An Improved Hybrid Recommender System: Integrating Document Context-Based and Behavior-Based Methods
推荐系统的主要挑战之一是数据稀疏性，这导致了高方差。已经进行了几次尝试来使用辅助信息来改善偏差-方差权衡。特别是，基于文档建模的方法通过在用户到项目的评分矩阵稀疏时使用文本数据（例如评论、摘要和故事情节）来提高模型的准确性。然而，这样的模型不足以学习用户和项目的最佳表示。基于用户和基于项目的协同过滤，由于其效率和可解释性，长期以来一直用于构建推荐系统。他们分别为每个用户和项目创建一个配置文件，作为他们的历史交互项目和与目标项目交互的用户。这项工作结合了这两种方法与文档上下文感知推荐系统，考虑用户对这些项目的意见。我们模型的另一个优点是它支持在线个性化。如果用户有新的交互，则需要刷新用户和项历史表示向量，而不是更新模型参数。所提出的算法实现和测试三个真实世界的数据集，证明我们的模型的有效性超过基线方法。
2021-09-12 cs.IR
Multi-Output Recommender: Items, Groups and Friends, and Their Mutual Contributing Effects
由于社交媒体技术的发展，用户更容易聚集在一起形成群组。以Last.fm为例，用户可以加入他们可能感兴趣的群组，在那里他们可以分享他们喜爱的歌曲，讨论有关歌曲和歌手的话题。然而，随着时间的推移，群组的数量越来越多，用户需要有效的群组推荐，以满足更多志同道合的用户。
2012-10-16 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
Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords
University of Science and Technology of China（中国科学技术大学）；Huawei Technologies（华为技术有限公司）
针对生成式推荐器中物品分词引发的物品内部注意力过载问题，提出SST方法，通过IST与BCA优化表示，在多数据集与骨干模型上实现性能提升。
2026-08-25 cs.IR
PowerMat: context-aware recommender system without user item rating values that solves the cold-start problem
推荐系统在许多现代公司中是一项重要的技术资产。随着对该技术精度要求的提高，越来越多的研究和投资被分配到该领域。推荐系统的一个重要的子领域是上下文感知推荐系统。由于输入数据收集的困难，上下文感知推荐系统的研究量远远少于推荐系统的其他子领域。在本文中，我们提出了一个新的算法命名为PowerMat来解决上下文感知的推荐问题。我们的理论建立在矩阵分解和Zipf定律，以及最近的研究工作，如DotMat。通过实验证明，我们的方法取得了优越的结果，经典的矩阵分解算法和其他上下文感知推荐系统，如MovieMat+。此外，通过理论分析，我们表明，我们的算法解决了上下文感知推荐的冷启动问题。
2023-03-11 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
A Self-Correcting Sequential Recommender
针对误点击和遗漏物品导致的交互序列噪声问题，本文提出 STEAM，通过逐物品保留、删除、插入及两种自监督校正机制联合训练推荐器，在三个真实数据集上优于现有基线。
2023-04-21 cs.IR
Why Not Together? A Multiple-Round Recommender System for Queries and Items
针对查询和物品推荐中用户反馈稀疏的问题，提出MAGUS多轮递归框架，融合两类信息提升推荐效率，实验验证其有效性。
2024-12-14 cs.IR
Enhancing New-item Fairness in Dynamic Recommender Systems
针对动态推荐系统中新物品因曝光短和交互少导致的不公平问题，提出基于强化学习的FairAgent框架，利用知识蒸馏保留旧物品推荐能力，并设计包含新物品探索、公平性和准确性三部分的奖励机制，有效提升新物品曝光与个性化公平性，同时保持高推荐准确率。
2025-04-30 cs.IR
