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
Situation-Aware Approach to Improve Context-based Recommender System
在本文中，我们介绍了一种新的情况下意识到的方法，以改善基于上下文的推荐系统。为了建立情境感知的用户简档，我们依赖于从检索情境发出的证据。检索情境是指用户与推荐系统交互时的社会时空背景。一个情境被表示为从给定社会群体、位置和时间信息的本体知识推断出的社会时空概念的组合。用户的兴趣从过去用户与推荐系统的交互中推断，所述推荐系统与所识别的情况有关。它们使用从领域本体发出的概念来表示。我们还提出了一种方法来动态地适应系统的用户的兴趣的演变。
2014-03-30 cs.IR
How public datasets constrain the development of diversity-aware news recommender systems, and what law could do about it
本文指出公共数据集制约多样性感知新闻推荐系统发展，提出数据集应包含的信息要求，并分析欧洲法律政策如何为研究人员提供数据访问途径。
2025-10-07 cs.IR
Using Affective Features from Media Content Metadata for Better Movie Recommendations
本文通过用户的情感特征来研究电影推荐决策中的因果关系。本文提出了一种通过自动检测电影概述中的情感特征来为电影分配情感标签的方法。我们采用一个基于文本的情感检测和识别模型，该模型通过tweet短消息进行训练，并将学习到的模型转移到检测电影概述的隐含情感特征。我们对情感电影标签进行矢量化，以表示电影的情绪嵌入。我们通过对用户观看过的所有电影的情感向量取平均值来获得用户的情感特征。我们应用五个距离度量来对用户的情感简档对Top-N电影推荐进行排名。我们发现余弦相似性距离度量比其他距离度量方法表现得更好。我们的结论是，通过用余弦相似性距离度量的重新排序的推荐列表替换推荐器生成的前N个推荐，用户将有效地获得情感感知的前N个推荐，同时使推荐器感觉像情感感知的推荐器。
2021-02-10 cs.IR
The Impact of Situation Clustering in Contextual-Bandit Algorithm for Context-Aware Recommender Systems
上下文感知推荐系统（CRS）中的大多数现有方法专注于考虑上下文信息（例如时间、位置或社交方面）向用户推荐相关项目。然而，很少有人考虑到用户的内容动态性的问题。我们在本文中介绍了一种算法，处理用户的内容动态性建模的CRS作为一个上下文的强盗算法，并通过包括一个情况聚类算法，以提高精度的CRS。在一个精心设计的离线模拟框架内，我们用真实的在线事件日志数据进行评估。实验结果和详细的分析揭示了上下文感知推荐系统中的几个重要发现。
2014-03-30 cs.IR
Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations
本文提出基于Cornac的Informfully Recommenders框架，首次为规范驱动的多样性感知推荐提供覆盖预处理、模型、会话内重排序和多样性评估的端到端可复现实验方案，并在新闻领域离线实验中验证其有效性。
2025-08-18 cs.IR
A Survey on Intent-aware Recommender Systems
本文综述了意图感知推荐系统的现有方法并对其进行分类，分析了当前评估实践，指出未来应结合更多交互信号和上下文信息以提升推荐效果。
2024-10-19 cs.IR
Optimizing an Utility Function for Exploration / Exploitation Trade-off in Context-Aware Recommender System
在本文中，我们开发了一个动态的探索/开发（exr/exp）策略的上下文推荐系统（CRS）。具体来说，我们的方法可以通过自动学习最佳权衡来自适应地平衡exr/exp的两个方面。这包括优化效用函数，该效用函数由已经推荐的点击和未点击文档的奖励的概率分布的线性化形式表示。在离线模拟框架内，我们将我们的算法应用于CRS，并使用真实的事件日志数据进行评估。实验结果和详细的分析表明，我们的算法优于现有的算法的点击率（CTR）。
2014-04-15 cs.IR
MARS: Memory Attention-Aware Recommender System
