CnGAN: Generative Adversarial Networks for Cross-network user preference generation for non-overlapped users
National University of Singapore（新加坡国立大学）
跨网络推荐解决方案的一个主要缺点是它们只能应用于跨网络重叠的用户。因此，形成大多数用户的非重叠用户被忽略。作为解决方案，我们提出了CnGAN，一种新的基于多任务学习的编码器GAN推荐器架构。该模型通过学习目标网络偏好流形到源网络偏好流形的映射，为非重叠用户综合生成源网络用户偏好。由此产生的用户偏好被用于基于神经网络的神经推荐架构中。此外，我们提出了一种新的基于用户的成对损失函数的建议，使用隐式的互动，以更好地指导在多任务learning environment.We的生成过程说明我们的解决方案，通过生成用户的偏好Twitter源网络上的YouTube目标网络上的建议。大量的实验表明，生成的偏好可以用来改善非重叠用户的建议。所得到的建议实现优越的性能相比，国家的最先进的跨网络推荐解决方案的准确性，新颖性和多样性。
2020-08-25 cs.AI cs.IR cs.LG
Energy-Based Sequence GANs for Recommendation and Their Connection to Imitation Learning
ECE, Seoul National University（首尔国立大学电子与计算机工程系）；ECE, UC San Diego（加州大学圣迭戈分校电子与计算机工程系）；NAVER Corp.（NAVER公司）
推荐系统的目标是找到一个准确和有效的映射，从用户偏好的项目的历史数据，以一个新的项目，是喜欢的用户。为了实现这一目标，基于能量的序列生成对抗网络（EB-SeqGAN）通过学习用户偏好项目的时间序列的生成模型来进行推荐。通过将能量函数重新铸造为特征函数，所提出的EB-SeqGANs被解释为最大熵模仿学习的实例。
2017-06-28 cs.IR cs.LG stat.ML
$c^+$GAN: Complementary Fashion Item Recommendation
Microsoft AI & R（微软人工智能与研究部）
我们提出了一个条件生成对抗模型，从配对的时尚服装分布中提取真实样本，并提供真实样本与任意时尚单元配对。更具体地说，给定从时尚杂志，小册子甚至手机上的任何随机点击获得的衬衫图像，我们从作为条件生成对抗网络（$c^+$ GAN）学习的参数化条件分布中提取真实样本，以生成可以与衬衫搭配的可能裤子。我们从Mirza和Osindero [arXiv：1411.1784]提出的经典cGAN模型开始，并修改生成器和编译器，以处理捕获的野生数据，而无需人工比对。我们从网络抓取的数据中收集数据集，系统地开发了一种方法来解决这些数据固有的问题，并最终根据我们的技术提出了合理的结果。我们提出了简单的想法来评估这些技术如何可以克服存在的认知差距时，任意的服装文章需要与另一个相关的文章配对，基于搜索结果的相似性。
2019-06-13 cs.CV cs.IR cs.LG
Reading the Mood: Emotion-Guided Book-to-Music Recommendation via CGANs and LLMs
National Technical University of Athens（雅典国家技术大学）；National & Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）
提出SAGA-CDR框架，利用CGAN和LLM实现情绪引导的书籍到音乐推荐，在Amazon和Douban数据集上取得最优评分预测精度。
2026-10-06 cs.CL cs.IR cs.LG
Towards More Robust and Accurate Sequential Recommendation with Cascade-guided Adversarial Training
Rutgers University（罗格斯大学）；Salesforce Research（赛富时研究院）
针对序列推荐模型因级联效应和过度依赖时间信息而鲁棒性不足的问题，提出利用级联效应生成物品嵌入对抗扰动的级联引导对抗训练方法，在四个公开数据集上验证其能同时提升排序准确性和鲁棒性。
2024-01-16 cs.IR cs.LG
Multi-Modal Adversarial Autoencoders for Recommendations of Citations and Subject Labels
Kiel University（基尔大学）；ZBW – Leibniz Information Centre for Economics（ZBW——莱布尼茨经济信息中心）
我们提出了用于推荐的多模态对抗性自动编码器，并在两个不同的任务上对其进行了评估：引用推荐和主题标签推荐。我们分析了对抗正则化，稀疏性和不同输入方式的影响。通过进行408个实验，我们证明了对抗正则化始终提高了自动编码器的推荐性能。然而，我们证明，这两个任务不同的项目共现的语义在这个意义上，项目共现类似于相关性的情况下引用，但意味着多样性的情况下，主题标签。我们的研究结果表明，提供部分项目集作为输入是有帮助的，当项目同现相似的相关性。因此，当面对一个新的推荐任务时，考虑项目共现的语义对于选择合适的模型是至关重要的。
2019-07-22 cs.IR cs.LG stat.ML
Adversarial Recommendation: Attack of the Learned Fake Users
University of Minnesota（明尼苏达大学）
用于推荐的机器学习模型是否容易被愚弄？虽然这个问题已经在人工设计的假用户简档中得到了回答，但还没有在机器学习的对抗攻击中进行探索。本文试图缩小这一差距。我们提出了一个框架，用于生成假的用户简档，其中，当被纳入一个推荐系统的训练，可以实现一个敌对的意图，同时保持与真实的用户简档无法区分。我们将这个过程表述为两个参与者之间的重复一般和博弈：一个不经意的推荐系统$R$和一个对抗性的假用户生成器$A$，有两个目标：（G1）伪用户的评级分布需要接近真实用户，以及（G2）对攻击意图进行编码的某个客观$f_A$，诸如针对用户子集的前K推荐质量的$R$，需要优化。我们提出了一个学习框架来实现这两个目标，并提供了广泛的实验，考虑多种类型的攻击突出的脆弱性推荐系统。
