Attribute-aware Explainable Complementary Clothing Recommendation
The University of Queensland（昆士兰大学）
现代电子商务推荐系统对时尚商品之间的混搭关系建模的要求越来越高，但也越来越具有挑战性。在进行服装匹配时，大多数现有的方法利用从时尚物品图像中提取的潜在视觉特征进行兼容性建模，这缺乏对所生成的匹配结果的可解释性，并且难以说服用户推荐。尽管最近的方法开始结合预定义的属性信息（例如，颜色、款式、长度等）对于学习项目表示和改进模型可解释性，它们对属性信息的利用仍然主要保留用于增强所学习的项目表示和经由后处理生成解释。因此，当我们试图提高推荐准确性并生成细粒度的解释时，这会产生严重的瓶颈，因为显式属性与实际推荐过程只有松散的联系。本文提出了一种新颖的属性感知的时尚推荐器（AFRec），旨在解决时尚推荐任务中的可解释性挑战。具体而言，AFRec推荐器通过明确利用从每个项目的视觉特征中提取的属性级表示来评估服装兼容性。属性作为两个时尚物品之间的桥梁，我们通过学习它们属性之间的兼容性来量化一对物品的亲和力。大量的实验表明，通过充分利用推荐过程中的显式属性，AFRec能够实现最先进的推荐准确率，同时生成直观的解释。
2021-07-04 cs.IR cs.LG
Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach
Hefei University of Technology（合肥工业大学）
在许多推荐系统中，用户和项目与属性相关联，用户对项目表示偏好。属性信息描述了用户（项目）的特征，具有广泛的应用，如用户分析，项目注释和功能增强的推荐。由于注释用户（项目）属性是一项劳动密集型任务，因此属性值通常不完整，并且有许多属性值缺失。因此，项目推荐和属性推理成为这些平台的两个主要任务。长期以来，研究者们一致认为用户（物品）属性和偏好行为是高度相关的。一些研究人员提出利用一种数据来完成剩余的任务，并显示出提高性能的效果。然而，这些模型要么忽略了用户（项目）属性的不完整性，要么考虑了两个任务的相关性与简单的模型，导致这两个任务的次优性能。为此，在本文中，我们定义了这两个任务的属性用户项二分图，并提出了一个自适应图卷积网络（AGCN）的联合项目推荐和属性推理的方法。AGCN的关键思想是迭代地执行两个部分：1）使用先前学习的近似属性值来学习图嵌入参数，以促进两个任务; 2）将近似的更新属性值发送回属性图，以进行更好的图嵌入学习。因此，AGCN可以自适应地调整图嵌入学习参数，通过结合给定的属性和估计的属性值，以提供弱监督的信息，以改善这两个任务。在三个真实世界数据集上的大量实验结果清楚地表明了所提出的模型的有效性。
2020-05-25 cs.IR cs.LG
Beauty Beyond Words: Explainable Beauty Product Recommendations Using Ingredient-Based Product Attributes
Amazon（亚马逊）
针对美容产品属性提取不可靠且不完整的问题，提出一种基于成分的端到端监督学习系统，采用新颖的基于能量的隐式模型架构，在准确性、可解释性、鲁棒性和灵活性上表现优异，并能有效增强美容推荐的可解释性。
2024-09-20 cs.IR cs.LG
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
Glance
本文提出HASTE框架，通过分层损失和属性特定损失优化生成式推荐，在多领域数据集上提升了推荐性能，使训练收敛速度约提升1倍。
2026-10-14 cs.AI cs.IR cs.LG
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而，大多数以前的工作顺序推荐不考虑多样性，并争取最大的准确性，导致同质的建议。在本文中，我们考虑到准确性和多样性，提出了一个属性感知的多样化顺序推荐（ADSR）。具体而言，ADSR利用可用的属性信息时，建模用户的顺序行为，同时学习用户的最有可能的项目进行交互，以及他们的属性偏好。然后，ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明，ADSR可以有效地提供多样化的建议，同时保持准确性。
2020-08-03 cs.IR
Taxonomic Recommendations of Real Estate Properties with Textual Attribute Information
在这个扩展的摘要中，我们提出了一个端到端的方法来建立一个分类的家庭属性条款，使房地产属性的层次化建议。我们涵盖了构建房地产分类的方法，衡量这种结构的质量的指标，然后总结了一个生产用例，从不同级别的主题相似性的搜索关键字进行推荐。
2022-10-27 cs.IR
DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations
Taobao & Tmall Group（淘宝天猫集团）；Nanjing University of Posts and Telecommunications（南京邮电大学）
