From Word Embeddings to Item Recommendation
Middle East Technical University（中东技术大学）
社交网络平台可以使用用户产生的数据来更好地为他们服务。这些平台提供的服务之一是推荐服务。推荐系统可以使用用户过去的偏好来预测他们未来的偏好。在推荐系统的文献中，有各种各样的技术，如基于邻域的方法，基于机器学习的方法和基于矩阵分解的方法。本文将自然语言处理领域的一组著名的方法Word 2 Vec应用于推荐系统领域。与以前使用Word 2 Vec进行推荐的作品不同，这项工作使用非文本功能，签到，并向目标用户推荐访问/签到的场所。对于实验，使用Foursquare签入数据集。结果表明，使用Word 2 Vec技术建模的项目的连续向量空间表示是有前途的建议。
2016-06-15 cs.CL cs.IR cs.LG
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications（北京邮电大学）；Renmin University of China（中国人民大学）
下一个购物篮推荐是市场购物篮分析中的一个重要环节，其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看，一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此，一个理想的推荐系统应该代表一个项目，考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示，其在所有事务之间是不变的，因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发，我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示（IERT）。在离线阶段，IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段，预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味，以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT的性能优于现有的基线方法，证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong（香港中文大学）；Tencent Quantum Lab（腾讯量子实验室）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
项目冷启动问题严重限制了协同过滤（CF）方法的推荐性能时，新的项目没有或很少的互动。为了解决这个问题，许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而，很难设计和学习项目的交互历史和相应内容之间的映射。在本文中，我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息，我们可以计算之间的相似性的互动项目和冷启动的，使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想，提出Wasserstein CF（WCF），以提高冷启动项目的推荐性能。实验结果表明，WCF的优越性，国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota（明尼苏达大学）；Samsung Research America（三星美国研究院）
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时，忽略了项目特征之间的相互作用，将它们独立考虑。对特征之间的交互进行建模可能是有帮助的，因为与独立考虑特征的情况相比，当一起考虑时，一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题，在这项工作中，我们引入了基于搜索的因子分解双线性相似性模型（FBSM），它学习因子分解双线性相似性模型的TOP-n推荐的新项目，给定的信息，用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估，我们发现，所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外，该方法还从数据中学习项目特征之间的有见地的交互作用，从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
Learning Item-Interaction Embeddings for User Recommendations
Etsy, Inc（Etsy公司）
行业规模的推荐系统已经成为电子商务购物体验的基石。对于Etsy，一个拥有超过5000万件手工和复古物品的在线市场，用户开始依赖个性化的推荐来从其庞大的库存中展示相关物品。Etsy购物体验的一个标志是用户可以与他们感兴趣的物品进行交互的多种方式：他们可以查看它，收藏它，将其添加到收藏中，将其添加到购物车，购买它等。因此，用户的推荐不仅应该基于他们过去活动中的项目，还应该基于他们与该项目交互的方式。在本文中，我们提出了一种新的方法来学习基于交互的项目嵌入编码的同现模式，不仅项目本身，而且互动类型。学习的嵌入为我们提供了一种方便的方法，通过简单的内积来近似一个项目交互对与另一个项目交互对共存的可能性。由于其计算效率，我们的模型自然适合作为候选集选择方法，我们在Etsy.com上提供实时流量的行业规模推荐系统中对其进行了评估。我们的实验表明，将交互类型考虑在内，在提高用户购物行为建模的准确性方面显示出可喜的成果。