2018-09-21 cs.IR cs.LG stat.ML
Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
Tencent News（腾讯新闻）
随机初始化的项目ID嵌入和经过良好训练的暖项目ID嵌入之间的差距使得冷项目难以适应推荐系统，该推荐系统是在历史暖项目数据上训练的。为了缓解新项目推荐的性能下降，新项目ID嵌入的分布应该接近历史热门项目的分布。为了实现这一目标，我们提出了一个对抗变分自动编码器预热模型（AVAEW）来为冷项生成预热项ID嵌入。具体来说，我们开发了一个条件变分自动编码器模型，以利用项目的边信息来生成预热项目ID嵌入。特别是，我们引入了一个对抗模块来加强热身项目ID嵌入分布和历史项目ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验和在真实世界的大规模新闻推荐平台上的在线A/B测试，证明了所提出的方法的有效性和兼容性。
2023-02-28 cs.AI cs.IR cs.LG
Generative Adversarial User Model for Reinforcement Learning Based Recommendation System
Ant Financial（蚂蚁集团）
将强化学习（RL）应用于推荐系统，既有很大的研究兴趣，也面临着许多挑战。在这种情况下，在线用户是环境;奖励函数和环境动态都没有明确定义，这使得RL的应用具有挑战性。在本文中，我们提出了一种新的基于基于模型的强化学习框架的推荐系统，我们开发了一个生成对抗网络，模仿用户的行为动力学和学习她的奖励函数。使用此用户模型作为模拟环境，我们开发了一种新的级联DQN算法，以获得一个组合的推荐策略，可以有效地处理大量的候选项目。在我们对真实数据的实验中，我们表明这种生成式对抗用户模型可以更好地解释用户行为，并且基于该模型的RL策略可以为用户带来更好的长期回报和更高的系统点击率。
2020-01-01 cs.IR cs.LG stat.ML
Adversarial Personalized Ranking for Recommendation
National University of Singapore（新加坡国立大学）；Fudan University（复旦大学）；Chengdu University of Information Technology（成都信息工程大学）
项目推荐是一个个性化的排序任务。为此，许多推荐系统使用成对排序目标来优化模型，例如贝叶斯个性化排名（BPR）。使用矩阵分解（MF）-推荐中最广泛使用的模型-作为示范，我们表明，优化它与BPR导致推荐模型是不稳健的。特别是，我们发现，由此产生的模型是非常容易受到对抗性扰动的模型参数，这意味着可能很大的误差推广。为了增强推荐模型的鲁棒性，从而提高其泛化性能，我们提出了一个新的优化框架，即对抗个性化排名（APR）。简而言之，我们的APR通过执行对抗训练来增强成对排名方法BPR。它可以被解释为玩一个极大极小博弈，其中BPR目标函数的最小化同时防御对手，这增加了对模型参数的对抗性扰动以最大化BPR目标函数。为了说明它是如何工作的，我们通过在用户和项目的嵌入向量上添加对抗扰动来实现MF上的APR。在三个公开的真实数据集上进行的大量实验证明了APR的有效性--通过使用APR优化MF，它比BPR平均提高了11.2%，并实现了最先进的项目推荐性能。我们的实现可以在https://github.com/hexiangnan/adversarial_personalized_ranking上获得。
2018-08-12 cs.IR cs.LG stat.ML
Dual Adversarial Perturbators Generate rich Views for Recommendation
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Nanjing University（南京大学）
针对图对比学习推荐中对比视图差异过大易导致性能下降或训练崩溃的问题，提出双重对抗图学习方法AvoGCL，通过逐步施加对抗训练模拟课程学习，在三个真实数据集上性能显著优于现有最优方法。
2024-08-26 cs.IR cs.LG
Deep Adversarial Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
随着社交网络对人们日常生活的影响越来越大，近年来，社会推荐技术得到了快速发展，以提高推荐系统的性能。大多数现有的社会化推荐方法统一了用户-项目交互（项目域）和用户-用户连接（社会域）的用户表示。然而，它可能会限制用户在各自领域的表示学习，因为用户在两个领域中的行为和交互不同，这使得他们的表示是异构的。此外，大多数传统的推荐系统不能有效地优化这些目标，因为他们利用负采样技术，这是无法提供足够的信息指导训练过程中的优化过程。在本文中，为了解决上述挑战，我们提出了一种新的深度对抗性社交推荐框架DASO。它采用双向映射的方法来传递用户的信息之间的社会域和项目域使用对抗学习。在两个真实数据集上的综合实验表明了该框架的有效性。
2019-05-30 cs.IR cs.LG cs.SI
DebiasGAN: Eliminating Position Bias in News Recommendation with Adversarial Learning
新闻推荐对于提高用户的新闻阅读体验具有重要意义。用户的新闻点击行为被广泛用于推断用户的兴趣和预测未来的点击。然而，点击行为受到网页上显示的新闻位置所带来的偏见的严重影响。为了准确地定位用户兴趣，消除位置偏差对推荐模型的影响是很重要的。在本文中，我们提出了一种名为DebiasGAN的新闻推荐方法，可以通过对抗学习有效地消除位置偏差的影响。我们使用一个偏见感知点击模型来捕捉位置偏见对点击行为的影响，我们使用一个偏见不变的点击模型与随机候选新闻位置来估计理想的无偏点击分数。我们将对抗学习技术应用于两个模型学习的隐藏表示，以帮助偏差不变的点击模型捕获用户对新闻的独立于偏差的兴趣。在两个真实数据集上的实验结果表明，DebiasGAN能够有效地消除位置偏差，提高新闻推荐的准确率。