针对电商相关推荐中用户对相似性多样性偏好动态变化、商品级多样性粒度过粗的问题，提出DPAN模型，通过BCR获取细粒度表示、SDUF捕捉动态偏好，CTR提升7.62%并已上线部署。
2023-08-21 cs.IR cs.LG
Knowledge Enhanced Multi-Domain Recommendations in an AI Assistant Application
Amazon Alexa AI（亚马逊Alexa人工智能部门）；University of Southern California（南加利福尼亚大学）
本研究在AI助手应用中统一多领域推荐与知识图谱增强，利用跨领域交互和外部知识提升新领域推荐效果，实验证明该方法在整体及新用户推荐上均有显著改进。
2025-03-25 cs.IR cs.LG
Selective Fairness in Recommendation via Prompts
推荐公平性近来引起了人们的极大关注。在现实系统中，用户通常具有多个敏感属性（例如年龄、性别和职业），并且用户可能不希望他们的推荐结果受到这些属性的影响。此外，这些用户属性中的哪些以及何时应该被考虑在公平性感知建模中应该取决于用户的特定需求。在这项工作中，我们定义了选择性的公平性任务，用户可以灵活地选择哪些敏感属性的推荐模型是无偏的。我们提出了一种新的参数有效的基于偏好的公平性感知推荐（PFRec）框架，它依赖于属性特定的基于偏好的偏见消除器与对抗训练，使选择性公平性与不同的属性组合的顺序推荐。任务特定和用户特定的提示都被考虑。我们进行了广泛的评估，以验证PFRec的选择性公平的优越性。源代码在\url{https://github.com/wyqing20/PFRec}中发布。
2022-07-05 cs.IR
Privacy-Aware Recommendation with Private-Attribute Protection using Adversarial Learning
推荐是帮助用户找到与其兴趣相关的信息的关键应用之一。然而，恶意攻击者可以通过推荐来推断用户的私人信息。先前的工作在与推荐系统共享之前混淆用户项数据。这种方法在执行数据混淆时没有显式地解决推荐的质量。此外，它不能保护用户免受基于建议的私有属性推理攻击。这项工作是第一次尝试建立一个推荐与属性保护（RAP）模型，同时推荐相关的项目和计数器私有属性推理攻击。我们的方法的关键思想是制定这个问题作为一个对抗性的学习问题，有两个主要组成部分：私人属性推理攻击者，和贝叶斯个性化推荐。攻击者试图根据用户的项目列表和建议来推断用户的私有属性信息。推荐器的目标是提取用户的兴趣，同时利用攻击者来规范推荐过程。实验表明，该模型既保持了推荐服务的质量，又保护了用户免受私有属性推理攻击。
2019-11-22 cs.CR cs.IR cs.SI
Evaluation Framework for Understanding Sensitive Attribute Association Bias in Latent Factor Recommendation Algorithms
本文提出一个评估隐因子推荐算法中敏感属性关联偏见的框架，通过四种评估策略揭示推荐模型如何捕获或放大性别等敏感属性偏见，并在工业播客推荐模型中验证了系统性偏见风险。
2023-10-30 cs.IR
Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks
School of Computer Science, Wuhan University（武汉大学计算机学院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算学系）
矩阵完备化是推荐系统中的一个经典问题。传统上用矩阵分解来处理它。最近，基于深度学习的方法，特别是图神经网络，在这个问题上取得了令人印象深刻的进展。尽管它们的有效性，现有的方法集中在建模的用户-项目交互图。这种方法的固有缺点是它们的性能与相互作用的密度有关，然而这种相互作用的密度通常是高稀疏性的。更重要的是，对于不具有任何交互的冷启动用户/项目，这样的方法不能学习用户/项目的偏好嵌入，因为在图中不存在到该用户/项目的链接。在这项工作中，我们开发了一个新的框架属性图神经网络（AGNN）利用属性图，而不是常用的交互图。这导致了学习冷启动用户/项目的嵌入的能力。我们的AGNN可以产生的偏好嵌入一个冷用户/项目通过学习的属性分布与扩展的变分自动编码器结构。此外，我们提出了一种新的图神经网络变体，即，Gated-GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界的数据集上的实证结果表明，我们的模型产生了显着的改善冷启动建议，并优于或匹配的最先进的性能在热启动的情况下。
2021-02-26 cs.IR cs.LG