2018-12-11 cs.IR cs.LG stat.ML
Item Recommendation from Implicit Feedback
Google Research（谷歌研究院）
商品推荐的任务是从一个庞大的商品目录中为用户选择最好的商品。项目识别者通常是从隐性反馈中训练出来的，隐性反馈只包括过去积极的行为。项目推荐的核心挑战是（1）如何从隐式反馈中制定训练目标和（2）如何在大型项目目录上有效地训练模型。本文介绍了项目推荐的基本概念、特点和常用方法。它首先介绍了这个问题，并讨论了不同的培训目标。主体涉及学习算法，并提出了采样为基础的算法，一般的神经网络和更有效的算法点积模型。最后讨论了项目检索器在检索任务中的应用。
2021-01-21 cs.IR cs.LG
DBRec: Dual-Bridging Recommendation via Discovering Latent Groups
The University of Queensland（昆士兰大学）；National University of Defense Technology（国防科技大学）；Central Queensland University（中央昆士兰大学）；Chongqing Meiqi Industry Co.（重庆美琪实业有限公司）；Aliexpress, Alibaba group（阿里巴巴集团全球速卖通）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
在推荐系统中，用户-项目交互数据通常是稀疏的，并且不足以学习用于推荐的全面的用户/项目表示。为了解决这个问题，我们提出了一种新的双桥接推荐模型（DBRec）。DBRec与协同过滤同时执行潜在用户/项目组发现，并将组信息与用户/项目交互以桥接相似的用户/项目。因此，在DBRec中，用户对未观察到的项目的偏好可以由同一组中对该项目进行评级的用户或与未观察到的项目共享同一组的用户评级的项目来桥接。此外，我们建议共同学习用户-用户组（项目-项目组）的层次结构，这样我们就可以有效地发现潜在的群体和学习紧凑的用户/项目表示。我们联合集成协同过滤，潜在群体发现和层次建模到一个统一的框架，使所有的模型参数可以学习的目标函数的优化。我们用两个真实的数据集验证了该模型的有效性，并通过大量的实验证明了其相对于最先进的推荐模型的优势。
2019-10-16 cs.IR cs.LG stat.ML
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta；Amazon（亚马逊公司）；University of Klagenfurt（克拉根福大学）
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号（如共同购买统计数据）时，它们非常有效。然而，在某些在线市场中，例如，在网上拍卖网站上，不断有新的物品被添加到目录中。在这种情况下，由于缺乏交互数据，补充项目推荐通常基于项目边信息。在这项工作中，我们提出了一种新的方法，可以利用项目边信息和标记的互补项目对，以产生有效的互补推荐冷项目，即，对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别，我们在技术上为每个项类别保留了一个潜在空间。同时，我们学习项目分布项目表示到这些类别空间，以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外，我们采用了循环生成对抗网络（CycleGAN）的思想，即使在给定项目和类别不存在标记数据的情况下，也可以利用可用的项目信息。在三个电子商务数据集上的实验表明，该方法是非常有效的。
2023-03-10 cs.IR cs.LG
Regret in Online Recommendation Systems
KTH（瑞典皇家理工学院）；KAIST（韩国科学技术院）
本文提出了在线环境中推荐系统的理论分析，其中项目随着时间的推移顺序推荐给用户。在每一轮中，从$m$用户群体中随机挑选的用户请求推荐。决策者观察用户并从$n$项目的目录中选择项目。重要的是，一个项目不能被推荐给同一个用户两次。用户喜欢每个项目的概率是未知的。推荐算法的性能是通过其遗憾捕获的，考虑作为参考的Oracle算法知道这些概率。我们调查这些概率的各种结构假设：我们得出每个结构遗憾的下限，并设计算法实现这些限制。有趣的是，我们的分析揭示了遗憾的不同组成部分的相对权重：由于不向同一用户两次呈现相同项目的约束，由于学习用户喜欢项目的机会，最后是在学习底层结构时产生的。
2020-10-23 cs.IR cs.LG stat.ML
Thompson Sampling for a Fatigue-aware Online Recommendation System
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在本文中，我们考虑一个在线推荐设置，其中一个平台在每个时间段向其用户推荐一系列项目。用户通过选择所推荐的项目之一来做出响应，或者由于看到不太有用的项目而感到疲劳而放弃平台。假设用户行为的参数随机模型，其捕获这些项目的位置效应以及用户的放弃行为，该平台的目标是在事后推荐与单个最佳项目序列竞争的项目序列，而不知道先验的真实用户模型。在这种情况下，简单地应用随机强盗算法会导致对项目数量的指数依赖性。我们提出了一个新的汤普森抽样为基础的算法与预期的遗憾是多项式的项目数在这个组合设置，并在实践中表现得非常好。
