Cooperative Retriever and Ranker in Deep Recommenders
University of Science and Technology of China（中国科学技术大学）；University of Electronic Science and Technology of China（电子科技大学）；Microsoft Research Asia（微软亚洲研究院）
深度推荐系统（DRS）在现代Web服务中得到了广泛的应用。为了处理海量的Web内容，DRS采用了两个阶段的工作流程：检索和排名，以产生其推荐结果。检索器的目标是从整个项目中选择一个小的相关候选人的高效率，而排名，通常更精确，但耗时，应该进一步细化检索到的候选人的最佳项目。传统上，这两个组件要么独立训练，要么在简单的级联管道中训练，这容易导致协作效果不佳。虽然最近的一些研究提出了联合训练检索者和排序者的方法，但仍存在许多严重的局限性：训练和推理之间的项目分布偏移、假阴性和排序顺序不一致。因此，它仍然是探索有效的合作之间的寻回和排名。
2023-03-29 cs.IR cs.LG
Mobile recommender systems: Identifying the major concepts
本文确定了移动推荐系统的影响因素。推荐系统已经成为在存在信息过载问题的情况下被各种在线应用广泛使用的技术。电子商务、视频平台和社交网络等众多应用向其用户提供个性化推荐，这改善了用户体验和供应商收入。推荐系统的发展主要集中在提出新的算法，提供更准确的建议。然而，移动设备的使用以及互联网和网络基础设施的快速增长带来了使用移动推荐系统的必要性。网络和移动推荐系统之间的联系，以及如何在移动环境中的建议，可以改善描述。这项工作的重点是确定网络和移动推荐系统之间的联系，并提供坚实的未来方向，旨在导致在一个更集成的移动推荐域。
2018-05-06 cs.IR
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
Related Pins at Pinterest: The Evolution of a Real-World Recommender System
Related Pins是一个网络规模的推荐系统，为Pinterest上超过40%的用户参与提供支持。本文是一个纵向研究的三年的发展，探索系统及其组件的演变，从原型到现在的状态。每个组件最初都是在工程工作和计算资源方面受到许多限制的情况下构建的，因此我们优先考虑最简单和最高利用率的解决方案。我们展示了有机增长如何导致一个复杂的系统，以及我们如何管理这种复杂性。在构建这个系统的过程中出现了许多挑战，例如避免反馈循环，评估性能，激活内容以及消除遗留的错误。最后，我们提供了解决这些挑战时，工程Web规模的推荐系统的建议。
2017-02-26 cs.IR
Deep Multi-View Learning for Tire Recommendation
Université Lyon1（里昂第一大学）；Lizeo IT（Lizeo信息技术公司）
我们经常使用推荐系统，甚至没有注意到。他们建立了我们的个人资料，以便推荐我们最有可能感兴趣的内容。代表用户、他们与系统或产品的交互的数据可能来自不同的来源，并且具有各种性质。我们的目标是使用多视图学习方法来改进我们的推荐系统，并提高其管理多视图数据的能力。我们提出了几个国家的最先进的多视图模型应用到我们的工业数据之间的比较研究。我们的研究证明了在推荐系统中使用多视图学习的相关性。
2022-03-23 cs.IR cs.LG
MvFS: Multi-view Feature Selection for Recommender System
NAVER Corporation（NAVER公司）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对推荐系统中特征选择偏向频繁特征的问题，提出多视图特征选择方法MvFS，利用多子网络网络和独立重要性评分策略，实现更均衡有效的特征选择，实验验证其优于现有基线。
2023-09-06 cs.IR cs.LG
PrivMVMF: Privacy-Preserving Multi-View Matrix Factorization for Recommender Systems
National University of Singapore（新加坡国立大学）
本文针对联邦推荐系统中矩阵分解的隐私风险，提出基于同态加密的隐私保护多视图矩阵分解框架PrivMVMF，实验证明其能有效抵御服务器重构攻击。
2022-09-29 cs.AI cs.IR cs.LG
Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems
由Booking.com组织的ACM WSDM WebTour 2021挑战赛专注于在旅游领域应用会话感知推荐系统。给定用户旅行中的一系列旅行预订，我们希望推荐用户的下一个目的地。为了处理输出空间的大维度，我们提出了一个多对多的RNN模型，预测用户在每个序列步骤中选择的下一个目的地，而不仅仅是最后一个。我们展示了这是如何在多对一RNN中进行数据增强的计算效率替代方案，其中我们考虑从第一个元素开始的会话的每个子序列。我们的解决方案在最终排行榜中排名第四，准确率为0.5566。
