TrNews: Heterogeneous User-Interest Transfer Learning for News Recommendation
HKUST（香港科技大学）
我们研究如何解决未来的跨语料库新闻推荐未见过的用户。这是传统的基于内容的推荐技术经常失败的问题。幸运的是，在现实世界的推荐服务中，一些出版商（例如，每日新闻）可能已经积累了具有许多消费者的大语料库，其可以用于新部署的发布者（例如，政治新闻）。为了充分利用现有的语料库，我们提出了一个迁移学习模型（称为TrNews）的新闻推荐，从源语料库的知识转移到目标语料库。为了解决不同的用户兴趣和不同的词分布在语料库中的异质性，我们设计了一个基于翻译的迁移学习策略来学习源和目标语料库之间的表示映射。学习的翻译器可以用于为未来的未见过的用户生成表示。我们通过对真实世界数据集的实验表明，TrNews在四个指标方面优于各种基线。我们还表明，我们的翻译是有效的现有的迁移策略。
2021-01-27 cs.AI cs.CL cs.IR
Propagation-aware Social Recommendation by Transfer Learning
University of Technology Sydney（悉尼科技大学）；Northeastern University（东北大学）
社会感知推荐方法被认为是解决传统推荐系统数据稀疏性问题的有效途径。背后的假设是，社交用户-用户连接中的知识可以被共享并转移到用户-项目交互的领域，从而帮助学习用户偏好。然而，大多数现有的方法在迁移学习过程中仅仅采用用户之间的一阶联系，而忽略了更高阶的联系。我们认为，更好的推荐性能也可以受益于高阶社会关系。提出了一种基于社会关系传播的学习感知迁移学习网络（PTLN）。我们的目标是更好地挖掘隐藏在社交网络中的共享知识，从而进一步提高推荐性能。具体而言，我们从两个方面探讨了社会影响：（a）更高级别的朋友已经被考虑的顺序偏差;（b）在同一顺序的不同朋友将有不同的重要性推荐的注意力机制。此外，我们设计了一种新的正则化，以弥合社会关系和用户-项目交互之间的差距。我们在两个真实世界的数据集上进行了广泛的实验，并在排名准确性方面击败了其他同行，特别是对于历史交互很少的冷启动用户。
2021-07-10 cs.AI cs.IR cs.LG
PrivNet: Safeguarding Private Attributes in Transfer Learning for Recommendation
HKUST（香港科技大学）
迁移学习是利用源领域知识改进目标推荐系统的一种有效方法。现有的研究主要关注目标域的推荐性能，而忽略了源域的隐私泄露问题。然而，转移的知识可能会无意中泄露源域的私有信息。例如，攻击者可以从源域数据所有者提供的用户历史购买中准确地推断出用户人口统计信息。本文通过学习一种隐私感知神经表示，在保护源隐私的同时提高目标性能，解决了上述隐私保护问题。其核心思想是在训练过程中模拟攻击，以保护未来未见过用户的隐私，通过对抗游戏建模，使迁移学习模型对攻击具有鲁棒性。实验结果表明，该模型能够有效地分离出有利于知识传输的知识和泄露的隐私。
2020-10-16 cs.AI cs.CL cs.IR
Transfer Learning for Algorithm Recommendation
University of São Paulo（圣保罗大学）；Federal Technology University of Paraná（巴拉那联邦科技大学）
元学习是机器学习的一个子领域，旨在利用先验知识以更快的速度和更少的数据进行学习[1]。元学习可以应用于不同的场景，最常见的一种是算法推荐，其中可以使用之前在多个数据集上应用机器学习算法的经验来学习从一组选项中选择哪种算法更适合新的数据集[2]。也许最流行的元学习形式是迁移学习，它包括在先前的学习任务中转移机器学习算法获得的知识，以在另一个类似的任务中更快地提高其性能[3]。迁移学习已广泛应用于各种复杂任务，如图像分类、机器翻译和语音识别，并取得了显著的效果[4，5，6，7，8]。虽然迁移学习在传统学习或基础学习中非常常用，但它在元学习设置中是否有用仍然是未知的。为此，在本文中，我们调查的影响，转移知识的元水平，而不是基础水平。因此，我们在与算法推荐相关的元数据集上训练神经网络，然后使用迁移学习，我们在来自同一领域的其他类似数据集中重用由神经网络学习的知识，以验证所获得的元知识的可迁移性。
2019-10-15 cs.LG cs.NE stat.ML
Incentivising Exploration and Recommendations for Contextual Bandits with Payments
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
我们提出了一个基于上下文的强盗模型，以捕捉学习和社会福利目标的网络平台中存在的近视用户。通过使用支付来激励这些代理探索不同的项目/推荐，我们展示了平台如何学习项目的固有属性并实现次线性遗憾，同时最大化累积社会福利。我们还计算了激励平台的累积成本的理论界限。与该领域以前的作品不同，我们认为上下文是完全对抗的，对手的行为对平台是未知的。我们的方法可以提高用户在电子商务商店，推荐引擎和匹配平台上的各种参与度指标。
2020-01-22 cs.IR cs.LG stat.ML
Embedding models for recommendation under contextual constraints
Criteo AI Lab（Criteo人工智能实验室）
