Robust Training Objectives Improve Embedding-based Retrieval in Industrial Recommendation Systems
Snap, Inc.（斯耐普公司）
研究验证自监督多任务学习（SSMTL）鲁棒训练目标在大规模工业推荐系统中的有效性，通过在线A/B测试证明其显著提升好友推荐关键指标。
2024-09-23 cs.IR cs.LG
KuaiFormer: Transformer-Based Retrieval at Kuaishou
Kuaishou Technology（快手科技）
本文提出KuaiFormer，一种部署于大规模内容推荐系统的基于transformer的检索框架，将传统分数估计转向Next Action Prediction范式，有效提升实时兴趣获取与多兴趣提取，在Kuaishou成功服务超4亿日活用户并显著增加使用时长。
2024-11-15 cs.AI cs.IR cs.LG
NoteLLM: A Retrievable Large Language Model for Note Recommendation
提出NoteLLM框架，利用大型语言模型通过笔记压缩提示和对比学习解决I2I笔记推荐，并通过指令微调自动生成标签/类别，在小红书推荐系统中取得显著改进。
2024-03-25 cs.IR
D2K: Turning Historical Data into Retrievable Knowledge for Recommender Systems
本文提出模型无关、可扩展的 D2K 框架，将历史用户行为编码为用户-物品-上下文三元可检索知识，并通过个性化适配增强推荐算法，实验证明其显著优于基线且兼容性强。
2024-01-23 cs.IR
Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System
Meta Platforms, Inc.（Meta平台）
本文提出MFLI，一种通过统一框架学习多维嵌入和索引的实时检索方法，有效提升推荐系统中召回率、冷内容交付和语义相关性。
2026-02-18 cs.AI cs.IR cs.LG
HybridCite: A Hybrid Model for Context-Aware Citation Recommendation
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；University of Freiburg（弗赖堡大学）
引文推荐系统的目标是为一篇完整的论文或一小部分被称为引文上下文的文本推荐引文。为引文上下文推荐引文的过程被称为本地引文推荐，这是本文的重点。首先，我们开发了基于嵌入、主题建模和信息检索技术的引文推荐方法。我们结合，第一次尽我们所知，最好的性能算法到一个半遗传混合推荐系统的引文推荐。我们评估的单一方法和混合方法离线的基础上，几个数据集，如微软学术图（MAG）和MAG结合arXiv和ACL。我们进一步进行用户研究，以在线评估我们的方法。我们的评估结果表明，包含嵌入和信息检索为基础的组件的混合模型优于其单独的组件和进一步的算法的大幅度。
2020-06-01 cs.DL cs.IR cs.LG
Beyond Two-Tower Matching: Learning Sparse Retrievable Cross-Interactions 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）；Zhejiang University（浙江大学）
针对双塔模型特征交互受限和在线精度不足的问题，本文提出SparCode匹配范式，通过全对全交互模块和联合训练的离散稀疏倒排索引，在保持检索效率的同时显著提升候选物品匹配准确性。
2023-11-30 cs.AI cs.IR
HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation
Mstack AI
HiRes通过结合图编码器、变换感知交叉注意力、多流反应融合和k-NN检索层，实现了反应条件推荐的高准确率和可解释性，其在催化剂、溶剂和试剂的Top-1准确率分别达到0.929、0.534和0.530，优于现有方法。
2026-05-20 cs.AI cs.LG q-bio.MN
Recommendation or Discrimination?: Quantifying Distribution Parity in Information Retrieval Systems
True Fit Corporation（True Fit公司）
信息检索（IR）系统通常利用查询数据向用户建议相关项目。这引入了不公平的可能性，如果查询（即，输入）并且所得到的推荐无意中与作为受保护变量的潜在因素相关（例如，种族、性别和年龄）。例如，用于时尚推荐的视觉搜索系统可以在生成推荐时拾取人体模型的特征而不是时尚服装。在这项工作中，我们在前K IR结果中引入了“分布平价”的统计测试，该测试评估给定的一组建议对于特定的受保护变量是否公平。我们评估我们的测试使用模拟和实证结果。首先，使用人工偏见的建议，我们证明了统计检测偏差和搜索目录的大小之间的权衡。其次，我们将我们的测试应用于时尚服装的视觉搜索系统，特别是测试基于时尚模特肤色的推荐偏差。我们的分布奇偶性测试可以帮助确保IR系统的结果是公平的，并为所有用户提供良好的体验。
2019-09-13 cs.IR cs.LG stat.ML
ARMED: Adaptive Retrieval-Augmented Medication Recommendation
UX Factory, Inc.（UX工厂公司）
本研究针对现有药物推荐系统固定检索流程的缺陷，提出自适应临床RAG框架ARMED，通过动态扩展检索等机制，在MIMIC-IV数据集上优于静态基线，且无需外部API或特定任务微调。
2026-10-14 cs.AI cs.CL cs.IR
A Line in the Sand: Recommendation or Ad-hoc Retrieval?