Fair Matrix Factorisation for Large-Scale Recommender Systems
推荐系统受到各种要求的限制，例如排名质量，优化效率和项目公平性。项目公平性是实际系统中一个新出现的问题。项目公平性的概念要求通过考虑为用户推荐的整个排名集来控制项目的机会（例如曝光）。然而，公平性的内在本质破坏了用户和项目的优化子问题的可分性，这是传统的可扩展算法，如隐式交替最小二乘（iALS）的基本属性。因此，很少有公平意识的方法可用于大规模的项目推荐。由于从业人员缺乏简单的工具，解决不公平问题的成本将很高，或者在最坏的情况下，将被放弃。本研究借由开发一个简单且可扩充的协同过滤方法来解决现实世界中的不公平问题。我们构建了一个名为fiADMM的方法，它继承了iALS的可扩展性，并保持了可证明的收敛保证。
2022-11-19 cs.IR
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说，很少有项目经常被推荐，而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低（即聚合多样性较低）以及推荐项目的不公平分布。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为一个后处理的方法后，推荐生成，以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目，并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目，该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明，FairMatch在显着提高聚合多样性的同时，提供了相当的推荐准确性。
2020-05-03 cs.IR
Adversarial Item Promotion on Visually-Aware Recommender Systems by Guided Diffusion
针对现有视觉感知推荐系统对抗攻击图片易被检测、效果不稳定的问题，提出基于引导扩散的IPDGI攻击方法，生成高隐蔽性对抗图片，在两个电商数据集上验证了其在长尾商品推广和图片质量上的优势，揭示了系统真实脆弱性。
2024-05-23 cs.IR
Potential Factors Leading to Popularity Unfairness in Recommender Systems: A User-Centered Analysis
该研究从用户视角出发，探究推荐系统流行度偏差导致用户侧不公平的潜在因素，验证了用户类别兴趣、画像流行度多样性与不公平程度显著相关，为理解推荐公平性提供了用户层面的新依据。
2023-10-04 cs.IR
Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
针对推荐系统中多原因潜在混杂因素导致的偏差问题，提出MCDCF方法，利用多原因因果效应估计学习替代变量，理论验证并在三个数据集上实验证明其能有效降低偏差、提升推荐准确性。
2024-10-16 cs.IR
Evaluation Measures of Individual Item Fairness for Recommender Systems: A Critical Study
该研究系统梳理并批判分析推荐系统中基于曝光的单个物品公平性指标，修正其理论缺陷，并通过真实与合成数据集实证比较，给出指标选用建议。
2023-11-02 cs.IR
Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling
针对推荐系统中因物品数量增长导致传统负采样引入偏差的问题，提出一种纠正排名估计的方法，通过提供WARP和LambdaRank的采样批处理版本并改进排名估计，有效提升了推荐模型的训练效率与质量。
2024-10-10 cs.IR
Correcting Popularity Bias in Recommender Systems via Item Loss Equalization
本文提出一种在训练过程中通过最小化不同物品组间损失差异的干预方法，以纠正推荐系统的流行度偏差，在保持推荐准确性的同时提升用户公平性。
2025-05-26 cs.IR
Interplay between Upsampling and Regularization for Provider Fairness in Recommender Systems