嵌入模型是推荐系统的一个关键组成部分，它根据用户与项目的交互模式来学习用户和项目的潜在表示。在许多应用中，需要应用上下文约束来细化推荐，例如，当用户指定价格范围或产品类别过滤器时。对于上下文感知模型和标准模型，传统的方法是检索项并将约束作为独立的操作应用。执行这两个步骤的顺序可能会导致重大问题。例如，后验地应用约束可能导致不完整的推荐或分布尾部的低质量结果（即，不太受欢迎的项目）。因此，约束带来的关于用户意图的附加信息可能不会被准确地捕获。在本文中，我们提出了集成的上下文约束的相似性计算所提供的信息，通过合并约束的应用和检索到嵌入空间中的一个操作。这种技术允许我们为指定的约束生成高质量的建议。我们的方法学习约束表示与用户和项目嵌入。我们将我们的方法纳入矩阵分解模型，并在一个内部和两个真实世界的数据集上进行实验评估。我们的研究结果表明，与上下文感知和标准模型相比，预测性能有显着提高。
2019-06-21 cs.IR cs.LG stat.ML
On the Overlooked Significance of Underutilized Contextual Features in Recent News Recommendation Models
Seoul National University（首尔大学）；NAVER Corp（NAVER公司）；POSTECH（浦项工科大学）
个性化新闻推荐的目的是通过预测读者点击某篇文章的可能性，为读者提供有吸引力的文章。为了准确地预测这种概率，已经提出了大量的研究，积极利用文章的内容特征，如词，类别或实体。然而，我们观察到，文章的上下文特征，如点击率（CTR），流行度，或新鲜度，最近被忽视或利用不足。为了证明这一点，我们对最近的深度学习模型和我们设计的朴素上下文模型进行了广泛的比较，并惊讶地发现后者的表现轻松优于前者。此外，我们的分析表明，最近将过于复杂的深度学习操作应用于上下文特征的趋势实际上阻碍了推荐性能。从这些知识，我们设计了一个有目的的简单的上下文模块，可以大大提高以前的新闻推荐模型。
2021-12-29 cs.IR cs.LG
Two-Stage Neural Contextual Bandits for Personalised News Recommendation
Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织Data61）；Deakin University（迪肯大学）；Microsoft Research Asia（微软亚洲研究院）
我们考虑的问题，个性化的新闻推荐，每个用户消费的顺序方式的新闻。现有的个性化新闻推荐方法注重挖掘用户兴趣，忽略了用户对推荐的探索性，导致了反馈循环的偏差，长期影响了推荐质量。我们建立在上下文强盗推荐策略，自然解决开发探索权衡。主要的挑战是探索大规模项目空间和利用不确定性的深度表示的计算效率。我们提出了一个两阶段的分层主题新闻深度上下文强盗框架，有效地学习用户的偏好时，有很多的新闻项目。我们使用深度学习表示用户和新闻，并将神经置信上限（UCB）策略推广到广义加性UCB和双线性UCB。在大规模新闻推荐数据集上的实验结果表明，我们提出的策略是有效的，优于基线强盗政策。
2022-06-26 cs.IR cs.LG
Augmenting Recurrent Neural Networks with High-Order User-Contextual Preference for Session-Based Recommendation
KAIST（韩国科学技术院）
与以前的方法相比，最近采用循环神经网络（RNN）进行会话建模已经产生了大量的性能提升。然而，在上下文感知会话建模方面，现有的基于RNN的模型受到限制，因为它们没有被设计为显式地对丰富的静态用户侧上下文（例如，年龄、性别、地点）。因此，在本文中，我们探索了RNN会话模型的显式用户端上下文建模的实用性。具体来说，我们提出了一个增强的RNN（ARNN）模型，提取高阶用户上下文偏好使用基于产品的神经网络（PNN），以增强任何现有的RNN会话模型。评估结果表明，当用户端上下文丰富时，我们提出的模型的性能大大优于基线RNN会话模型。
2018-05-08 cs.IR cs.LG stat.ML
Simulated Contextual Bandits for Personalization Tasks from Recommendation Datasets
Skoltech（斯科尔科沃科学技术学院）
我们提出了一种方法，用于从MovieLens，Netflix，Last.fm，Million Song等推荐数据集生成用于个性化任务的模拟上下文强盗环境，这允许基于真实数据开发个性化环境，以反映真实世界用户交互的细微差别。所获得的环境可用于开发解决个性化任务、算法基准测试、模型仿真等的方法。我们用MovieLens和IMDb数据集上的数值例子证明了我们的方法。
2022-12-17 cs.AI cs.IR cs.LG
Joint Modeling of Search and Recommendations Via an Unified Contextual Recommender (UniCoRn)
Netflix Research（网飞研究院）
本文提出统一深度学习模型UniCoRn，联合处理搜索与推荐任务，以解决分开开发导致的维护复杂和技术债务问题。
2024-08-19 cs.AI cs.IR cs.LG
Interpreting Contextual Effects By Contextual Modeling In Recommender Systems
推荐系统已经被广泛应用于通过提供个性化项目推荐列表来辅助用户的决策。上下文感知推荐系统（CARS）在推荐过程中还考虑了上下文信息，因为用户对物品的品味可能因上下文而异。为了提高推荐的质量，已经提出并开发了几种上下文感知的推荐算法。然而，有有限的研究探索和讨论的能力，解释的上下文效果的推荐模型。在本文中，我们特别关注不同的上下文建模方法，重塑模型的结构，并探讨如何利用现有的上下文建模解释的上下文效果的推荐系统。我们比较了上下文效应的解释，以及在两个真实世界的数据集的推荐性能，以检查解释的质量。
2017-10-23 cs.IR
Neural Contextual Bandits for Personalized Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本教程探讨上下文赌博机在个性化推荐中的应用，重点研究神经上下文赌博机及其协作变体，以缓解马太效应并处理用户异质性，同时展望大型神经模型带来的新挑战。