在本文中，我们研究的问题，建模用户的不同兴趣。以前的方法通常学习一个固定的用户表示，它具有有限的能力来表示用户的不同兴趣。为了模拟用户的各种兴趣，我们提出了一个记忆注意力感知推荐系统（MARS）。MARS利用记忆成分和新的注意力机制来学习深度\textit{adaptive user representations}。以端到端的方式进行训练，MARS自适应地总结用户的兴趣。在实验中，MARS在三个真实世界的数据集上的召回率和平均精度方面优于七种最先进的方法。我们还证明了MARS具有很好的解释性来解释其推荐结果，这在许多推荐场景中非常重要。
2018-05-18 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
Temporal-Aware User Behaviour Simulation with Large Language Models for Recommender Systems
本文提出DyTA4Rec模拟器，通过动态更新、时间增强提示和自适应聚合，使基于大语言模型的智能体能够建模用户兴趣的动态演化，从而显著提升推荐系统中模拟行为与真实行为的一致性。
2025-09-21 cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息，从而解决信息过载的问题。经过几年的研究和工业发现，寻找更好的算法来提高准确性和多样性指标，推荐的解释服务作为一种工具正在获得动力，在大多数情况下，通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上，解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中，我们评估如何不同的信息编码在知识图谱被认为是由用户时，他们被采用，以显示他们的解释。更确切地说，我们比较如何使用分类信息，事实的一个或两者的混合物在建设的解释，影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证，该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件，这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
Less is More: Towards Sustainability-Aware Persuasive Explanations in Recommender Systems
本文提出“可持续性感知的说服性解释”概念，以“少即是多”原则支持联合国可持续发展目标，并通过三领域用户研究验证其在用户接受度和潜在影响方面的积极效果。
2024-09-27 cs.IR
Offline Contextual Multi-armed Bandits for Mobile Health Interventions: A Case Study on Emotion Regulation
University of Virginia（弗吉尼亚大学）
通过移动电话等普及的电子设备提供治疗建议有可能成为长期健康行为管理的可行和可扩展的治疗媒介。但积极的治疗方案的实验可能是耗时的，昂贵的，在某些情况下完全不道德的。人们越来越感兴趣的方法，让实验者学习和评估部署前的一个新的治疗策略的有用性。我们提出了第一个发展的治疗推荐系统的情绪调节使用真实世界的历史移动数字数据n = 114高社交焦虑的参与者来测试新的情绪调节策略的有用性。我们探讨了一些离线上下文土匪估计学习，并提出了一个一般的框架学习算法。我们的实验表明，提出的双重鲁棒离线学习算法表现明显优于基线方法，这表明这种类型的推荐算法可以改善情绪调节。鉴于情绪调节在许多精神疾病中都会受损，并且这种推荐算法可以很容易地扩大规模，这种方法有可能增加许多人获得治疗的机会。我们还分享了一些见解，使我们能够将上下文强盗模型转化为这种复杂的现实数据，包括哪些上下文特征对于预测情绪调节策略的有效性最为重要。
2020-08-21 cs.HC cs.IR cs.LG
MovieMat: Context-aware Movie Recommendation with Matrix Factorization by Matrix Fitting
电影推荐系统广泛应用于NetFlix和Tubi等商业环境中。经典的推荐模型利用协同过滤、学习排序、矩阵分解和深度学习模型等技术来实现更低的营销费用和更高的收入。然而，电影观众在不同的语境中对同一部电影有不同的评价。重要的电影观看上下文包括观众情绪，位置，天气等。能够利用上下文信息对推荐器构建者有很大的好处。然而，流行的技术，如张量因式分解消耗不切实际的存储量，这大大降低了其在现实世界环境中的可行性。在本文中，我们利用的MatMat框架，矩阵分解矩阵拟合建立一个上下文感知的电影推荐系统，优于经典的矩阵分解和可比的公平性度量。
2022-04-27 cs.IR
NFARec: A Negative Feedback-Aware Recommender Model