考虑推荐对项目提供者的影响是多方面推荐系统的任务之一。物品供应商是在线平台的关键利益相关者，他们的收入和计划受到其物品在推荐列表中的曝光度的影响。以前的工作表明，某些少数群体的供应商，其特点是一个共同的敏感属性（如，性别或种族）受到间接和无意歧视的影响不成比例。我们的研究在本文中处理的情况下，（$i$）相同的供应商是与多个项目的列表建议给用户，（$ii$）一个项目是由一个以上的供应商联合创建的，和（$iii$）预测用户项目的相关性分数有偏见地估计供应商组的项目。在这种情况下，我们评估的相关性，可见性和曝光的差异，通过模拟不同的代表性的少数群体的目录和互动。基于出现的不公平的结果，我们设计了一种治疗方法，结合观察上采样和损失正则化，同时学习用户项目相关性得分。对真实数据的实验表明，我们的处理导致较低的不同相关性。由此产生的推荐列表显示出更公平的可见性和曝光率，更高的少数项目覆盖率，以及推荐效用的可忽略损失。
2021-06-28 cs.IR
Multi-Facet Recommender Networks with Spherical Optimization
隐式反馈在现代推荐系统中得到了广泛的研究。由于反馈通常是稀疏和不平衡的，它对用户和项目之间复杂交互的学习提出了很大的挑战。度量学习被提出来从隐式反馈中捕获用户-项目交互，但现有方法仅在单个度量空间中表示用户和项目，忽略了用户可以具有多个偏好和项目可以具有多个属性的事实，这导致潜在的冲突限制了它们在推荐中的性能。为了捕获用户偏好和项目属性的多个方面，同时解决其潜在的冲突，我们提出了新的框架，多方面推荐网络与球面优化（MARS）。通过设计一个跨方面的相似性度量，我们将用户和项目投影到多个度量空间中进行细粒度的表示学习，并只在适当的空间中进行比较。此外，我们设计了一个球形优化策略，以提高多方面的推荐框架的有效性和鲁棒性。在六个真实世界的基准数据集上进行的广泛实验显示，MARS带来了巨大的性能提升，在HR和nDCG指标方面，它不断实现比最先进的基线高出40%的改进。
2021-03-27 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
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段，用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索，以有效地衡量用户的兴趣项目从庞大的候选池。然而，现有的工作主要是建立在预定义的检索渠道，包括用户CF（U2 U），项目CF（I2 I），嵌入式检索（U2 I），从而访问用户和项目之间的有限的相关性，这仅仅需要从潜在的交互的部分信息。在本文中，我们提出了一个模型无关的综合跨渠道（MIC）的方法，最大限度地利用固有的多渠道互信息，以提高匹配性能的大规模推荐。具体来说，MIC鲁棒模型内的用户-项目，用户-用户，项目-项目从潜在的相互作用在一个通用的模式。对于每个通道，MIC自然地将对与语义相似性对齐，并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计，但MIC直观地将其视为一个整体，使用户和项目之间的完整信息流。因此，MIC可以很容易地插入到其他检索推荐系统。大量的实验表明，我们的MIC帮助几个国家的最先进的模型，提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
Movie Recommender Systems: Implementation and Performance Evaluation
多年来，亚马逊、Netflix、潘多拉等电子商务企业目录中的商品数量爆炸式增长，已经保证了推荐系统的开发，以基于消费者的偏好和品味将消费者引导到他们期望的产品。构建推荐系统，挖掘用户，导出输入数据集的一些流行方法是：基于内容的系统，协同过滤，使用奇异值分解（SVD）的潜在因素系统，和限制玻尔兹曼机（RBM）。在这个项目中，用户-用户协同过滤，项目-项目协同过滤，基于内容的推荐，奇异值分解，和神经网络被选择用于在Python中实现，以预测每个用户未观看的电影的用户评分，并评估和比较它们的性能。
2019-09-16 cs.IR
Path-based Deep Network for Candidate Item Matching in Recommenders