2023-12-21 cs.AI cs.IR cs.LG
Contextual Hybrid Session-based News Recommendation with Recurrent Neural Networks
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；University of Klagenfurt（克拉根福大学）
推荐系统通过向用户提供定制的项目建议来帮助用户处理信息过载。新闻的推荐通常被认为是具有挑战性的，因为文章对于用户的相关性可以取决于各种因素，包括用户的短期阅读兴趣、读者的上下文、或者文章的新近度或流行度。以前的工作表明，循环神经网络的使用是有前途的下一个会话预测任务，但有一定的局限性时，只有记录的项目点击序列作为输入。在这项工作中，我们提出了一个上下文混合，基于深度学习的方法，基于会话的新闻推荐，能够利用各种信息类型。我们在两个公共数据集上评估了我们的方法，使用一个时间评估协议，以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了考虑其他类型的信息，包括文章的流行度和新近度，在所提出的方式，导致显着更高的推荐准确性和目录覆盖率比其他基于会话的算法的好处。额外的实验表明，我们的方法中使用的拟议参数化损失函数也允许我们平衡两个通常相互冲突的质量因素，准确性和新颖性。保留字：人工神经网络，上下文感知推荐系统，混合推荐系统，新闻推荐系统，会话推荐
2019-12-08 cs.IR cs.LG stat.ML
Calibrated Recommendations with Contextual Bandits
Spotify；NYU（纽约大学）；Uber
针对Spotify首页内容类型分布不均的问题，提出基于上下文Bandits的校准方法，动态学习用户最优内容分布，提升推荐精确度与参与度，尤其惠及播客等冷门类型。
2025-09-05 cs.IR cs.LG stat.ML
A Systematic Analysis on the Impact of Contextual Information on Point-of-Interest Recommendation
University College London（伦敦大学学院）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）；Università della Svizzera italiana (USI)（瑞士意大利语大学）
随着基于位置的社交网络（LBSNs）的普及，设计精确的兴趣点推荐模型受到了越来越多的关注。POI推荐通常通过将上下文信息并入先前设计的推荐算法来执行。在POI推荐中已经考虑的一些主要上下文信息是位置属性（即，位置、类别和登记时间的精确坐标），用户属性（即，评论、评论、提示和对位置的签到）以及其他信息，诸如POI与用户的主要活动位置的距离以及用户之间的社交联系。这些因素的正确选择可以显著影响POI推荐的性能。然而，以前的研究没有考虑这些不同因素的组合的影响。本文提出了不同的上下文模型，并分析了在兴趣点推荐中不同上下文信息的融合。本文的主要贡献是：（i）提供上下文感知位置推荐的广泛调查（ii）量化和分析不同上下文信息（例如，社会的，时间的，空间的，和分类的）在POI推荐可用的基线和两个新的线性和非线性模型，可以将所有主要的上下文信息到一个单一的推荐模型，以及（iii）评估所考虑的模型使用两个众所周知的现实世界的数据集。我们的研究结果表明，虽然建模地理和时间的影响可以提高推荐质量，融合所有其他上下文信息到一个推荐模型并不总是最好的策略。
2022-01-20 cs.AI cs.IR
Contextual Bandit with Herding Effects: Algorithms and Recommendation Applications
Chongqing University（重庆大学）；University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对用户反馈中羊群效应导致的偏差，提出TS-Conf算法，通过后验采样平衡探索与利用，有效减轻负面影响并提升推荐准确率。
2024-08-28 cs.AI cs.IR cs.LG
Contextual User Browsing Bandits for Large-Scale Online Mobile Recommendation
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
在线推荐服务向用户推荐多种商品。如今，相当比例的用户通过移动设备访问电子商务平台。由于移动设备的屏幕尺寸有限，商品的位置对点击有很大的影响：1）位置越高，一个商品的点击就越多。2)“伪曝光”问题：第一眼只显示了几个推荐项目，用户需要滑动屏幕才能浏览其他项目。因此，一些排名靠后的推荐项目不会被用户查看，将这类项目视为负样本是不恰当的。虽然许多工作模型的在线推荐作为上下文强盗问题，他们很少考虑到的影响的立场，因此，估计的奖励函数可能会有偏差。在本文中，我们旨在解决这两个问题，以提高性能的在线移动推荐。我们的贡献是四方面的。首先，由于我们关注的是一组推荐项目的奖励，我们将在线推荐建模为上下文组合强盗问题，并定义了推荐集的奖励。其次，我们提出了一种新的上下文组合强盗方法称为UBM-LinUCB解决两个问题，通过采用用户浏览模型（UBM），点击网络搜索模型的位置。第三，我们提供了一个正式的遗憾分析，并证明我们的算法实现次线性遗憾的项目数无关。最后，我们评估我们的算法在两个真实世界的数据集由一个新的无偏估计。淘宝网是世界上最受欢迎的电子商务平台之一。两个CTR指标上的实验结果表明，该算法优于其他上下文强盗算法。
2020-08-21 cs.IR cs.LG