2019-04-14 cs.IR cs.LG stat.ML
A Simple Convolutional Generative Network for Next Item Recommendation
Tencent（腾讯）；Telefonica Research（西班牙电信研究院）；University of Glasgow（格拉斯哥大学）；National University of Singapore（新加坡国立大学）
卷积神经网络（CNN）最近被引入到基于会话的下一个项目推荐领域。用户在会话（或序列）中与之交互的过去项目的有序集合被嵌入到二维潜在矩阵中，并被视为图像。然后将卷积和池化操作应用于映射的项嵌入。在本文中，我们首先研究了典型的基于会话的CNN推荐，并表明生成模型和网络架构是次优的建模项目序列中的长程依赖关系时。为了解决这些问题，我们引入了一个简单但非常有效的生成模型，该模型能够从短期和长期项目依赖关系中学习高级表示。所提出的模型的网络架构由\emph{holed}卷积层的堆栈形成，其可以有效地增加感受野而不依赖于池化操作。另一个贡献是在推荐系统中有效地使用剩余块结构，这可以简化更深层次网络的优化。所提出的生成式模型在下一个项目推荐任务中以更少的训练时间达到最先进的准确性。因此，它可以作为一个强大的推荐基线，在未来击败，特别是当有很长的用户反馈序列。
2018-11-29 cs.IR cs.LG stat.ML
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
Evaluation Metrics for Item Recommendation under Sampling
Google Research（谷歌研究院）
项目推荐的任务需要在给定上下文的情况下对大量项目进行排序。项目推荐算法使用依赖于相关项目位置的排名度量进行评估。为了加速度量的计算，最近的工作通常使用采样度量，其中仅对较小的随机项和相关项进行排名。本文研究采样度量更详细，并表明，采样度量与其确切的版本是不一致的。采样度量不持久化相对语句，例如，“算法A比B更好”，甚至出乎意料。此外，采样大小越小，度量之间的差异越小，并且对于非常小的采样大小，所有度量都收缩到AUC度量。
2019-12-04 cs.IR cs.LG
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）；Yonsei University（延世大学）
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目，例如，电子商务或多媒体流服务。具体来说，会话数据表现出一些独特的特征，即，会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中，我们提出了简单而有效的线性模型，考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是，它提供了一个通用框架来反映会话数据的不同视角。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
Page-level Optimization of e-Commerce Item Recommendations
eBay Inc.（eBay公司）
商品详细信息页面（IDP）是电子商业网站上的一个网页，提供有关特定产品或商品列表的信息。在此页面上的项目详细信息下方，买家通常可以找到其他相关项目的建议。这些通常以一系列模块或旋转木马的形式出现，每个模块包含一组推荐项目。这些项目推荐模块的选择和排序旨在提高相关项目的可扩展性并鼓励更大的用户参与，同时展示库存的多样性并满足其他业务目标。IDP上的项目推荐模块通常是为所有客户策划和静态配置的，忽略了个性化的机会。在本文中，我们提出了一个可扩展的端到端的生产系统，以优化个性化的选择和订购的项目推荐模块的IDP实时利用深度神经网络。通过广泛的离线实验和在线A/B测试，我们表明，我们提出的系统实现了显着更高的点击率和转换率相比，其他现有的方法。在我们的在线A/B测试中，我们的框架比静态配置提高了2.48%的点击率和7.34%的购买率。
2021-08-12 cs.IR cs.LG
A Hybrid Latent Variable Neural Network Model for Item Recommendation
Brigham Young University（杨百翰大学）；University of Arkansas（阿肯色大学）
协同过滤用于向用户推荐项目，而不需要项目本身的知识，并且往往优于其他技术。然而，协同过滤遭受冷启动问题，这发生在项目尚未被评级或用户尚未对任何项目进行评级时。将附加信息（如项目或用户描述）添加到协同过滤中可以解决冷启动问题。在本文中，我们提出了一个神经网络模型与潜在的输入变量（潜在的神经网络或LNN）作为一种混合协同过滤技术，解决了冷启动问题。LNN优于基于内容的过滤器（基于项目描述进行推荐）和其他混合方法，同时保持最先进的协同过滤技术的准确性。
2014-06-09 cs.IR cs.LG cs.NE
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
Conditioned Variational Autoencoder for top-N item recommendation
University of Padova（帕多瓦大学）
