我们发现，在去除数字和字符串后使用URI中的所有字符串产生了最好的结果，F1=0.59。对于二级分类，微平均F1=0.30。我们发现，44.89%的正确分类的URI包含至少一个单词，存在于字典和50.07%的正确分类的URI包含在域中的长字符串。与Wayback访问日志中的URI相比，只有5.39%的URI只包含来自字典的单词，26.74%的URI至少包含一个来自字典的单词。这些百分比…
2019-08-07 cs.DL cs.IR
Page-level Optimization of e-Commerce Item Recommendations
eBay Inc.（eBay公司）
商品详细信息页面（IDP）是电子商业网站上的一个网页，提供有关特定产品或商品列表的信息。在此页面上的项目详细信息下方，买家通常可以找到其他相关项目的建议。这些通常以一系列模块或旋转木马的形式出现，每个模块包含一组推荐项目。这些项目推荐模块的选择和排序旨在提高相关项目的可扩展性并鼓励更大的用户参与，同时展示库存的多样性并满足其他业务目标。IDP上的项目推荐模块通常是为所有客户策划和静态配置的，忽略了个性化的机会。在本文中，我们提出了一个可扩展的端到端的生产系统，以优化个性化的选择和订购的项目推荐模块的IDP实时利用深度神经网络。通过广泛的离线实验和在线A/B测试，我们表明，我们提出的系统实现了显着更高的点击率和转换率相比，其他现有的方法。在我们的在线A/B测试中，我们的框架比静态配置提高了2.48%的点击率和7.34%的购买率。
2021-08-12 cs.IR cs.LG
TailSpec-EASE: Knowledge-Graph-Regularized Linear Recommendation for Web Long-Tail Discovery
University of Montana（蒙大拿大学）
TailSpec-EASE提出将关系感知谱知识图谱先验注入局部闭式线性推荐，自适应长尾项目，在四个基准上以极低训练成本提升长尾与整体推荐性能。
2026-09-23 cs.IR cs.LG
Who Are We Recommending To? Recommender Systems in the Agentic Web
Spotify USA（Spotify美国）；Spotify UK（Spotify英国）
本文指出智能体网络中推荐对象从人类转向AI智能体，提出委托频谱框架，并规划了智能体偏好建模与双受众优化等研究议程。
2026-09-14 cs.IR
LOH and behold: Web-scale visual search, recommendation and clustering using Locally Optimized Hashing
Yahoo Labs（雅虎实验室）；Flickr, Yahoo（雅虎Flickr）；Futurewei Technologies Inc.（未来华为技术有限公司）；CWI: Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究中心）
我们提出了一种新的基于哈希的匹配方案，称为局部优化哈希（LOH），基于一个国家的最先进的量化算法，可用于高效，大规模的搜索，推荐，聚类和重复数据删除。我们表明，匹配LOH只需要设置交集和求和计算，因此很容易实现在通用的分布式计算系统。我们进一步展示了LOH在以下方面的应用：a）大规模搜索任务，其性能与其他最先进的哈希方法相当; b）大规模推荐，其中由数千张图像组成的查询可以用于从数亿张图像的集合中生成准确的推荐;以及c）利用基于图的算法的有效聚类，该算法可以在分布式环境中扩展到大规模集合或者可以用于小集合的去重，像搜索结果一样，比传统的哈希方法性能更好，同时只需要几毫秒的运行时间。在本文中，我们对多达1亿张图像的数据集进行了实验，但实际上，我们的系统可以扩展到更大的集合，并且可以用于在欧几里得空间中具有矢量表示的其他类型的数据。
2016-07-30 cs.CV cs.IR cs.MM
Movie Recommendation System using Sentiment Analysis from Microblogging Data
推荐系统是一种重要的智能系统，在为用户提供选择性信息方面起着至关重要的作用。推荐系统中的传统方法包括协同过滤和基于内容的过滤。然而，这些方法有一定的局限性，如需要先前的用户历史和习惯来执行推荐任务。为了减少这种依赖性的影响，本文提出了一种混合推荐系统，它结合了协同过滤，基于内容的过滤和情感分析的电影推文。电影推文是从微博网站收集的，以了解电影的当前趋势和用户反应。在公共数据库上进行的实验产生了令人满意的结果。
2018-11-27 cs.IR cs.SI
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi（德里大学阿查里亚·纳伦德拉·德夫学院）；Swami Sharaddhanand College, University of Delhi（德里大学斯瓦米·沙拉德南德学院）；University of Delhi（德里大学）；Atma Ram Sanatam Dharam College, University of Delhi（德里大学阿特马·拉姆·萨纳坦·达拉姆学院）
