Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络（GNN）已经成为推荐系统中对图结构数据建模的强大工具。然而，现实生活中的推荐场景通常涉及异构关系（例如，社会感知的用户影响、知识感知的项目依赖性），其包含丰富的信息以增强用户偏好学习。在本文中，我们研究了异构图增强的关系学习推荐的问题。近年来，对比自监督学习在推荐中取得了成功。鉴于此，我们提出了一种异构图对比学习（HGCL），它能够将异构关系语义与对比学习-增强跨不同视图的知识转移的用户-项目交互建模。然而，异构边信息对交互的影响可能因用户和项目而异。为了推进这一想法，我们用Meta网络增强了异构图对比学习，以允许个性化知识Transformer具有自适应对比增强。在三个真实数据集上的实验结果证明了HGCL的优越性。通过消融研究，验证了HGCL方法中的关键组件，有利于提高推荐性能。模型实现的源代码可在链接https://github.com/HKUDS/HGCL上获得。
2023-03-02 cs.IR
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而，它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及，这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域，它利用社会信息来缓解数据稀疏和冷启动问题，并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而，现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法，提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同，Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外，Hete-CF是一种通用方法，并且可以在任意社交网络中使用，包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP（一种典型的异构信息网络）和MeeShop（一种典型的基于事件的社交网络）两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Less is More: Reweighting Important Spectral Graph Features for Recommendation
尽管图卷积网络（GCN）在推荐系统和协同过滤（CF）中取得了巨大的成功，但其核心组件（\textit{i.e.,}邻域聚合）对推荐的作用机制还没有得到很好的研究。为了揭示GCN在推荐方面的有效性，我们首先从光谱的角度对其进行分析，并发现了两个重要的发现：（1）只有一小部分强调邻域平滑性和差异性的谱图特征有助于推荐准确性，而大多数图信息可以被认为是甚至降低性能的噪声，以及（2）邻域聚集的重复强调平滑特征并且以无效的方式滤除噪声信息。基于上述两个发现，我们提出了一个新的GCN学习计划的建议，取代neihgborhood聚合与一个简单而有效的图去噪编码器（GDE），它作为一个带通滤波器，以捕捉重要的图形功能。我们表明，我们提出的方法消除了过度平滑，可以与考虑任意跳邻域的无限层GCN相媲美。最后，我们动态调整负样本上的梯度，以加快模型训练，而不会引入额外的复杂性。在五个真实数据集上的大量实验表明，我们提出的方法不仅优于最先进的方法，而且比LightGCN实现了12倍的加速比。
2022-04-24 cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络（用户-用户关系）和用户-项目交互都自然地表示为图结构数据，因此图神经网络（GNN）已被广泛应用于社交推荐。在这项工作中，我们提出了一个端到端的异构全局图学习框架，即图学习增强异构图神经网络（GL-HGNN）的社会推荐。GL-HGNN的目标是学习一个异构的全局图，在一个统一的角度，充分利用用户之间的关系，用户之间的相互作用和项目之间的相似性。为此，我们设计了一个图学习器（GL）的方法来学习和优化用户-用户和项目-项目连接分别。此外，我们采用了异构图神经网络（HGNN）从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量，我们进一步提出了基于锚点的图学习器（AGL），以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 cs.IR
A Unified Model for Recommendation with Selective Neighborhood Modeling
