The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit
Meta Platforms（Meta平台）；University of Minnesota（明尼苏达大学）；NCSU（北卡罗来纳州立大学）；UNC at Chapel Hill（Chapel Hill分校，北卡罗来纳大学）
提出结合检索增强生成（RAG）与多头早期退出架构的优化框架，通过图卷积网络（GCN）高效检索和动态推理终止，在降低计算时间的同时保持或提升点击率（CTR）预测准确性。
2026-06-02 cs.IR cs.LG
Attacking Black-box Recommendations via Copying Cross-domain User Profiles
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
最近，旨在为用户提供个性化项目列表以供在线交互的推荐系统引起了广泛的关注。事实上，许多这些最先进的技术都是基于深度学习的。最近的研究表明，这些深度学习模型（特别是推荐系统）很容易受到攻击，例如数据投毒，这会导致用户推荐一组选定的项目。然而，最近，已经开发了防御策略来检测这些具有虚假配置文件的生成用户。因此，创建更“真实”的用户简档以推广一组项目的高级注入攻击仍然是基于深度学习的推荐系统领域中的关键挑战。在这项工作中，我们提出了我们的框架CopyAttack，这是一个基于强化学习的黑盒攻击方法，利用真实用户从源域复制到目标域的配置文件，以促进项目的子集的目标。CopyAttack被构造为高效且有效地学习策略梯度网络，该策略梯度网络首先选择，然后进一步细化/制作来自源域的用户简档，以最终复制到目标域中。CopyAttack的目标是最大化目标域中用户的Top- $k$推荐列表中目标项目的命中率。我们在两个真实世界的数据集上进行了实验，并从经验上验证了我们提出的框架的有效性，并进一步进行了全面的模型分析。
2022-04-24 cs.CR cs.IR cs.LG
Counterfactual Risk Minimization with IPS-Weighted BPR and Self-Normalized Evaluation in Recommender Systems
Carnegie Mellon University（卡内基梅隆大学）；Boston University（波士顿大学）；Institute for Clarity in Documentation（文档清晰研究所）；Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所）；Rajiv Gandhi University（拉贾·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒研究实验室）
针对推荐系统隐式反馈的曝光偏差问题，提出结合IPS加权BPR目标与倾向正则化项的反事实风险最小化流程，搭配自归一化IPS评估，在降低方差的同时提升了无偏场景下的泛化性能。
2025-08-30 cs.LG
History-Augmented Collaborative Filtering for Financial Recommendations
Université Paris-Saclay（巴黎-萨克雷大学）；CentraleSupélec（中央高等电力学院）；BNP Paribas Corporate and Institutional Banking（法国巴黎银行企业与机构银行）
在许多企业中，特别是在金融领域，客户的行为可能会随着时间的推移而发生巨大变化。因此，在这样的环境中使用的推荐系统能够适应这些变化是至关重要的。在这项研究中，我们提出了一种新的协同过滤算法，通过用户和项目的最近的互动历史，以提供动态的建议，捕获的时间上下文的用户项目交互。该算法的设计考虑到了金融世界的特定问题，使用了一个自定义的神经网络架构，可以解决用户和项目行为的非平稳性。该算法的性能和属性进行了监测，在一系列的实验上的G10债券报价要求专有数据库从法国巴黎银行公司和机构银行。
2021-02-26 cs.LG q-fin.CP stat.ML
A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments
UT-Battelle, LLC（UT-巴特尔有限责任公司）；U.S. Department of Energy（美国能源部）
提出基于贝叶斯优化主动推荐系统（BOARS）的人在回路实验工作流，利用人工反馈实时塑造目标，应用于铁电薄膜压电响应探索，展示了人类增强机器学习在好奇心驱动跨领域实验中的实用性。
2023-04-05 cs.LG
Augment or Not? A Comparative Study of Pure and Augmented Large Language Model Recommenders
National Taiwan University（台湾大学）