在文献中，推荐和特设检索任务的流行方法在很大程度上是不同的。在这项工作中，我们认为，许多建议的问题也可以投为特设检索任务。为了证明这一点，我们通过结合标准的ad-hoc检索模型和使用流行的检索工具集，为RecSys 2018 Spotify挑战构建了一个解决方案。我们画了一个平行的播放列表的延续任务，并找到良好的扩展条款的查询在特设检索的任务，并表明，标准的伪相关反馈可以有效的协同过滤方法。我们还使用ad-hoc检索基于内容的推荐，通过将输入的播放列表标题作为查询，并将所有候选曲目与从背景数据中提取的元描述相关联。这两种方法的建议进一步补充了基于流行神经模型学习的跟踪嵌入的最近邻搜索。我们最终的推荐排名列表是由一个学习排序模型产生的。我们提出的使用ad-hoc检索模型的解决方案在RecSys 2018挑战赛的音乐推荐任务中取得了有竞争力的表现-在112个参赛团队中排名第7，在31个团队中排名第5，分别为主要和创意曲目。
2018-07-21 cs.IR
CSRN: Collaborative Sequential Recommendation Networks for News Retrieval
Tencent（腾讯）；Harbin Institute of Technology（哈尔滨工业大学）；The University of Kansas（堪萨斯大学）
如今，新闻应用程序已经取代了纸质媒体的流行，为个性化提供了一个很好的机会。基于递归神经网络（RNN）的顺序推荐是一种流行的方法，它利用用户最近的浏览历史来预测未来的项目。这种方法的局限性在于它没有考虑新闻消费的社会影响，即，用户可能关注不断变化的流行话题，而某些热门话题可能只在特定人群中传播。这种社会影响很难预测，只考虑用户自己的阅读历史。另一方面，传统的基于用户的协同过滤（UserCF）基于“邻居”的兴趣进行推荐，为补充基于RNN方法的不足提供了可能。然而，传统的UserCF只使用一个单一的相似性度量来建模用户之间的关系，这是太粗粒度，从而限制了性能。在本文中，我们提出了一个深度神经网络的框架，以集成基于RNN的顺序推荐和UserCF的关键思想，开发协作顺序推荐网络（CSRNs）。首先，我们建立了一个有向的用户共读网络，在向量空间中捕获用户之间的细粒度主题相似性。然后，CSRN模型用RNN对用户进行编码，并学会关注邻居，总结他们目前正在阅读的新闻。最后，根据用户自己的状态和邻居的总结状态推荐新闻文章。在两个公开数据集上的实验表明，该模型的性能明显优于现有的方法。
2020-04-07 cs.IR cs.LG stat.ML
A Survey of Retrieval Algorithms in Ad and Content Recommendation Systems
University of Toronto（多伦多大学）；American Express Company（美国运通公司）
本文综述了广告推荐与内容推荐系统中的检索算法，比较了两类应用的特点，并阐述了各自最有效的方法。
2024-07-19 cs.AI cs.IR
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong（香港大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
本文提出KGSR-ADS系统，通过知识图谱与深度学习结合，实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations
Northwestern University（西北大学）；Boston University（波士顿大学）
该研究提出一个评估LLM品牌推荐的框架，通过BRP@k和MRR@k指标及重复采样，发现推荐显著性更受市场可见性影响，且品牌可条件性检索，强调应视推荐为随机检索排名过程。
2026-09-16 cs.IR
LightSAGE: Graph Neural Networks for Large Scale Item Retrieval in Shopee's Advertisement Recommendation
Shopee, SEA Group（Shopee，SEA集团）
本文提出LightSAGE，一种结合协同过滤构建商品图并处理数据偏斜的GNN架构，用于Shopee大规模广告商品检索，在离线与在线测试中均取得改进并已部署。
2023-10-30 cs.IR cs.LG
Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation
提出REXHA方法，通过层次聚合的配置文件模块和高效检索模块，解决LLM推荐解释中的配置文件偏差和高检索开销问题，提升解释质量和检索效率。
2025-07-12 cs.IR
From Scattered Sources to Comprehensive Technology Landscape: A Recommendation-based Retrieval Approach
绘制技术前景图对于市场行为者作出知情的投资决定至关重要。然而，考虑到Web上的大量数据及其随之而来的信息过载，手动检索信息似乎是一种无效且不完整的方法。在这项工作中，我们提出了一个端到端的建议为基础的检索方法，以支持自动检索的技术及其相关公司的原始Web数据。这是一个双任务设置，涉及（i）从公司语料库中提取的实体的技术分类，以及（ii）基于分类技术的技术和公司检索。我们提出的框架方法的第一个任务，利用DistilBERT，这是一个国家的最先进的语言模型。对于检索任务，我们引入了一个基于查询的检索技术，同时支持检索相关的公司，相关的技术，以特定的公司和公司相关的技术。为了评估这些任务，我们还构建了一个数据集，其中包括公司文档和从这些文档中提取的实体以及公司类别和技术标签。实验表明，我们的方法能够返回4倍以上的相关公司，同时优于传统的检索基线检索技术。
2021-12-09 cs.IR
Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