在本文中，我们提出了一个有条件的变分自编码器（C-VAE）的约束top-N项目推荐，其中推荐的项目必须满足一个给定的条件。所提出的模型架构类似于标准VAE，其中条件向量被馈送到编码器中。由于考虑了输入条件的新的重建损失，在训练期间学习受约束的排名。我们表明，我们的模型概括了国家的最先进的多VAE协同过滤模型。此外，我们还提供了关于C-VAE在潜在空间中学习的内容的见解，提供了人性化的解释。实验结果强调了C-VAE在约束条件下提供准确建议的潜力。最后，所进行的分析表明，C-VAE可以用于其他推荐场景，如上下文感知推荐。
2020-05-04 cs.IR cs.LG
Implicit ZCA Whitening Effects of Linear Autoencoders for Recommendation
Hokkaido University（北海道大学）
该研究揭示推荐系统中线性自编码器的对偶解对物品特征向量存在隐式ZCA白化效应，验证了其用于低维物品嵌入相似度估计的正确性，实验表明白化低维嵌入有效。
2023-08-15 cs.IR cs.LG
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
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
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统，可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同，集合推荐系统输出项目的集合，使得集合中的项目与用户相关，并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中，在现实世界的音乐推荐环境中测试这些想法。我们发现，当推荐收藏品时，消费量增加了2.3倍。此外，它导致房地产的有效利用，并导致推荐更多和更多样化的项目集。据我们所知，这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
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
Pairwise Interactive Graph Attention Network for Context-Aware Recommendation
Nanjing University（南京大学）
上下文感知推荐系统（CARS）考虑了丰富的边信息来提高推荐性能，引起了学术界和工业界越来越多的关注。如何从不同的上下文特征中预测用户偏好是CARS的核心。最近的几个模型关注用户行为，并使用专门设计的结构来从历史行为中提取自适应的用户兴趣。然而，很少有研究考虑项目历史交互，这导致项目特征表示和项目吸引力提取的不足。根据这些观察，我们将用户-项目交互建模为动态交互图（DIG），并提出了一种基于GNN的模型，称为成对交互图注意力网络（PIGAT），以同时捕获动态用户兴趣和项目吸引力。PIGAT引入了注意力机制来考虑每个交互的用户/项目对用户和项目的重要性，该机制捕获用户兴趣、项目吸引力及其对推荐上下文的影响。此外，置信度嵌入应用于交互，以区分在不同时间发生的交互的置信度。然后，更有表现力的用户/项目表示和自适应交互功能，这有利于推荐性能，特别是当涉及长尾项目。我们在三个真实世界的数据集上进行实验，以证明PIGAT的有效性。
2019-11-18 cs.IR cs.LG
Mining Latent Structures for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；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）；Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院人工智能创新研究院）
多媒体内容在现代网络时代占据主导地位。调查用户如何与多模态项目进行交互是快速发展的推荐系统中持续关注的问题。以前的大部分工作集中在建模用户与项目的交互与多模态功能包括作为边信息。然而，该方案不是很好地设计用于多媒体推荐。具体来说，只有协作项目项目关系隐式建模通过高阶项目用户项目关系。考虑到项目是与丰富的内容在多个模态，我们认为，潜在的语义项目项目的结构，这些多模态的内容可能是有益的学习更好的项目表示和进一步提高推荐。为此，我们提出了一个潜在的结构挖掘方法的多模态reCommEndation，我们简称为格。具体来说，在所提出的LATTICE模型中，我们设计了一个新的模态感知结构学习层，它学习每个模态的项-项结构，并聚合多个模态以获得潜在项图。基于学习的潜图，我们执行图卷积，以显式地将高阶项亲和力注入项表示中。然后，这些丰富的项目表示可以插入到现有的协同过滤方法中，以做出更准确的推荐。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法，并验证了从多模态特征中挖掘潜在项-项关系的有效性。
2021-07-21 cs.IR cs.LG cs.MM
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；AWS AI Lab（AWS人工智能实验室）；Washington State University（华盛顿州立大学）
针对新兴市场 I2I 推荐关系数据不足的问题，提出基于 GNN 的个性化联邦领域自适应框架，以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 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