本研究提出将LLM推荐系统分为纯LLM与增强LLM两类的系统分类法，并构建统一评估平台进行基准测试，为下一代LLM推荐器的研究与实践提供指导。
2025-05-29 cs.AI cs.IR
Knowledge-enhanced Black-box Attacks for Recommendations
Nanjing University（南京大学）；The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
最近的研究表明，基于深度神经网络的推荐系统容易受到对抗攻击的攻击，其中攻击者可以注入精心制作的虚假用户简档（即，假冒用户已经与之交互的一组项目）进入目标推荐系统，以实现恶意目的，例如提升或降级一组目标项目。出于安全和隐私方面的考虑，在黑盒设置下执行对抗攻击更为实际，其中目标系统的架构/参数和训练数据不容易被攻击者访问。然而，在黑盒设置下生成高质量的假用户简档是相当具有挑战性的，目标系统的资源有限。为了应对这一挑战，在这项工作中，我们引入了一种新的策略，利用项目的属性信息（即，项的知识图谱），其可以是公开可访问的并且提供丰富的辅助知识以增强伪造用户简档的生成。更具体地说，我们提出了一个知识图增强的黑盒攻击框架（KGAttack），通过深度强化学习技术，有效地学习攻击策略，其中知识图谱无缝集成到分层策略网络中，以生成虚假的用户简档，用于执行对抗性黑盒攻击。在各种真实数据集上的综合实验证明了该攻击框架在黑盒环境下的有效性。
2022-07-21 cs.AI cs.IR cs.LG
EventChat: Implementation and user-centric evaluation of a large language model-driven conversational recommender system for exploring leisure events in an SME context
Swiss Federal Institute of Technology, Zurich（苏黎世联邦理工学院）
本文提出一种基于大语言模型的对话推荐系统，通过客观指标和用户评价评估其在中小企业场景下的性能，揭示了系统在用户体验和商业可行性方面的挑战。
2026-03-31 cs.AI cs.CL cs.IR
A survey on Adversarial Recommender Systems: from Attack/Defense strategies to Generative Adversarial Networks
Polytechnic University of Bari（巴里理工大学）
基于协同过滤（CF）的潜在因子模型（LFM），如矩阵分解（MF）和深度协同过滤（deep CF）方法，由于其优异的性能和推荐准确性，被广泛应用于现代推荐系统（RS）中。然而，成功伴随着一个新的重大挑战：许多机器学习（ML）应用本质上是对抗性的。近年来，已经表明这些方法容易受到对抗性示例的影响，即，微妙但非随机的扰动，旨在迫使推荐模型产生错误的输出。这项调查的目标有两个方面：（i）介绍对抗性机器学习（AML）在RS安全性方面的最新进展（即，攻击和防御推荐模型），（ii）展示AML在生成对抗网络（GANs）中的另一个成功应用，这要归功于它们学习（高维）数据分布的能力。在这项调查中，我们提供了一个详尽的文献综述74篇文章发表在主要的RS和ML期刊和会议。这篇评论可作为RS社区的参考，研究RS的安全性或使用GANs来提高其质量的生成模型。
2020-11-10 cs.CR cs.IR cs.LG
STARS: Semantic Tokens with Augmented Representations for Recommendation at Scale
STARS通过语义增强、多意图建模和部署优化，实现大规模电子商务推荐的高效率与高质量。
2025-12-13 cs.IR cs.LG
Stealthy LLM-Driven Data Poisoning Attacks Against Embedding-Based Retrieval-Augmented Recommender Systems
本文系统研究了基于 RAG 的推荐系统中通过微调物品描述 token 实施的隐蔽数据投毒攻击，并在 MovieLens 上验证其能显著改变排名与曝光，揭示了现有流程的脆弱性及防御需求。
2025-05-08 cs.IR
Cache-Augmented Inbatch Importance Resampling for Training Recommender Retriever