Shandong Normal University（山东师范大学）；National Innovative Institute of Defense Technology（国防科技大学创新研究院）；The University of Queensland（昆士兰大学）；Neusoft Education Technology Group（东软教育科技集团）
基于邻域的过滤器是协同过滤（CF）模型的一个主要类别。直觉是利用具有相似偏好的邻居来桥接看不见的用户-项目对并减轻数据稀疏性。许多现有的工作提出了神经注意力网络聚合邻居，并在特定的用户子集上放置更高的权重进行推荐。然而，邻域信息不一定总是有用的，并且邻域中的噪声会对模型性能产生负面影响。为了解决这个问题，我们提出了一种新的基于邻域的推荐器，其中混合门控网络被设计为自动分离相似的邻居从不同的（嘈杂的），并聚集这些相似的邻居，包括邻域表示。如果我们对邻域信息有信心，则还通过对邻域表示施加更高的权重来解决邻域中的置信度，反之亦然。此外，提出了一个用户邻居组件，明确规范用户邻居接近的潜在空间。这两个组件被组合成一个统一的模型，以互补的推荐任务。在三个公开数据集上进行的大量实验表明，该模型的性能始终优于最先进的基于邻域的分类器。我们还研究了所提出的模型的不同变体，以证明所提出的混合门控网络和用户邻居建模组件的潜在直觉。
2020-10-19 cs.AI cs.IR
Collaborative Memory Network for Recommendation Systems
推荐系统在现代在线平台中保持用户对个性化内容的参与方面发挥着至关重要的作用。深度学习已经彻底改变了许多研究领域，最近人们对将其应用于协同过滤（CF）的兴趣激增。然而，现有的方法组成深度学习架构与潜在因素模型忽略了CF模型，邻域或基于记忆的方法的主要类别。我们提出了协作记忆网络（CMN），一个深层的架构，以统一的两类CF模型利用潜在因素模型的全球结构和局部邻域为基础的结构在一个非线性的方式的优势。受记忆网络成功的启发，我们融合了记忆组件和神经注意力机制作为邻域组件。在存储器模块中具有用户和项目存储器的关联寻址方案编码与神经注意力机制耦合的复杂用户-项目关系，以学习用户-项目特定邻域。最后，输出模块联合利用用户和项目记忆的邻域来产生排名分数。将多个存储器模块堆叠在一起产生更深的架构，捕获日益复杂的用户-项目关系。此外，我们显示CMN组件，记忆网络和三类CF模型之间的强连接。综合实验结果表明，CMN在三个公共数据集上的有效性优于竞争基线。注意力权重的定性可视化提供了对模型推荐过程的深入了解，并表明存在高阶交互。
2018-06-21 cs.IR
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性，异构信息网络（HIN）已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的，异构的数据关系，包含各种信息，可能不相关的推荐任务。因此，有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题，我们提出了一个基于课程预训练的异构子图Transformer（称为\emph{CHEST}）与新的\emph{data characterization}，\emph{representation model}和\emph{learning algorithm}。具体来说，我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图，包含足够的和相关的上下文信息用于推荐。然后，我们通过一个异构的子图Transformer，在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义（\eg图结构和路径语义）。此外，我们设计了一个课程预训练策略，提供了一个初级到高级的学习过程，我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明，我们提出的方法优于一些有竞争力的基线，特别是当只有有限的训练数据。
2021-06-12 cs.IR
Putting Recommendations on the Map -- Visualizing Clusters and Relations
对于用户来说，推荐有时看起来很奇怪或违反直觉。可视化推荐可以消除一些这种神秘感，显示推荐如何与其他选择分组。绘图还可以将用户的眼睛引导到其他选项。传统的点的2D嵌入可用于创建基本布局，但这些方法本身并不能很好地说明聚类和邻域。在本文中，我们建议使用地理地图，以提高集群和社区的定义，并考虑这种方法的有效性，在可视化的相似性和建议所产生的电视节目和音乐选择。本文中引用的所有地图均可在http://www.research.att.com/~volinsky/maps中找到
2009-06-29 cs.IR
Micro-video recommendation model based on graph neural network and attention mechanism