The Hong Kong Polytechnic University（香港理工大学）；National University of Singapore（新加坡国立大学）
提出MixRAGRec框架，通过混合专家检索、知识偏好对齐和对比学习增强推荐，解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。
2026-05-29 cs.IR
MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
Huazhong University of Science and Technology（华中科技大学）
MMP-Refer通过多模态路径检索增强LLM，提升推荐系统的可解释性，采用联合残差编码获取多模态嵌入，并设计启发式搜索算法获取检索路径，通过轻量级协作适配器映射图编码至LLM语义空间，提升交互信息理解。
2026-04-04 cs.IR
Domain-Adaptive and Scalable Dense Retrieval for Content-Based Recommendation
Aditya Birla Group（阿迪提亚·布尔拉集团）
本文提出了一种基于双塔双编码器的可扩展密集检索系统，通过领域适应提升基于内容的推荐效果，实现高效服务和模型压缩。
2026-01-31 cs.IR cs.LG
Parallel and Multi-Stage Knowledge Graph Retrieval for Behaviorally Aligned Financial Asset Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
针对大语言模型金融推荐存在的上下文受限、幻觉、缺乏行为依据等问题，本文提出检索增强框架RAG-FLARKO，通过多阶段并行知识图谱检索构建紧凑子图，可让小模型实现高推荐质量与行为对齐效果。
2025-10-08 cs.AI cs.IR cs.LG
Leveraging Memory Retrieval to Enhance LLM-based Generative Recommendation
针对LLM有限上下文窗口导致忽略用户长期兴趣的问题，提出AutoMR框架，通过存储并检索长期兴趣信息用于下一项目生成，有效提升了生成式推荐性能。
2025-04-29 cs.IR
CIRR: Causal-Invariant Retrieval-Augmented Recommendation with Faithful Explanations under Distribution Shift
University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
CIRR通过因果不变性学习和一致性约束，解决推荐系统在分布偏移下的性能下降问题，并提供更可信的解释。
2025-12-21 cs.IR
UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation
Beihang University（北京航空航天大学）；Baidu Inc.（百度公司）；Hong Kong Institute of AI for Science, City University of Hong Kong（香港人工智能科学研究所，香港城市大学）
针对工业信息流推荐中检索排序分离及量化不稳定问题，提出统一框架UNIQUE，采用单层扁平量化与早期融合架构，在百度多场景部署，显著提升观看时长与分发量。
2026-09-22 cs.IR
Retrieve-then-Adapt: Retrieval-Augmented Test-Time Adaptation for Sequential Recommendation
Shenzhen Technology University（深圳技术大学）；City University of Hong Kong（香港城市大学）；McGill University（麦吉尔大学）；Shenzhen University（深圳大学）
本文提出ReAd框架，通过检索用户偏好信号动态适应序列推荐模型，提升测试时适应性能，实验表明优于现有方法。
2026-08-17 cs.IR cs.LG
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题，提出关键词驱动的检索增强大语言模型框架KALM4Rec，通过关键词检索候选和LLM重排序，在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
MMSRARec: Summarization and Retrieval Augumented Sequential Recommendation Based on Multimodal Large Language Model
College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学技术学院）
本文提出MMSRARec，基于多模态大语言模型，通过摘要与检索增强序列推荐，提升推荐性能、可解释性与计算效率。
2025-12-24 cs.IR cs.MM
Embedding the Teacher: Distilling vLLM Preferences for Scalable Image Retrieval
University of Cambridge（剑桥大学）；Apta
本文提出将强大的视觉-语言模型（vLLM）的偏好排名蒸馏到基于嵌入的检索系统中，以在保持可扩展性的同时提升对抽象或角色驱动属性的文本-图像检索性能，实验证明该方法显著优于现有基线。
2025-10-13 cs.IR cs.LG
Exploiting Latent Codes: Interactive Fashion Product Generation, Similar Image Retrieval, and Cross-Category Recommendation using Variational Autoencoders