大规模推荐系统主要包括两个阶段：匹配和排序。匹配阶段（也称为检索步骤）以低延迟和计算成本从十亿级项目语料库中识别一小部分相关项目。基于项目的协同过滤（Item-to-item collaborative filter，简称CF）和基于嵌入的检索（embedding-based retrieval，简称EBR）因其高效性而被广泛应用于工业匹配阶段。然而，基于项目的CF难以满足个性化，而EBR难以满足多样性。在本文中，我们提出了一种新的匹配架构，基于路径的深度网络（PDN），它可以结合个性化和多样性，以提高匹配性能。具体来说，PDN由两个模块组成：触发器网络和相似性网络。PDN利用触发器网络来捕获用户对他/她的每个交互项目的兴趣，并且利用相似性网络来基于这些项目的简档和CF信息来评估每个交互项目与目标项目之间的相似性。通过明确考虑用户的不同兴趣，\ie聚合相关两跳路径的相关权重（路径的一跳对应于用户-项目交互，另一跳对应于项目-项目相关），计算用户与目标项目之间的最终相关度。此外，我们描述了一个匹配系统的架构设计与建议PDN在一个领先的现实世界的电子商务服务（手机淘宝应用程序）。基于离线评估和在线A/B测试，我们表明PDN优于现有的解决方案，为相同的任务。在线结果还表明，PDN可以检索更个性化和更多样化的相关项目，以显着提高用户参与度。目前，PDN系统已成功部署于手机淘宝App及处理主…
2021-05-18 cs.IR
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
NEAT: A Label Noise-resistant Complementary Item Recommender System with Trustworthy Evaluation
补充项推荐系统（CIRS）为给定的查询项推荐补充项。现有的CIRS模型考虑项目共同购买的信号作为一个代理的互补关系，由于缺乏人工策划的标签，从巨大的交易记录。这些方法表示互补嵌入空间中的项目，并将互补关系建模为项目向量之间相似性的点估计。然而，共同购买的物品不一定是互补的。例如，顾客可能经常在同一笔交易中购买香蕉和瓶装水，但这两种物品并不是互补的。因此，直接使用共同购买信号作为标签将恶化模型性能。另一方面，如果用于评估的标签不反映真实的互补相关性，则模型评估将不可信。为了解决上述来自噪声标记的共同购买数据的挑战，我们将两个项目的共同购买建模为高斯分布，其中均值表示来自互补相关性的共同购买，协方差表示来自噪声的共同购买。为此，我们将每个项目表示为高斯嵌入，并通过项目高斯嵌入的均值和协方差来参数化共同购买的高斯分布。为了减少评价过程中噪声标签的影响，我们提出了一种基于独立性测试的方法来生成具有一定置信度的可信标签集。我们在公开数据集和大规模真实数据集上进行的广泛实验证明了我们提出的模型与最先进的模型相比在补充项目推荐方面的有效性。
2022-02-11 cs.IR
Infusing Collaborative Recommenders with Distributed Representations
推荐系统帮助用户在复杂的信息空间中导航，并将他们的注意力集中在与他们需求最相关的内容上。这些系统通常依赖于用户活动或内容描述。社交注释系统（其中用户协作地将标签分配给项目）提供了另一种捕获关于用户和项目的信息的手段。这些数据源中的每一个都提供了独特的好处，捕捉不同的关系。在本文中，我们建议利用多个数据源：用户报告他们对一个项目的亲和力的评级数据，标记数据，用户分配注释的项目，和项目数据收集的在线数据库。总而言之，这些数据集提供了通过利用神经网络架构的最新进展来学习丰富的分布式表示的机会。我们首先生成主观地捕捉数据之间有趣关系的表示。然后，我们凭经验评估效用的表示来预测用户对一个项目的评级，并表明它优于更传统的表示。最后，我们证明了传统的表示可以与通过神经网络训练的表示相结合，以实现更好的结果。
2016-08-22 cs.IR
The Continuous Cold Start Problem in e-Commerce Recommender Systems
许多电子商业网站使用推荐系统向用户推荐物品。当用户或项目是新的时，系统可能会失败，因为没有关于此用户或项目的足够信息。在文献中已经提出了对这种“冷启动问题”的各种解决方案。然而，许多现实生活中的电子商业应用遭受甚至对于已知用户或项目的冷启动的加重的、重复的版本，因为许多用户很少访问网站，随着时间改变他们的兴趣，或者表现出不同的角色。本文从典型的电子商业应用程序的角度揭示了“连续冷启动”（CoCoS）问题及其对基于内容和上下文的推荐的后果，并以主要旅游推荐网站Booking.com为例进行了说明。
2015-08-05 cs.IR