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中，每个产品通常由多个语义属性（例如，袖子、衣领等）。当做出布料决定时，人们通常会表现出对不同语义属性的偏好（例如，带V领的衣服）。然而，大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好，这通常会导致较差的推荐性能。为了弥补这一差距，我们提出了一个新的语义属性解释推荐系统（SAERS）。具体来说，我们首先介绍了一个细粒度的可解释的语义空间。然后，我们开发了一个语义提取网络（SEN）和细粒度的偏好注意（FPA）模块，分别将用户和项目投射到这个空间中。通过SAERS，我们不仅能够为用户提供布料推荐，而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
RAE: A Rule-Driven Approach for Attribute Embedding in Property Graph Recommendation
本文提出RAE方法，通过挖掘属性图语义规则指导随机游走生成丰富属性嵌入并整合到GCN中，在真实数据集上Recall@20和NDCG@20平均提升10.6%，显著增强推荐性能与鲁棒性。
2025-06-26 cs.IR
Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI（Salesforce人工智能研究院）；Beihang University（北京航空航天大学）；Yale University（耶鲁大学）
针对严格冷启动推荐中商品内容利用粗粒度及忽略其他数据源的问题，提出ColdGPT框架，通过多任务学习从商品内容、购买序列和评论文本中提取细粒度属性并构建商品-属性图，实现高效的知识迁移与商品嵌入获取。
2023-06-26 cs.IR cs.LG
Pseudo Session-Based Recommendation with Hierarchical Embedding and Session Attributes
The University of Electro-Communications（电气通信大学）；The Japan Research Institute Limited（日本综合研究所）
针对无用户ID和会话ID的电商购买数据，本文定义伪会话并提出CoHHGN+模型，利用协同引导异构图与全局图网络提升会话推荐性能。
2023-08-06 cs.IR cs.LG
MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
针对文本序列推荐中多属性表示与复杂兴趣匹配两大难题，本文提出MARS模型，通过属性感知编码和属性级交互匹配捕获细粒度偏好，在五个基准数据集上显著超越现有方法。
2024-09-04 cs.IR
Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users
National University of Singapore（新加坡国立大学）；University of Virginia（弗吉尼亚大学）；Kuaishou Inc.（快手公司）
像协同过滤这样的静态推荐方法受到为冷启动用户执行实时个性化的固有限制。在线推荐，例如，多臂强盗的方法，解决了这个问题，通过交互式探索用户的喜好在线和追求的探索-开发（EE）权衡。然而，现有的基于Bandit的方法对推荐行为建模是均匀的。具体而言，它们只将物品视为手臂，无法处理物品属性，而物品属性自然提供了用户当前需求的可解释信息，可以有效地过滤掉不需要的物品。在这项工作中，我们考虑了冷启动用户的会话推荐，其中系统可以交互式地询问用户的属性并向用户推荐项目。最近的一项工作研究了这一重要情况。然而，它采用了一个手工制作的函数来决定何时询问属性或提出建议。属性和项目的这种单独建模使得系统的有效性高度依赖于手工函数的选择，从而给系统带来脆弱性。为了解决这个问题，我们无缝地统一属性和项目在同一个手臂空间，并实现其EE权衡自动使用汤普森采样的框架。我们的会话汤普森采样（ConTS）模型通过选择具有最大奖励的手臂来玩，整体解决了会话推荐中的所有问题。在三个基准数据集上进行的大量实验表明，ConTS在成功率和平均会话轮数两个指标上都优于最先进的方法会话UCB（ConUCB）和估计-动作-反射模型。
2022-10-05 cs.IR cs.LG cs.SI
CAEN: A Hierarchically Attentive Evolution Network for Item-Attribute-Change-Aware Recommendation in the Growing E-commerce Environment
传统的推荐系统主要关注用户兴趣建模。然而，由属性修改（例如价格的变化）引起的推荐项目的动态在实际系统中也是非常重要的，特别是在快速增长的电子商业环境中，这可能导致用户的需求出现、转移和消失。最近的动态项目表示的研究，努力把项目属性作为边信息，但忽略了它的时间依赖性，或模型的项目演变与相关的用户序列，但不考虑项目属性。在本文中，我们提出了核心属性进化网络（CAEN），它划分用户序列的属性值，从而模型的属性动态与这些用户的项目进化。在此框架下，我们进一步设计了一种层次化的注意力机制，该机制利用属性感知的注意力对每个属性下的用户进行聚合，并利用个性化的注意力来激活相似用户，以评估目标用户与项目的匹配程度。在实际电子商业数据集上的实验结果表明，该方法在属性快速变化的项目上取得了显著的改进，从而帮助项目推荐适应电子商业平台的发展。