推荐检索器的目标是在用户查询请求时从整个项目语料库中快速检索一小部分项目，具有代表性的双塔模型使用log softmax loss进行训练。为了在现代硬件上有效地训练推荐检索器，批内采样，其中小批量中的项目被共享为负数来估计softmax函数，已经获得了越来越多的兴趣。然而，现有的基于批内抽样的策略只能用条目频率来纠正批内条目的抽样偏差，无法区分小批量中的用户查询，并且仍然会产生与softmax显著的偏差。在本文中，我们提出了一个缓存增强的批次内重要性恢复（XIR）的训练推荐检索器，它不仅提供了不同的负面用户查询批次项目，但也自适应地实现了更准确的估计softmax分布。具体来说，XIR基于一定的概率对给定的小批量训练对的项目进行重新采样，其中采用具有更频繁采样项目的缓存来增加候选项目集，目的是重用历史信息样本。XIR能够基于inbatch项目对查询相关的否定进行采样，并捕获模型训练的动态变化，从而更好地近似softmax，并进一步有助于更好的收敛。最后，我们进行实验，以验证所提出的XIR的优越性能相比，竞争对手的方法。
2022-05-30 cs.IR
Enhancing Tourism Recommender Systems for Sustainable City Trips Using Retrieval-Augmented Generation
本文提出可持续性增强重排序（SAR）方法，将城市热度与季节性需求指标融入检索增强生成流程，使旅游推荐系统在保持个性化建议的同时兼顾可持续性目标，并在多个开源LLM上验证了其有效性。
2025-04-12 cs.IR
Unorganized Malicious Attacks Detection
Nanjing University（南京大学）
推荐系统在过去的十年里引起了人们的广泛关注。已经开发了许多攻击检测算法以用于更好的推荐，主要集中于先令攻击，其中攻击组织者通过相同的策略产生大量的用户简档以提升或降级项目。这项工作考虑了一种不同的攻击风格：无组织的恶意攻击，攻击者单独利用少量的用户简档攻击不同的项目，没有任何组织者。这种攻击方式在很多实际应用中都有发生，但相关的研究还没有展开。我们首先制定了无组织的恶意攻击检测矩阵完成问题，并提出了无组织的恶意攻击检测（UMA）的方法，一个近端交替分裂增广拉格朗日方法。我们从理论上和经验上验证了我们所提出的方法的有效性。
2018-02-18 cs.IR cs.LG
AgenticRAG: Tool-Augmented Foundation Models for Zero-Shot Explainable Recommender Systems
Department of Software \& Microelectronics Peking University Beijing, China；Department of Software \& Microelectronics Peking University Beijing, China hangli\；Department of Software \& Microelectronics Peking University Beijing, China zehua\；Department of Software \& Microelectronics Peking University Beijing, China xiaofan\；Economic Law School China University of Political Science；School of Computer Science Peking University Beijing, China
针对基础模型在推荐系统中推理不透明、知识受限的问题，提出融合工具增强、检索增强与思维链的AgenticRAG框架，零样本下实现可解释推荐，在三个真实数据集上NDCG@10均优于现有基线且效率可比。
2025-10-03 cs.AI cs.IR
SiameseDuo++: Active Learning from Data Streams with Dual Augmented Siamese Networks
KIOS Research and Innovation Center of Excellence, University of Cyprus（塞浦路斯大学KIOS卓越研究与创新中心）；Department of Electrical and Computer Engineering, University of Cyprus（塞浦路斯大学电气与计算机工程系）
本文提出SiameseDuo++方法，通过潜在空间中的双重增强孪生网络与主动学习策略，在有限内存和标注预算下实现高效数据流学习，实验证明其优于现有方法。
2025-04-06 cs.LG
MARC: Multimodal and Multi-Task Agentic Retrieval-Augmented Generation for Cold-Start Recommender System
Department of Industrial Data Engineering, Hanyang University, Republic of Korea（工业数据工程系，翰阳大学）；School of Interdisciplinary Industrial Studies, Hanyang University, Republic of Korea（跨学科工业研究学院，翰阳大学）