2021-08-22 cs.IR cs.LG
Using Contextual Information as Virtual Items on Top-N Recommender Systems
LIAAD-INESC Porto L.A.（波尔图人工智能与决策支持实验室- INESC波尔图实验室协会）
传统上，Web推荐系统处理具有两个维度（用户和项目）的应用程序。基于与这些维度相关的访问日志，可以构建推荐模型，并将其用于识别某个用户将感兴趣的N个项目的集合。在本文中，我们提出了一种方法来补充信息的访问日志与上下文信息，而不改变推荐算法。该方法在于将上下文表示为虚拟项。我们实证测试这种方法与两个前N推荐系统，基于项目的协同过滤技术和关联规则，在三个数据集。结果表明，我们的方法是能够利用上下文（新的维度）时，它是信息。
2011-11-15 cs.IR cs.LG
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
A Survey Paper on Recommender Systems
Concordia University（康考迪亚大学）；Ecole Polytechnique（巴黎综合理工学院）
推荐系统应用数据采掘技术和预测算法来预测用户对大量可用项目中的信息、产品和服务的兴趣。互联网上信息的大量增长以及网站访问者的数量给推荐系统增加了一些关键挑战。这些是：产生准确的建议，有效地处理许多建议，并应对系统中参与者数量的巨大增长。因此，需要新的推荐系统技术，可以快速产生高质量的建议，即使是巨大的数据集。为了解决这些问题，我们已经探索了几种协同过滤技术，如基于项目的方法，它确定项目之间的关系，并间接计算这些关系的基础上为用户的建议。基于用户的方法也进行了研究，它确定相似的口味之间的关系，并计算这些关系的基础上的推荐。在本文中，我们介绍了推荐系统的主题。它为评价推荐系统的效率、可扩展性和准确性提供了方法。本文还分析了基于用户和基于项目的推荐生成技术的不同算法。此外，一个简单的实验进行了使用数据采掘应用程序-Weka-应用数据采掘算法的推荐系统。最后，我们提出我们的方法，可能会提高推荐系统的质量。
2010-12-24 cs.IR cs.LG
SocRecM: A Scalable Social Recommender Engine for Online Marketplaces
在本文中，我们提出了SocRecM，一个新的社会推荐框架，在线市场的工作进展。我们证明，SocRecM不仅易于集成与现有的Web技术，通过一个REST风格的，可扩展的，易于扩展的基于服务的架构，但也揭示了在何种程度上，各种社会功能和推荐方法是有用的在线社交市场环境。
2014-05-08 cs.IR
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
Hybrid Model with Time Modeling for Sequential Recommender Systems
Deep Learning Brazil – Federal University of Goiás（深度学习巴西机构——戈亚斯联邦大学）
基于深度学习的方法已成功用于推荐系统问题。使用递归神经网络，Transformers，和注意力机制的方法是有用的建模用户的长期和短期的偏好在顺序交互。为了探索不同的基于会话的推荐解决方案，Booking.com最近组织了WSDM WebTour 2021挑战赛，旨在对模型进行基准测试，以推荐旅行中的最终城市。这项研究提出了我们应对这一挑战的方法。我们进行了几个实验来测试推荐系统的不同最先进的深度学习架构。此外，我们还对神经专注推荐机（NARM）提出了一些修改，针对挑战目标调整了其架构，并实现了可用于任何基于会话的模型的训练方法，以提高准确性。我们的实验结果表明，改进的NARM优于所有其他国家的最先进的基准方法。
2021-03-07 cs.IR cs.LG
Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
imec（校际微电子中心）；KU Leuven（荷语鲁汶大学）
推荐系统通常被设计为满足最终用户的需求。然而，在某些领域，用户并不是系统中唯一的利益相关者。例如，在新闻聚合网站中，用户、作者、杂志以及平台本身都是潜在的利益攸关方。大多数协同过滤推荐系统都存在受欢迎度偏差的问题。因此，如果推荐系统只考虑用户的偏好，大概它会过度代表受欢迎的提供商，而不代表不太受欢迎的提供商。为了解决这个问题，我们应该在生成的排名列表中考虑其他利益相关者。在本文中，我们证明了超图学习具有处理多利益相关者推荐任务的自然能力。超图可以对不同类型的对象之间的高阶关系进行建模，因此自然倾向于生成考虑多个利益相关者的推荐列表。我们在时间轮中形成建议，并学习调整利益相关者的权重，以随着时间的推移增加低覆盖利益相关者的覆盖率。实验结果表明，该方法能有效地克服流行度偏差，在较低的准确率下，对两个新闻数据集的作者给出更公平的推荐。