2022-08-29 cs.IR
Privileged Graph Distillation for Cold Start Recommendation
Hefei University of Technology（合肥工业大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；Anhui University（安徽大学）
推荐系统中的冷启动问题是一个长期存在的挑战，它要求在没有任何历史交互记录的情况下，基于属性向新用户（项目）推荐。在这些推荐系统中，温暖的用户（项目）有特权的互动记录的合作信号相比，冷启动用户（项目），这些协同过滤（CF）信号被证明有竞争力的推荐性能。许多研究者提出学习协作信号嵌入空间和属性嵌入空间之间的相关性来改进冷启动推荐，其中用户和项目分类属性在许多在线平台中是可用的。然而，冷启动建议仍然受到两个嵌入空间建模和简单的空间变换假设的限制。由于用户-项目交互行为和用户（项目）属性自然形成了一个异构的图结构，本文提出了一个特权图蒸馏模型PGD。教师模型是由一个异构的图形结构的温暖的用户和项目的特权CF链接。学生模型由一个没有CF链接的实体-属性图组成。具体来说，教师模型可以通过从构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可以从教师嵌入学习具有特权CF嵌入的提取输出。我们提出的模型一般适用于不同的冷启动场景与新用户，新项目，或新用户新项目。最后，在真实世界数据集上的大量实验结果清楚地表明了我们提出的模型对不同类型的冷启动问题的有效性，在三个数据集上，平均$6.6\%, 5.6\%, $和$17.1\%$分别比最先进的基线有所改善。
2021-05-31 cs.IR cs.LG
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
Fair Recommendations with Limited Sensitive Attributes: A Distributionally Robust Optimization Approach
University of Science and Technology of China（中国科学技术大学）
针对敏感属性信息有限时推荐系统的公平性问题，提出分布鲁棒公平优化（DRFO）方法，通过最小化最坏情况不公平性来应对属性重建误差，并验证其有效性。
2024-05-27 cs.CY cs.IR cs.LG
Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
KU Leuven, Campus Kulak, Department of Public Health and Primary Care（KU莱顿大学）；Itec, imec research group at KU Leuven（Itec）；KU Leuven, Department of Mathematics（KU莱顿大学）
提出一种基于成对比较与属性感知的决策树偏好引导方法，通过同时收集物品评分与属性偏好并使用物品对替代单个物品，有效解决了冷启动用户的个性化推荐问题。
2025-10-31 cs.IR cs.LG
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland（奥克兰大学）
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动，为用户和服务提供商提供巨大的价值。然而，这个问题显然是复杂的，因为需要综合考虑各种数据趋势。这包括空间位置，时间背景，用户的喜好，等等。大多数现有的研究认为，下一个POI推荐作为一个序列预测问题，而忽略了其他用户的合作信号。相反，我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型（GETNext），以更好地利用广泛的协作信号，更准确的下一个POI预测，并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中，以预测用户的未来移动。通过这种设计，我们的模型优于最先进的方法，具有很大的利润，也揭示了冷启动的挑战，在时空涉及的推荐问题。
2023-03-03 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
LLM-Enhanced Reranking for Complementary Product Recommendation
North Carolina State University（北卡罗来纳州立大学）；Iowa State University（爱荷华州立大学）
本文提出利用大语言模型增强互补产品推荐的重排序，通过直接应用LLM提示策略提升推荐准确性和多样性。
2025-07-22 cs.IR cs.LG
Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR cs.LG
Recommendation with Attribute-aware Product Networks: A Representation Learning Model