随着互联网技术的飞速发展和互联网应用的全面普及，网上活动逐渐成为人们日常生活中不可或缺的一部分。原有的推荐学习算法主要是基于用户与微视频的交互进行学习，对用户与微视频的连接关系进行建模，难以捕捉节点之间较为复杂的关系。针对上述问题，提出了一种基于图神经网络的个性化推荐模型。该模型利用图神经网络能够更有效地挖掘图数据的深层信息的特点，将输入的用户评分信息和项目边信息转化为图结构，基于重要性采样策略进行有效的特征提取。基于重要性的采样策略通过计算邻居节点与中心节点之间的关系紧密度来衡量邻居节点对中心节点的重要性，并根据重要性级别来选择推荐任务的邻居节点，可以更有针对性地选择对目标微视频节点影响更大的采样邻居。而池化聚合策略则是先将邻域节点特征输入到全连通层中训练聚合权值，再进行邻域特征聚合，然后引入池化层进行特征聚合，最后将得到的邻域聚合特征与目标节点本身进行聚合，其直接引入对称可训练函数以将邻域权重训练融合到模型中，从而以可学习的方式更好地捕获不同邻域节点的差分特征，当前节点特征的表示。
2022-05-21 cs.IR
Heterogeneous User Modeling for LLM-based Recommendation
针对开放域推荐中跨域异构行为建模难题，本文提出 HUM，通过行为 token 压缩、掩码机制和领域重要性分数提升效果与鲁棒性。
2025-07-27 cs.IR
A Complex Network Approach for Collaborative Recommendation
协同过滤（CF）是个性化服务推荐中使用最广泛和最成功的方法。在协同推荐方法中，基于邻域的方法由于其简单性、可扩展性、高效性和稳定性而受到广泛的欢迎。基于邻域的协同过滤方法找到K个最近的邻居到一个活跃的用户或K个最相似的评价项目的目标项目的推荐。传统的相似性度量使用共同评级项目的评级来找到一对用户之间的相似性。因此，传统的相似性度量不能计算有效的邻居在稀疏数据集。在本文中，我们提出了一个两阶段的方法，在第一阶段使用传统的相似性度量生成用户-用户和项目-项目网络。在第二阶段，引入了两种混合方法HB 1，HB 2，它们利用网络的结构相似性来找到K个最近邻居和K个与目标项最相似的项。为了显示措施的有效性，我们比较了性能的邻域为基础的CF使用国家的最先进的相似性措施与我们提出的结构相似性措施为基础的CF。一组真实数据的推荐结果表明，建议的措施为基础的CF在各种评价指标优于现有的措施为基础的CF。
2015-10-02 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题，提出 MCL 模型，通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构，提升了推荐鲁棒性。
2025-05-30 cs.IR
Recommendation Through Mixtures of Heterogeneous Item Relationships
推荐系统已经扩散作为通用的方法来模拟各种各样的消费者交互数据。具体实例利用范围从用户反馈、项目关系、地理位置、社会影响（等）的信号。通常，研究表明，利用特定信号（在精心设计的模型中）可以在特定数据集上提供更高保真的建议。当然，实际情况更加微妙，许多信号的组合可能在发挥作用，或者受到个人用户不同比例的青睐。在这里，我们寻求开发一个框架，能够结合这种异构项目的关系，同时建模（a）什么样的模式的建议是用户可能会受到在特定的时间点;（b）什么是最好的建议，从每一种模式。我们的方法借鉴了混合专家方法和知识图谱嵌入的思想。我们发现，我们的方法自然会产生更准确的建议比替代品，同时也提供直观的“解释”背后的建议，它提供。
2018-08-29 cs.IR
HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation
针对TSR模型忽略物品侧异构特征的问题，提出含HTFL和HCT的HeterRec模型，通过物品异构令牌化、分层因果特征提取及LMP损失优化，在离线和在线数据集上实现更优性能。
2025-04-19 cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan（美团）
针对异构行为导致的特征稀疏与知识碎片化问题，提出基于 LLM 的异构知识提取、融合与指令微调方法，显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
针对职位推荐中的冷启动、时序敏感和信息整合难题，本文提出时序异构图方法TIMBRE，结合图神经网络实现高效时序推荐，并用推荐系统指标进行验证。
2024-11-06 cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
Heterogeneous Information Network-based Interest Composition with Graph Neural Network for Recommendation