本文提出负反馈感知推荐模型NFARec，通过反馈感知超图卷积和基于Transformer Hawkes Process的情感极性预测任务，有效利用负反馈提升推荐性能。
2024-09-04 cs.IR
Improving the Shortest Plank: Vulnerability-Aware Adversarial Training for Robust Recommender System
针对推荐系统中投毒攻击仅影响部分易受攻击用户的问题，提出漏洞感知对抗训练（VAT），通过评估用户漏洞并施加自适应扰动，在降低攻击成功率的同时保持推荐质量。
2024-09-26 cs.IR
KB4Rec: A Dataset for Linking Knowledge Bases with Recommender Systems
开发一个知识感知的推荐系统，一个关键的数据问题是我们如何获得丰富的和结构化的知识信息的推荐系统（RS）项目。现有的数据集或方法要么使用来自原始推荐系统的边信息（包含很少种类的有用信息），要么利用私有知识库（KB）。在本文中，我们提出了第一个公共链接的KB数据集的推荐系统，命名为KB4Rec v1.0，它已经连接了三个广泛使用的RS数据集与流行的KB Freebase。基于我们的关联数据集，我们首先进行一些有趣的定性分析实验，在这些实验中，我们讨论了两个重要因素（即流行度和新近度）对RS项目是否可以链接到KB实体的影响。最后，我们提出了我们的链接数据集上的几个知识感知推荐算法的比较。
2020-12-28 cs.IR
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
Position Paper on Simulating Privacy Dynamics in Recommender Systems
在这篇立场论文中，我们讨论了在推荐系统中模拟隐私动态的优点。我们从两个角度研究这个问题：首先，我们提出了一个概念性的方法，将隐私集成到推荐系统模拟，其关键要素是隐私代理。这些代理可以增强具有不同隐私偏好的用户的简档，例如，他们向推荐系统披露数据的倾向。此外，他们可以通过保护所有可能威胁隐私的行为来保护用户的隐私。例如，代理可以禁止用户的隐私威胁行为或应用隐私增强技术，例如，差分隐私，使行为不那么具有威胁性。其次，我们确定了隐私感知推荐系统模拟未来研究的三个关键主题：（一）我们如何建模用户的隐私偏好，并保护用户免受任何隐私威胁的行动？(ii)隐私代理在多大程度上修改用户的文档偏好？(iii)隐私偏好和隐私保护如何影响他人的建议和隐私？我们的概念性隐私感知模拟方法使研究隐私偏好和隐私保护对微观层面的影响成为可能，即，单个用户，而且在宏观层面上，即，所有推荐系统用户。通过这项工作，我们希望提出有关如何实现隐私感知模拟的观点，以便研究人员能够研究推荐系统中的隐私动态。
2021-09-14 cs.IR
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
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；TU Eindhoven（埃因霍温技术大学）
本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
A Systematic Literature Review on Process-Aware Recommender Systems
University of Qom（库姆大学）；RWTH Aachen University（亚琛工业大学）
在推荐系统中考虑业务的过程是非常有利的。虽然大多数研究在业务流程分析领域的描述性和预测性，构建一个流程感知的推荐系统的可行性进行了评估，在少数作品。原因之一可能是缺乏对过程挖掘潜在推荐问题的了解。因此，本文旨在识别和分析已发表的研究流程感知推荐系统技术在业务流程管理和流程挖掘领域。对2008年至2020年发表的33篇学术文章按几个方面进行了系统综述。在这方面，我们提供了一个国家的最先进的审查与关键的细节和研究人员更好地了解在这一领域追求的道路。此外，基于知识基础和整体视角，我们讨论了该领域的一些研究空白和开放性挑战。
2021-05-17 cs.IR cs.LG
A Survey on Fairness-aware Recommender Systems
Tianjin University（天津大学）；Monash University（莫纳什大学）；Nantong University（南通大学）；RMIT University（皇家墨尔本理工大学）；Griffith University（格里菲斯大学）
本文综述公平性感知推荐系统，梳理不同场景下的公平性概念、方法、数据集、指标、工业应用及与可信性原则的联系，并指出未来研究方向。
2023-06-01 cs.AI cs.IR