A new approach of contextual recommendation based on the method of Hierarchical Analysis of Processes
推荐系统能够根据用户与其他相似用户的相关信息以及资源的适当性来估计用户对资源的兴趣。在本文中，我们介绍了一种新的基于AHP过程层次分析方法的上下文推荐方法。这项工作包括对电影领域的用户背景下提出推荐系统的作品进行书目研究。我们的目标是设计和开发一种新的方法来推荐基于用户上下文的电影。我们依靠多标准决策（MCDM）的方法，更准确地说，层次过程分析（AHP）的方法，在推荐过程中的上下文集成。
2018-10-23 cs.IR
Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks
推荐可以从推荐时良好的用户状态表示中受益匪浅。最近利用循环神经网络（RNN）进行基于会话的推荐的方法表明，深度学习模型可以为推荐提供有用的用户表示。然而，当前的RNN建模方法仅通过考虑用户过去与之交互的项目序列来总结用户状态，而不考虑其他基本类型的上下文信息，例如用户-项目交互的关联类型，事件之间的时间间隔以及每次交互的时间。为了解决这个问题，我们提出了一类新的上下文循环神经网络推荐（CRNN），它可以考虑输入和输出层的上下文信息，并通过将上下文嵌入与项目嵌入相结合来修改RNN的行为，更明确地说，在模型动态中，通过将隐藏单元转换参数化为上下文信息的函数。我们将CRNN方法与RNN和非顺序基线进行了比较，并在下一个事件预测任务上显示出良好的改进。
2017-06-23 cs.IR
Large-scale Personalized Video Game Recommendation via Social-aware Contextualized Graph Neural Network
随着网络游戏的大量涌现，网络游戏推荐系统对用户和网络游戏平台来说都是必不可少的。前者可以发现更多他们感兴趣的潜在在线游戏，后者可以吸引用户在平台上停留更长时间。本文研究了Steam平台上在线游戏的用户行为特征。基于观察，我们认为，一个令人满意的在线游戏推荐系统能够表征：个性化，游戏情境化和社会联系。然而，同时解决所有问题对于游戏推荐来说是相当具有挑战性的。首先，个性化的游戏推荐需要加入的逗留时间的参与游戏，这是在现有的方法中被忽略。其次，游戏情境化应该反映这些关系的复杂性和高阶性。最后但并非最不重要的是，由于社交关系中的大量噪音，直接使用社交关系进行游戏推荐是有问题的。为此，我们提出了一个社会感知的上下文图神经推荐系统（SCGRec），它利用三个角度来提高游戏推荐。我们对用户的网络游戏行为进行了全面的分析，这就激发了在网络游戏推荐中处理这三个特征的必要性。
2022-02-11 cs.IR
Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations
Delhi Technological University（德里理工大学）
在过去的几十年里，电子商务领域的快速发展导致了对个性化，高效和动态推荐系统的迫切需求。为了充分满足这一需求，我们提出了一种新的方法，通过创建一个集成的聚类与强化学习来生成前k推荐。我们采用了DB扫描集群来处理巨大的项目空间，从而提高了效率。此外，通过使用深度上下文强化学习，我们提出的工作充分利用了用户特征。通过部分更新和批量更新，模型可以不断学习用户模式。基于Duelling Bandit的探索由于其自适应性质而与最先进的策略相比提供了稳健的探索。在公共数据集上进行的详细实验验证了我们关于我们的技术与现有技术相比的效率的说法。
2020-11-29 cs.AI cs.IR cs.LG
MTS Kion Implicit Contextualised Sequential Dataset for Movie Recommendation
我们提出了一个新的电影和电视节目推荐数据集收集的MTS Kion视频点播平台的真实用户。与其他流行的电影推荐数据集（如MovieLens或Netflix）相比，我们的数据集基于观看时注册的隐式交互，而不是显式评级。我们还提供丰富的上下文和辅助信息，包括交互特征（如时间信息，观看持续时间和观看百分比），用户人口统计信息和丰富的电影元信息。此外，我们还介绍了MTS Kion挑战赛-一个基于此数据集的在线推荐系统挑战赛-并概述了获胜者的最佳解决方案。我们保持竞争沙箱的开放，因此欢迎研究人员尝试他们自己的推荐算法，并在数据集的私有部分测量质量。
2022-09-01 cs.IR
Déjà vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
University of Virginia（弗吉尼亚大学）
根据用户的历史行为序列预测用户的偏好是现代推荐系统的关键和挑战。现有的顺序推荐算法在建模历史事件对当前预测的影响时，大多关注顺序行为之间的过渡结构，而忽略了时间和上下文信息。在本文中，我们认为，过去的事件对用户的当前行动的影响应该随着时间的推移和不同的上下文。因此，我们提出了一个语境化的时间注意力机制，它学会权衡历史行动的影响，不仅是什么行动，而且行动何时以及如何发生。更具体地说，为了动态地校准来自自注意力机制的相对输入依赖性，我们部署了多个参数化核函数来学习各种时间动态，然后使用上下文信息来确定每个输入遵循这些重新加权核中的哪一个。在对两个大型公共推荐数据集的实证评估中，我们的模型始终优于一组广泛的最先进的顺序推荐方法。
2020-01-29 cs.CL cs.IR cs.LG
Cold-start Problems in Recommendation Systems via Contextual-bandit Algorithms