随着商业智能的繁荣，推荐系统已经发展到一个新的阶段，我们不仅关心推荐什么，而且关心为什么推荐。因此，建议的可解释性成为研究的焦点，并在电子商务中变得非常理想。沿着这条线的不确定性研究通常从不同的角度利用项目属性和相关性，但他们还缺乏一种有效的方法来结合这两种类型的信息，以进行个性化兴趣的深度学习。鉴于此，我们提出了一种新的图结构，\emph{attribute network}，基于项目的共同购买网络和重要属性。然后提出了一种新的神经模型称为\emph{eRAN}属性网络的可解释性和冷启动能力产生的建议。具体而言，eRAN首先通过深度自编码器将属性网络中连接的项目映射到低维嵌入向量，然后应用注意力机制对属性对用户的吸引力进行建模，由此可以导出个性化的项目表示。此外，成对排序损失被构造到eRAN中以改善推荐，假设用户共同购买的项目对应该比那些在个性化视图中具有负采样的非配对项目更相似。在真实数据集上的实验表明，与一些最先进的竞争对手相比，我们的方法是有效的。特别是，eRAN在以更高的准确性推荐冷启动项目以及理解复杂的共同购买行为背后的用户偏好方面显示出其独特的能力。
2020-09-23 cs.IR
Graph Embedding for Recommendation against Attribute Inference Attacks
近年来，推荐系统在帮助用户识别满足个人偏好的最合适的项目方面发挥了关键作用。由于用户-项目交互可以自然地建模为图结构数据，因此图卷积网络（GCN）的变体已经成为最新的建模器中公认的构建块。由于敏感用户简档数据的广泛使用，现有的推荐模式可能会使用户面临隐私泄露的威胁，基于GCN的推荐者也不例外。除了原始用户数据的泄漏外，当前的推理攻击的脆弱性为恶意攻击者提供了一个后门，通过他们的行为足迹和推荐结果来估计用户的私人属性。然而，很少有人注意到开发推荐系统，可以抵御这种属性推理攻击，现有的作品实现攻击抵抗牺牲相当大的推荐精度或只覆盖特定的攻击模型或受保护的信息。在我们的论文中，我们提出了GERAI，一种新的差分私有图卷积网络，以解决这些限制。具体来说，在GERAI中，我们将差分隐私中的信息扰动机制与图卷积网络的推荐能力相结合。此外，基于局部差分隐私和功能机制，创新性地设计了一种双阶段加密范式，同时对用户敏感特征和模型优化过程实施隐私保障。大量的实验表明，GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。
2021-01-29 cs.IR
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST（香港科技大学计算机科学与工程系）
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题，提出用户同意的联邦推荐系统UC-FedRec，通过最小化准确度代价灵活满足隐私需求，实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Interactive Path Reasoning on Graph for Conversational Recommendation
传统的推荐系统根据用户过去的交互历史来估计用户对项目的偏好，从而在获得细粒度和动态的用户偏好方面受到限制。会话式推荐系统（CRS）通过使系统能够直接询问用户关于物品的偏好属性，从而为这些限制带来了革命。然而，现有的CRS方法没有充分利用这一优势-他们只使用属性反馈，而隐含的方式，如更新潜在的用户表示。在本文中，我们提出了会话路径推理（CPR），一个通用的框架，模型会话推荐作为一个互动的路径推理问题的图。它通过遵循用户反馈来遍历属性顶点，以显式的方式利用用户偏好的属性。通过利用图结构，CPR能够修剪掉许多不相关的候选属性，从而更好地命中用户偏好的属性。为了演示CPR是如何工作的，我们提出了一个简单而有效的实例化，名为SCPR（简单CPR）。我们进行实证研究的多轮会话推荐的情况下，最现实的CRS设置，到目前为止，考虑多轮询问属性和推荐项目。通过在两个数据集Yelp和LastFM上的大量实验，我们验证了我们的SCPR的有效性，它显着优于最先进的CRS方法ARXiv（arXiv：2002.09102）和CRM（arXiv：1806.03277）。特别是，我们发现，有更多的属性，我们的方法可以实现更多的优势。
2020-07-01 cs.IR
On Interpretation and Measurement of Soft Attributes for Recommendation
我们解决如何鲁棒地解释自然语言的改进（或批评）的推荐系统。特别是，在人-人推荐环境中，人们经常使用软属性来表达对物品的偏好，包括电影情节的原创性，场所的嘈杂度或食谱的复杂性等概念。虽然二进制标记在推荐系统的上下文中被广泛研究，但软属性通常涉及主观和上下文方面，这些方面不能以这种方式可靠地捕获，也不能在知识库中表示为客观的二进制真理。这也增加了衡量软属性排名时的重要考虑因素。我们提出了一个更自然的表示为个性化的相对语句，而不是绝对的项目属性。我们提出了新的数据汇集技术和评估方法，以及一个新的公共数据集。我们还提出了一套评分方法，从无监督到弱监督到完全监督，作为解释和基于软属性的批评的一步。