异构信息网络（HINs）由于其能够用元路径来建模各种辅助信息而被广泛应用于推荐系统。然而，现有的基于HIN的推荐模型通常通过简单的加权求和或级联来融合来自不同元路径的信息，缺乏元路径之间的兴趣组合能力，从而限制了性能的提高。在本文中，我们提出了一个基于HIN的兴趣组合推荐模型（HicRec）。具体地说，用户和项目表示学习与图神经网络的图形结构和功能在每个元路径，和参数共享机制，在这里使用，以确保用户和项目表示是在相同的潜在空间。然后，通过用户和项目表示的组合来计算用户对来自每对相关元路径的每个项目的兴趣。通过元路径内和元路径间的用户兴趣组合得到用户的单一兴趣，并进行推荐。在三个真实世界的数据集上进行了大量的实验，结果表明，我们提出的HicRec模型优于基线。
2022-03-08 cs.IR
CityHood: An Explainable Travel Recommender System for Cities and Neighborhoods
本文提出 CityHood，结合 Google Places 评论与多维指标进行兴趣建模，在 CBSA 和 ZIP code 尺度提供由 LIME 与自然语言解释支持的城市及社区旅行推荐。
2025-07-24 cs.IR cs.SI
SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation
针对多模态知识图结构在训练中被冻结导致融合不充分的问题，提出SLIF-MR框架，利用前一训练周期的项目表示作为反馈信号动态优化异构图结构，并结合语义一致性学习策略，显著提升了推荐的准确性和鲁棒性。
2025-07-14 cs.IR
A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题，提出BiPNet，利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好，实验验证其优越性。
2023-11-02 cs.IR
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation
在推荐系统中提供模型生成的解释对于用户体验是重要的。最先进的推荐算法--尤其是具有浅模型或深模型的基于协同过滤（CF）的方法--通常与用于推荐的各种非结构化信息源一起工作，诸如文本评论、视觉图像以及各种隐式或显式反馈。虽然结构化知识库被认为是基于内容的方法，他们已经在很大程度上被忽视，最近由于CF方法的研究重点。然而，结构化知识在个性化推荐系统中显示出独特的优势。当考虑关于用户和项目的显式知识用于推荐时，系统可以基于用户的历史行为提供高度定制的推荐，并且该知识有助于提供关于推荐项目的明智解释。使用知识库进行推荐的一个巨大挑战是如何集成大规模的结构化数据，同时利用协同过滤来实现高精度的性能。知识库嵌入（KBE）的最新成果揭示了这个问题，这使得有可能学习用户和项目表示，同时保留其与外部知识的关系结构进行解释。在这项工作中，我们建议解释知识库嵌入可解释的建议。具体来说，我们提出了一个知识库表示学习框架来嵌入异构实体进行推荐，并基于嵌入的知识库，提出了一种软匹配算法来为推荐项生成个性化的解释。在真实电子商务数据集上的实验结果验证了与最先进的基线相比，我们的方法具有卓越的推荐性能和可解释性。
2018-11-01 cs.IR
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon（亚马逊）；The Ohio State University（俄亥俄州立大学）；École de Technologie Supérieure（高等技术学院）；University of Minnesota（明尼苏达大学）
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查，基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处，描述了关键的设计选择实现一个基于邻居的推荐系统，并给出了实际的信息，如何使这些选择。本章涵盖了广泛的方法，包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
HHFT: Hierarchical Heterogeneous Feature Transformer for Recommendation Systems
Taobao \& Tmall Group of Alibaba Hangzhou China；Taobao \& Tmall Group of Alibaba Beijing China；Taobao \& Tmall Group of Alibaba
HHFT通过分层异构特征变换器提升推荐系统CTR预测性能，实现AUC提升0.4%并提高GMV
2025-12-14 cs.IR
Designing a Sequential Recommendation System for Heterogeneous Interactions Using Transformers