在本文中，我们研究了一个冷启动问题，在推荐系统中，我们有完全新的用户进入系统。新用户以前没有与系统进行任何互动或反馈，因此没有评分。琐碎的方法是选择随机的项目或最流行的推荐给新用户。然而，这些方法在许多情况下表现不佳。在这项研究中，我们提供了一个新的面貌，这种冷启动问题的推荐系统。事实上，我们把这个冷启动问题作为一个上下文强盗问题。不需要关于新用户和新项目的额外信息。我们认为所有过去的评级，以前的用户作为上下文信息集成到推荐框架。为了解决这类冷启动问题，我们提出了一种新的有效的方法，这是基于LinUCB算法的上下文强盗问题。实验是在三个不同的公开数据集上进行的，即Movielens，Netflix和Yahoo！音乐.新提出的方法也与其他国家的最先进的技术进行了比较。实验表明，我们的新方法显着改善所有这些方法。
2014-05-29 cs.IR
Exposure-Aware Recommendation using Contextual Bandits
曝光偏差是推荐系统中的一个众所周知的问题，其中物品和供应商在推荐结果中的代表性不相等。当偏差随着时间的推移被放大为几个项目（例如，受欢迎的项目）在推荐列表中被反复过度表示，并且用户与这些项目的交互将随着时间的推移放大对这些项目的偏见，从而导致反馈循环。这个问题已经在基于模型或基于邻域的推荐算法的文献中得到了广泛的研究，但是在在线推荐模型上做的工作较少，例如基于top-K上下文强盗的推荐模型，其中推荐模型根据用户反馈动态更新。在本文中，我们研究了一类著名的上下文强盗算法称为线性级联强盗曝光偏差。我们分析了这些算法处理曝光偏差的能力，并为推荐结果中的项目提供了公平的表示。我们的分析表明，这些算法往往会随着时间的推移放大项目之间的暴露差异。特别是，我们观察到，这些算法不能正确地适应用户提供的反馈，并经常推荐某些项目，即使这些项目没有被用户选择。为了减轻这种偏差，我们提出了一种曝光感知（EA）奖励模型，该模型基于两个因素更新模型参数：1）用户反馈（即，点击与否），以及2）项目在推荐列表中的位置。这样，所提出的模型基于项目在推荐列表中的曝光度来控制分配给项目的效用。实验结果表明，该奖励模型在保持推荐准确率的同时，降低了曝光偏差的长期放大.
2022-09-04 cs.IR
Interpretable Contextual Team-aware Item Recommendation: Application in Multiplayer Online Battle Arena Games
Pontificia Universidad Católica de Chile（智利天主教大学）；Millennium Institute Foundational Research on Data, IMFD（千年数据基础研究所）
视频游戏行业已经采用推荐系统来提高用户对游戏销售的兴趣。视频游戏中的其他令人兴奋的应用程序是那些帮助玩家做出决定，最大限度地提高他们的游戏体验的应用程序，这是实时战略视频游戏中的一个理想功能，例如多人在线战斗竞技场（MOBA），如DotA和LoL。在这些任务中，考虑到游戏的上下文性质以及它如何暴露对每个团队形成的依赖性，物品的推荐是具有挑战性的。现有的工作在这个主题上不利用所有可用的上下文匹配数据，并驳回潜在的有价值的信息。为了解决这个问题，我们开发了TTIR，这是一个上下文推荐模型，它来自于Transformer神经架构，根据描述匹配的团队和角色的上下文，向每个团队成员推荐一组项目。TTIR优于几种方法，并通过注意力权重的可视化提供可解释的建议。我们的评估表明，无论是Transformer架构和上下文信息是必不可少的，以获得最佳的结果，这个项目的推荐任务。此外，初步的用户调查表明，有用的注意力权重解释的建议，以及对未来工作的想法。代码和数据集可在https://github.com/ojedaf/IC-TIR-Lol上获得。
2020-07-30 cs.AI cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore（新加坡国立大学）；Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Singapore Management University（新加坡管理大学）
本文提出CARE框架，结合外部推荐系统和LLM进行上下文适应，提升对话推荐的准确性，实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
推荐系统的目标是向用户提供最符合其兴趣的有序项目列表。作为推荐流程中的一项关键任务，重新排序近年来受到越来越多的关注。与单独对每个项目进行评分的传统排名模型相比，重新排名旨在明确地对项目之间的相互影响进行建模，以进一步细化给定初始排名列表的项目的排序。在本文中，我们提出了一个个性化的重新排序模型（称为PEAR）的基础上，上下文化的Transformer。PEAR对现有方法进行了几项重大改进。具体来说，PEAR不仅捕获功能级和项目级的交互，而且还从初始排名列表和历史点击项目列表中对项目上下文进行建模。除了项目级别的排名分数预测，我们还通过列表级别的分类任务来增强PEAR的训练，以评估用户对整个排名列表的满意度。在公共数据集和生产数据集上的实验结果表明，与以前的重新排序模型相比，PEAR具有更好的有效性。
2022-03-23 cs.IR cs.LG
Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph
图神经网络（GNN）最近被应用于利用知识图谱（KG）进行推荐。现有的基于GNN的方法显式地对KG中的实体与其局部图上下文之间的依赖性进行建模（即，它的一阶邻居的集合），但是在捕获它的非局部图上下文时可能不是有效的（即，最相关的高阶邻居的集合）。在本文中，我们提出了一种新的推荐框架，命名为上下文化图注意力网络（CGAT），它可以显式地利用本地和非本地图形上下文信息的一个实体在KG。具体地说，CGAT捕捉本地上下文信息的用户特定的图形注意力机制，考虑到用户的个性化偏好的实体。此外，CGAT采用有偏随机游走采样过程来提取实体的非局部上下文，并利用递归神经网络（RNN）来建模实体与其非局部上下文实体之间的依赖关系。为了捕捉用户对项目的个性化偏好，还开发了项目特定的注意力机制来建模目标项目和从用户的历史行为中提取的上下文项目之间的依赖关系。在真实数据集上的实验结果证明了CGAT的有效性，与最先进的基于KG的推荐方法相比。