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg（维尔茨堡大学）
多人在线竞技场（MOBA）游戏，如Dota 2，每年吸引数十万玩家。尽管玩家基数很大，但吸引新玩家仍然很重要，以防止游戏社区变得不活跃。然而，进入MOBA游戏通常要求很高，需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品，这取决于各种游戏因素，如已经购买的物品，团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家，例如，新的球员或球员返回游戏后，较长的休息时间，专注于游戏的其他方面。由于顺序项目推荐（SIR）已被证明在各个领域（例如电子商务、电影推荐或播放列表延续）都是有效的，因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究，我们收集、分析和发布了Dota-350 k，这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明，考虑购买顺序的模型是最有效的。与其他领域相比，我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 cs.IR cs.LG
EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
VinUniversity；Griffith University（格里菲斯大学）；Aalborg University（奥尔堡大学）
本研究针对语义ID扩散推荐提出EPIC方法，通过构建个性化候选物品后验分布引导去噪，在四个Amazon基准测试上实现了对强基线的持续性能提升。
2026-09-04 cs.IR cs.LG
MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings
Aalborg University（奥尔堡大学）
知识图谱（KGs）已经被集成到几种推荐模型中，以通过图中的相关实体来增加项目的信息价值。然而，现有的数据集只提供对项目的明确评级，并且没有提供关于其他（不可识别的）实体的用户意见的信息。为了克服这一限制，我们引入了一个新的数据集，称为MindReader，提供明确的用户评级项目和KG实体。在第一个版本中，MindReader数据集提供了从1，174个真实用户收集的超过10.2万个明确的评级，这些评级来自电影领域的KG项目和实体。这个数据集是通过一个在线面试应用程序收集的，我们也发布了开源。作为这个新的数据集的重要性的演示，我们提出了一个比较研究的效果，包括评级对非项目KG实体在各种国家的最先进的推荐模型。特别是，我们表明，大多数模型，无论是否专门为图形数据设计，在明确的非项目评级训练时，推荐质量都有所提高。此外，对于某些模型，我们表明，非项目评级可以有效地取代项目评级，而不会损失推荐质量。这一发现，也由于观察到更熟悉的用户对共同KG实体比对长尾项目，激励使用KG实体的热启动和冷启动建议。
2021-06-08 cs.IR cs.LG
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Enhancing Item Tokenization for Generative Recommendation through Self-Improvement
Snap Inc.（斯奈普公司）；Yale University（耶鲁大学）；Cardiff University（卡迪夫大学）
针对生成式推荐中物品标记化与LLM内部模式不一致的问题，提出一种自改进标记化方法，通过在训练中动态调整外部生成的标记，实现即插即用的性能提升，推荐准确率平均提高8%。
2024-12-22 cs.IR cs.LG
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation
Fudan University（复旦大学）
基于会话的推荐（SR）已经成为各种电子商务平台的重要和流行的组件，其目的是基于给定的会话预测下一个交互项目。现有的SR模型大多只关注于利用会话中某个用户交互的连续项目来捕捉项目间的转换模式。虽然其中一些已经被证明是有效的，但以下两个见解往往被忽视。首先，用户的微行为，诸如用户定位项目的方式、用户在项目上提交的活动（例如，阅读评论，添加到购物车），提供对用户偏好的细粒度和深入的理解。第二，项目属性，也称为项目知识，提供侧信息来建模交互项目之间的转换模式，并缓解数据稀疏问题。本文提出了一种新的SR模型MKM-SR，将用户微观行为和项目知识结合到基于会话的推荐的多任务学习中。具体地，给定会话在MKM-SR中的微行为级别上建模，即，使用项目-操作对的序列而不是项目的序列，以充分地捕获会话中的转换模式。此外，我们提出了一个多任务的学习范式，涉及学习知识嵌入，它起着辅助任务的作用，以促进SR的主要任务。它使我们的模型，以获得更好的会话表示，从而产生更精确的SR推荐结果。在两个基准数据集上的广泛评估表明MKM-SR的优越性超过了最先进的SR模型，证明了纳入知识学习的策略。
2020-06-12 cs.IR cs.LG
Item Cluster-aware Prompt Learning for Session-based Recommendation
University of Illinois Chicago（伊利诺伊大学香槟分校）