针对冷启动推荐场景局限，本文提出基于Agentic RAG与图数据库的多模态多任务鸡尾酒推荐系统MARC，经双维度评估验证其回答质量优于普通向量数据库方案。
2025-11-15 cs.AI cs.IR
RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender
Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系，意大利）；Institute for Cognitive Science and Technology, National Research Council, Italy（意大利国家研究委员会认知科学与技术研究所）
提出RAGEAR，一种神经符号推荐系统，结合密集检索和知识图谱，通过图感知聚合函数将片段级证据传播到课程级推荐，在学术课程推荐中优于元数据基线。
2026-05-26 cs.AI cs.IR
MUSS: Multilevel Subset Selection for Relevance and Diversity
Equal contribution（共同贡献）
MUSS通过多级方法在推荐系统中提升精确度4个百分点并加快20-80倍，同时在RAG问题回答中优于基线方法。
2026-08-04 cs.LG
Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT
University of California, Davis（加州大学戴维斯分校）
本文提出Graph-ToolFormer框架，通过ChatGPT增强提示教会大语言模型使用外部图推理API工具，以解决其在多步逻辑推理、精确计算及空间时间感知上的缺陷，从而提升复杂图数据推理能力。
2023-05-11 cs.AI cs.LG
Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems
Poison-RAG 提出针对基于 RAG 的推荐系统的数据投毒攻击框架，通过操纵物品元数据（局部或全局策略）在 MovieLens 上实现最高 50% 的操纵提升，并指出热门物品更易受攻击，建议数据增强以增强防御。
2025-01-20 cs.IR
Retrieval-Augmented Review Generation for Poisoning Recommender Systems
University of New South Wales and CSIRO’s Data61（新南威尔士大学和CSIRO的Data61）
本文提出RAGAN框架，利用多模态基础模型的上下文学习能力，结合演示检索和文本风格迁移，生成高质量虚假用户画像，以提升对黑盒推荐系统投毒攻击的可迁移性与隐蔽性。
2025-11-06 cs.CL cs.CR cs.IR
Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对LLM驱动的交互式推荐智能体难以处理复杂用户意图的问题，提出基于思维模式蒸馏的多智能体系统TAIRA，通过提取专家经验增强管理智能体的规划能力，在多数据集实验中显著提升了推荐性能并展现出强大的泛化优势。
2025-06-30 cs.AI cs.CL cs.IR
Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
针对LLM推荐系统存在的幻觉和缺乏最新领域知识等问题，提出检索增强框架K-RagRec，通过从知识图谱中检索高质量结构信息来增强推荐生成，实验证明其有效性。
2025-05-28 cs.IR
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine（加州大学欧文分校）
本文提出ChatDiet框架，通过集成个人因果模型与群体模型并利用LLM编排，实现个性化、可解释且交互式的营养导向食物推荐，在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
MemRec: Collaborative Memory-Augmented Agentic Recommender System
Hong Kong Baptist University（香港 Baptist大学）；Rutgers University（罗格斯大学）；Snap Inc.（Snap公司）
MemRec通过引入协同记忆机制，解决传统推荐系统中记忆隔离导致的上下文过载问题，通过轻量级语言模型管理动态记忆图谱，提升推荐精度与效率。
2026-04-28 cs.AI cs.IR
Uplift Modeling for Target User Attacks on Recommender Systems
针对推荐系统传统注入式攻击预算浪费、效果不佳的问题，提出因果视角下基于增益引导的预算分配框架UBA，优化目标用户攻击的虚假用户预算分配，经多数据集多场景实验验证其有效性与鲁棒性。
2024-03-05 cs.IR
AutoRecLab: Describe the Experiment, Get the Code!