2020-04-24 cs.IR
HySAGE: A Hybrid Static and Adaptive Graph Embedding Network for Context-Drifting Recommendations
最近边缘设备和人工智能物联网（AIoT）的流行推动了新一波的上下文推荐，例如基于位置的兴趣点（POI）推荐和计算资源感知的移动应用推荐。在许多这样的推荐场景中，上下文随着时间的推移而漂移。例如，在移动游戏推荐中，移动设备的位置、电池和存储水平等上下文特征经常随着时间而漂移。然而，大多数现有的基于图的协同过滤方法是在静态特征的假设下设计的。因此，它们将需要频繁的再训练和/或产生大小迅速增长的图形模型，从而阻碍它们对上下文漂移推荐的适用性。在这项工作中，我们提出了一个专门定制的混合静态和自适应图嵌入（HySAGE）网络的上下文漂移的建议。我们的核心思想是理清相对静态的用户-项目交互和快速漂移的上下文特征。具体来说，我们提出的HySAGE网络从用户-项目交互中学习相对静态的图形嵌入，并从漂移的上下文特征中学习自适应嵌入。这些嵌入被合并到兴趣网络中，以在某些特定的上下文中生成用户兴趣。我们采用交互式注意模块来学习静态图嵌入、自适应上下文嵌入和用户兴趣之间的交互，从而帮助实现更好的最终表示。在真实数据集上的大量实验表明，HySAGE显著提高了现有推荐算法的性能。
2022-08-20 cs.IR
Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation
针对对话式推荐中整体建模忽视信息纠缠的问题，提出DisenCRS模型，采用自监督对比与反事实推理双解耦框架区分焦点与背景信息，并引入自适应提示学习，显著提升推荐与回复生成性能。
2025-04-24 cs.IR
Contextualizing Spotify's Audiobook List Recommendations with Descriptive Shelves
针对Spotify有声书推荐，提出利用领域分类法和大型语言模型（LLMs）丰富项目元数据、为用户兴趣主题创建描述性书架的情境化推荐流程，A/B测试提升了用户参与度和发现指标，对用户与创作者均有益。
2025-04-18 cs.IR
Intent-Aware Contextual Recommendation System
University of Southern California（南加州大学）；Adobe Research（Adobe 研究院）；Adobe（Adobe 公司）
推荐系统从用户历史中获取输入，使用内部排名算法来生成结果，并可能基于反馈优化此排名。然而，推荐系统通常不知道用户的实际意图，并且简单地动态地提供推荐，而没有正确地理解用户的思维过程。智能推荐系统不仅对用户有用，而且对想要了解用户倾向的企业也有用。找出用户的倾向或意图是一个难以解决的问题。考虑到这一点，我们试图创建一个智能系统，它将跟踪用户在Web应用程序上的活动，并确定用户在每个会话中的意图。我们设计了一种通过会话对用户活动进行编码的方法。然后，我们已经表示了用户看到的信息在一个高维格式，这是减少到较低的维度，使用张量分解技术。意图意识（或评分）方面在此阶段处理。最后，将用户活动数据与上下文信息相结合给出推荐分数。然后，使用过滤和协作推荐技术对最终推荐进行排名，以向用户显示前k个推荐。在当前系统中还设想提供反馈，其通知模型更新推荐系统中的各种权重。我们的整体模型旨在结合基于频率和基于上下文的推荐系统，并量化用户的意图，以提供更好的推荐。我们对真实世界的时间戳用户活动数据进行了实验，在向业务分析工具的用户推荐报告的设置中，结果优于基线。我们还调整了模型的某些方面，以获得优化的结果。
2017-11-28 cs.AI cs.IR cs.LG
Kernel Density Estimation based Factored Relevance Model for Multi-Contextual Point-of-Interest Recommendation
如果自动上下文建议算法可以从用户的偏好历史（利用）中提取信息并将其与用户的当前上下文信息（探索）有效地混合以预测POI在当前上下文中的“适当性”，则该自动上下文建议算法可能向用户推荐上下文适当且个性化的“兴趣点”（POI）。为了平衡这种利用和探索之间的权衡，我们提出了一个无监督的，通用的框架，涉及一个因子相关性模型（FRLM），构成两个不同的组成部分，一个有关的历史背景，和其他对应的当前上下文。我们进一步推广所提出的FRLM通过将使用核密度估计（KDE）嵌入的词向量的POI描述符之间的语义关系。此外，我们表明，行程限定符，（例如“trip-type”，“accumied-by”）是潜在的有用的信息源，可用于提高推荐的有效性。使用这样的信息不是直接的，因为用户对访问的POI的文本/评论通常不明确地包含这样的注释。我们采用弱监督的方法来预测用户简档中的评论文本与可能的旅行上下文之间的关联。我们在TREC上下文建议2016数据集上进行的实验表明，相关性模型的因子分解，基于KDE的概括和行程限定符丰富的上下文可以提高POI推荐。
2021-11-25 cs.IR
Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation
本文提出BCIPM方法，通过行为上下文化物品偏好网络学习用户在各行为中的特定偏好，仅利用与目标行为相关的偏好进行推荐以减少噪声，并采用预训练策略缓解数据稀疏，在四个数据集上表现优于现有模型。
2024-04-28 cs.IR
An Integrated Framework for Contextual Personalized LLM-Based Food Recommendation
UNIVERSITY OF CALIFORNIA, IRVINE（加利福尼亚大学欧文分校）