Ontology-based Context Aware Recommender System Application for Tourism
Syone
在这项工作中，一个新的推荐系统（RS）的旅游。RS是上下文感知的，这是现在最先进的推荐系统的规则，并在用于对所提供的不同项目进行分组的旅游本体之上工作。所提出的RS混合了不同类型的混合器，创建了一个根据RS的成熟度而变化的合奏。从简单的基于内容的推荐开始，随着评分密度和用户基数的增加，迭代地添加流行度、人口统计和协作过滤方法。其结果是一个RS，在其生命周期中发生变化，并使用旅游本体和自然语言处理（NLP）正确绑定的项目，以特定的项目类别和Meta类别的本体。该项目分类有助于用户偏好和项目之间的关联，以及允许更好地对所提供的项目进行分类和分组，这反过来对于上下文感知过滤特别有用。
2022-12-29 cs.IR cs.LG
Tag-Aware Recommender Systems: A State-of-the-art Survey
在过去的十年中，社会标签系统已经吸引了越来越多的关注，从物理和计算机科学社区。除了标签系统的底层结构和动态性之外，人们还致力于统一标签信息，以揭示用户行为和偏好，提取项目之间的潜在语义关系，进行推荐等。本文综述了标签感知推荐系统的最新进展，着重介绍了三种主流的观点和方法：基于网络的方法、基于张量的方法和基于主题的方法。最后，我们概述了其他一些标签相关的工作和标签感知推荐算法的未来挑战。
2012-02-27 cs.IR cs.SI
A Look Into News Avoidance Through AWRS: An Avoidance-Aware Recommender System
The University of Tokyo（东京大学）；Nikkei Inc.（日经公司）
针对新闻回避加剧的问题，提出回避感知推荐系统AWRS，将回避作为核心因素融入推荐，在英、挪、日三语数据集上验证了其优于现有方法。
2025-01-21 cs.CL cs.IR
Combining Privileged Information to Improve Context-Aware Recommender Systems
Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo（圣保罗大学数学与计算机科学研究所）；Universidade Federal do Mato Grosso do Sul（南马托格罗索联邦大学）
推荐系统是一种信息过滤技术，可以用于预测项目（产品，服务，电影等）的偏好评级和/或输出用户可能感兴趣的项目的排名。上下文感知推荐系统（CARS）通过在推荐过程中结合可用的上下文信息来学习和预测用户的品味和偏好。上下文感知推荐系统研究的主要挑战之一是缺乏自动获取上下文信息的方法。考虑到这种情况下，在本文中，我们建议使用上下文信息的主题层次结构的项目（网页），以提高上下文感知推荐系统的性能。主题层次结构的构建扩展的LUPI为基础的增量层次聚类方法，认为三种类型的信息：传统的袋字（技术信息），并结合命名实体（特权信息I）与域术语（特权信息II）。我们评估了四个上下文感知推荐系统中的上下文信息。对每类信息分配了不同的权重。实验结果表明，结合两种特权信息的主题层次结构可以提供更好的推荐。
2019-01-04 cs.AI 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
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University（宾夕法尼亚州立大学）
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题，提出ESMR框架，融合Transformer情绪预测与混合推荐策略，兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
Price and Profit Awareness in Recommender Systems
TU Dortmund（多特蒙德工业大学）；University of Minnesota（明尼苏达大学）
学术界对推荐系统的研究主要集中在如何通过为每个用户确定最相关的项目来最大化用户的效用。然而，这些项目不一定是最大化服务提供商效用的项目（例如，在线零售商）在商业价值方面，例如利润。增加供应商效用的一种方法是纳入面向购买的信息，例如，价格，销售概率，以及由此产生的利润，到推荐算法。在本文中，我们特别关注价格和利润感知的推荐系统。我们提供了一个简短的概述，相关文献和数值模拟来说明这种方法的潜在商业利益。
2017-07-25 cs.AI cs.IR
Are Recommenders Self-Aware? Label-Free Recommendation Performance Estimation via Model Uncertainty