在互联网上，网络冲浪者在搜索信息时，总是努力寻找推荐。由于信息领域的日益增长，产生推荐的解决方案变得更加困难。在本文中，我们已经计算基于熵的用户之间的相似性，以实现可扩展性问题的解决方案。利用这个概念，我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上，协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明，从一组有价值的排序者在第一级，只有那些排序者具有较低的熵在第二级比熵在第一级，作为值得信赖的排序者。最后，为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
The use of Recommender Systems in web technology and an in-depth analysis of Cold State problem
University for Business and Technology（商业与技术大学）
在WWW（World Wide Web）中，数据的动态发展和传播使得Internet上的信息量巨大，但用户却无法在短时间内找到相关信息。因此，一个被称为推荐系统的系统被开发出来，以帮助用户通过他们的浏览活动轻松地找到他们的信息。换句话说，推荐系统是用于与大量信息交互的工具，其提供个性化视图以优先化用户可能感兴趣的项目。多年来，他们在人工智能技术方面取得了进展，其中包括机器学习和数据采掘。此外，推荐系统已经在电子商务、在线应用（诸如Amazon.com、Netflix和Booking.com）上进行了个性化。因此，这激发了许多研究人员将推荐系统的范围扩展到尚未真正解决的新挑战和问题领域，主要是向新用户进行推荐的情况下的问题，称为冷状态（即冷启动）用户问题，其中新用户可能不会产生太多搜索信息。因此，本文的目的是用一些有效的方法和挑战来解决上述冷启动问题，并从整体上识别和概述推荐系统的现状
2020-09-10 cs.AI cs.IR
AgentSociety Challenge: Designing LLM Agents for User Modeling and Recommendation on Web Platforms
Tsinghua University（清华大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；InfinigenceAI
该挑战赛探索LLM智能体在网络平台上的用户建模与推荐，吸引295队参赛，开发阶段性能提升21.9%和20.3%，最终阶段提升9.1%和15.9%，并开源了基准环境。
2025-02-26 cs.AI cs.IR
Network-based information filtering algorithms: ranking and recommendation
在互联网和万维网变得流行和广泛可用之后，个人的电子存储在线交互迅速成为研究人员的挑战，并且可能甚至更快地成为企业家的有价值信息的来源。我们现在有详细的记录，包括社交网络中的非正式友谊关系、电子商务网站上的购买、用户之间发送的各种信息、网络书签的在线收集，以及许多其他数据集，这些数据集使我们能够提出从学术和商业角度都感兴趣的问题。例如，您可能希望与社交网络的哪些其他用户成为朋友？您可能有兴趣购买哪些其他产品？谁是网络中最有影响力的用户？您接下来可能要访问哪个网页？所有这些问题不仅本身有趣，而且它们的答案可能有助于企业家为客户提供更好的服务，并最终增加他们的利润。
2012-08-22 cs.IR cs.SI physics.data-an
POINTREC: A Test Collection for Narrative-driven Point of Interest Recommendation
本文提出了一个测试集的上下文兴趣点（POI）推荐在叙事驱动的场景。在那里，用户历史不可用，相反，用户请求用自然语言描述。我们收集的请求是从社交共享网站手动收集的，并使用各种类型的元数据进行注释，包括位置，类别，约束和示例POI。这些请求将从兴趣点数据集中得到解决，这些兴趣点数据集是从一个流行的在线目录中收集的，并进一步链接到一个地理知识库，并通过相关的网页片段加以丰富。通过汇集人工和自动建议，使用众包收集分级相关性评估，后者作为未来业绩比较的基线。该资源支持开发端到端POI推荐以及自然语言请求的特定语义注释任务的新方法。
2021-05-19 cs.IR
A Recommendation System of Grants to Acquire External Funds
开发了利用科研补助金（KAKEN）关键词向大学研究人员推荐竞争性补助金的推荐系统。该系统通过利用KAKEN申请与相应基金网站上的各种信息之间的关联规则，确定研究人员对各基金的推荐顺序。然而，我们开发的以前的系统在检索算法中有一些致命的错误。我们修改了算法，并扩展了Web挖掘的检索数据。如果资助信息不足以确定关系，则系统为获得过去资助的研究者调查数据库中的过去KAKEN记录。此外，该系统还检索了研究人员的论文，以搜索他们的兴趣。研究者对研究经费的兴趣一致度增加。本文讨论了一些模拟结果。