2021-05-19 cs.IR
Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
针对基于会话推荐中数据稀疏及现有属性建模方法缺乏通用性的问题，提出与模型无关的框架AttrGAU，通过构建二分属性图、解耦现有模型并引入对齐与一致性约束，显著提升了属性无关模型的推荐准确性与鲁棒性。
2024-10-14 cs.IR
Cluster-Enhanced Federated Graph Neural Network for Recommendation
针对联邦图神经网络推荐中个人图缺乏高阶协同信号且隐私风险高的问题，本文提出CFedGR框架，通过服务器聚类预训练用户表示增强个人图，并设计两种通信优化策略，在三个基准数据集上验证了有效性。
2024-12-28 cs.IR cs.LG
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 cs.IR
A Scalable Recommendation Engine for New Users and Items
Duke University（杜克大学）；University College London（伦敦大学学院）
在许多数字环境中，诸如在线新闻和具有许多新用户和项目的电子零售，推荐系统面临若干挑战：冷启动问题），ii）如何学习用户对项目的偏好（测试和学习），以及iii）如何在具有无数人口统计和属性的许多用户和项目之间进行缩放。虽然许多推荐系统适应这些挑战的各个方面，但几乎没有解决所有问题的系统。本文介绍了一个协同过滤（CF）多臂强盗（B）与属性（A）推荐系统（CFB-A），以共同适应所有这些考虑。包括对MovieLens数据的离线测试、合成数据模拟和在线杂货店实验的经验应用表明，CFB-A导致累积平均奖励（例如，花费的总金钱或时间、点击次数、购买数量、平均评分等）相对于现存最强大的基线方法。
2023-02-27 cs.IR cs.LG
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；MX Media Co., Ltd（MX媒体有限公司）
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐，而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合，Murzim可以捕获用户偏好模式，为用户-项目交互序列生成嵌入，然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明，Murzim在召回率和MRR方面优于其他几种推荐方法，说明Murzim可以利用项目属性信息产生更好的推荐结果。目前，Murzim已经部署在印度最大的流媒体平台之一MX Player中，正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
Preference Elicitation with Soft Attributes in Interactive Recommendation
University of Southern California（南加州大学）；University of Virginia（弗吉尼亚大学）；Google Research（谷歌研究院）
针对交互式推荐中用户偏好难以用常规属性描述的问题，提出融合物品与软属性、基于概念激活向量的偏好诱导方法，有效提升推荐质量。
2023-10-22 cs.AI cs.IR
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程，候选项生成和建议有效地帮助用户找到最适合他们的项目。因此，识别可互换的可替代项目开辟了新的机会，以改善所生成的候选人的质量。当用户正在浏览特定类型的产品（例如，笔记本电脑）购买，替代品的准确推荐（例如，配备更好的笔记本电脑）可以为用户提供更合适的选择，从而大大增加成功购买的机会。然而，现有的方法仅仅把这个问题作为挖掘成对项目关系，而没有考虑用户的个人偏好。此外，可替代的关系是通过学习项目的潜在表示隐含地识别，导致不可解释的推荐结果。在本文中，我们提出了属性感知的协同过滤（A2 CF）执行替代推荐解决问题，从个性化和可解释性的角度。而不是直接建模的用户-项目的交互，我们提取明确的和极化的项目属性与情感分析，之后的属性，用户和项目的表示同时学习的用户评论。然后，通过将属性视为用户和项目之间的桥梁，我们可以彻底建模用户-项目偏好（即，个性化）和项目-项目关系（即，替代）的建议。此外，A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验，证明了A2 CF的推荐有效性和解释质量。
2020-05-19 cs.IR
Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs
研究异构推荐图中关系基数不同的问题，提出结合交叉熵和BPR的基数分解损失（CDL），通过实验验证CE-BPR冲突，表明CDL可提高属性嵌入可辨别性，揭示数据集行为受语义对齐和拓扑泄漏支配。
2026-07-24 cs.IR cs.LG