DCST, Tsinghua University（清华大学人工智能研究院）；AIR, Tsinghua University（清华大学人工智能研究院）
本文研究推荐系统的自我感知能力，提出基于概率的列表分布不确定性（LiDu）方法，通过无标签方式估计推荐性能，实验证明其相关性优于现有估计器，为构建透明可自评估的推荐系统提供支撑。
2025-07-31 cs.IR cs.LG
Shilling Recommender Systems by Generating Side-feature-aware Fake User Profiles
Nanyang Technological University, Singapore（南洋理工大学，新加坡）
针对现有托攻击方法无法适配带侧特征推荐系统的问题，研究扩展Leg-UP框架、增强生成器以融入侧特征，生成感知侧特征的虚假用户画像，在基准测试中兼顾攻击效果与隐蔽性。
2026-08-29 cs.IR cs.LG
Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems
Huawei Technologies Canada（华为技术加拿大）
针对交互图存在漏链和虚假正向交互的问题，提出融合用户偏好、物品共现与图结构信息的贝叶斯图生成模型，并在四个基准数据集上验证其推荐有效性。
2024-01-22 cs.IR cs.LG
A Context-aware Recommender System for Hyperlocal News: A Conceptual Framework
由于对项目和信息的过滤和排序的需求增加，推荐系统（RS）在各种应用领域中已经流行。今天，有许多数据过滤和推荐的方法和算法。本文提出了一个在超本地新闻领域构建移动RS的概念框架。移动RS是为了满足新闻读者的特定需求而设计的，如时空相关性、新近性、实时更新和验证性新闻。本文还讨论了RS在分布式文件系统中的实现。
2017-12-02 cs.IR cs.SE
Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
Stanford University（斯坦福大学）；Google（谷歌）
大多数现有的推荐系统主要关注用户与内容的匹配，以最大限度地提高平台上的用户满意度。然而，越来越明显的是，内容提供方通过内容创建对用户满意度具有关键影响，在很大程度上决定了可用于推荐的内容池。因此，一个自然的问题出现了：我们是否可以设计考虑到用户和内容提供方的长期效用的路由器？通过这样做，我们希望维持更多的供应商和更多样化的内容池，以获得长期的用户满意度。了解建议对用户和提供者群体的全面影响是一项挑战。本文的目的是作为一个研究调查的一种方法，建立一个供应商意识的推荐，并评估其影响，在模拟设置。为了描述用户-推荐者-提供者的相互依赖关系，我们还通过形式化提供者动态来补充用户建模。由此产生的联合动力系统产生了一个弱耦合的部分可观察的马尔可夫决策过程驱动的推荐行动和用户反馈给供应商。然后，我们建立了一个REINFORCE推荐代理，创造EcoAgent，以优化用户效用和与推荐内容相关的提供商的反事实效用提升的联合目标，我们证明这相当于在一些温和的假设下最大化整体用户效用和平台上所有提供商的效用。为了评估我们的方法，我们引入了一个模拟环境捕捉用户，供应商和推荐之间的关键互动。我们提供了一些模拟实验，阐明了我们的方法的好处和局限性。这些结果有助于了解如何以及何时供应商意识的推荐代理是有益的，在建设多利益相关者的推荐系统。
2021-05-06 cs.IR cs.LG
Sequence-Aware Recommender Systems
推荐系统是数据采掘和机器学习技术在实践中最成功的应用之一。该领域的学术研究在历史上通常基于矩阵完成问题公式化，其中对于每个用户-项目对只有一个交互（例如，评级）。然而，在许多应用程序域中，可以随时间记录不同类型的多个用户-项交互。而且，最近的一些工作表明，这些信息可以用来构建更丰富的个人用户模型，并发现可以在推荐过程中利用的其他行为模式。在这项工作中，我们回顾现有的作品，考虑信息从这样的顺序排序的用户-项目交互日志在推荐过程中。基于这一审查，我们提出了相应的推荐任务和目标的分类，总结现有的算法解决方案，讨论方法论的基准时，我们称之为序列感知推荐系统，并概述了该领域的开放挑战。
2018-02-23 cs.HC cs.IR
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
R-UCB: a Contextual Bandit Algorithm for Risk-Aware Recommender Systems
Télécom SudParis（南巴黎电信学院）