针对个性化食物推荐系统组件碎片化及通用语言处理策略缺乏领域专业化的问题，提出集成框架 F-RLP，结合多媒体记录平台与 World Food Atlas，定制化利用 LLMs 实现上下文相关的个性化推荐。
2025-04-25 cs.AI cs.IR
CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation
顺序推荐技术通过处理随时间变化的用户偏好，为用户提供适合其当前偏好的产品推荐。以前的研究集中在对序列动态进行建模，而没有太多地考虑哪种最畅销的产品（即，标题项目）或利基产品（即，尾项）。我们仔细研究的结构原因，为什么尾项几乎没有在当前的顺序推荐模型，其中包括一个项目嵌入层，一个序列建模层，和一个推荐层。设计良好的序列建模和推荐层有望自然地学习合适的项目嵌入。然而，尾项可能达不到这一预期，因为当前的模型结构不适合在数据不足的情况下学习高质量的嵌入。因此，尾项很少被推荐。为了消除这个问题，我们提出了一个名为CITIES的框架，其目的是通过使用多个上下文头项训练嵌入推理函数来提高尾项嵌入的质量，从而不仅提高尾项的推荐性能，而且提高头项的推荐性能。此外，我们的框架可以推断新的项目嵌入，而无需额外的学习过程。在两个真实数据集上的大量实验表明，将CITIES应用于最先进的方法可以提高尾项和头项的推荐性能。我们进行了一个额外的实验，以验证CITIES可以推断出合适的新项目嵌入。
2021-05-23 cs.IR
Representation Learning for Image-based Music Recommendation
图像感知是提供关于用户关于他/她的周围环境的上下文信息的最直接的方式之一;因此图像是上下文推荐的合适代理。我们提出了一种新的表示学习框架，基于图像的音乐推荐，弥合音乐和图像数据之间的异质性差距，所提出的方法是各种上下文推荐任务的关键组成部分。初步实验表明，对于图像到歌曲检索任务，所提出的方法检索相关的或概念上相似的歌曲输入图像。
2018-08-29 cs.IR cs.MM cs.SI
A Contextual-Aware Position Encoding for Sequential Recommendation
针对序列推荐中传统位置编码性能有限、定制化研究不足的问题，提出首个专门面向序列推荐的上下文感知位置编码方法CAPE，可提升多类骨干模型效果，在基准测试和工业部署中均验证了有效性。
2025-02-22 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
Multi-behavior Graph Contextual Aware Network for Session-based Recommendation
基于会话的推荐（Session Based Recommendation，SBR）中，预测短时间序列的下一次交互是一个具有挑战性的任务，而多行为会话推荐考虑了会话序列中的多种交互类型，如点击和购买，以充分捕捉更有效的用户意图表示，尽管现有的基于多行为的SBR方法性能优越，但仍存在一些严重的局限性：（1）现有的研究大多集中在单一的下一行为目标类型上，未能对多个行为会话进行统一建模。(ii)以前的方法也忽略了各种下一个行为和历史行为序列之间的语义关系，这是重要的信号，以获得当前的潜在意图SBR。(iii)现有模型建立的全局跨会话项-项图可能会包含语义和上下文噪声，从而实现多行为会话推荐。为了克服限制（i）和（ii），我们提出了两个新的任务SBR，这需要将历史行为和下一个行为到统一的多行为推荐建模。为此，我们设计了一个多行为图上下文感知网络（MGCNet）的多行为会话为基础的建议的两个任务。具体来说，我们建立了一个多行为的全局项目转移图的基础上，涉及所有的交互类型的所有会话。基于全局图，MGCNet基于局部上下文意图将全局兴趣表示附加到最终项目表示，以解决限制（iii）。最后，我们显式地利用下一个行为信息来指导SBR的一般兴趣和当前意图的学习。在三个公共基准数据集上的实验表明，MGCNet在基于会话的多行为推荐中的性能优于现有的模型。
2021-09-24 cs.IR
Contextual Font Recommendations based on User Intent
Adobe Inc.（奥多比公司）
针对Adobe字体库庞大导致用户选字困难、多使用默认字体的问题，研究提出意图驱动的上下文字体推荐系统，支持多语言输入、按权限调整免费付费字体组合，已在数百万Adobe Express用户中实现超25%的点击率。
2023-06-14 cs.HC cs.IR cs.LG
Graph-Based Recommendation System
University College London（伦敦大学学院）
在这项工作中，我们研究推荐系统建模为上下文多臂强盗（MAB）问题。我们提出了一个基于图的推荐系统，学习和利用用户空间的几何形状，在用户域中创建有意义的集群。这降低了推荐问题的维度，同时保持了MAB的准确性。然后，我们研究了图的稀疏性和集群大小对MAB性能的影响，并在合成和真实情况下的数据集提供详尽的模拟结果。仿真结果表明，相对于国家的最先进的MAB算法的改进。
2018-07-31 cs.IR cs.LG stat.ML
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
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich（苏黎世大学）
负面用户偏好是一个重要的背景，没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下，此上下文特别有用。在这项工作中，我们描述了一个新的推荐算法，明确地模型消极的用户偏好，以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型，将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估，我们证明了我们的方法能够提高推荐质量：通过提高准确性，同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值，也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