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索（EBR）系统的推荐共享与顺序查询相似的思想。其中，如何全面捕捉序列用户兴趣是一个根本性的问题。然而，大多数现有的顺序推荐模型作为输入点击或购买的行为序列，从用户项目的交互。这导致不全面的用户表示和次优的模型性能，因为它们忽略了完整的用户行为暴露数据，即，用户印象深刻但未点击的项目。在这项工作中，我们试图采用一种新的学习方法，以探索更好的顺序推荐技术，将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络，并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性，并验证了未点击项目在顺序推荐中的重要性。此外，我们部署我们的新模型（命名为XDM）在淘宝推荐系统的EBR，性能优于部署的前一代SDM。
2022-03-31 cs.IR
Large Language Model Can Interpret Latent Space of Sequential Recommender
本文提出RecInterpreter框架，通过轻量适配器和序列残差提示，使LLaMA等大语言模型能够解读基于ID的序列推荐器的隐空间表示，并实例化生成式推荐器输出的理想物品。
2023-10-31 cs.IR
Graph Attention Collaborative Similarity Embedding for Recommender System
我们提出了图注意力协作相似性嵌入（GACSE），一个新的推荐框架，利用合作信息的用户项目二分图的表示学习。该框架由两部分组成：第一部分通过注意力机制嵌入传播学习用户-项目关联等显式图协同过滤信息;第二部分通过辅助损失学习用户-用户相似度、项目-项目相似度等隐式图协同过滤信息。我们设计了一个新的损失函数，它结合了BPR损失和自适应裕度以及相似性损失来进行相似性学习。在三个基准上进行的大量实验表明，我们的模型始终优于最新的最先进的模型。
2021-02-05 cs.IR
Adapting Large Language Models by Integrating Collaborative Semantics for Recommendation
针对LLM与推荐系统间的语义鸿沟，提出LC-Rec模型，通过学习型向量量化和统一语义映射生成项目索引，并设计对齐调优任务整合协作语义，实现直接生成推荐项目，超越现有基线。
2024-04-19 cs.IR
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台，以基于用户偏好提供个性化服务。在新闻网站中，大多数用户是匿名的，唯一可用的数据是匿名会话中的项目序列。由于这一点，典型的协同过滤方法，这是高度应用在许多应用中，是不是有效的新闻推荐。在这种情况下，基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比，基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中，我们提出的方案，使这些基于会话的推荐系统的多样性意识，并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题，它发生在系统缩小信息范围，剥夺用户多样性信息的时候。应用所提出的方案的结果表明，这些多样化的情况下，这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 cs.IR
ZeroMat: Solving Cold-start Problem of Recommender System with No Input Data
ZeroMat通过无输入数据预测用户-项目评分，有效解决推荐系统冷启动问题，优于经典矩阵分解和随机推荐方法。
2025-12-06 cs.IR
BeLightRec: A lightweight recommender system enhanced with BERT
提出BeLightRec轻量级推荐系统，融合协同过滤与BERT语义相似性信号，通过图卷积神经网络优化权重，实现准确推荐并评估各信号贡献。