2021-02-09 cs.IR cs.LG
SIREN (Luring LLMs onto the Rocks): PAIR-Driven Preference Manipulation in Web-RAG Recommenders
The University of Queensland（昆士兰大学）；Curtin University（科廷大学）
研究网页增强型大语言模型推荐系统中排序推荐的对抗操纵问题，提出SIREN方法，利用23种内容中毒技术迭代编辑检索到的网页，在两个Claude模型上实验，使选定实体多次达排名第1，验证了声明性排名等方式的有效性。
2026-10-22 cs.CR cs.IR
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
Matrix Factorization with Dynamic Multi-view Clustering for Recommender System
提出MFDMC统一框架，通过动态多视图聚类实现端到端矩阵分解，提升推荐系统效率、可解释性与可扩展性。
2025-04-20 cs.IR cs.SI
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
WebRec: Enhancing LLM-based Recommendations with Attention-guided RAG from Web
The Hong Kong Polytechnic University（香港理工大学）
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
Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System
知识图谱在推荐系统中扮演着越来越重要的角色。近年来，基于图神经网络（GNNs）的推荐模型逐渐成为知识感知推荐（KGR）的研究热点。然而，基于GNN的KGR模型存在一个天然的缺陷，即稀疏监督信号问题，这可能会使其实际性能在一定程度上下降。受近年来对比学习在从数据本身挖掘监督信号方面取得成功的启发，本文重点研究了对比学习在知识感知推荐中的应用，提出了一种新的多层次交叉视图对比学习机制MCCLK。与传统的对比学习方法通过统一的数据增强方案（如损坏或丢弃）生成两个图视图不同，本文综合考虑了全局结构视图、局部协作视图和语义视图等三种不同的图视图来进行知识感知推荐。具体来说，我们认为用户项目图作为一个协作视图，项目实体图作为一个语义视图，和用户项目实体图作为一个结构视图。因此，MCCLK在局部和全局两个层面上跨三个视图执行对比学习，以自监督的方式挖掘全面的图特征和结构信息。此外，在语义视图中，提出了一个kNN（k-Nearest-Neighbor）项-项语义图构建模块，以捕捉以往工作中忽略的重要项-项语义关系。在三个基准数据集上进行的大量实验表明，我们所提出的方法比最先进的方法具有更好的性能。这些实现可在https://github.com/CCIIPLab/MCCLK上获得。
2022-04-19 cs.IR
Breaking Feedback Loops in Recommender Systems with Causal Inference
University of California Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在（1）做出推荐（2）收集用户对这些推荐的响应以及（3）基于该反馈重新训练推荐算法之间交替。在此过程中，推荐系统会影响随后用于更新的用户行为数据，从而创建一个反馈循环。最近的工作表明，反馈循环可能会损害推荐质量和同质化的用户行为，提高道德和性能的关注时，部署推荐系统。为了解决这些问题，我们提出了反馈循环因果调整（CAFL），这是一种使用因果推理可证明地打破反馈循环的算法，可以应用于任何优化训练损失的推荐算法。我们的主要观察是，一个推荐系统不会遭受反馈回路，如果它的原因因果量，即干预分布的建议用户评级。此外，我们可以通过调整推荐系统对用户偏好的预测，从观察数据中计算出这种干预分布。使用模拟环境中，我们证明了CAFL提高推荐质量相比，以前的校正方法。
2022-07-15 cs.IR cs.LG stat.ML
An MDP-based Recommender System
Ben-Gurion University（本-古里安大学）；Microsoft Research（微软研究院）
典型的推荐系统采用推荐过程的静态视图，并将其视为预测问题。我们认为，它是更合适的，以查看作为一个顺序的决策问题的问题产生的建议，因此，马尔可夫决策过程（MDP）推荐系统提供了一个更合适的模型。MDP有两个好处：它们考虑到每项建议的长期影响，并考虑到每项建议的预期价值。为了在实践中取得成功，一个基于MDP的推荐系统必须采用一个强大的初始模型，本文的大部分内容都是关于这样一个模型的生成。特别是，我们建议使用一个n-gram预测模型来生成初始MDP。我们的n-gram模型诱导了一个用户行为的马尔可夫链模型，其预测精度高于现有的预测模型。我们详细描述了我们的预测模型，并评估了其在真实数据上的性能。此外，我们展示了如何使用该模型在基于MDP-Recommender系统。