提出CLIP-SBR框架，通过全局图建模会话内与跨会话项目关系，并用软提示高效整合，在八个模型和三个数据集上稳定提升推荐性能。
2025-05-27 cs.AI cs.IR cs.LG
Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce
eBay Research（eBay研究院）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在电子商业中，观察列表使用户能够随着时间的推移跟踪物品，并已成为一项主要功能，在用户的购物旅程中发挥着重要作用。监视列表项通常具有其值可随时间改变的多个属性（例如，价格，数量）。由于许多用户在他们的监视列表上积累了数十个项目，并且由于购物意图随着时间的推移而变化，因此在给定的上下文中推荐监视列表中的顶级项目可能是有价值的。在这项工作中，我们研究了在电子商业的监视列表功能，并介绍了一种新的监视列表推荐任务。我们的目标是通过预测用户将点击的下一个项目来优先考虑用户接下来应该关注的监视列表项目。我们铸造这个任务作为一个专门的顺序推荐任务，并讨论其特点。我们提出的推荐模型，trans 2D，是建立在Transformer架构的顶部，在那里我们进一步提出了一种新的扩展注意力机制（Attention 2D），允许学习复杂的项目-项目，属性-属性和项目-属性模式，从序列数据与多个项目属性。使用eBay的大规模观察列表数据集，我们评估了我们提出的模型，与多个最先进的基线相比，我们证明了它的优越性，其中许多基线都适用于这项任务。
2021-10-24 cs.IR cs.LG
Jointly Modeling Intra- and Inter-transaction Dependencies with Hierarchical Attentive Transaction Embeddings for Next-item Recommendation
基于事务的推荐系统（TBRS）旨在通过对事务数据中的依赖关系进行建模来预测下一个项目。通常，考虑两种类型的依赖关系：事务内依赖关系和事务间依赖关系。大多数现有的TBRS推荐下一个项目，只建模的事务内的依赖关系，而忽略了最近的事务，也可能影响下一个项目的事务间的依赖关系。然而，并非所有最近的交易都与当前和下一个项目相关，因此应确定相关交易并确定其优先次序。在本文中，我们提出了一种新的分层注意事务嵌入（HATE）模型来解决这些问题。具体而言，两级注意力机制集成项目嵌入和事务嵌入，以构建一个关注的上下文表示，结合了事务内和事务间的依赖关系。有了学习的上下文表示，HATE然后推荐下一个项目。两个真实世界的交易数据集上的实验评估表明，HATE显着优于国家的最先进的方法在推荐精度。
2020-05-30 cs.IR cs.LG
Pre-training Graph Transformer with Multimodal Side Information for Recommendation
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）；Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
项目的辅助信息，例如，图像和文本描述，已被证明是有效的，有助于准确的建议。受最近自然语言和图像预训练模型的成功启发，我们提出了一种预训练策略，通过考虑项目侧信息及其关系来学习项目表示。我们通过常见的用户活动来关联项目，例如，共同购买，并构建一个同质项目图。该图提供了多模态中项目关系及其关联边信息的统一视图。我们开发了一种新的采样算法MCNSampling为每个项目选择上下文邻居。提出的预训练多模态图Transformer（PMGT）学习项目表示有两个目标：1）图结构重建，和2）掩蔽节点特征重建。在真实数据集上的实验结果表明，PMGT模型有效地利用了多模态边信息，在项目推荐、项目分类和点击率预测等下游任务中实现了更高的准确率。我们还报告了一个案例研究，在60万用户的在线设置中测试所提出的PMGT模型。
2021-01-07 cs.IR cs.LG
An Item Recommendation Approach by Fusing Images based on Neural Networks
Wuhan University of Technology（武汉理工大学）
网络中存在着丰富的信息格式，如评分、文本、图像等，它们代表着用户偏好的不同方面。在推荐领域，如何有效地利用这些数据已成为一个难题。随着神经网络的迅速发展，多模态推荐方法的研究已成为一个重要的方向。在现有的推荐系统中，数字评分、项目描述和评论是研究者考虑的主要信息。然而，项目的特征可能会影响用户的偏好，这很少用于推荐模型。在这项工作中，我们提出了一种新的模型，将视觉因素预测的人的喜好，即MF-VMLP，基于神经协同过滤（NCF）的最新发展。首先，我们通过预先训练的卷积神经网络（CNN）模型获得视觉呈现。为了获得潜在向量和视觉向量之间的非线性交互，我们提出利用多层感知器（MLP）进行学习。此外，MF和MLP的结合，实现了用户和项目之间的协同过滤推荐。我们的实验进行亚马逊的公共数据集的实验验证和均方根误差（RMSE）作为评估指标。在真实数据集上的实验结果表明，该模型在一定程度上提高了推荐性能。
2019-07-04 cs.IR cs.LG
GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