虽然许多生产就绪和鲁棒的算法可用于推荐系统的任务，但这些系统中的许多系统不考虑用户的消费顺序。消费的顺序在许多场景中非常有用和重要。一种这样的场景是教育内容推荐，其中用户通常遵循朝向更高级课程的渐进路径。研究人员已经使用RNN构建了序列推荐系统和其他处理序列的模型。顺序推荐系统试图通过读取用户的历史来预测用户的下一个事件。随着Transformers在自然语言处理中的巨大成功，以及它们使用注意力机制来更好地处理序列，已经有人尝试使用这一系列模型作为新一代顺序推荐系统的基础。在这项工作中，通过将每个用户与项目的交互转换为一系列事件，并基于我们的架构上的Transformers，我们试图使这样一个模型，考虑到不同类型的事件的使用。此外，通过认识到某些事件必须在其他类型的事件发生之前发生，我们试图修改架构以反映这种依赖关系并增强模型的性能。
2022-04-30 cs.IR
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation
随着网络嵌入技术的飞速发展，推荐算法也随之发展。然而，用户-项目交互的稀疏性（即，明确的偏好）仍然是预测用户行为的一大挑战。尽管已经在利用一些辅助信息（例如，用户之间的社会关系）来解决该问题，现有的丰富的异构辅助关系仍然没有被充分利用。此外，以前的工作依赖于线性组合正则化和遭受参数调整。在这项工作中，我们收集了丰富的关系，从共同的用户行为和项目信息，并提出了一个新的框架命名为IntentGC利用显式偏好和异构关系的图卷积网络。除了对异质性建模的能力之外，IntentGC还可以通过非线性意义上的神经模型自动学习不同关系的重要性。为了将IntentGC应用于Web规模的应用程序，我们设计了一个更快的图卷积模型IntentNet，避免了不必要的特征交互。在两个大规模真实数据集和阿里巴巴在线A/B测试上的实验表明，该方法优于现有算法。
2019-07-24 cs.IR
Exploring Heterogeneous Metadata for Video Recommendation with Two-tower Model
在线视频服务每天都会获取新内容，以提高参与度并改善用户体验。传统的推荐系统仅仅依赖于观看历史，延迟了向正确的客户推荐新添加的标题。然而，可以使用冷启动标题的元数据信息来引导个性化。在这项工作中，我们建议采用一个双塔模型，其中一个塔是学习用户表示的基础上，他们的观看历史，和其他塔是学习有效的表示使用元数据的标题。本文的贡献可以概括为：（1）我们展示了使用双塔模型进行推荐的可行性，并进行了一系列的离线实验来展示其在冷启动标题中的性能;（2）我们探索了不同类型的元数据（分类特征、文本描述、封面图像）和用于融合它们的注意力层;（3）利用我们的Amazon专有数据，我们证明了注意力层可以自适应地为不同的元数据分配权重，并改进了对热启动和冷启动项目的推荐。
2022-04-02 cs.IR
Causality-Aware Neighborhood Methods for Recommender Systems
Fuji Xerox（富士施乐）
广告商的商业目标，如增加销售额，与建议的因果效应相一致。以往的因果效应分析采用逆倾向评分法进行因果推理。然而，IPS易于遭受高方差。匹配估计量是因果推理领域的另一个代表性方法。它不使用倾向，因此不存在上述方差问题。在这项工作中，我们将传统的邻域推荐方法与匹配估计相结合，并为推荐的因果效应开发了鲁棒的排名方法。我们的实验表明，所提出的方法在因果效应的排名指标方面优于各种基线。结果表明，所提出的方法可以实现更多的销售和用户参与比以前的广告。
2021-01-30 cs.IR cs.LG
Heterogeneous Multi-treatment Uplift Modeling for Trade-off Optimization in Short-Video Recommendation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出HMUM框架，通过离线混合建模和在线动态决策模块，实现短视频推荐中的多策略权衡优化，提升个性化决策效果。
2025-11-29 cs.IR
LHRM: A LBS based Heterogeneous Relations Model for User Cold Start Recommendation in Online Travel Platform
目前的推荐系统大多利用用户的历史行为数据来预测用户的偏好。然而，很难准确地向新用户推荐商品。为了缓解这个问题，现有的用户冷启动方法要么应用深度学习来构建跨域推荐系统，要么将用户属性映射到用户行为空间中。这些方法在应用于在线旅游平台时更具挑战性（例如，Fliggy），因为很难找到一个跨领域的用户与旅行场景具有相似的行为，并且用户的基于位置的服务（LBS）信息没有得到足够的重视。在这项工作中，我们提出了一个基于LBS的异构关系模型（LHRM）用于用户冷启动推荐，该模型利用用户在相关领域的LBS信息和行为信息以及用户在旅游平台（例如，Fliggy）来构造用户和项目之间的异构关系。此外，基于注意力的多层感知器被应用于提取用户和项目的潜在因素。通过这种方式，LHRM具有更好的泛化性能比现有的方法。对Fliggy离线测井数据的实验结果表明了LHRM的有效性。