2015-05-16 cs.AI cs.IR cs.LG
An Extremely Data-efficient and Generative LLM-based Reinforcement Learning Agent for Recommenders
Stanford University（斯坦福大学）；University of California Santa Barbara（加州大学圣巴巴拉分校）
本文在WebShop基准上评估PPO和DPO等RL算法，发现基于生成轨迹训练的智能体性能与人类轨迹相当，且DPO智能体在有限资源下表现优于PPO，提供了一种低成本高效的训练方法。
2024-08-28 cs.AI cs.IR cs.LG
Multi-View Learning for Web Spam Detection
垃圾网页的目的是恶意出现在顶部的搜索结果中过度使用流行的条款。因此，应该使用有效和高效的垃圾邮件检测系统来删除垃圾邮件页面。以前的Web垃圾分类方法使用来自各种信息源（页面内容、Web图、访问日志等）的若干特征。来检测网络垃圾邮件。在本文中，我们遵循页面级分类的方法来建立快速和可扩展的垃圾邮件过滤器。我们表明，每个网页可以进行分类，仅使用自己的HTML内容与令人满意的准确性。为了设计一个多视图分类系统，我们使用了国家的最先进的垃圾邮件分类方法与不同的功能集（视图）作为基本分类器。然后，学习融合模型，以组合基分类器的输出并做出最终预测。结果表明，多视图学习显著提高了分类性能，即AUC提高了22%，同时为并行执行提供了线性加速。
2013-07-24 cs.IR cs.LG
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
BERT and CNN integrated Neural Collaborative Filtering for Recommender Systems
East West University（东西大学）
本研究提出结合BERT和CNN的神经协同过滤模型，通过处理数值、分类和图像数据提升推荐系统性能。
2025-12-17 cs.AI cs.IR
The Bandit's Blind Spot: The Critical Role of User State Representation in Recommender Systems
Federal University of São Carlos（圣卡洛斯联邦大学）
本文研究了基于矩阵分解模型的嵌入式状态表示对传统上下文多臂老虎机算法性能的影响，发现状态表示的变化对性能提升效果大于算法本身的变化，强调了嵌入质量与状态构建的重要性。
2026-04-29 cs.IR cs.LG
Dual Adversarial Perturbators Generate rich Views for Recommendation
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Nanjing University（南京大学）
针对图对比学习推荐中对比视图差异过大易导致性能下降或训练崩溃的问题，提出双重对抗图学习方法AvoGCL，通过逐步施加对抗训练模拟课程学习，在三个真实数据集上性能显著优于现有最优方法。
2024-08-26 cs.IR cs.LG
A Unified Causal Framework for Auditing Recommender Systems for Ethical Concerns
Carnegie Mellon University（卡内基梅隆大学）；Amazon AWS AI/ML（亚马逊AWS人工智能/机器学习部门）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出一个统一因果框架用于审计推荐系统伦理问题，定义了两类新指标（未来/过去可达性和稳定性）以衡量用户能动性，并提供梯度与黑盒计算方法，实验验证了其有效性。
2024-09-20 cs.IR cs.LG
A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings
State University of Maringá（马里兰州立大学）
推荐系统是改善用户在Web系统中查找相关信息的工具，因此他们不会面对太多的信息。为了产生更好的建议，应在建议过程中使用信息的上下文。上下文感知推荐系统被创建，实现了最先进的结果，并改进了传统的推荐系统。构建推荐系统的方法有很多，其中两个最突出的进展是使用嵌入来表示推荐系统中的数据，以及使用深度学习架构来向用户生成推荐。系统综述是一种形式化、系统化的文献综述方法，通过对已发表的相关研究进行分析，对某一研究领域的所有研究进行识别和评价。进行了系统的回顾，以了解如何将深度学习和嵌入技术应用于改进上下文感知推荐系统。我们总结了用于创建这些的架构以及它们所使用的域。
2020-07-09 cs.CV cs.IR