移动上下文感知推荐系统可以自然地建模为探索/利用权衡（exr/exp）问题，其中系统必须在处理其当前知识（利用）和学习更多关于未知用户的偏好以改进其知识（探索）之间进行选择。强化学习社区已经解决了这个问题，但是他们没有考虑当前用户情况的风险水平，其中如果风险水平高，则推荐用户在其当前情况下可能不期望的项目可能是危险的。本文介绍了一种算法R-UCB，它考虑了用户的情况下的风险水平，自适应地平衡之间的exr和exp。对实验结果的详细分析揭示了exr/exp行为中的几个重要发现。
2014-08-10 cs.IR cs.LG
Towards Global, Socio-Economic, and Culturally Aware Recommender Systems
本文提出将文化身份与社会经济因素纳入推荐系统的本体和方法，并通过融合领域数据与文化、社会经济指标的调优 ANN，在娱乐订阅偏好预测中取得 95% 准确率。
2023-12-10 cs.CY cs.IR
A Fairness-aware Hybrid Recommender System
UC Santa Cruz（加州大学圣克鲁兹分校）
推荐系统被广泛应用于影响人们生活的各个领域。这引起了人们对这种制度可能加剧的偏见和歧视的关切。推荐系统中存在两种主要的固有偏差：观察偏差和不平衡数据引起的偏差。观察偏差的存在是由于反馈回路导致模型学习仅预测与先前相似的建议。当数据中存在系统性的社会、历史或其他环境偏见时，就会出现数据不平衡。在本文中，我们提出了一个混合公平意识推荐系统解决这两个偏见。我们的模型通过整合多个用户-用户和项目-项目相似性度量，内容和人口统计信息，同时解决推荐偏见，提供高效和准确的推荐。我们实现我们的模型使用一个强大的和表达概率程序设计语言称为概率软逻辑。我们在一个流行的电影推荐数据集上对我们的方法进行了实验评估，结果表明，与最先进的公平推荐系统相比，我们提出的模型可以提供更准确，更公平的推荐。
2018-09-13 cs.IR cs.LG stat.ML
RSAttAE: An Information-Aware Attention-based Autoencoder Recommender System
Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高级研究所）
针对提升娱乐行业客户满意度的用户-电影评分预测问题，提出基于信息感知注意力的自动编码器与XGBoost结合的方法，在MovieLens 100K数据集上优于多数现有最先进方法。
2025-02-10 cs.IR cs.LG
STUDY: Socially Aware Temporally Causal Decoder Recommender Systems
Google Research（谷歌研究院）
STUDY提出一种社交感知的时间因果解码器推荐系统，通过单次前向传播联合推理社交群体，高效训练，并在阅读障碍学生书籍推荐中更准确预测参与度。
2023-09-05 cs.AI cs.IR cs.SI
Context-aware Tree-based Deep Model for Recommender Systems
Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
如何准确预测用户偏好和如何在大规模的语料库中进行高效的检索是大规模工业推荐系统面临的两个主要挑战。基于树的方法采用树结构T作为索引，语料库中的每一个条目都附着在T上的一个叶节点上。然后将推荐问题转化为层次检索问题，通过束搜索过程有效地求解。在本文中，我们认为，树索引用于支持基于树的方法的高效检索也有丰富的层次信息的语料库。此外，我们提出了一种新的上下文感知的基于树的深度模型（ConTDM）的推荐系统。在ConTDM中，上下文感知的用户偏好预测模型M被设计为利用T上的水平上下文和垂直上下文两者。在水平方向上，使用图卷积层来丰富用户和T上的节点与其邻居的表示。垂直地，在M中设计父融合层以将T的较高级别中的用户偏好表示传输到当前级别，从而抓住基于树的方法在束搜索检索期间从粗略到细节生成候选集合的本质。此外，我们认为ConTDM中提出的用户偏好模型可以方便地扩展到其他基于树的推荐系统方法。大规模真实数据集上的实验和大规模工业应用中的在线A/B测试都表明了ConTDM带来的显着改进。
2021-09-22 cs.AI cs.IR
Enhancing EmoBot: An In-Depth Analysis of User Satisfaction and Faults in an Emotion-Aware Chatbot
本研究深入分析情感聊天机器人EmoBot的用户满意度与故障，通过调查评估其可用性、准确性和容错性，识别现有模型缺陷并提出解决方案。
2024-11-05 cs.HC cs.IR
Impression-Aware Recommender Systems