Contextual Personalized Re-Ranking of Music Recommendations through Audio Features
用户可以通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。访问如此大的目录，创造了相关的歌曲推荐的需要。然而，用户偏好本质上是高度主观的并且根据上下文（例如，适合早上的音乐不适合晚上）。此外，一个用户在给定上下文中可能偏好的音乐可能不同于另一个用户在相同上下文中偏好的音乐（即，被认为是早安音乐的内容因用户而异）。准确地表示这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可以基于高级音频特征，例如节奏和效价。因此，在本文中，我们提出了一个上下文重新排名算法，在特定的上下文条件下的用户偏好的音频特征表示的基础上。我们使用#NowPlaying-RS数据集来评估我们的重新排名算法的性能，该数据集包含从Twitter上抓取的用户收听事件，并富含歌曲音频功能。我们比较了全球（所有用户的上下文）和个性化（每个用户的上下文）模型的基础上，这些音频功能。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同，个性化模型创建上下文条件的用户特定音频特征表示，并在333个不同用户中进行测量。我们表明，个性化模型优于全球模型时，使用精度和平均精度指标进行评估。
2020-09-06 cs.IR
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
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
A Jointly Learned Context-Aware Place of Interest Embedding for Trip Recommendations
The University of Melbourne（墨尔本大学）
旅行推荐是一种重要的基于位置的服务，它可以帮助用户从旅行计划中节省时间和精力。它的目的是为用户推荐一系列感兴趣的地方（POI），以最大限度地提高用户的满意度。当将POI添加到推荐行程时，理解推荐的上下文是至关重要的，包括POI流行度、在行程中共同出现的其他POI以及用户的偏好。这些背景因素在现有的研究中是单独学习的，而在现实中，它们共同影响用户对要访问的POI的选择。在这项研究中，我们提出了一个POI嵌入模型，共同学习这些上下文因素的影响。我们将学习的POI嵌入称为上下文感知的POI嵌入。为了展示这种嵌入的有效性，我们应用它来生成给定用户和时间预算的旅行建议。我们提出了两个行程推荐算法的基础上，我们的上下文感知POI嵌入。第一种算法通过将出行推荐问题转化为整数线性规划问题求解，从而得到精确的最优出行。为了提高计算效率，第二种算法基于自适应大邻域搜索来寻找最优行程。我们在真实数据集上进行了大量的实验。结果表明，我们提出的算法始终优于国家的最先进的算法在旅行推荐质量，与F1分数的优势高达43%。
2018-08-24 cs.IR cs.LG stat.ML
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架，融合GeoSoCa、LORE和USG等上下文感知模型，扩展多维度评估并开源，以提升POI推荐的可复现性。
2023-06-20 cs.IR
A Hierarchical Attention Model for Social Contextual Image Recommendation
基于图像的社交网络是近年来最流行的社交网络服务之一。随着每天上传的大量图像，了解用户对用户生成的图像的偏好并提出建议已成为迫切需要。事实上，已经提出了许多混合模型来融合各种边信息（例如，图像视觉表示、社交网络）和用户项历史行为来增强推荐性能。然而，由于社交图像平台中用户生成图像的独特性，以往的研究未能在一个统一的框架中捕捉影响用户偏好的复杂方面。此外，大多数混合模型都依赖于预定义的权重来组合不同类型的信息，这通常会导致推荐性能不佳。为此，在本文中，我们开发了一个层次化的注意力模型的社会背景图像推荐。除了流行的基于矩阵分解的推荐中的基本潜在用户兴趣建模之外，我们还确定了三个关键方面（即，上传历史、社交影响力和所有者赞赏），这些因素影响每个用户的潜在偏好，其中每个方面都总结了用户和图像之间复杂关系的上下文因素。在此之后，我们设计了一个层次化的注意力网络，它自然地反映了用户潜在兴趣与识别出的关键方面的层次关系（每个方面级别中的元素，以及方面级别）。具体来说，通过从针对每种数据量身定制的最先进的深度学习模型中嵌入，分层注意力网络可以学习以不同的方式关注更多或更少的内容。最后，在真实数据集上的大量实验结果清楚地表明了我们提出的模型的优越性。
2019-04-15 cs.IR cs.SI
CBPF: leveraging context and content information for better recommendations
推荐系统帮助用户在大量的信息中找到合适的项目。已经提出了不同类型的推荐系统。其中，上下文感知推荐系统的目标是尽可能多地个性化的建议，根据上下文的情况下，用户是。在本文中，我们提出了一种方法集成到推荐过程中的上下文信息建模无论是基于项目的或基于用户的影响的情况下，评级，使用皮尔逊相关系数。所提出的解决方案的目的是在推荐过程中利用内容和上下文信息。我们评估并显示我们的方法在三个不同的上下文数据集上的有效性，并根据这些数据集的特性，特别是输入数据的稀疏程度和可用信息量，分析我们的方法的变体的性能。
2018-10-01 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