Five lessons from building a deep neural network recommender
Schibsted Media Group（施布斯特传媒集团）
推荐算法在市场中被广泛采用，以帮助用户找到他们正在寻找的项目。用户矩阵的稀疏性和市场中的冷启动问题对基于矩阵分解的推荐系统提出了挑战。为了了解用户意图并根据他们的需求定制推荐，我们使用深度学习来探索市场中可用的各种异构数据。本文总结了我们在挪威领先的市场FINN.no.上使用最先进的深度学习推荐器进行实验时学到的五个经验教训。我们设计了一个混合推荐系统，该系统采用用户生成的市场内容（包括文本、图像和Meta属性），并将其与用户行为数据（如页面浏览量和消息）相结合，为市场项目提供推荐。在我们实验的各种策略中，以下五种显示出最好的效果：分阶段训练而不是端到端训练，利用页面浏览量之外的丰富用户行为，使用用户行为作为噪声标签来训练嵌入，使用迁移学习来解决不平衡数据问题，以及在混合模型中使用注意力机制。该系统目前在FINN.no上运行，点击率约为20%，每天为超过100万名访问者提供服务。
2018-10-07 cs.IR cs.LG stat.ML
Multi-Step Critiquing User Interface for Recommender Systems
具有个性化解释的推荐已被证明可以增加用户信任和感知质量，并帮助用户做出更好的决策。此外，这种解释允许用户通过批评他们来提供反馈。因此，已经开发了几种用于多步评论的推荐系统的算法。然而，在过去十年中，提供基于个性化解释和评论的用户友好界面尚未得到解决。在本文中，我们介绍了四种不同的Web界面（可在https：//lia.epfl.ch/critiquing/下获得），帮助用户做出决策并找到他们理想的项目。我们选择了酒店推荐领域作为用例，尽管我们的方法对其他领域的适应性很低。此外，我们的系统是模型不可知的（推荐系统和批评模型），允许很大的灵活性和进一步的扩展。我们的界面首先是一个有用的工具，以帮助研究建议与批评。它们允许在真实用例上测试这些系统，并强调这些方法的一些局限性，以找到克服这些局限性的解决方案。
2021-08-05 cs.IR
Considering user dynamic preferences for mitigating negative effects of long tail in recommender systems
现今，随着网络空间中产生的信息量的增加，许多网络服务提供商试图使用推荐系统来个性化他们的服务，并使访问内容变得方便。推荐系统只试图增加准确性（即，项目与用户兴趣的相似性）将面临长尾问题。这意味着被称为短头的流行项目比其他项目更容易出现在推荐列表中，因为它们有许多评级。然而，不受欢迎的项目称为长尾项目使用较少，因为它们降低了准确性。其他解决长尾问题的研究认为用户的兴趣是恒定的，而他们的偏好会随着时间的推移而变化。我们建议在推荐列表中使用长尾项时，应该考虑用户的动态偏好，以防止准确性的损失。本研究发现，造成这一现象的两个原因在于：1）随着时间的推移，用户对热门和冷门条目的评分比例不同。2)所有年龄段的用户对流行和不流行的项目都有不同的兴趣。因此，随着时间的推移，可以创建具有不同部分的长尾项和短头项的推荐列表。此外，我们根据项目评分预测用户的年龄，以使用更多的长尾项目。实验结果表明，综合考虑这两个因素，推荐列表的准确率达到91%。与此同时，长尾问题比其他相关研究得到了更好的改善，从长远来看，推荐列表具有更好的多样性。
2021-12-04 cs.HC cs.IR
Eliminating Out-of-Domain Recommendations in LLM-based Recommender Systems: A Unified View
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）；Microsoft Research Asia（微软亚洲研究院）
本文提出RecLM框架，通过统一架构整合三种 grounding 方法，系统比较了基于嵌入检索、约束生成和离散项生成的推荐方法，有效消除域外推荐并提升了推荐准确性。
2026-01-22 cs.AI cs.IR cs.SI
PURS: Personalized Unexpected Recommender System for Improving User Satisfaction
New York University（纽约大学）；Alibaba Youku Cognitive and Intelligent Lab（阿里巴巴优酷认知与智能实验室）
经典的推荐系统方法通常面临过滤气泡问题，当用户只收到他们熟悉的项目的建议，使他们感到无聊和不满。为了解决过滤器气泡问题，已经提出了意想不到的推荐，以推荐显著偏离用户先前期望的项目，从而通过向用户呈现“新鲜的”和先前未探索的项目来使他们惊讶。在本文中，我们描述了一种新的个性化意外推荐系统（PURS）模型，将意外的推荐过程中，通过提供多聚类建模的用户兴趣的潜在空间和个性化的意外通过自我注意力机制和通过选择一个适当的意外激活函数。在三个真实世界数据集上进行的大量离线实验表明，所提出的PURS模型在准确性和意外性测量方面都显着优于最先进的基线方法。此外，我们在主要视频平台阿里巴巴-优酷进行了在线A/B测试，我们的模型在每个用户的平均视频观看量指标上实现了超过3%的增长。该公司正在部署拟议的模式。