2021-08-05 cs.IR
Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与技术学院）
本文提出BDPL框架，通过构建定制化行为感知子图和级联结构图神经网络，结合偏好级对比学习和自适应门控机制，解决异质序列推荐中行为数据稀疏性和噪声问题，提升推荐精度。
2026-04-16 cs.IR
Explore User Neighborhood for Real-time E-commerce Recommendation
Center for Data Science, Peking University（北京大学数据科学中心）；Alibaba Group（阿里巴巴集团）
推荐系统在现代在线服务中发挥着至关重要的作用，例如亚马逊和淘宝。传统的个性化方法主要关注用户-项目（UI）关系，由于其高效性和有效性，在工业环境中得到了广泛的应用。尽管他们的成功，我们认为，这些方法忽略了本地信息隐藏在类似的用户。为了解决这个问题，基于用户的方法利用相似的用户关系，在本地的角度进行推荐。然而，传统的基于用户的方法，如userKNN和矩阵分解，是难以部署在实时的应用，因为这样的转导模型必须重新计算或重新训练与任何新的交互。为了克服这一挑战，我们提出了一个框架称为自互补协同过滤~（SCCF），它可以作出建议与全球和本地的信息在实时的。一方面，它利用UI关系和用户邻域来捕获全局和局部信息。另一方面，它可以识别相似的用户为每个用户在实时的通过推断用户表示的飞行与归纳模型。该框架可以无缝地集成到现有的归纳UI方法中，并受益于用户邻域，只需很少的额外计算。这也是在实时的设置中应用基于用户的方法的第一次尝试。通过在4个公开数据集上的大量离线实验以及在淘宝网上的大规模在线A/B测试，验证了SCCF的有效性和效率。
2021-02-28 cs.AI cs.IR
AskNearby: An LLM-Based Application for Neighborhood Information Retrieval and Personalized Cognitive-Map Recommendations
Peking University（北京大学）；Qianmo Smart Link（千摩智能链接）；New York University（纽约大学）；Imperial College London（伦敦帝国学院）；Tencent（腾讯）；Tongji University（同济大学）
AskNearby通过整合检索增强生成和认知地图模型，提升邻里信息检索与个性化推荐效果，解决局部生活信息可及性问题。
2025-12-02 cs.AI cs.IR
Graph-based Recommendation for Sparse and Heterogeneous User Interactions
针对小型企业数据稀疏问题，提出利用异构用户-内容交互的图推荐模型，并通过遗传算法优化关系权重，在两个真实数据集上较低数据场景方法最高提升7%。
2023-01-26 cs.IR
Path-Based Reasoning over Heterogeneous Networks for Recommendation via Bidirectional Modeling
异构信息网络（HIN）是推荐系统中数据的自然和通用表示。结合HIN和推荐系统不仅可以帮助建模用户行为，而且还可以通过将用户/项目与网络中的各种类型的实体对齐来使推荐结果可解释。在过去的几年中，基于路径的推理模型在基于隐马尔可夫链的推荐中表现出了巨大的能力。这些模型的基本思想是探索HIN与预定义的路径方案。这些模型虽然有效，但往往面临以下局限性：（1）现有的基于路径的推理模型在对序列进行建模时，大多只考虑了先行节点对后继节点的影响，而忽略了路径中节点之间的相互作用;（2）通常假设同一路径实例中节点的权值为常数，而不同的节点权重可以带来更多的灵活性，并导致表达建模;（3）用户-项目交互是嘈杂的，但他们往往是不加区别地利用。为了克服上述问题，在本文中，我们提出了一种新的基于路径的推理方法推荐HIN。具体来说，我们使用双向LSTM来实现路径的双向建模，并捕获节点之间的互惠性。然后采用注意力机制来学习节点在不同上下文中的动态影响。最后，对抗正则化项施加在模型的损失函数上，以减轻噪声的影响并增强基于HIN的推荐。在三个公共数据集上进行的大量实验表明，我们的模型优于最先进的基线。案例研究进一步证明了我们的模型在可解释推荐任务上的可行性。
2020-08-10 cs.IR
Neighborhood-based Hard Negative Mining for Sequential Recommendation
The Hong Kong Polytechnic University（香港理工大学）；NetEase Inc.（网易公司）