2021-06-11 cs.IR
Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
针对对抗协同过滤缺乏理论解释的问题，本文证明其在干净与投毒数据下均可降低推荐误差，并据此提出按用户嵌入尺度设置扰动幅度的PamaCF，提升鲁棒性与推荐性能。
2024-11-02 cs.IR
Adversarial Robustness of Deep Reinforcement Learning based Dynamic Recommender Systems
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）
对抗攻击，例如，输入和对抗样本的对抗性扰动对包括交互式推荐系统在内的机器学习和深度学习技术提出了重大挑战。这些技术的潜在嵌入空间使得对抗攻击难以在早期阶段检测到。因果关系研究的最新进展表明，反事实也可以被认为是生成来自不同分布的对抗样本作为训练样本的方法之一。我们建议在基于强化学习的交互式推荐系统上探索对抗性示例和攻击不可知检测。我们首先通过向输入中添加扰动并干预偶然因素来制作不同类型的对抗性示例。然后，我们通过基于精心制作的数据的基于深度学习的分类器检测潜在的攻击来增强推荐系统。最后，我们研究了对抗性示例的攻击强度和频率，并使用多种制作方法在标准数据集上评估我们的模型。实验结果表明，大多数对抗攻击都是有效的，攻击强度和攻击频率对攻击性能都有影响。策略定时攻击仅需1/3 ~ 1/2的攻击频率就能达到相当的攻击性能。此外，我们的黑盒检测器训练与一个手工方法具有泛化能力超过其他几个手工方法。
2021-12-02 cs.IR cs.LG
Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock Recommendation via Split Variational Adversarial Training
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Data Science Research Center, Duke Kunshan University（昆山杜克大学数据科学研究中心）；School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院）
针对现有股票推荐方法风险控制不足的问题，提出基于分裂变分对抗训练的风险感知推荐方法，通过变分扰动生成器建模风险因素增强模型风险感知，在真实数据集上风险调整后收益优于最优基线30%以上。
2024-01-26 cs.IR cs.LG q-fin.RM
Dual Adversarial Variational Embedding for Robust Recommendation
鲁棒推荐的目的是从噪声数据中获取用户的真实偏好，目前已经提出了两种方法。一种是基于噪声注入，另一种是采用生成模型变分自动编码器（VAE）。然而，现有的工作仍然面临两个挑战。首先，基于噪声注入的方法通常从预先给定的固定噪声分布中提取噪声，而在现实世界中，由于个人行为和项目使用模式，不同用户和项目的噪声分布可能彼此不同。第二，基于VAE的模型表达能力不足以捕捉真实的偏好，因为VAE通常产生单一模态的嵌入空间，而在现实世界中，用户-项目交互通常表现出多模态的用户偏好分布。在本文中，我们提出了一种新的模型称为双对抗变分嵌入（DAVE）的鲁棒推荐，它可以提供个性化的降噪为不同的用户和项目，并捕捉多模态的嵌入空间，通过结合VAE和对抗训练的优点之间引入的辅助鉴别器和变分推理网络。在真实数据集上进行的大量实验验证了DAVE在鲁棒推荐方面的有效性。
2021-06-30 cs.IR
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
Model-Based Reinforcement Learning with Adversarial Training for Online Recommendation
Tsinghua University（清华大学）；University of Virginia（弗吉尼亚大学）；Stony Brook University（石溪大学）
强化学习非常适合于推荐系统的策略优化。目前的解决方案主要集中在无模型方法，这需要与真实环境进行频繁的交互，因此在模型学习中是昂贵的。离线评估方法，例如重要性采样，可以缓解这种限制，但是通常需要大量的日志数据，并且在动作空间很大时不能很好地工作。在这项工作中，我们提出了一个基于模型的强化学习解决方案，该解决方案通过生成对抗网络为离线策略学习建模用户代理交互。为了减少学习模型和策略中的偏差，我们使用了一个评估器来评估生成数据的质量，并调整生成的奖励。我们的理论分析和实证评估表明，我们的解决方案的有效性，从离线和生成的数据学习政策。
2020-01-17 cs.IR cs.LG stat.ML
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
Automatic Feature Fairness in Recommendation via Adversaries
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；UC, San Diego（加州大学圣地亚哥分校）；AWS AI Research & Education（AWS人工智能研究与教育部门）
本文针对推荐系统中敏感特征定义与准确率保持难题，提出AAFM模型，依据特征频率和组合多样性自适应调整对抗扰动，从而同时提升多群体公平性与推荐准确率。
2023-09-27 cs.IR cs.LG
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