2018-07-11 cs.IR
Effective Personalized Recommendation in Collaborative Tagging Systems
近年来，协同标注系统受到了越来越多的关注，并在Web系统中得到了广泛的应用。标签提供了关于个人偏好和项目内容的高度抽象的信息，因此有可能帮助改进更好的个性化推荐。在本文中，我们提出了一个基于标签的推荐算法，考虑到个人词汇，并评估它在现实世界的数据集：Del.icio.us。实验结果表明，标签信息的使用可以显着提高个性化推荐的准确性。
2009-07-19 cs.IR
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
Variational Inference for Category Recommendation in E-Commerce platforms
Walmart Global Tech（沃尔玛全球技术）
在电子商业平台上为用户推荐类别是一项重要的任务，因为它决定了网站的流量。因此，重要的是要表面精确和多样化的类别建议，以帮助用户通过平台的旅程，并帮助他们发现新的项目组。类别推荐中一个经常被低估的部分是用户重复购买的倾向。这种时间行为的结构可以收获更好的类别推荐，在这项工作中，我们试图通过变分推理来利用这一点。此外，为了增强基于变分推理的优化，我们通过众所周知的Metapath2Vec算法在更好的起点初始化优化器。我们在两个真实世界的数据集上展示了我们的结果，并表明我们的模型优于标准基线方法。
2021-04-19 cs.IR cs.LG
Information Cocoons in Online Navigation
社交媒体和在线导航为我们带来了愉快的信息获取体验，同时也创造了信息茧（IC），我们无意识地被有限和有偏见的信息所困。我们提供了一个正式的定义IC的情况下，在线导航。随后，通过分析从Science，PNAS和Amazon网站中提取的真实推荐网络，并在不同的推荐系统中测试主流算法，我们证明了基于相似性的推荐技术会导致IC，它会将系统的可导航性抑制数百倍。我们进一步提出了一种灵活的推荐策略，解决了IC诱导的问题，提高了检索精度的导航，在中国最大的视频网站上的真实数据和在线实验的模拟证明。
2021-09-14 cs.IR cs.SI physics.soc-ph
Privacy-preserving Targeted Advertising
推荐系统形成了快速增长的万亿美元在线广告行业的中心部分。即使有许多优化和近似，基于协同过滤（CF）的方法需要涉及非常大的向量的实时计算。在门户网站上管理和存储这样的相关简档信息向量严重侵犯了用户的隐私。修改这样的系统以实现私人推荐还需要长加密向量的通信，使得整个过程效率低下。我们提出了一个更有效的推荐系统的替代方案，其中用户简档完全保持在他们的设备上，并从门户网站获取适当的建议，在一个有效的隐私保护的方式。我们基于这种方法的关联规则。
2018-06-18 cs.CR cs.IR
A Contextual-Bandit Approach to Personalized News Article Recommendation
Yahoo! Labs（雅虎实验室）；Princeton University（普林斯顿大学）
个性化Web服务通过利用内容和用户信息来努力使其服务（广告、新闻文章等）适应个体用户。尽管最近取得了一些进展，但这个问题仍然具有挑战性，至少有两个原因。首先，Web服务的特点是动态变化的内容池，使传统的协同过滤方法不适用。其次，大多数具有实际意义的Web服务的规模要求解决方案在学习和计算方面都要快速。在这项工作中，我们建模的个性化推荐的新闻文章作为一个上下文强盗问题，一个原则性的方法，其中一个学习算法依次选择文章，以服务于用户的上下文信息的基础上，用户和文章，同时适应其文章选择策略的基础上，用户点击反馈，以最大限度地提高总用户点击。这项工作的贡献是三方面的。首先，我们提出了一个新的，一般的上下文强盗算法，是计算效率和学习理论的动机。其次，我们认为，任何强盗算法可以可靠地评估离线使用以前记录的随机流量。最后，使用这种离线评估方法，我们成功地将我们的新算法应用到一个雅虎！Front Page Today模块数据集包含超过3300万个事件。结果显示，与标准的上下文无关的强盗算法相比，点击提升了12.5%，当数据变得更加稀缺时，优势变得更大。
2012-03-01 cs.AI cs.IR cs.LG
TriMat: Context-aware Recommendation by Tri-Matrix Factorization
本文提出TriMat方法，利用三矩阵分解将上下文信息融入推荐系统，实验证明能同时提升准确性与公平性。
2025-09-30 cs.IR