2021-06-05 cs.IR cs.LG
RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；Rutgers University（罗格斯大学）
健壮的机器学习是一个越来越重要的主题，它专注于开发对各种形式的不完美数据有弹性的模型。由于推荐系统在在线技术中的普遍性，研究人员已经进行了一些鲁棒性研究，主要集中在数据稀疏性和配置文件注入攻击。相反，我们提出了一个更全面的观点，推荐系统的鲁棒性，包括多个维度-鲁棒性相对于子种群，转换，分布差异，攻击和数据稀疏。虽然有几个库允许用户比较不同的推荐系统模型，但没有软件库用于在不同场景下对推荐系统模型进行全面的鲁棒性评估。作为我们的主要贡献，我们提出了一个鲁棒性评估工具包，Robustness Gym for RecSys（RGRecSys --https：//www.github.com/salesforce/RGRecSys），它允许我们快速和统一地评估推荐系统模型的鲁棒性。
2022-01-12 cs.AI cs.IR cs.LG
Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System
该学位论文聚焦推荐系统模型比较与评估的理论基础，梳理了推荐系统的反馈形式、核心原理、协同过滤算法及融合辅助数据的复杂形态，为相关研究提供理论支撑。
2024-11-04 cs.IR
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
针对KG增强推荐难以平衡IG与KG对比视图的问题，提出SimKGCL框架，通过双视图互信息最大化与KG到IG的单向融合提升性能，并在三个真实数据集上验证了有效性与效率。
2023-09-23 cs.IR cs.LG
A Stakeholder-Centered View on Fairness in Music Recommender Systems
我们的叙述性文献回顾承认，虽然有越来越多的兴趣在推荐系统的公平性一般，音乐领域在这方面得到了相对较少的关注。然而，解决音乐推荐系统（MRS）的公平性是非常重要的，因为这些系统的性能相当大地影响音乐流媒体平台的用户和向这些平台提供音乐的艺术家。这些利益相关者群体可能具有的不同需求，以及因此应该考虑的公平性的不同方面，使得具有挑战性的研究领域具有充分的改进机会。本文首先从每个利益相关者和利益相关者的角度概述了MRS公平性的现有文献，然后确定了未来研究的方向。审查中提出的两个未决问题如下：（i）在MRS领域，只有有限的数据可供公开进行公平性研究;大多数数据集要么来自同一来源，要么是专有的（因此不能广泛获得）。我们如何解决这种有限的数据可用性？(ii)总体而言，审查表明，绝大多数作品分析MRS公平性的现状，而只有少数作品提出的方法来改善it. How我们可以向前迈进，以提高这些推荐系统的公平性方面的重点？在FAccTRec '22上，我们强调了在音乐领域解决RS公平性的细节。
2022-09-08 cs.CY cs.HC cs.IR
Influence Function based Data Poisoning Attacks to Top-N Recommender Systems
Iowa State University（爱荷华州立大学）；Duke University（杜克大学）
推荐系统是Web服务吸引用户的重要组成部分。流行的推荐系统使用大量众包的用户-物品交互数据来对用户偏好和物品属性进行建模，例如，评级分数;然后向用户推荐与用户偏好最佳匹配的前$N$项目。在这项工作中，我们表明，攻击者可以发起一个数据投毒攻击的推荐系统，使建议，攻击者的愿望，通过注入假用户精心制作的用户项目交互数据。具体来说，攻击者可以欺骗推荐系统向尽可能多的普通用户推荐目标项目。我们专注于基于矩阵分解的推荐系统，因为他们已经被广泛部署在工业。给定攻击者可以注入的虚假用户的数量，我们将虚假用户的评级分数制定为优化问题。然而，这个优化问题是具有挑战性的解决，因为它是一个非凸整数规划问题。为了应对这一挑战，我们开发了几种技术来近似解决优化问题。例如，我们利用影响力函数来选择对推荐有影响力的正常用户的子集，并基于这些有影响力的用户来解决我们的公式化优化问题。我们的结果表明，我们的攻击是有效的，优于现有的方法。
2020-05-31 cs.CR cs.IR cs.LG
MVIGER: Multi-View Variational Integration of Complementary Knowledge for Generative Recommender
Yonsei University（延世大学）；Korea University（韩国大学）
本文提出MVIGER框架，通过统一变分方法整合互补知识，解决不同提示模板和物品索引导致的输出不一致问题，提升推荐性能。
2026-04-26 cs.AI cs.IR
Do recommender systems benefit users?