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中，基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能，如评分预测的均方根误差和top-N推荐的命中率，其中用户的反馈被认为是真实的。然而，在现实世界的应用中，用户的反馈可能被不完美的用户行为，即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中，为了解决上述问题，我们提出了一个通用的基于神经网络的推荐模型，提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡，并详细说明了如何取得平衡。具体来说，我们在协作自动编码器上实现了我们的方法，然后在三个公共数据集上进行了实验：MovieLens-1 M，Ciao和FilmTrust。我们表明，我们的方法优于竞争激烈的国家的最先进的推荐方法。此外，我们对噪声的影响，以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改，我们的对抗性训练框架可以应用于许多基于神经网络的模型，这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
Towards Robust Recommendation: A Review and an Adversarial Robustness Evaluation Library
该研究全面综述推荐系统鲁棒性，将其分为对抗与非对抗两类梳理相关方法、数据集与指标，还提出对抗鲁棒性评估库ShillingREC并完成基础模型评估，指明领域挑战与未来方向。
2025-06-13 cs.IR
Adversarial Training Towards Robust Multimedia Recommender System
随着多媒体内容在Web上的普及，迫切需要开发能够有效利用多媒体数据中丰富信号的推荐解决方案。由于深度神经网络在表示学习方面的成功，多媒体推荐的最新进展主要集中在探索深度学习方法以提高推荐精度。然而，到目前为止，一直很少有人努力研究多媒体表示的鲁棒性及其对多媒体推荐性能的影响。在本文中，我们阐明了多媒体推荐系统的鲁棒性。使用最先进的推荐框架和深度图像特征，我们证明了整个系统并不鲁棒，例如对输入图像的小（但有目的的）扰动将严重降低推荐准确性。这意味着多媒体推荐系统在预测用户偏好方面可能存在的弱点，更重要的是，通过提高其鲁棒性来改进的潜力。为此，我们提出了一种新的解决方案，名为对抗性多媒体推荐（AMR），它可以通过使用对抗性学习来产生一个更强大的多媒体推荐模型。这个想法是训练模型来防御对手，这增加了扰动的目标图像的目的是降低模型的准确性。我们对两个具有代表性的多媒体推荐任务进行了实验，即图像推荐和视觉感知产品推荐。大量的结果验证了对抗学习的积极效果，并证明了我们的AMR方法的有效性。源代码可在https://github.com/duxy-me/AMR上获得。
2019-05-29 cs.IR cs.MM
Unlearning Protected User Attributes in Recommendations with Adversarial Training
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；TU Wien（维也纳工业大学）；Linz Institute of Technology（林茨技术研究所）
协同过滤算法捕获潜在的消费模式，包括特定于特定人口统计或受保护的用户信息（例如性别、种族和位置）的消费模式。这些编码的偏见可能会影响推荐系统（RS）的决策，进一步分离提供给各种人口统计子组的内容，并提出关于用户受保护属性的公开的隐私问题。在这项工作中，我们调查的可能性和挑战，删除特定的保护信息的用户从学习的交互表示的RS算法，同时保持其有效性。具体来说，我们将对抗训练纳入最先进的MultVAE架构，从而产生一种新的模型，具有多项似然的对抗变分自动编码器（Adv-MultVAE），其目的是在保留推荐性能的同时去除受保护属性的隐式信息。我们在MovieLens-1 M和LFM-2b-DemoBias数据集上进行了实验，并基于外部攻击者无法从模型中揭示用户性别信息的情况评估了偏见缓解方法的有效性。与基线MultVAE相比，结果表明，Adv-MultVAE，性能略有恶化（w.r.t. NDCG和召回），在很大程度上减轻了模型在两个数据集上的固有偏差。
2022-06-09 cs.AI cs.CR cs.IR
Adversarial Learning for Personalized Tag Recommendation
Illinois Institute of Technology（伊利诺伊理工学院）；University of Central Florida（中佛罗里达大学）；National University of Singapore（新加坡国立大学）
由于深度卷积神经网络的成功和大规模数据集的可用性，我们最近在图像分类方面取得了巨大进展。现有的研究大多集中在单标签图像分类上。然而，通常有多个标签与图像相关联。现有的多标签分类工作主要是基于实验室策划的标签。人们为他们的图像分配标签的方式不同，这主要是基于他们的兴趣和个人标记行为。在本文中，我们解决了个性化标签推荐的问题，并提出了一个可以在大规模数据集上训练的端到端深度网络。用户偏好在网络中以无监督的方式学习，其中网络对用户偏好和视觉编码进行联合优化。用户偏好和视觉编码的联合训练允许网络有效地将视觉偏好与标记行为相结合，以获得更好的用户推荐。此外，我们还提出了使用对抗学习，它强制网络预测类似于用户生成的标签的标签。我们在两个不同的大规模和公开可用的数据集，YFCC 100 M和NUS-WIDE上证明了所提出的模型的有效性。与基线和其他最先进的方法相比，所提出的方法在两个数据集上都实现了显着更好的性能。该代码可在https://github.com/vyzuer/ALTReco上公开获取。
2020-04-01 cs.CV cs.IR cs.LG
Understanding the Effects of Adversarial Personalized Ranking Optimization Method on Recommendation Quality
Polytechnic University of Bari（巴里理工大学）