2025-03-26 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差：受欢迎的产品会被频繁推荐，而不太受欢迎的小众产品则很少推荐或根本不推荐。然而，推荐“长尾”中被忽视的产品对企业至关重要，因为它们不太可能被发现。在本文中，我们引入了一个个性化的多样化重新排名的方法，以增加不太受欢迎的项目的建议，同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤，可以应用于任何推荐系统的输出。我们表明，我们的方法是能够更有效地管理流行的偏见，与现有的方法相比，基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
Curse of "Low" Dimensionality in Recommender Systems
本研究指出推荐系统用户和物品嵌入的低维度会导致多样性、公平性和鲁棒性问题，通过实证和理论分析证明点积模型的表达能力受维度指数限制，并解释了低维度引发流行度偏差的机制。
2023-05-23 cs.IR
PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）；Shandong University（山东大学）
由于隐私问题的日益严重，去中心化在个性化服务，特别是推荐服务中迅速兴起。此外，最近的研究表明，集中式模型容易受到中毒攻击，从而损害其完整性。在推荐系统的背景下，这种中毒攻击的典型目标是通过干扰训练数据集和/或过程来促进对手的目标项目。因此，一种常见的做法是在分散式联邦学习范式下对推荐系统进行子系统化，这使得所有用户设备能够协作地学习全局推荐，同时将所有敏感数据保留在本地。在不向终端用户暴露推荐器和整个数据集的全部知识的情况下，这种联合推荐被广泛认为是对中毒攻击“安全”的。在本文中，我们提出了一个系统的方法，后门联邦推荐系统有针对性的项目推广。其核心策略是利用数据驱动型博客中普遍存在的固有的流行偏见。由于流行项目更容易出现在推荐列表中，我们创新设计的攻击模型使目标项目具有嵌入空间中流行项目的特征。然后，通过上传精心制作的梯度通过少量的恶意用户在模型更新，我们可以有效地增加一个目标（不受欢迎的）项目的曝光率，在所产生的联合推荐。对两个真实数据集的评估表明：1）我们的攻击模型以一种隐秘的方式显着提高了目标项目的曝光率，而不会损害中毒推荐的准确性; 2）现有的防御措施不够有效，突出了对联邦推荐系统的本地模型中毒攻击的新防御措施的需求。
2021-10-21 cs.AI cs.IR
A Recommender System for NFT Collectibles with Item Feature
针对 NFT 推荐研究不足的问题，提出融合交易记录及图像、文本、价格等物品特征的图推荐系统，实验表明其显著优于基线。
2024-04-03 cs.AI cs.IR
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐（HNCR），深度双曲表示学习方法，利用用户/项目之间的相互语义关系的协同过滤（CF）任务。HNCR包含两个主要阶段：邻居构建和推荐框架。第一阶段引入邻居构建策略，根据用户与项目的历史交互，为每个用户和项目构建语义邻居集。在第二阶段，我们开发了一个基于双曲几何的深层框架，将构建的邻居集集成到推荐中。通过一系列广泛的实验，我们表明，HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System
推荐系统的总体目标是向用户提供个性化的推荐，这与推荐流行项目相反。然而，正常的训练模式，即，拟合推荐器模型以恢复具有逐点或成对损失的用户行为数据，使得模型偏向于流行项目。这导致了可怕的马太效应，使热门商品更频繁地被推荐并变得更加受欢迎。现有的工作解决了这个问题与反向倾向加权（IPW），它减少了流行的项目对训练的影响，并增加了长尾项目的影响。虽然理论上是合理的，但IPW方法对加权策略高度敏感，这是众所周知的难以调整。在这项工作中，我们从一个新的和基本的角度探讨流行偏见问题-因果关系。我们确定，流行的偏见在于从项目节点的排名分数的直接影响，这样一个项目的内在属性是错误地分配给它一个更高的排名分数的原因。为了消除流行性偏见，必须回答一个反事实的问题，即如果模型只使用项目属性，排名分数会是多少。为此，我们制定了一个因果图来描述推荐过程中的重要因果关系。在训练过程中，我们执行多任务学习以实现每个原因的贡献;在测试过程中，我们执行反事实推理以消除项目流行度的影响。值得注意的是，我们的解决方案修改了推荐的学习过程，这对广泛的模型是不可知的-它可以很容易地在现有的方法中实现。我们在矩阵分解（MF）和LightGCN上证明了这一点[20]。在五个真实数据集上的实验证明了该方法的有效性。