Politecnico di Milano（米兰理工学院）；ContentWise；Amazon（亚马逊）；Universidad Autónoma de Madrid（马德里自治大学）
本文提出印象感知推荐系统，通过系统性文献综述统一了使用印象的推荐系统框架，并指出了未来研究方向。
2024-12-17 cs.AI cs.IR cs.LG
Collaboration-Aware Graph Convolutional Network for Recommender Systems
Vanderbilt University（范德堡大学）
图神经网络（GNNs）凭借其隐式捕捉协作效果的消息传递功能，已被成功地应用于推荐系统中。然而，大多数现有的推荐消息传递机制都是直接从GNN继承而来的，而没有仔细检查捕获的协作效果是否有利于预测用户偏好。在本文中，我们首先分析了如何通过消息传递捕获的协作效果，并提出了一个面向简化的拓扑度量，共同互动比（CIR），它衡量一个节点的特定邻居与其他邻居之间的互动水平。在展示了利用来自具有较高CIR的邻居的协作的好处之后，我们提出了一个定制的GNN，协作感知图卷积网络（CAGCN），它在区分非二部子图同构图方面超越了1-Weisfeiler-Lehman（1-WL）测试。在六个基准数据集上的实验表明，最好的CAGCN变体在Recall@20中的性能比最具代表性的基于GNN的推荐模型LightGCN高出近10%，并且还实现了约80%的加速比。我们的代码可在https://github.com/YuWVandy/CAGCN上公开获取。
2023-02-20 cs.IR cs.LG
Enhancing High-order Interaction Awareness in LLM-based Recommender Model
Graduate School of Engineering（工学院）；Interdisciplinary Graduate School（交叉研究生院）；University of Yamanashi（山梨大学）
本文提出增强的基于 LLM 的推荐器 ELMRec，通过改进全词嵌入提升对用户-项目高阶交互的建模能力，并引入重排序解决近期交互被忽略的问题，在直接和序列推荐上超越 SOTA。
2026-10-07 cs.CL cs.IR
Balancing Benefits and Risks: RL Approaches for Addiction-Aware Social Media Recommenders
本文针对社交媒体成瘾问题，提出基于强化学习的成瘾感知推荐系统框架，通过非平稳动态建模、差异化状态表示和轻/重度使用区分，揭示推荐决策对用户成瘾倾向的影响，为伦理化自适应推荐设计提供依据。
2025-02-25 cs.CY cs.IR
Impact of Tone-Aware Explanations in Recommender Systems
本研究通过在线用户研究，探讨推荐系统中解释语气（如正式、幽默）对用户感知的影响，发现效果因领域和用户属性而异，强调语气对提升用户体验的重要性。
2024-05-08 cs.HC cs.IR
Adversarial Text Rewriting for Text-aware Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）
本文提出对抗性文本重写框架，通过两阶段微调和上下文学习攻击文本感知推荐系统，验证恶意卖方可在描述保持自然的同时不公平提升商品排名。
2024-08-01 cs.CR cs.IR cs.LG
Fairness Attacks on Recommender Systems
Department of Information Systems and Operations Management, College of Business, The University of Texas at Arlington（信息系统与运营管理系，商学院，德克萨斯大学阿灵顿分校）；Department of Management Information Systems, Eller College of Management, the University of Arizona（管理信息系，埃勒管理学院，亚利桑那大学）
提出一种基于结构感知强化学习的公平性攻击方法，通过图编码和循环神经网络生成虚假交互，联合学习物品选择和性别选择策略，以加剧推荐系统的不公平性。
2026-06-27 cs.AI cs.IR
From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Heudiasyc（于迪亚西实验室）
针对群体决策中冲突偏好和上下文因素等挑战，本文提出了上下文感知的多准则群体推荐系统（CA-MCGRS），利用多头注意力机制动态权衡特征，在四种场景下显著提升了推荐准确性。
2025-03-27 cs.AI cs.IR cs.LG