Nanyang Technological University（南洋理工大学）；Chongqing University（重庆大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）
基于图的推荐模型对于top-N推荐系统工作得很好，因为它们能够捕捉实体之间的潜在关系。然而，现有的方法大多只构建了一个单一的全局项目图的所有用户共享和遗憾的是，忽略了不同的用户组之间的不同口味。受局部推荐模型成功的启发，本文首次尝试研究多个局部项图以及基于图的推荐模型的全局项图。我们认为，全球和局部图上的推荐优于一个单一的全球图或多个局部图。具体来说，我们提出了一种新的基于图的推荐模型名为GLIMG（全球和本地IteM图），它同时捕捉全球和本地用户的口味。通过将全局图和局部图集成到自适应半监督学习模型中，用户对项目的偏好在全局和局部传播。在真实数据集上的大量实验结果表明，我们提出的方法在前N个推荐任务上始终优于最先进的同行。
2021-08-11 cs.IR cs.LG
Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce人工智能研究院）；South China Agricultural University（华南农业大学）；Beihang University（北京航空航天大学）
顺序推荐（SR）模型的用户动态和预测下一个首选项的基础上，用户的历史。现有的SR方法模型的“被交互之前”项目的序列中观察到的项目转换，这可以被看作是一个项目的关系。但是，存在多个辅助项关系，例如，来自类似品牌的物品，并且在现实世界的场景中具有类似内容。辅助项关系以多种不同的语义描述项与项之间的关系，缓解了推荐中的长时间冷启动问题。然而，它仍然是一个显着的挑战，SR辅助项目的关系建模。为了同时建模高阶项目的序列和辅助项目的关系，我们提出了一个多关系Transformer能够建模辅助项目关系SR（MT4SR）。具体来说，我们提出了一种新的自我注意模块，它结合了任意的项目关系和权重的项目关系。其次，我们用一个新的正则化模块来规范序列内的项目关系，以监督注意力计算。第三，对于序列间项目关系对，我们提出了一个新的序列间相关项目建模模块。最后，我们在四个基准数据集上进行了实验，并证明了MT4SR在最先进的方法和冷启动问题上的改进的有效性。该代码可在www.example.com上获得。
2022-10-28 cs.AI cs.IR cs.LG
How to Index Item IDs for Recommendation Foundation Models
Rutgers University（罗格斯大学）
本文针对推荐基础模型的物品标识问题，以 P5 为骨干分析简单索引缺陷，并提出顺序、协同、语义与混合四类索引方法，验证其可提升 LLM 推荐效果。
2023-09-26 cs.AI cs.CL cs.IR
CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations
Microsoft（微软）；Tel Aviv University（特拉维夫大学）；Technion（以色列理工学院）
在推荐系统的研究中，推荐算法通常被描述为协同过滤（CF）或基于内容（CB）。CF算法使用用户偏好的数据集进行训练，而CB算法通常基于项目配置文件。这些方法利用不同的数据源，因此产生的推荐项目通常非常不同。本文介绍了CB2CF，一种深度神经多视图模型，作为从项目内容到其CF表示的桥梁。CB2CF是一种真实世界的算法，专为处理全球约10亿用户的Microsoft Store服务而设计。CB2CF在电影和应用程序推荐上进行了演示，在完全冷的项目上，它的表现优于另一种CB模型。
2019-09-21 cs.CL cs.IR cs.LG
Latent Structure Mining with Contrastive Modality Fusion for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
近年来，人们对多媒体推荐越来越感兴趣，多媒体推荐的目的是预测用户是否会与具有多模态内容的项目进行交互。以往的研究集中在建模用户项目交互多模态功能包括作为边信息。然而，该方案不是很好地设计用于多媒体推荐。首先，只有合作项目项目关系隐式建模通过高阶项目-用户-项目同现。我们认为，潜在的语义项目，这些多模态内容的项目结构可能有利于学习更好的项目表示，并协助推荐模型，以全面发现候选项目。其次，以前的研究忽略了细粒度的多模态融合。虽然有机会获得多个模态可能会让我们捕捉到丰富的信息，我们认为，简单的粗粒度融合的线性组合或级联在以前的工作是不够的，以充分了解内容信息和项目的relationship.To为此，我们提出了一个潜在的结构挖掘与ContRastive mOdality融合方法（MICRO为简洁）。具体而言，我们设计了一个新颖的模态感知结构学习模块，学习每个模态的项目-项目关系。基于学习到的模态感知潜在项关系，我们执行图卷积，显式地将项亲和力注入到模态感知项表示中。然后，我们设计了一种新的对比方法来融合多模态特征。这些丰富的项目表示可以插入到现有的协同过滤方法中，以做出更准确的推荐。在真实世界数据集上进行的大量实验表明，我们的方法优于最先进的基线。
2022-03-17 cs.IR cs.LG cs.MM
Graph Collaborative Signals Denoising and Augmentation for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon Ads（亚马逊广告）；Beihang University（北京航空航天大学）；University of California, Davis（加州大学戴维斯分校）