推荐系统（RS）采用用户项目反馈，例如，评级，以匹配客户的个性化产品列表。top-k推荐的方法主要依赖于学习排名算法，其中，最广泛采用的是贝叶斯个性化排名（BPR），它基于成对优化方法。最近，BPR已被发现易受其模型参数的对抗性扰动。对抗性个性化排名（APR）通过对抗性训练过程增强BPR来缓解这个问题。APR在BPR上的准确性性能的经验改进导致其在几个推荐模型中的广泛使用。然而，一个被忽视的关键方面是APR的超精度性能，即，新颖性，覆盖率和放大的流行偏见，考虑到最近的结果表明，业务流程再造，APR的基石，是敏感的偏见和减少的建议新颖性的加剧。在这项工作中，我们建模的BPR和APR优化框架的学习特性，给出数学证据，当反馈数据有一个尾部分布，APR放大的流行偏见比BPR由于收到的正面更新短标题项目的数量不平衡。使用矩阵分解（MF），我们通过在两个公共数据集上进行初步实验来实证验证理论结果，以比较BPR-MF和APR-MF在准确度和超准确度指标上的性能。实验结果一致表明，新颖性和覆盖率的措施和令人担忧的放大偏见的退化。
2021-07-29 cs.AI cs.CR cs.IR
RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation
University of Alberta（阿尔伯塔大学）；Tencent（腾讯）；Sun Yat-sen University（中山大学）
跨领域推荐可以帮助缓解传统顺序推荐系统中的数据稀疏问题。在本文中，我们提出了RecGURU算法框架生成一个广义用户表示（GUR），将用户信息跨域的顺序推荐，即使有最小或没有共同的用户在两个域。我们提出了一个自我关注的自动编码器，以获得潜在的用户表示，和一个域编码器，其目的是预测生成的潜在表示的起源域。我们提出了一种新的对抗学习方法来训练这两个模块，以统一从不同的域生成的用户嵌入到一个单一的全球GUR为每个用户。所学习的GUR捕获用户的总体偏好和特征，并且因此可以用于增强行为数据并且改进用户所涉及的任何单个域中的推荐。在两个公开的跨域推荐数据集和一个从实际应用中收集的大型数据集上进行了大量的实验。结果表明，RecGURU提高了性能，优于各种最先进的顺序推荐和跨域推荐方法。收集到的数据将被公布，以方便未来的研究。
2021-11-19 cs.AI cs.IR
Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）
近年来，图神经网络（GNNs）在推荐方面取得了显著的成功.为了减少数据稀疏性的影响，图对比学习（GCL）被用于基于GNN的CF方法，以提高性能。大多数GCL方法包括数据增强和对比损失（例如，InfoNCE）。GCL方法通过手工制作的图增强来构建对比对，并最大化同一节点的不同视图与其他节点的视图之间的一致性，这被称为InfoMax原则。然而，不适当的数据增强会阻碍GCL的性能。InfoMin原则，即良好的视图集共享最少的信息，并为设计更好的数据增强提供指导。在本文中，我们首先提出了一种新的数据增强（即，边缘操作包括边缘增加和边缘减少）。在此基础上，提出了一个基于信息最小化原理的对比学习框架--可学习的数据增强对比学习（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化了对抗损失函数，以学习数据增强和用户和项目的有效表示。在四个公共基准数据集上的实验证明了LDA-GCL的有效性。
2023-02-05 cs.IR cs.LG cs.SI
Enhancing Social Recommendation with Adversarial Graph Convolutional Networks
社会化推荐系统被期望通过在用户-项目交互数据很少的情况下引入社会化信息来提高推荐质量。然而，最近的行业报告表明，社会推荐系统在实践中一直失败。根据负面的研究结果，失败的原因是：（1）大多数用户在社交网络中只有非常有限的邻居，很难从社交关系中受益：（2）社交关系是嘈杂的，但它们被不加选择地使用;（3）社会关系被假设为普遍适用于多种场景，但实际上是多场景的。在不同的情况下，表现出不同的优势。现有的社会化推荐模型大多只考虑了社交网络中的同质性，而忽略了这些缺陷。在本文中，我们提出了一个基于图卷积网络（GCN）的深度对抗框架来解决这些问题。具体而言，对于（1）和（2），开发了一种基于GCN的自动编码器，通过编码高阶和复杂的连接模式来增强关系数据，同时在重构社会轮廓的约束下进行优化，以保证识别的邻域的有效性。在为每个用户获得足够的纯化社会关系后，设计了一个基于GCN的关注社会推荐模块，通过捕获社会关系的异质性优势来解决（3）。最后，我们采用对抗训练，通过玩Minimax游戏来统一所有组件，并确保协调努力以提高推荐性能。在多个开放数据集上的大量实验证明了我们框架的优越性，消融研究证实了每个组件的重要性和有效性。
2020-10-23 cs.IR cs.SI
Generating Reliable Friends via Adversarial Training to Improve Social Recommendation
近年来的社会化推荐研究大多假设人们与他们的朋友分享相似的偏好，并且在线社会关系有助于改进传统的推荐系统。然而，这种假设往往是站不住脚的，因为在线社交网络是相当稀疏的，大多数用户只有少量的朋友。此外，由于建立社交网络过程中的随机性，显性朋友可能不会分享相似的兴趣。因此，为每个用户发现一些可靠的朋友在推进社交推荐中起着重要作用。与其他研究侧重于提取有价值的显性社会联系不同，我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体来说，本文提出了一个基于生成对抗网（GAN）的端到端社会化推荐框架。该框架由两个模块组成：一个生成器，用于生成可能增强社交推荐模型的好友;一个搜索器，负责评估这些生成的好友，并根据当前用户及其好友的偏好对项目进行排名。通过生成器和搜索器之间的竞争，我们的框架可以动态地自适应地生成可靠的朋友，这些朋友可以完美地预测当前用户在特定时间的偏好。结果，显式社会关系的稀疏性和不可靠性问题可以得到缓解，社会推荐性能显着提高。在真实数据集上的实验研究证明了该框架的优越性，并验证了生成的可靠朋友的积极效果。
2019-09-08 cs.IR cs.SI