针对序列推荐中负采样忽视结构信息的问题，提出基于邻域重叠的图负采样方法GNNO，利用物品转移图挖掘难负样本并结合课程学习，在三个Amazon数据集上有效提升多种模型性能。
2023-06-12 cs.AI cs.IR
Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
TCS Research, India（塔塔咨询服务公司研究院）
本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架，通过构建异构知识图谱并学习用户人设，提升稀疏或冷启动场景下的个性化推荐效果。
2026-04-14 cs.IR
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
Deep Unified Representation for Heterogeneous Recommendation
Alibaba Group（阿里巴巴集团）；Ant Financial Services Group（蚂蚁金融服务集团）；University of Science and Technology of China（中国科学技术大学）
推荐系统一直是学术界和工业界广泛研究的课题。以往的工作主要集中在同类推荐系统上，对于异构推荐系统的研究进展甚微。然而，异构的建议，例如，推荐不同类型的物品，包括产品、视频、名人购物笔记等，如今占主导地位。现有技术的方法不能利用来自不同类型的项目的属性，因此存在数据稀疏性问题。联合表示具有不同特征空间的项目确实是相当具有挑战性的。为了解决这个问题，我们提出了一个基于核的神经网络，即深度统一表示（或DURation）的异构推荐，联合建模异构项目的统一表示，同时保持其原始的特征空间拓扑结构。理论上，我们证明了所提出的模型的表示能力。此外，我们在真实世界的数据集上进行了广泛的实验。实验结果表明，在统一表示的情况下，我们的模型取得了显着的改善（例如，AUC评分提高4.1% ~ 34.9%，在线CTR提高3.7%）。
2022-01-26 cs.IR cs.LG
Retention Induced Biases in a Recommendation System with Heterogeneous Users
该研究指出推荐系统算法更迭后的过渡时期A/B测试指标存在偏差，可能误导对算法长期性能的判断，同时提及用户留存动态会引发数据偏差。
2024-10-30 cs.IR
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来，真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本，在整个语料库上进行复杂的端到端算法是极具挑战性的。因此，传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率，旨在从大型语料库中高效地检索数百个条目，而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性，而匹配模块应该对多样性承担更多责任。在本文中，我们提出了一种新的异构图神经网络框架的多样化推荐（GraphDR）匹配，以提高推荐精度和多样性。具体来说，GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好，并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失，以平衡多样化匹配任务的推荐准确性和多样性。在实验中，我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标，并取得了显着的改善。为了更好地理解我们的模型，我们还进行了模型分析和案例研究。此外，GraphDR已经部署在一个知名的推荐系统上，影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
Adaptive Graph Integration for Cross-Domain Recommendation via Heterogeneous Graph Coordinators
提出HAGO框架，通过异构自适应图协调器动态整合多领域图，增强有益交互并缓解负迁移，配合通用预训练策略，在跨域推荐中超越现有方法。
2025-07-10 cs.IR
User Embedding based Neighborhood Aggregation Method for Inductive Recommendation
Microsoft Research India（微软印度研究院）