Modeling Dynamic Attributes for Next Basket Recommendation
Salesforce（赛富时）；UC San Diego（加州大学圣地亚哥分校）
传统的下一个商品和下一个购物篮推荐方法通常基于用户过去的交互和相关联的静态上下文信息（例如，用户id或商品类别）来提取用户的兴趣。然而，提取的利益可能是不准确的，并成为过时的。动态属性，如用户收入变化、物品价格变化等，随着时间的推移而改变。这种动态可以内在地反映用户兴趣的演变。我们认为，这样的动态属性建模可以提高推荐性能。然而，将它们适当地集成到用户兴趣模型中是具有挑战性的，因为属性动态可以是多样的，例如时间间隔感知的、周期性模式（等），它们从不同的角度代表用户的行为，这些行为可以与交互异步发生。除了动态属性之外，每个篮子中的项目还包含复杂的相互依赖关系，这可能是有益的，但对于有效捕获来说并不微不足道。为了应对这些挑战，我们提出了一种新的Attentive网络来建模动态属性（命名为Anda）。Anda分别编码动态属性和篮子项目序列。我们设计了一个周期性感知编码器，使模型能够从动态属性中捕获各种时间模式。为了有效地学习有用的项目关系，提出了篮内注意模块。在三个真实世界数据集上的实验结果表明，我们的方法始终优于最先进的。
2021-09-23 cs.AI cs.IR
RRCN: A Reinforced Random Convolutional Network based Reciprocal Recommendation Approach for Online Dating
Harbin Institute of Technology, ShenZhen（哈尔滨工业大学（深圳））；University of New South Wales（新南威尔士大学）；Peng Cheng Laboratory（鹏城实验室）
近年来，交互推荐，特别是在线约会应用程序中的交互推荐，引起了越来越多的研究关注。与传统的推荐问题不同，互惠推荐的目标是同时最好地匹配用户的相互偏好。直觉上，相互偏好可能会受到用户喜欢或不喜欢的一些关键属性的影响。同时，用户属性与其关键属性之间的相互作用对于关键属性的选择也是非常重要的。受这些观察的启发，在本文中，我们提出了一种新的增强随机卷积网络（RRCN）方法用于互惠推荐任务。特别是，我们在技术上提出了一种新的随机CNN组件，可以随机卷积非相邻特征以捕获它们的交互信息，并学习关键属性的特征嵌入以进行最终推荐。此外，我们设计了一种基于强化学习的策略，与随机CNN组件集成，以选择显著属性，形成关键属性的候选集。我们评估了建议RRCN对一些基线和国家的最先进的方法在两个真实世界的数据集，和有希望的结果已经证明了RRCN的优越性，对比较的方法在一些评估标准。
2020-11-25 cs.AI cs.IR
Counterfactual Explanation for Fairness in Recommendation
本文提出CFairER模型，利用异质信息网络和离策略强化学习生成属性级反事实解释，通过注意力动作剪枝缩小搜索空间，在保持推荐性能的同时实现公平性诊断。
2023-07-10 cs.IR
Improving Recommendation Fairness without Sensitive Attributes Using Multi-Persona LLMs
针对推荐系统在无敏感属性场景下的公平性问题，提出LLMFOSA框架，利用多角色大语言模型推断敏感信息并学习鲁棒表示，通过互信息目标优化，在公开数据集上验证了提升公平性的有效性。
2025-05-26 cs.IR
Personalized Fashion Recommendation with Image Attributes and Aesthetics Assessment
本文提出融合图像与文本构建双属性图的个性化时尚推荐方法，利用大型语言与视觉模型提取细粒度属性，以提升推荐准确率并缓解新商品冷启动问题。
2025-01-06 cs.AI cs.IR
MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；IBM T.J. Watson Research Center（IBM TJ沃森研究中心）；University of Connecticut（康涅狄格大学）
针对现有健康感知食品推荐系统个性化不足、缺乏可解释性的问题，该研究构建了两个相关基准，提出融合图学习与帕累托优化、LLM增强解释的MOPI-HFRS框架，兼顾用户偏好、个性化健康度与营养多样性。
2024-12-12 cs.IR cs.LG
Knowledge-aware Dual-side Attribute-enhanced Recommendation
针对现有知识感知推荐方法无法建模细粒度用户偏好及利用偏好-属性连接的问题，提出KDAR方法，通过构建用户偏好和属性融合表示增强协同过滤，并引入多级协同对齐对比机制区分属性贡献，在四个基准数据集上优于基线。
2024-03-24 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
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras（帕特雷大学）