Adversarial Attacks and Detection on Reinforcement Learning-Based Interactive Recommender Systems
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；University of Adelaide（阿德莱德大学）
对抗攻击对在早期阶段检测对抗攻击提出了重大挑战。我们提出了基于强化学习的交互式推荐系统的攻击不可知检测。我们首先制作对抗性示例以显示其不同的分布，然后通过基于精心制作的数据的基于深度学习的分类器检测潜在的攻击来增强推荐系统。最后，我们研究了对抗性示例的攻击强度和频率，并使用多种制作方法在标准数据集上评估我们的模型。实验结果表明，大多数对抗攻击都是有效的，攻击强度和攻击频率对攻击性能都有影响。策略定时攻击仅需1/3 ~ 1/2的攻击频率就能达到相当的攻击性能。此外，我们的黑盒检测器训练与一个手工方法具有推广能力超过几个手工方法。
2020-06-14 cs.CR cs.IR cs.LG
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam（阿姆斯特丹大学）；IKEA Retail (Ingka Group)（宜家零售（英格卡集团））
本文提出基于对比学习的方法，通过引入精心挑选的负样本，提升零售场景中产品推荐的多样性和覆盖范围，同时保持推荐质量。
2026-02-09 cs.IR cs.LG
Enhancing Job Recommendation through LLM-based Generative Adversarial Networks
针对现有岗位推荐受简历质量低限制的问题，提出结合LLM与GAN的方法，通过提取用户显隐特征补全简历、对齐高低质量简历优化表示，在三个真实数据集上验证了有效性。
2023-07-20 cs.IR
Optimizing Conversational Product Recommendation via Reinforcement Learning
Independent Researcher（独立研究者）
本文提出基于强化学习的对话策略优化方法，通过反馈学习最优推荐时机与方式，在遵守约束的同时提升用户参与度和产品转化率。
2025-06-30 cs.IR cs.LG
What Users Want? WARHOL: A Generative Model for Recommendation
目前的推荐方法帮助在线商家预测，对于每个访问用户，他们现有产品的哪个子集是最相关的。然而，除了有兴趣将用户与现有产品相匹配之外，商家还对了解用户的潜在偏好感兴趣。这确实可以帮助他们在未来生产或获得更好的匹配产品。我们认为，现有的推荐模型不能直接用于预测的功能，将使新产品更好地服务于目标受众的需求的最佳组合。为了解决这个问题，我们转向生成模型，它允许我们在文本和视觉空间中明确地学习产品特征组合的分布。我们开发了WARHOL，这是一个产品生成和推荐架构，它将过去的用户购物活动作为输入，并生成新产品的相关文本和视觉描述。我们表明，WARHOL可以接近最先进的推荐模型的性能，同时能够生成与给定的用户简档相关的全新产品。
2021-12-01 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
"TL;DR:" Out-of-Context Adversarial Text Summarization and Hashtag Recommendation
DePaul University（德保罗大学）
本文介绍了断章取义的摘要，一个工具，采取任意公共新闻文章断章取义，总结他们连贯地适合自由或保守倾向的议程。Out-of-Context Summarizer还建议使用hashtag关键字来支持摘要的两极分化，以防有人倾向于将其带到Twitter，Parler或其他平台进行拖钓。Out-of-Context Summarizer在总结COVID-19文章时实现了79%的准确率和99%的召回率，在总结以政治为中心的文章时实现了93%的准确率和93%的召回率，在断章取义时实现了87%的准确率和88%的召回率。总结有效的来源，而不是合成虚假的文本，Out-of-Context Summarizer可以公平地通过“对抗性披露”测试，但我们在论文中没有采取这种简单的方法。相反，我们使用了Out-of-Context Summarizer来推动关于自动文本生成的潜在滥用的辩论，超越了对抗性语言模型的负责任披露的样板文本。
2021-04-01 cs.CL cs.CR cs.IR
Large-scale Real-time Personalized Similar Product Recommendations
iLambda；University of North Texas（北德克萨斯大学）；Kent State University（肯特州立大学）
同类商品推荐是电商中最常见的场景之一。许多推荐算法，如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中，我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法，包括基于图像相似性的方法，项目到项目的协同过滤，和item2vec，并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果，并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest
Pinterest（拼趣）
产品的学习嵌入是网络规模电子商务推荐系统的重要组成部分。在Pinterest，我们构建了一组名为ItemSage的产品嵌入，以在所有购物用例中提供相关推荐，包括基于用户，图像和搜索的推荐。这种方法显著改善了参与度和转化指标，同时降低了基础设施和维护成本。虽然大多数以前的工作集中在从单一模态的功能来构建产品嵌入，我们引入了一个基于transformer的架构，能够聚合来自文本和图像模态的信息，并表明它显着优于单一模态基线。我们还利用多任务学习，使ItemSage针对多种参与类型进行优化，从而形成一个候选人生成系统，该系统对端到端推荐系统的所有参与目标都是有效的。我们进行了大量的离线实验来说明我们的方法的有效性，在线A/B实验的结果显示，关键业务指标（高达+7%的商品总价值/用户和+11%的点击量）有了实质性的提高。