我们考虑在推荐设置中学习用户和项目的潜在特征（aka嵌入）的问题。只给出一个用户-项目交互图，目标是为每个用户推荐项目。传统的方法采用基于矩阵分解的协同过滤方法。最近的使用图卷积网络的方法（例如，LightGCN）实现最先进的性能。他们学习用户和项目嵌入。大多数现有方法的一个主要缺点是它们不是归纳的;它们不能概括在训练过程中看不到的用户和项目。此外，现有的网络模型相当复杂，难以训练和规模。受LightGCN的启发，提出了一种协同过滤CF-GCN的图卷积网络建模方法。我们只学习用户嵌入，并使用执行邻域聚合的轻变体CF-LGCN-U导出项目嵌入，由于降低了模型复杂度，因此具有可扩展性。CF-LGCN-U模型自然具有对新项目的归纳能力，我们提出了一个简单的解决方案来推广新用户。我们展示了所提出的模型是如何与LightGCN相关的。作为副产品，我们提出了一个简单的解决方案，使LightGCN感应。我们在几个基准数据集上进行了全面的实验，并证明了所提出的方法的能力。实验结果表明，类似的或更好的泛化性能是实现比最先进的方法在两个转导和归纳设置。
2021-02-16 cs.IR cs.LG
Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation
针对异构图中用户-项目交互受潜在意图支配但现有方法忽略此点的问题，提出IHGCL框架，通过基于元路径的双对比学习整合意图，并利用BAE减少元路径噪声，在六个数据集上表现优于基线。
2024-07-28 cs.IR
Graph Embedding for Citation Recommendation
随着科学的进步，学术界发表了数百万篇研究论文。研究人员在撰写论文或只是为了跟上当前的研究时，会花费时间和精力搜索相关的手稿。本文研究了图上的引文推荐问题，提出了一种基于任务的邻域构造策略来学习论文的分布式表示。此外，鉴于所学到的表示，我们调查各种计划排名的候选论文引用推荐。实验结果表明，我们提出的邻域构造策略优于广泛使用的随机游走为基础的采样策略的所有排名方案，和基于模型的排名方案优于嵌入的邻域构造策略的排名。我们还证明了图嵌入是一种鲁棒的引用推荐方法，当隐藏率变化时，而经典方法的性能显着下降时，种子论文集变得很小。
2018-12-06 cs.DL cs.IR cs.SI
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints
推荐系统为用户提供了一个适当限制的最近在线的大量信息。基于会话的推荐是推荐系统的一个子领域，它试图通过解释由项目序列组成的会话来推荐项目。最近，在这些会话中包括用户信息的研究正在取得进展。然而，难以生成包括由用户生成的会话表示的高质量用户表示。在本文中，我们考虑各种关系的图创建会话通过异构注意力网络。约束还强制用户表示考虑会话中呈现的用户偏好。它试图通过在培训过程中的额外优化来提高性能。该模型在各种真实数据集上的性能优于其他方法。
2022-06-26 cs.AI cs.IR
Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
针对现有推荐方法难以兼顾严格冷启动与热启动性能的问题，本文提出融合多模态内容与知识图谱的Firzen框架，通过冻结异构图与同构图提取多维度信息，在两类场景下均取得优异表现。
2024-10-10 cs.IR
AMinerGNN: Heterogeneous Graph Neural Network for Paper Click-through Rate Prediction with Fusion Query
基于用户生成关键词的论文推荐是指推荐既符合用户兴趣又与输入关键词相关的论文。这是一个包含两个查询的推荐任务，用户ID和关键字。然而，现有的方法集中在根据一个查询，也就是推荐。用户ID，不适用于解决此问题。提出了一种基于异构图神经网络的点击率预测模型AMinerGNN，用于推荐具有两个查询的论文。具体来说，AMinerGNN通过图表示学习构建一个异构图，将用户、论文和关键词投影到同一个嵌入空间。为了处理两个查询，一个新的查询关注融合层的设计，动态地认识到他们的重要性，然后融合他们作为一个查询，建立一个统一的，端到端的推荐系统。在我们提出的数据集和在线A/B测试上的实验结果证明了AMinerGNN的优越性。
2022-08-15 cs.IR
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
An improved HeatS+ProbS hybrid recommendation algorithm based on heterogeneous initial resource configurations
基于网络的用户-对象链接预测推荐算法近年来取得了显著的发展。对于二分图，这种算法中的资源重新分配类似于热扩散（HeatS）或概率扩散（ProbS）过程。最好的算法是一个混合的HeatS和ProbS技术与同质的初始资源配置，同时满足高精度和大的多样性。我们调查的HeatS+ProbS混合算法的初始配置的异质性的影响，并发现，在这个新的设置，可以进一步提高推荐的准确性和多样性。数值实验表明，改进是鲁棒的。
2010-05-25 cs.IR physics.soc-ph