University of Siegen（锡根大学）；University of Göttingen（哥廷根大学）
AutoRecLab是一个基于Python的自主推荐系统实验室，能从自然语言描述自动生成实验代码，结合RAG、静态类型验证和树搜索，在演示中成功实现反馈转换研究，8/9次运行成功，每次成本约1美元。
2026-09-21 cs.AI cs.IR cs.LG
Token-Controlled Re-ranking for Sequential Recommendation via LLMs
COREC通过令牌增强的重排序框架，实现用户对推荐结果的细粒度控制，提升推荐效果与个性化水平。
2025-11-22 cs.IR cs.LG
RAMO: Retrieval-Augmented Generation for Enhancing MOOCs Recommendations
Carnegie Mellon University（卡内基梅隆大学）
本文提出RAMO系统，利用大型语言模型与检索增强生成技术，通过对话式界面解决MOOC课程推荐中的新用户冷启动问题，以提升个性化学习体验。
2024-07-06 cs.AI cs.HC cs.IR
Contrastive State Augmentations for Reinforcement Learning-Based Recommender Systems
本文提出对比状态增强（CSA）方法，通过四种状态增强策略扩大状态空间并引入对比信号改进状态表示学习，有效解决了基于强化学习的推荐系统中离线数据外状态价值估计和隐式反馈学习困难的问题，显著提升了推荐性能。
2023-05-18 cs.IR
Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering
University of Windsor（温莎大学）
推荐系统经常与数据稀疏和冷启动场景作斗争，限制了它们为新用户或不常使用的用户提供准确建议的能力。提出了一种基于图注意力网络的协同过滤框架，并在该框架中引入了大语言模型（LLM）驱动的上下文感知嵌入。具体来说，我们生成简洁的文本用户简档和统一项目元数据（标题，流派，概述）到丰富的文本嵌入，注入这些作为初始节点功能的二分用户项目图。为了进一步优化排名性能，我们引入了一个混合的损失函数，结合贝叶斯个性化排名（BPR）与余弦相似项和鲁棒的负采样，确保明确的负反馈是从未观察到的数据。在MovieLens 100k和1M数据集上的实验显示，在精度、NDCG和MAP方面，与最先进的基线相比，有了一致的改进，同时证明了交互历史有限的用户的鲁棒性。消融研究证实了LLM增强嵌入和余弦相似性项在捕捉细微语义关系中的关键作用。我们的方法通过将LLM派生的上下文理解集成到基于图的架构中，有效地减轻了稀疏性和冷启动限制。未来的发展方向包括平衡推荐准确性与覆盖率和多样性，并引入公平意识的约束和可解释性功能，以进一步提高系统性能。
2025-10-30 cs.IR cs.LG
MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation
University of New South Wales（新南威尔士大学）；Data 61, CSIRO（澳大利亚联邦科学与工业研究组织数据61分部）
当前大多数推荐系统面临的一个共同挑战是冷启动问题。由于缺乏用户与项目的交互，经过微调的推荐系统无法处理新用户或新项目的情况。近年来，一些研究工作将元优化思想引入到推荐场景中，即通过用户过去交互过的几个项目来预测用户的偏好。其核心思想是为所有用户学习一个全局共享初始化参数，然后分别为每个用户学习局部参数。然而，大多数基于元学习的推荐方法采用模型无关元学习进行参数初始化，其中全局共享参数可能会导致模型对于某些用户陷入局部最优。在本文中，我们设计了两个记忆矩阵，可以存储任务特定的记忆和特征特定的记忆。具体而言，特征特定记忆用于引导模型进行个性化参数初始化，而任务特定记忆用于引导模型快速预测用户偏好。我们采用了元优化方法来优化所提出的方法。我们在两个广泛使用的推荐数据集上测试了该模型，并考虑了四种冷启动情况。实验结果表明了该方法的有效性。
2020-07-07 cs.IR cs.LG stat.ML
Memory Augmented Graph Neural Networks for Sequential Recommendation
在许多推荐系统中，用户-项目交互的时间顺序可以揭示用户行为的时间演化和顺序。用户将与之交互的项目可能取决于过去访问的项目。然而，用户和项目的大量增加使得顺序推荐系统仍然面临着以下挑战：（1）难以建模用户的短期兴趣;（2）难以捕捉用户的长期兴趣;（3）难以有效地建模项目的共现模式。为了应对这些挑战，我们提出了一个记忆增强的图神经网络（MA-GNN），以捕捉长期和短期的用户兴趣。具体来说，我们应用图神经网络来建模短期内的项目上下文信息，并利用共享记忆网络来捕获项目之间的长期依赖关系。除了对用户兴趣进行建模之外，我们还采用了一个双线性函数来捕获相关项的共现模式。我们在五个真实世界的数据集上广泛评估了我们的模型，与几种最先进的方法进行了比较，并使用了各种性能指标。实验结果证明了该模型在Top-K顺序推荐任务中的有效性。
2019-12-26 cs.IR
Do Evidence-Reading Diagnostics Improve Interface Selection in Small LLM Recommenders?