University of the Philippines, Diliman（菲律宾大学迪利曼分校）
深度学习应用在时尚行业的兴起推动了大规模数据集的管理，以构建产品设计，图像检索和推荐系统的应用程序。本文提出利用变分自编码器（Variational Autoencoder，VAE）来构建一个交互式的时尚产品应用框架，允许用户根据自己的喜好生成具有属性的产品，检索同一产品类别的相似风格，并接收来自其他类别的基于内容的推荐。包含眼镜、鞋类和箱包的时尚产品图像数据集适合于说明该管道适用于蓬勃发展的电子商务行业，从而能够在指定所需产品时与新的数据匹配方法进行直接用户交互，并通过使用VAE并利用其生成的潜在代码来推荐系统。
2020-09-02 cs.CV cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF，将检索与排序集成于单一生成模型，通过排序驱动增强和自适应加权实现同步优化，显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
KERAG_R: Knowledge-Enhanced Retrieval-Augmented Generation for Recommendation
针对LLM推荐缺乏领域知识及知识图谱噪声问题，提出KERAG_R模型，通过GraphRAG和GAT选择相关三元组增强LLM，在三个数据集上显著优于十种基线方法。
2025-07-08 cs.IR
LongRetriever: Towards Ultra-Long Sequence based Candidate Retrieval for Recommendation
针对推荐系统候选检索阶段超长期序列利用不足的问题，提出LongRetriever框架，通过上下文内训练和多上下文检索实现候选特异性交互与训练-服务一致性，经大型电商平台A/B测试验证有效并已部署。
2025-08-25 cs.IR
RaSeRec: Retrieval-Augmented Sequential Recommendation
针对序列推荐中偏好漂移和隐式记忆的问题，提出检索增强的RaSeRec框架，通过动态记忆库、协作预训练和检索增强微调提升性能，在三个数据集上验证了优越性。
2025-02-13 cs.IR
Efficient Retrieval Scaling with Hierarchical Indexing for Large Scale Recommendation
Meta
本文提出通过交叉注意力和残差量化联合学习分层索引，以提升大规模检索模型的效率和精确度，并在Meta实现实时广告推荐。
2026-04-14 cs.IR
Purely Semantic Indexing for LLM-based Generative Recommendation and Retrieval
本文针对生成式推荐与检索中的语义ID冲突问题，提出纯语义索引方法，通过穷举候选匹配和递归残差搜索实现唯一ID分配，在不引入非语义token的情况下提升整体及冷启动性能。
2025-09-19 cs.CL cs.IR
Retrieval Augmented Cross-Modal Tag Recommendation in Software Q&A Sites
提出检索增强跨模态标签推荐模型，通过外部知识检索增强表示，并利用跨模态注意力与门控融合，在三个真实数据集上超越现有方法。
2024-02-06 cs.IR
PathGPT: Reframing Path Recommendation as a Natural Language Generation Task with Retrieval-Augmented Language Models
Shanghai Jiao Tong University（上海交通大学）
本文针对传统路径推荐方法灵活性与泛化性不足的问题，提出PathGPT框架，将路径推荐重构为自然语言生成任务，通过检索增强的LLM实现自适应零样本路径生成，性能与专用方法相当且无需 costly 重新训练。
2025-08-20 cs.AI cs.IR cs.LG
Federated Recommendation via Hybrid Retrieval Augmented Generation
Unversity of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对传统联邦推荐数据稀疏异质、大语言模型推荐效率低易幻觉的问题，提出两阶段GPT-FedRec框架，通过混合检索挖掘ID用户模式与文本物品特征，再用GPT重排序，在多基准数据集上性能优于现有最优方法。
2024-03-07 cs.AI cs.IR
Methods and Tools to Advance the Retrieval of Mathematical Knowledge from Digital Libraries for Search-, Recommendation-, and Assistance-Systems
本项目通过句法分析、语义增强和评估三大挑战，开发工具提升数字图书馆中数学知识检索的可访问性，服务于搜索、推荐和辅助系统。
2023-05-12 cs.IR
GPU-accelerated Multi-relational Parallel Graph Retrieval for Web-scale Recommendations
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Baidu Inc.（百度公司）；The Hong Kong University of Science and Technology（香港科技大学）
针对百度现有Web推荐检索中用户-物品关系理解不全面、图基ANNS效率低的问题，提出GMP-GR框架，通过多关系度量学习、分层并行图搜索及系统优化，提升检索准确性与效率，已在百度多应用部署，服务数亿用户且吞吐量超每秒一亿次请求。
2025-02-17 cs.DC cs.IR cs.LG