推荐系统存在于许多Web应用程序中，以指导我们的选择。它们增加了销售额，让卖家受益，但是否通过提供相关产品让顾客受益，则值得怀疑。在这里，我们介绍了一个模型来研究推荐系统对用户的好处，并发现，从系统的建议可以等同于随机抽取，如果一个过于依赖于系统。然而，有了足够的信息，用户的喜好，建议变得准确，并突然过渡到这个准确的制度，观察到一些算法。另一方面，我们发现，一个高准确性评估的常见的准确性指标并不一定对应于一个高的真实准确性，也不是用户的好处，这作为一个警报的操作员和研究人员的推荐系统。我们用真实的数据集测试了我们的模型，并观察到了类似的行为。最后，提出了一种提高推荐精度的推荐方法.这些结果表明，推荐系统可以使用户受益，但过于依赖系统可能会使系统无效。
2015-07-05 cs.CY cs.IR cs.SI
Rs4rs: Semantically Find Recent Publications from Top Recommendation System-Related Venues
针对现有学术搜索结果宽泛、手动查找顶会顶刊论文效率低的问题，研究团队开发了Rs4rs网页应用，支持对推荐系统领域顶会顶刊最新论文进行语义搜索，提升研究效率与资源获取便捷性。
2024-09-11 cs.IR
Recommender Transformers with Behavior Pathways
Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）
序贯推荐要求推荐器从用户行为数据中捕捉用户行为的演化特征，以实现准确的推荐。然而，用户行为序列被视为一个脚本，其中有多个正在进行的线程交织在一起。我们发现，只有一小部分关键的行为可以演变成用户的未来行动。因此，用户的未来行为很难预测。我们将每个用户的连续行为的这种特征总结为行为路径。不同的用户有其独特的行为路径。在现有的序列模型中，Transformers显示出很大的能力，在捕捉全球依赖的特征。然而，这些模型主要使用自我注意力机制在所有先前行为上提供密集分布，使得最终预测被不针对每个用户调整的琐碎行为淹没。在本文中，我们建立了一个新的路径注意力机制的推荐Transformer（RETR）。RETR可以动态地规划为每个用户指定的行为路径，并通过该行为路径谨慎地激活网络，以有效地捕获对推荐有用的演变模式。关键的设计是一个学习的二元路线，以防止行为路径被琐碎的行为所淹没。我们在七个真实世界的数据集上实证验证了RETR的有效性，RETR产生了最先进的性能。
2022-06-13 cs.IR cs.LG
Multi-Resolution Diffusion for Privacy-Sensitive Recommender Systems
San Jose State University（圣何塞州立大学）
针对推荐系统依赖用户数据引发的隐私问题，提出基于分数的扩散推荐模块SDRM，可生成或增强合成数据保护隐私，其性能优于多种基线模型。
2024-06-19 cs.AI cs.CR cs.IR
Recommendation Systems for Tourism Based on Social Networks: A Survey
如今，推荐系统存在于许多日常活动中，例如在线购物、浏览社交网络等。鉴于通过信息技术重振旅游业的需求不断增加，推荐系统已被纳入Expedia、Booking或Tripadvisor等旅游网站。此外，自2004年以来，与旅游推荐系统相关的科学论文数量稳步持续增长。这种增长在很大程度上是由于社交网络，除了为研究人员提供使用大量可用和不断更新的数据的可能性外，它们还使推荐系统变得更加个性化，有效和自然。本文回顾和分析了许多研究出版物，重点是旅游推荐系统，在他们的项目中使用社交网络。我们详细介绍了他们的主要特点，如社交网络被利用，数据提取，应用的推荐技术，评价方法等，通过全面的文献综述，我们的目标是与未来的推荐系统合作，给出一些明确的分类和描述，目前的旅游推荐系统。
2019-03-28 cs.IR cs.SI
How Researchers Could Obtain Quick and Cheap User Feedback on their Algorithms Without Having to Operate their Own Recommender System
大多数推荐算法都是基于历史基准数据集进行评估的。对历史基准数据集的评估是快速和廉价的，但排除了实际消费推荐的用户的观点。用户反馈很少被收集，因为它需要访问操作推荐系统。建立和维护一个可操作的推荐系统会给大多数研究人员带来无法承担的及时和经济负担。我们的目标是减少这种负担，以促进广泛的以用户为中心的评价推荐算法，特别是在该领域的新手研究人员。我们目前正在进行的评估工具，实现了一种新的范式，使用户为中心的评价推荐算法，而无需访问一个操作推荐系统的工作。最后，我们勾勒出我们计划在评估工具的帮助下进行的实验。
2022-12-14 cs.IR
TRec: Sequential Recommender Based On Latent Item Trend Information