2021-06-07 cs.IR
Where to Go Next for Recommender Systems? ID- vs. Modality-based Recommender Models Revisited
该研究重新探讨基于模态的推荐模型（MoRec）与基于ID的推荐模型（IDRec）的性能对比问题，通过多维度实验证实采用端到端训练的MoRec已能与IDRec性能相当，挑战了IDRec的长期主导地位。
2023-05-02 cs.IR
Promoting cold-start items in recommender systems
冷启动问题是推荐系统面临的主要挑战之一。特别是，新项目将被忽视，阻碍在线新产品的开发。在资源有限的情况下，如何利用推荐系统的知识，为新商品设计有效的营销策略是非常重要的。在本文中，我们将这个棘手的问题转化为一个明确的数学问题的基础上的二分网络表示。在实际电子商务推荐系统中最广泛使用的算法，所谓的基于项目的协同过滤，我们表明，简单地推新项目的活跃用户是不是一个好的策略。令人惊讶的是，在真实推荐系统上的实验表明，将新项目与一些不太活跃的用户联系起来会产生更好的性能，即这些新项目将有更多的机会出现在其他用户的推荐列表中。进一步的分析表明，推荐系统的discretative性质有助于这种观察。总之，深入了解推荐系统可以为业主以较低的成本推广他们的冷启动产品铺平道路。
2014-04-19 cs.IR cs.SI physics.soc-ph
Precision Profile Pollution Attack on Sequential Recommenders via Influence Function
针对序列推荐器的画像污染攻击中梯度估计不准的问题，提出基于影响函数的 INFAttack，通过估计模型参数变化选择最有效污染序列，在五个真实数据集上优于基线。
2024-12-02 cs.IR
Enhancing Top-N Item Recommendations by Peer Collaboration
深度神经网络（DNN）在推荐系统（RS）领域取得了巨大的成功。然而，为了实现卓越的性能，基于DNN的推荐模型通常需要大量的参数，这不可避免地带来冗余的神经元和权重，这种现象被称为过度参数化。在本文中，我们计划利用这种冗余现象，以提高RS的性能。具体来说，我们提出了PCRec，一个前N项\underline{rec}推荐框架，它利用具有相同网络结构的两个基于DNN的推荐模型的协同训练，称为\underline{p} eer \underline{c} olecule。PCRec可以在训练过程中重新激活和加强不重要（冗余）的权重，从而实现更高的预测精度，但保持其原有的推理效率。为了实现这一点，我们首先介绍了两个标准来确定一个给定的推荐模型的权重的重要性。然后，我们通过移植外部信息（即，权重）从其对等网络。经过这样的操作和再训练，原推荐模型被赋予了更大的代表能力，拥有更多的功能模型参数。为了显示其通用性，我们实例化PCRec使用三个著名的推荐模型。我们在三个真实世界的数据集上进行了广泛的实验，并表明PCRec比具有相同模型（参数）大小的对应物产生更好的推荐。
2021-12-02 cs.IR
Collaborative Diffusion Model for Recommender System
针对基于扩散的推荐系统在噪声注入导致个性化信息丢失及物品侧信息利用不足的问题，提出协同扩散模型CDiff4Rec，通过生成伪用户并整合真实与伪邻居的协同信号重建用户偏好，在三个数据集上取得优于竞争方法的效果。
2025-01-31 cs.IR
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec，通过AI生成器结合用户指令实现内容生成、重新利用与创建，突破传统检索式推荐的局限，并探讨其可信度、发展路线及应用可行性。
2024-02-25 cs.IR
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
Evaluating Impact of User-Cluster Targeted Attacks in Matrix Factorisation Recommenders
本文针对基于矩阵分解的推荐系统，系统研究面向用户聚类的数据投毒攻击，分析攻击对特征矩阵的影响及攻击效果影响因素，通过真实数据集验证理论，为设计更鲁棒的推荐系统提供参考。
2024-06-20 cs.IR