2022-05-24 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
Graph Neural Network for Product Recommendation on the Amazon Co-purchase Graph
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）
针对现代推荐系统在海量数据中识别相关信息的挑战，本研究评估了LightGCN等四种GNN架构在亚马逊共同购买网络链接预测任务中的性能，考察多维度权衡，为实际推荐场景部署GNN提供模型性能参考。
2025-08-10 cs.IR cs.LG
Adversarial Batch Inverse Reinforcement Learning: Learn to Reward from Imperfect Demonstration for Interactive Recommendation
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Information Science and Technology University（北京信息科技大学）；City University of Hong Kong（香港城市大学）
本文提出一种对抗性批量逆强化学习范式，通过折扣平稳分布校正、贝尔曼变换和KL正则化统一优化奖励与策略，在真实数据集上同时提升了推荐的有效性和效率。
2023-10-30 cs.IR cs.LG
Incorporating Customer Reviews in Size and Fit Recommendation systems for Fashion E-Commerce
Flipkart Internet Private Limited（Flipkart互联网私人有限公司）
随着电子商业领域的迅猛发展，产品推荐已经成为电子商业公司越来越感兴趣的领域。产品推荐中最困难的任务之一是尺寸和适合度预测。在电子时尚领域有很多与尺寸相关的退货和退款，这给客户带来了不便，也给公司带来了成本。因此，拥有一个良好的尺码和合身推荐系统，它可以为客户预测正确的尺码，不仅可以减少与尺码相关的退货和退款，还可以改善客户体验。该领域的早期工作使用传统的机器学习方法来根据购买历史估计客户和产品规模。这些方法遭受冷启动问题，由于在客户产品数据的巨大稀疏。最近，人们使用深度学习来解决这个问题，方法是嵌入客户和产品特征。但它们都没有将产品页面上的有价值的客户反馈与客户和产品功能结合起来。我们提出了一种新的方法，它可以使用来自客户评论的信息，以及客户和产品功能的大小和适合的预测。我们证明了我们的方法的有效性相比，只使用产品和客户功能的4个数据集。我们的方法显示，在4个不同的数据集上，F1（宏观）评分比基线提高了1.37% - 4.31%。
2022-08-11 cs.IR cs.LG
Recommending Related Products Using Graph Neural Networks in Directed Graphs
Amazon（亚马逊）
相关产品推荐（RPR）是任何电子商务服务成功的关键。在本文中，我们处理推荐相关产品的问题，即，给定一个查询产品，我们希望建议具有与它一起购买的高可能性的前k个产品。我们的问题隐含地假设不对称性，即，对于电话，我们想推荐一个合适的电话壳，但是对于电话壳，它可能不适合推荐电话，因为客户通常只会在拥有电话时才购买电话壳。我们也不局限于补充或替代产品推荐。例如，对于一个特定的夜穿T恤，我们可以建议类似的T恤以及运动裤。因此，相关性的概念对于查询产品是主观的，并且取决于客户偏好。此外，各种因素，如产品价格，可用性导致的选择偏差的存在，在历史购买数据，这需要进行控制，而训练相关的产品推荐模型。这些挑战是相互正交的，认为我们的问题是不平凡的。为了解决这些问题，我们提出了DAEMON，一种新的图神经网络（GNN）为基础的框架相关的产品推荐，其中的问题制定为一个节点推荐任务上的有向产品图。为了捕捉产品的不对称性，我们采用了一个不对称的损失函数，并通过适当地聚合来自其邻域的特征来学习每个产品的对偶嵌入。DAEMON利用多模态数据源（如目录元数据）、浏览行为日志来减轻选择偏差并为冷启动产品生成建议。大量的离线实验表明，DAEMON在节点推荐任务的HitRate和MRR方面比最先进的基线高出30 - 160%。
2022-11-18 cs.IR cs.LG
Revisiting Graph Projections for Effective Complementary Product Recommendation
MercadoLibre
针对用户-物品交互噪声大、稀疏导致的互补品推荐难题，提出基于用户-物品二部图投影有向加权图的互补关系推断方法，在不同基准上较序列和图推荐器分别平均提升43%、38%性能。
2025-06-10 cs.IR cs.LG
Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations
Overstock.com Inc.（Overstock公司）；University of Maryland, College Park（马里兰大学帕克分校）
基于嵌入的产品推荐近年来越来越受欢迎，因为它能够轻松集成到大规模系统中，并允许实时进行最近邻搜索。这一领域的大部分研究主要集中在类似的项目建议上。另一方面，对补充项目建议的研究仍然相当不足。我们将相似项定义为在其效用方面可互换的项，将互补项定义为服务于不同目的但在相互使用时兼容的项。在本文中，我们采用了一种新的方法来寻找互补项目，利用双嵌入表示的产品。我们证明了在NLP中发现的skip-gram negative sampling（SGNS）模型的相关性概念在使用共同购买数据训练项目表示时有效地转化为互补性概念。由于购买数据的稀疏性是现实世界场景中的一个主要挑战，因此我们使用合成样本进一步增强模型以扩展覆盖范围。这使得该模型提供补充建议的项目，不共享共同购买的数据，利用其他丰富的可用数据形式，如图像，文本，点击等，我们建立了我们的方法在提高覆盖面和质量的建议对现实世界的数据为一个主要的在线零售公司的有效性。我们进一步展示了任务特定的超参数调整在训练SGNS中的重要性。我们的模型是有效的，但简单的实现，使其成为一个伟大的候选人在任何电子商务网站生成补充项目的建议。