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视，尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型，用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络（DeepCoNN）是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为，而另一个网络则从用户评论中学习物品属性。在顶部，添加了一个共享层来连接这两个网络。与因子分解机器方法类似，共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果，在许多数据集上，DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；Beijing Institute of Remote Sensing（北京遥感信息研究所）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）；Chinese Academy of Engineering（中国工程院）
现有的大多数基于深度学习的顺序推荐方法利用递归神经网络架构或自注意力来对用户历史行为中的顺序模式和时间影响进行建模，并学习用户在特定时间的偏好。然而，这些方法具有两个主要缺点。首先，他们专注于从以用户为中心的角度对用户的动态状态进行建模，而总是忽略项目随时间的动态变化。第二，他们中的大多数只处理一阶的用户和项目之间的相互作用，并没有考虑用户和项目之间的高阶连接，这是最近被证明是有益的顺序推荐。针对上述问题，本文尝试用二分图结构对用户-项目交互进行建模，并提出一种基于位置增强和时间感知的图卷积网络（PTGCN）的顺序推荐方法. PTGCN通过定义一个位置增强和时间感知的图卷积运算，并使用自注意力聚合器在二分图上同时学习用户和项目的动态表示，对用户-项目交互之间的顺序模式和时间动态进行建模。此外，它实现了用户和项目之间的高阶连接，通过堆叠多层图卷积。为了证明PTGCN的有效性，我们在三个不同大小的真实数据集上对PTGCN进行了全面的评估，并与一些竞争基线进行了比较。实验结果表明，PTGCN优于几个国家的最先进的模型在两个常用的评价指标的排名。
2022-01-14 cs.IR cs.LG
GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation
流媒体基于会话的推荐（SSR）是一个具有挑战性的任务，需要推荐系统在流媒体场景中进行基于会话的推荐（SR）。在电子商务和社交媒体的实际应用中，在一定时间内生成的用户-项目交互序列被分组为会话，并且这些会话以流的形式连续到达。最近的SR研究大多集中在静态设置，首先获得训练数据，然后用于训练基于会话的推荐模型。它们需要在整个数据集上进行几个时期的训练，这在流媒体设置中是不可行的。此外，由于对用户信息的忽视或简单使用，很难很好地捕捉用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流设计的。在本文中，我们提出了一个全局属性图（GAG）神经网络模型与Wasserstein水库的SSR问题。一方面，当新会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以考虑全局属性和当前会话两者，以学习会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein水库，以帮助保存历史数据的代表性草图。在两个真实数据集上进行了大量的实验，以验证与最先进的方法相比，GAG模型的优越性。
2021-07-09 cs.IR
Edge-Enhanced Global Disentangled Graph Neural Network for Sequential Recommendation
Soochow University（苏州大学）；Macquarie University（麦考瑞大学）；Rutgers University（罗格斯大学）；Texas Tech University（德州理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
顺序推荐一直是推荐系统研究的热点。现有的工作有助于增强基于各种方法的顺序推荐系统的预测能力，例如递归网络和自注意力机制。然而，他们未能发现和区分项目之间的各种关系，这可能是激发用户行为的潜在因素。在本文中，我们提出了一个边缘增强的全局解纠缠图神经网络（EGD-GNN）模型来捕捉项目之间的关系信息的全局项目表示和局部用户意图学习。在全局级别，我们在所有序列上构建全局链接图来建模项关系。然后设计了一个通道感知的解纠缠学习层，将边缘信息分解到不同的通道中，这些通道可以从其邻居中聚合来表示目标项。在局部层次上，我们应用变分自动编码器框架来学习用户对当前序列的意图。我们评估我们提出的方法在三个真实世界的数据集。实验结果表明，我们的模型可以得到一个关键的改进，比国家的最先进的基线，并能够区分项目的功能。
2021-11-23 cs.IR cs.LG