cAST: Enhancing Code Retrieval-Augmented Generation with Structural Chunking via Abstract Syntax Tree
针对现有代码RAG基于行的分块方法易破坏语义结构的问题，提出基于抽象语法树的结构感知分块方法cAST，跨任务生成语义连贯的检索单元，显著提升代码检索与生成性能。
2025-10-02 cs.AI cs.CL cs.IR
Unifying Generative and Dense Retrieval for Sequential Recommendation
University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；Meta AI
该研究对比了序列稠密检索与生成式检索两种序列推荐范式，提出融合二者优势的LIGER混合模型，在小规模基准上提升了推荐效率与效果，还改善了冷启动物品推荐表现。
2024-12-06 cs.AI cs.IR
Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
针对LLM推荐系统存在的幻觉和缺乏最新领域知识等问题，提出检索增强框架K-RagRec，通过从知识图谱中检索高质量结构信息来增强推荐生成，实验证明其有效性。
2025-05-28 cs.IR
Result Diversification in Search and Recommendation: A Survey
本综述首次提出统一分类体系，系统梳理搜索与推荐中的多样化度量标准与方法，总结多样性关注点并探讨开放性研究问题。
2024-02-19 cs.IR
Retrieval Augmented Conversational Recommendation with Reinforcement Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Google DeepMind（谷歌DeepMind）；UC San Diego（加州大学圣地亚哥分校）
本文提出RAR框架，通过动态结合检索与生成提升推荐性能与事实性，构建大规模电影语料库并引入强化学习方法优化候选集。
2026-04-13 cs.IR
NewsQuote: A Dataset Built on Quote Extraction and Attribution for Expert Recommendation in Fact-Checking
University of Warwick（华威大学）；The Alan Turing Institute（阿兰·图灵研究所）
提出专家推荐任务，构建含24,031对引文-说话者的NewsQuote数据集，用BERT提取引文，实验表明文档检索优于专家检索。
2023-05-05 cs.HC cs.IR cs.LG
Conversational Recommendation as Retrieval: A Simple, Strong Baseline
Google Research（谷歌研究院）
针对对话式推荐系统过度依赖难以扩展的外部知识的问题，提出将其转化为信息检索任务，使用基于BM25的检索器并辅以用户中心建模和数据增强，在简单方法下超越了复杂基线并缓解了冷启动问题。
2023-05-23 cs.CL cs.IR
MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索，提升推荐系统的透明性和可解释性，实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST（南京理工大学）；Kuaishou Technology（快手科技）
本文提出RecoChain框架，整合生成与排序流程，通过层次语义ID预测生成候选项并基于SIM进行排序，提升推荐性能。
2026-04-28 cs.IR
Bridging Language and Items for Retrieval and Recommendation: Benchmarking LLMs as Semantic Encoders
UC San Diego（加州大学圣迭戈分校）；UC Los Angeles（加州大学洛杉矶分校）
本文提出BLaIR基准测试，评估大语言模型在推荐场景中的语义编码能力，通过大规模数据集和多任务评估揭示LLM在推荐任务中的独特挑战。
2026-04-20 cs.IR
TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation
University of Southampton（索姆塞特大学）；Durham University（杜 ham 大学）；Japan Advanced Institute of Science and Technology（日本先进科学和技术研究院）；Newcastle University（新卡斯尔大学）
本文提出TutorLLM，一个结合知识追踪（KT）与检索增强生成（RAG）的个性化学习推荐LLM系统，通过MLFBK模型预测学习状态并利用Scraper模型提升准确度，显著提升了用户满意度与测验成绩。
2025-04-27 cs.AI cs.IR cs.LG
ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation
Walmart Global Tech（沃尔玛全球科技）
本文提出ARAG框架，通过将多智能体协作机制集成到RAG流程中，利用用户理解、自然语言推理、上下文总结和项目排序四个智能体捕捉动态用户偏好，显著提升了个性化推荐性能。
2025-08-11 cs.AI cs.CL cs.IR
Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning
Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学）
本文提出CRAGRU框架，利用检索增强生成将推荐遗忘解耦为检索与生成两阶段，在高效删除目标用户数据的同时缓解传播偏差并保持推荐质量。
2025-09-10 cs.AI cs.IR