2022-11-29 cs.IR cs.LG
Specializing Joint Representations for the task of Product Recommendation
我们提出了一个统一的产品嵌入式表示，是优化的检索为基础的产品推荐的任务。为此，我们引入了一种新的方式来融合特定于模态的产品嵌入到一个联合产品嵌入，以利用产品内容信息，如文本描述和图像，以及产品协同过滤信号。通过在我们的架构的最后引入融合步骤，我们能够单独训练每种模态，使我们能够保持一个模块化架构，这在现实世界的推荐部署中是最好的。我们分析了我们在正常和硬推荐设置上的性能，例如冷启动和跨类别推荐，并在大型产品购物数据集上实现了良好的性能。
2017-07-18 cs.IR
Enabling Explainable Recommendation in E-commerce with LLM-powered Product Knowledge Graph
eBay Inc.（亿贝公司）
本文提出 LLM-PKG，通过提示 LLM 构建并剪枝产品知识图谱，再映射到真实商品以支持可解释推荐；电商 A/B 测试显示其显著提升用户参与与交易。
2024-11-17 cs.IR cs.LG
Multi-Step Adversarial Perturbations on Recommender Systems Embeddings
推荐系统（RS）在学习用户的偏好并帮助他们找到最合适的产品方面取得了卓越的性能。计算机视觉领域中对抗性机器学习（AML）的最新进展引起了人们对最先进的基于模型的机器学习器的安全性的兴趣。最近，在几种最先进的基于模型的分类器上已经认识到推荐准确性的令人担忧的恶化（例如，BPR-MF），当机器学习的对抗性扰动污染模型参数时。然而，虽然单步快速梯度符号法（FGSM）是最受欢迎的扰动策略，但在计算机视觉领域表现出更高功效的多步（迭代）扰动策略在推荐任务中的研究却非常不足。在这项工作中，受基本的迭代法（BIM）和投影梯度下降（PGD）策略提出的CV域的启发，我们适应项目推荐任务的多步策略，以研究在最小对抗扰动下基于嵌入的推荐模型可能存在的弱点。让扰动的大小是固定的，我们说明了最高的效率的多步扰动相比，一个广泛采用的推荐数据集上的两个广泛的经验评估的单步。此外，我们还研究了结构数据集特征的影响，即，稀疏性、密度和大小，对由所呈现的扰动引起的性能降级的影响，以支持RS设计者解释由于模型参数的最小变化而引起的推荐性能变化。我们的实现和数据集可以在https://anonymous.4open.science/r/9f27f909-93d5-4016-b01c-8976b8c14bc5/上找到。
2020-10-03 cs.CR cs.IR
Adversarial Counterfactual Learning and Evaluation for Recommender System
Walmart Labs（沃尔玛实验室）
推荐系统的反馈数据往往受到什么是暴露给用户，然而，大多数学习和评价方法不占潜在的曝光机制。我们首先在理论上表明，应用监督学习来检测用户的偏好可能最终与曝光信息的情况下不一致的结果。来自因果推理的反事实倾向加权方法可以解释暴露机制;然而，反馈数据的部分观察性质可能导致可识别性问题。我们提出了一个原则性的解决方案，通过引入极大极小经验风险公式。我们表明，放松的对偶问题可以转换为两个推荐模型之间的对抗性游戏，其中候选模型的对手表征了潜在的曝光机制。我们提供了学习范围，并进行了广泛的模拟研究，以说明和证明所提出的方法在广泛的推荐设置，从而阐明了所提出的方法的各种好处的见解。
2020-11-08 cs.IR cs.LG stat.ML
RecoGym: A Reinforcement Learning Environment for the problem of Product Recommendation in Online Advertising
Criteo AI Labs（科韬人工智能实验室）；Universitat Pompeu Fabra（庞培法布拉大学）；Telefonica Research（西班牙电信研究院）
推荐系统在许多环境中变得无处不在，并采取多种形式，从电子商务商店中的产品推荐，到搜索引擎中的查询建议，再到社交网络中的朋友推荐。目前的研究方向主要是基于从历史数据的监督学习，似乎显示出收益递减，许多从业者报告了监督学习的离线指标的改进与新提出的模型的在线性能之间的差异。一个可能的原因是，我们使用了错误的范式：当着眼于收集历史性能数据的长期周期时，创建推荐模型的新版本，A/B测试然后推出。我们看到，强化学习（RL）设置有很多共同点，其中智能体观察环境并对其采取行动，以便将其状态改变为更好的状态（具有更高奖励的状态）。为此，我们介绍了RIGYM，RL环境的建议，这是由用户的电子商务模式和用户响应的发布商网站上的建议模型定义的。我们相信，这是推荐系统研究领域向前迈出的重要一步，可以开辟推荐系统和强化学习社区之间的合作途径，并使离线和在线性能指标更好地保持一致。
2018-09-14 cs.IR cs.LG
DADIN: Domain Adversarial Deep Interest Network for Cross Domain Recommender Systems
Central South University（中南大学）；Shanghai University of Engineering Science（上海工程技术大学）；The University of Melbourne（墨尔本大学）；Yongriver Institute of Technology（甬江理工学院）；Eastern Institute for Advanced Study（东方高等研究院）
提出DADIN模型，通过领域无关层和对抗训练实现跨域联合分布对齐，在Huawei和Amazon数据集上取得SOTA的CTR预测效果。
2023-05-20 cs.AI cs.IR cs.LG