本文提出 GraphDA，通过 top-K 采样去噪用户-物品交互矩阵，并增广用户-用户与物品-物品相关性，以提升图协同过滤在交互丰富和稀疏场景下的推荐性能。
2023-04-10 cs.AI cs.IR cs.LG
Capturing Popularity Trends: A Simplistic Non-Personalized Approach for Enhanced Item Recommendation
Nanyang Technological University（南洋理工大学）
本文提出非个性化的 PARE，通过建模物品流行度历史、时间与周期影响及辅助信息并以注意力融合来预测热门物品，可媲美或超越先进方法并作为现有推荐器的有效补充。
2023-08-17 cs.AI cs.IR cs.LG
Improving Recommendation Relevance by simulating User Interest
Salesforce（赛富时）
大多数（如果不是所有的话）在线项目到项目推荐系统依赖于项目之间相似性的距离（排名）的估计。对于在线推荐系统，这种相似性度量的时间敏感性是非常重要的。我们观察到，建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
Learning Compatibility Across Categories for Heterogeneous Item Recommendation
University of California, San Diego（加州大学圣迭戈分校）
识别项目之间的关系是在线推荐系统的一项关键任务，以帮助用户发现功能互补或视觉兼容的项目。在服装推荐等领域，这项任务特别具有挑战性，因为一个成功的系统应该能够处理大量的项目，它们之间的大量关系，以及涉及的高维和语义复杂的特征。此外，人类对“兼容性”的概念不仅仅是相似性：对于两件兼容的物品-无论是牛仔裤和T恤，还是笔记本电脑和充电器-它们应该在某些方面相似，但在其他方面系统地不同。在本文中，我们提出了一种新的方法，MPEG4，学习产品推荐设置中的项目之间的复杂和异构的关系。最近，已经开发了可扩展的方法，通过在所涉及的产品的内容之上学习相似性度量来解决这一任务。在这里，我们的方法放松了先前工作中固有的度量假设，并对“相关性”的多个本地化概念进行建模，以揭示相关项目应该系统地相似和系统地不同的方式。定量分析表明，我们的系统在大规模兼容性预测任务上实现了最先进的性能，特别是在相关项目之间存在大量异质性的情况下。定性，我们证明了更丰富的概念的兼容性，可以学习超越相似性，我们的模型可以有效地建议异构内容。
2016-09-29 cs.CV cs.IR cs.LG
Optimal Sequential Recommendations: Exploiting User and Item Structure
University of California, Davis（加利福尼亚大学戴维斯分校）；Massachusetts Institute of Technology（麻省理工学院）
研究在线推荐系统，提出一种同时利用用户和物品聚类结构的算法，并通过信息论下界证明其接近最优，揭示了仅使用单一结构的次优性。
2025-04-28 cs.IT cs.LG math.IT
Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（赛富时人工智能研究院）
针对零样本物品推荐，提出基于产品知识图谱的多任务预训练方法，通过四个预训练任务和任务导向适应层解决关系建模与领域差异，在18个市场数据集上验证有效性。
2023-05-12 cs.AI cs.IR cs.LG
Multi-Item-Query Attention for Stable Sequential Recommendation
Hong Kong University of Science and Technology（香港理工大学）
针对序列推荐中单一最近物品查询易受交互噪声影响的问题，本文提出可即插即用的 MIQ-Attn，通过多物品查询增强稳定性、一致性与准确性。
2025-09-29 cs.AI 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
Interacting Attention-gated Recurrent Networks for Recommendation
Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）
捕获用户对项目的偏好的时间动态对于推荐是重要的。现有的方法主要假设用户-项目交互历史中的所有时间步都与推荐同等相关，然而这并不适用于用户-项目交互经常意外发生的现实场景。更重要的是，它们分别学习用户和项目动态，因此无法捕捉它们对用户-项目交互的联合影响。为了更好地模拟用户和项目动态，我们提出了交互式注意力门控递归网络（IARN），它采用注意力模型来衡量每个时间步的相关性。特别是，我们提出了一种新的注意力计划，以学习用户和项目的历史中的交互方式的注意力分数，从而考虑到用户和项目之间的依赖关系的动态塑造用户-项目的交互。通过这样做，IARN可以在预测用户对不同项目的偏好时有选择地记住用户历史的不同时间步骤。因此，我们的模型可以为推荐结果提供有意义的解释，这可以通过辅助功能进一步增强。对真实世界数据集的广泛验证表明，IARN始终优于最先进的方法。
2017-09-07 cs.AI cs.IR cs.LG