本研究通过行为测试评估证据阅读诊断特征是否有助于选择小型LLM推荐接口，实验显示这些特征未显著提升NDCG@5，但相似用户证据可改善提示效果。
2026-09-30 cs.IR cs.LG
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题，提出关键词驱动的检索增强大语言模型框架KALM4Rec，通过关键词检索候选和LLM重排序，在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Retrieval-Augmented Purifier for Robust LLM-Empowered Recommendation
The Hong Kong Polytechnic University（香港理工大学）
本文提出RETURN框架，通过检索外部协同信号净化被投毒的用户画像，以即插即用方式增强LLM推荐系统鲁棒性，并在三个数据集上验证其有效性。
2025-04-03 cs.AI cs.IR
Similar Users-Augmented Interest Network
University of Science and Technology of China（中国科学技术大学）
本文提出SUIN方法，通过整合相似用户行为增强目标用户序列，提升CTR预测性能。
2026-04-26 cs.IR
Multi-Objective Intrinsic Reward Learning for Conversational Recommender Systems
本文提出将内在奖励学习建模为多目标双层优化问题，以同时最大化对话推荐成功率和最小化对话轮数，并在三个公开CRS基准上验证了其显著提升推荐性能的有效性。
2023-10-31 cs.IR
Federated Recommendation via Hybrid Retrieval Augmented Generation
Unversity of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对传统联邦推荐数据稀疏异质、大语言模型推荐效率低易幻觉的问题，提出两阶段GPT-FedRec框架，通过混合检索挖掘ID用户模式与文本物品特征，再用GPT重排序，在多基准数据集上性能优于现有最优方法。
2024-03-07 cs.AI cs.IR
Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning
Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学）
本文提出CRAGRU框架，利用检索增强生成将推荐遗忘解耦为检索与生成两阶段，在高效删除目标用户数据的同时缓解传播偏差并保持推荐质量。
2025-09-10 cs.AI cs.IR
Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
Abstract Intelligent Systems Group University of Siegen（摘要智能系统组 柏林西格恩大学）
本研究通过为推荐算法构建深度特征集，结合元学习进行算法选择，发现算法特征虽提升Top-1选择准确率，但整体性能仍受限于用户特征主导，NDCG@10未显著提升。
2025-09-24 cs.IR cs.LG
Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
针对大型语言模型（LLMs）对话推荐系统（CRS）难以利用行为数据的问题，提出首个结合LLMs与协同过滤（CF）的CRAG方法，在Reddit-v2和Redial数据集上实现更优的物品覆盖度和推荐性能，尤其提升了新电影推荐准确性。
2025-02-19 cs.IR
Reinforcement Learning-based Recommender Systems with Large Language Models for State Reward and Action Modeling
针对离线强化学习推荐系统难以获取有效用户反馈的问题，提出将大语言模型适配为环境（LE）以建模用户状态与奖励，并设计LEA方法联合优化监督组件与RL策略，有效提升了推荐性能。
2024-03-25 cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响，这可能使学习到的用户表示无差别，并导致琐碎的推荐（例如，流行的项目），甚至是奇怪的，远远超出了用户的兴趣。对比学习是一种新兴的技术，用于学习具有随机数据增强的区分表示。然而，现有的对比学习框架由于忽略了用户行为中的噪声，对所有的增强样本都一视同仁，不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白，我们提出了用于训练推荐模型的对比学习框架，名为CCL 4 Rec，它通过进一步对比增强的积极/消极与自适应拉/推强度，即，对比（vanilla）对比学习。为了适应这些对比，我们设计了硬度感知增强，跟踪被替换的查询用户的行为的重要性和替代品的相关性，从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习，从而导致性能增益和鲁棒训练。通过这种方式，CCL 4 Rec可以捕获给定用户的历史行为的细微差别，从而明确地屏蔽了学习到的用户表示，使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验，实验结果表明，CCL 4 Rec在模型参数少得多的情况下，可以达到与现有最先进方法相当的性能，并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