SceneRec: Scene-Based Graph Neural Networks for Recommender Systems
协同过滤已被大量用于推进现代推荐系统，以预测用户偏好。协同过滤中的一个关键组成部分是表示学习，其目的是将用户和项目投影到低维空间中以捕获协作信号。然而，场景信息，有效地指导了许多推荐任务，很少被考虑在现有的协同过滤方法。为了弥补这一差距，我们专注于基于场景的协同推荐，并提出了一种新的表示模型SceneRec。SceneRec将场景正式定义为一组在现实生活中同时发生的预定义项目类别，并创造性地设计了项目-类别-场景的层次结构，以构建基于场景的图。在基于场景的图中，我们采用图神经网络来学习每个项目节点上的场景特定表示，并将其与从协作交互中学习到的潜在表示进行聚合以进行推荐。我们在真实世界的电子商务数据集上进行了大量的实验，结果证明了所提出的方法的有效性。
2021-02-12 cs.IR
Sequential Evaluation and Generation Framework for Combinatorial Recommender System
在组合推荐系统中，多个项目在结果页面中被同时提供给用户，其中项目之间的相关性对用户行为有影响。在这项工作中，我们将组合推荐建模为从候选集生成项目序列（有序列表）的问题，目标是最大化序列的预期整体效用（例如总点击）。为了解决这个问题，我们提出了评估生成框架。该框架一方面充分考虑用户、项目信息以及项目间的相关性，训练评价模型，以评价期望的总体效用。另一方面，设计了基于启发式搜索或强化学习的生成策略来生成潜在的高质量序列，评估模型从中选择一个来暴露。在此框架下，我们提出了有效的模型架构和学习指标。我们还提供了一系列离线测试，以彻底调查所提出的框架的性能，作为在线实验的补充。我们的结果表明，与以前的解决方案相比，性能有明显的提高。
2019-06-23 cs.IR
A Unified Collaborative Representation Learning for Neural-Network based Recommender Systems
大多数NN-RS通过从直接的用户-项目交互（例如，用户-项目评级矩阵），同时忽略用户和项目之间的潜在相关性（例如，对相同项目进行相同评级的用户应该被嵌入到类似的表示中），这是一种意识形态上的劣势。另一方面，ME模型直接采用内积作为默认的损失函数度量，不能将用户和项目投影到适当的潜在空间中，这是方法上的缺点。在本文中，我们提出了一个监督的协作表示学习模型-磁度量学习（MML）-映射到一个统一的潜在向量空间的用户和项目，增强表示学习的NN-RS。首先，MML利用双三元组模型不仅观察到的用户和项目之间的关系，但也用户之间的潜在关系以及项目，以克服意识形态的缺点。具体来说，MML中提出了一种改进的基于度量的双重损失函数来聚集相似实体并分散不相似实体。使用MML，我们可以根据加权度量轻松地比较所有关系（用户到用户，项目到项目，用户到项目），这克服了方法上的缺点。我们在四个真实世界的数据集上进行了大量的实验，这些数据集具有较大的项目空间。结果表明，MML可以学习一个适当的统一的潜在空间表示从用户项目矩阵具有高精度和有效性，并导致性能增益超过国家的最先进的RS模型的平均17%。
2022-05-19 cs.IR
Attention on Global-Local Representation Spaces in Recommender Systems
在这项研究中，我们提出了一种新的基于聚类的协同过滤（CF）推荐系统的方法。基于聚类的CF方法可以有效地处理数据稀疏性和可扩展性问题。然而，它们中的大多数都应用于单个表示空间，这可能无法很好地表征复杂的用户-项目交互。我们认为，应该从多个角度观察用户与项目的交互，并以自适应的方式进行表征。为了解决这个问题，我们利用全局和局部属性，通过学习各种训练数据集和损失函数来构建多个表示空间。建立了一个注意力网络，根据每个用户-项目对的表示空间的相对重要性生成混合表示，为描述不同的用户-项目交互提供了一种灵活的方法。在四个流行的基准数据集上进行了大量实验。结果表明，该方法优于只考虑一个表示空间的几种CF方法。
2021-11-16 cs.IR
Content-Based Collaborative Generation for Recommender Systems
本文提出专为物品推荐定制的序列到序列框架ColaRec，通过生成标识符统一建模内容信息与协同信号，并利用物品索引任务和对比损失对齐语义与协同空间，在四个基准数据集上取得卓越性能。
2024-11-12 cs.IR