推荐系统在在线Web应用中扮演着重要的角色。顺序推荐系统利用用户与项目交互的最新历史信息，进一步对用户的短期偏好进行建模。大多数顺序推荐方法忽略了不断变化的项目流行度的重要性。我们从直觉中提出了这个模型，即用户交互最多的项目可能在过去很受欢迎，但最近可能会过时。为此，本文提出了一种新的顺序推荐方法TRec，TRec从隐式用户交互历史中学习项目趋势信息，并将项目趋势信息整合到下一个项目推荐任务中.然后使用自注意力机制来学习更好的节点表示。我们的模型是通过基于排序的成对优化来训练的。我们在四个基准数据集上用七种基线方法进行了大量的实验，实验结果表明，我们的方法在保持较低运行时间开销的同时，性能优于其他最先进的方法。我们的研究证明了项目趋势信息在推荐系统设计中的重要性，并且我们的方法也具有很高的效率，这使得它在现实世界中是实用的。
2020-09-11 cs.IR
Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems
University of New South Wales（新南威尔士大学）；School of Mathematics and Statistics（数学与统计学院）；Transitional Artificial Intelligence Research Group（过渡人工智能研究集团）
针对多准则推荐系统，提出基于多边二分图的多视图双注意力图网络（MDGAT），结合局部与全局对比学习，在真实数据集上显著提升物品评分预测准确性。
2025-02-26 cs.AI cs.IR cs.LG
Emergence of Spontaneous Order Through Neighborhood Formation in Peer-to-Peer Recommender Systems
Universität Freiburg（弗赖堡大学）
语义网的出现需要从集中式客户端/服务器架构转向分散式和对等计算，使得中央机构的存在变得多余甚至不可能。与此同时，推荐系统在电子商务中产生了相当大的影响，为人们提供个性化的、根据他们的需求量身定制的推荐。传统上，这些推荐系统的部署考虑到了严格的集中式场景，在与其主机网络外围分离的封闭社区中运行。我们的目标是将这两个世界结合起来，即，分散式对等计算和推荐系统，在一个基于代理的框架。我们的架构采用了一个类似的风格的协议，维护社区的志同道合的同行在一个强大的，自我组织的时尚。为了证明我们的架构的能力，以保持可扩展性，鲁棒性，并允许收敛到高质量的建议，我们进行离线实验上流行的MovieLens数据集。
2008-12-23 cs.AI cs.IR cs.MA
Poisoning Attacks to Graph-Based Recommender Systems
Iowa State University（爱荷华州立大学）；Facebook, Inc.（Facebook公司）
推荐系统是许多Web服务的重要组成部分，帮助用户找到符合他们兴趣的项目。几项研究表明，推荐系统容易受到中毒攻击，攻击者将虚假数据注入给定系统，使系统根据攻击者的意愿进行推荐。然而，这些中毒攻击要么是不可知的推荐算法或优化的推荐系统，不是基于图的。与基于关联规则和基于矩阵分解的推荐系统一样，基于图的推荐系统也被部署在实践中，例如，eBay、华为应用商店。然而，如何为基于图的推荐系统设计优化的中毒攻击仍然是一个悬而未决的问题。在这项工作中，我们进行了系统的研究中毒攻击基于图的推荐系统。由于有限的资源和避免检测，我们假设可以注入到系统中的假用户的数量是有界的。关键的挑战是如何为假用户分配评分，以便将目标项目推荐给尽可能多的正常用户。为了解决这一挑战，我们将中毒攻击制定为优化问题，解决该问题决定了虚假用户的评级分数。我们还提出了解决优化问题的技术。我们评估我们的攻击，并将其与现有的攻击下的白盒（推荐算法及其参数是已知的），灰盒（推荐算法是已知的，但其参数是未知的），黑盒（推荐算法是未知的）设置使用两个真实世界的数据集。我们的研究结果表明，我们的攻击是有效的，优于现有的攻击基于图的推荐系统。例如，当1%的虚假用户被注入时，我们的攻击可以在某些情况下将目标项目推荐给580倍的正常用户。
2018-09-11 cs.CR cs.IR cs.LG
Efficient Multi-Task Learning via Generalist Recommender
Verizon（威瑞森公司）；Intel Corporation（英特尔公司）
本文提出通才推荐器GRec，利用NLP头、并行Transformer、宽深结构和任务-句子级路由机制实现高效可扩展的多任务学习，并在大型电信平台部署后显著优于原有推荐方案。
2025-02-23 cs.AI cs.IR
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
Web应用程序中信息的丰富性使得推荐对于用户和应用程序都是必不可少的。尽管现有的推荐系统的有效性，我们发现两个主要的限制，降低其整体性能：（1）无法提供及时的建议，为新的和现有的用户考虑用户偏好的动态性质，（2）没有完全优化的排名任务时，使用隐式反馈。因此，本文提出了一种基于深度学习的统一跨网络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的推荐。此外，本文将隐式反馈下的排序问题视为分类任务，并提出了一种通用的隐式数据个性化列表优化准则，以有效地对项目列表进行排序。我们说明了我们的跨网络模型使用Twitter的辅助信息的建议在YouTube的目标网络。与多个时间感知和跨网络基线的广泛比较表明，所提出的解决方案在准确性，新颖性和多样性方面是优越的。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的最先进的排序技术。
2020-08-25 cs.AI cs.IR cs.LG