Chain-of-Thought Poisoning Attacks against R1-based Retrieval-Augmented Generation Systems
针对基于R1的RAG系统，提出利用推理模板包装错误知识的思维链投毒攻击方法，并在MS MARCO数据集上验证了其有效性。
2025-05-22 cs.IR
ReasonRec: A Reasoning-Augmented Multimodal Agent for Unified Recommendation
Meta AI；Michigan State University（密歇根州立大学）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出ReasonRec，一种基于三阶段显式推理管道的多模态推荐智能体，通过推理感知视觉指令调优、证据-视野课程学习和不确定性引导委派机制，在五个数据集上实现排名指标相对提升超30%，推理延迟降低35%。
2026-06-08 cs.AI cs.IR
Reward Constrained Interactive Recommendation with Natural Language Feedback
Samsung Research America（三星美国研究院）；University at Buffalo（布法罗大学）；Duke University（杜克大学）
基于文本的交互式推荐提供了更丰富的用户反馈，并已证明优于传统的交互式推荐系统。然而，建议可以很容易地违反用户的偏好，从他们过去的自然语言反馈，因为推荐需要探索新的项目，以进一步改进。为了缓解这个问题，我们提出了一种新的约束增强强化学习（RL）框架，有效地将用户的偏好随着时间的推移。具体来说，我们利用一个搜索引擎来检测违反用户历史偏好的推荐，这被纳入标准的RL目标，最大化预期的累积未来奖励。我们提出的框架是通用的，并进一步扩展到约束文本生成的任务。实验结果表明，该方法相对于标准RL方法产生一致的改善。
2020-05-04 cs.CL cs.IR cs.LG
Denoising Neural Reranker for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
本文提出了一种去噪神经重排器（DNR），通过利用前一阶段的检索分数来改进推荐系统的两阶段检索重排框架，通过去噪、对抗训练和分布正则化等方法提升推荐效果。
2026-05-17 cs.IR
Can Recommender Systems Teach Themselves? A Recursive Self-Improving Framework with Fidelity Control
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能全国重点实验室）；Huawei Technologies（华为技术有限公司）
本文提出递归自我改进推荐框架RSIR，通过闭环机制自主提升性能，克服数据稀疏性问题，实验证明其在多个基准和架构上的有效性。
2026-05-09 cs.IR
Towards Empathetic Conversational Recommender Systems
Shandong University（山东大学）；Tencent（腾讯）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）
针对现有对话推荐系统忽略用户情绪、与用户需求错位的问题，提出包含情绪感知推荐和情绪对齐回复生成的ECR框架，通过扩充共情数据、设计新指标，在ReDial数据集上验证了其提升推荐准确率和用户满意度的效果。
2024-08-30 cs.AI cs.IR
RUEL: Retrieval-Augmented User Representation with Edge Browser Logs for Sequential Recommendation
本文提出RUEL，一种利用Edge浏览器匿名日志进行检索增强的序列推荐方法，通过对比学习和注意力选择器筛选相关浏览序列，在多个数据集上显著优于现有基线。
2023-09-19 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
Denoised Self-Augmented Learning for Social Recommendation
本文提出去噪自增强学习范式DSL，通过保留有用社交关系并利用自适应语义对齐实现个性化跨视图知识迁移，以缓解社交推荐中的噪声问题，并在多个基准上取得优于现有方法的性能。
2023-11-01 cs.IR