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Online Dating Recommendations: Matching Markets and Learning Preferences
在线约会推荐系统最近引起了研究界的广泛关注。本文提出了一个双边匹配的网络约会推荐框架，并设计了一个LDA模型，从观察到的用户消息传递行为和用户简档特征来学习用户偏好。使用大型在线约会网站的数据进行的实验结果表明，双边匹配显著提高了45%的成功匹配率。最后，使用模拟匹配，我们表明，LDA模型可以正确地捕捉用户的喜好。
2014-01-31 cs.IR cs.SI physics.soc-ph
M2GRL: A Multi-task Multi-view Graph Representation Learning Framework for Web-scale Recommender Systems
Alibaba Group（阿里巴巴集团）；Hong Kong Polytechnic University（香港理工大学）
将图表示学习与多视图数据（边信息）相结合进行推荐是业界的一种趋势。大多数现有的方法可以归类为\emph{multi-view representation fusion} ;它们首先构建一个图，然后将多视图数据集成到图中每个节点的单个紧凑表示中。然而，这些方法在工程和算法方面都引起了人们的关注：1）多视图数据在工业中是丰富和信息丰富的，并且可能超过单个向量的容量，以及2）由于多视图数据通常来自不同的分布，因此可能引入归纳偏差。在本文中，我们使用\emph{multi-view representation alignment}的方法来解决这个问题。特别是，我们提出了一个多任务多视图图表示学习框架（M2 GRL）学习网络规模推荐系统的节点表示从多视图图。M2 GRL为每个单视图数据构建一个图，从多个图中学习多个单独的表示，并执行对齐以建模跨视图关系。M2 GRL选择多任务学习范式来联合学习视图内表示和跨视图关系。此外，M2 GRL应用同方差不确定性自适应调整训练过程中任务的损失权重。我们在淘宝部署了M2 GRL，并在570亿个示例上对其进行训练。根据离线指标和在线A/B测试，M2 GRL明显优于其他最先进的算法。在淘宝网上对多样性推荐的进一步探索表明了利用\method{}产生的多个表示的有效性，我们认为这是一个有前途的方向，为各种不同关注点的行业推荐任务。
2020-07-13 cs.IR cs.LG
Explainable Recommendation: Theory and Applications
虽然个性化推荐已经被研究了几十年，潜在因素模型（LFM）的广泛采用使得推荐的可解释性成为研究界和推荐系统实际应用的关键问题。例如，在许多实际系统中，该算法仅向用户提供个性化的项目推荐列表，而没有关于为什么这样的项目被推荐而另一个项目不被推荐的有说服力的个性化解释。不可解释的推荐会对推荐系统的可信度产生负面影响，从而影响推荐引擎的有效性。本文从数据可解释性、模型可解释性和结果可解释性三个方面对可解释性推荐进行了研究，主要贡献如下：1。数据可解释性：我们提出了基于局部矩阵分解（LMF）框架的Bordered Block Diagonal Form（BBDF）矩阵，并进一步将该技术应用于并行矩阵分解。2.模型可解释性：我们提出了基于短语级情感分析的显式因素模型（EFM），以及基于时间序列分析的动态用户偏好建模。在这项工作中，我们提取产品的功能和用户意见对不同的功能，从大规模的用户文本评论的基础上短语级的情感分析技术，并介绍了EFM方法的可解释模型学习和推荐。3.经济可解释性：我们提出了总盈余最大化（TSM）的个性化推荐框架，以及在不同类型的在线应用程序的模型规范。基于基本的经济学概念，给出了Web服务应用场景中效用、成本和剩余的定义，提出了Web服务总剩余计算和最大化的一般框架。
2017-08-21 cs.IR
Learning Recommendations from User Actions in the Item-poor Insurance Domain
虽然个性化推荐在零售等领域取得了成功，但在数据稀疏的领域，如保险购买，自动推荐的生成是一个悬而未决的问题。众所周知，保险领域是数据稀疏的，因为产品的数量通常很低（与零售相比），并且它们通常被购买以持续很长一段时间。此外，许多用户仍然更喜欢电话而不是网络来购买产品，从而减少了网络记录的用户交互量。为了解决这个问题，我们提出了一个递归神经网络推荐模型，该模型使用过去的用户会话作为学习推荐的信号。从过去的用户会话中学习允许处理保险领域的数据稀缺性。具体来说，我们的模型从几种类型的用户操作中学习，这些用户操作并不总是与项目相关联，与所有先前的基于会话的推荐模型不同，它对输入会话和目标操作（购买保险）之间的关系进行建模，这些目标操作并不发生在输入会话中。对来自保险领域的真实世界数据集的评估（ca. 44K用户，16个项目，54K购买和117K会话）与几个最先进的基线相比，表明我们的模型明显优于基线。消融分析表明，这主要是由于我们的模型中跨会话的依赖关系的学习。我们贡献了有史以来第一个基于会话的保险推荐模型，并将我们的数据集提供给研究界。
2022-11-28 cs.IR
