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
Budget-Constrained Item Cold-Start Handling in Collaborative Filtering Recommenders via Optimal Design
Technion（以色列理工学院）；Yahoo Labs（雅虎实验室）；Outbrain Inc.（Outbrain公司）
众所周知，基于协同过滤（CF）的推荐系统提供了更好的建模用户和项目与相当大的评级历史。缺乏历史评级导致用户和项目冷启动问题。后者是这项工作的主要重点。目前大多数文献都通过整合基于内容的推荐技术来对新项目进行建模来解决这个问题。然而，在许多情况下，这样的内容是不可用的，问题是这个问题是否可以减轻使用CF技术只。我们将这个问题形式化为一个优化问题：给定一个新项目，一个可用用户池和一个预算约束，选择哪些用户分配给新项目的评级任务，以最小化我们模型的预测误差。我们表明，目标函数是单调supermodular，并提出有效的优化设计的算法，达到其最佳的近似。我们的研究结果通过使用Netflix数据集的实证研究进行了验证，其中所提出的算法优于手头问题的几个基线。
2016-09-20 cs.IR cs.LG
Content-Based Personalized Recommender System Using Entity Embeddings
Manipal Institute of Technology（马尼帕尔理工学院）
推荐器系统是一类机器学习算法，其基于用户与类似项目的交互或基于项目的内容向用户提供相关推荐。在要保留项目内容的设置中，基于内容的方法将是有益的。本文的目的是突出的优势，基于内容的方法，通过学习嵌入和利用这些优势，提供更好的和个性化的电影推荐基于用户的喜好，如类型和关键字标签的各种电影功能。
2020-10-24 cs.IR cs.LG
An Adaptive Boosting Technique to Mitigate Popularity Bias in Recommender System
Indian Institute of Technology, Ropar（印度理工学院鲁帕尔分校）
在大多数推荐系统中观察到的评级受到流行偏见，因此不是随机丢失。因此，只有少数受欢迎的项目被推荐，而大量非受欢迎的项目几乎不被推荐。不建议不受欢迎的项目导致更少的产品主导市场，从而提供更少的创造力和创新的机会。在文献中，已经提出了几个公平的算法，主要集中在提高推荐系统的准确性。然而，典型的准确性测量偏向于流行的项目，即，与非流行项目相比，它提高了流行项目的更好的准确性。本文考虑了一个度量标准，衡量流行的偏见，流行的项目和非流行的项目的错误的差异。受分类公平提升算法的启发，我们提出了一种算法，该算法可以减少数据中存在的流行度偏差，同时将准确性保持在可接受的范围内。我们算法的主要思想是，它提升了非流行项目的权重，这些项目通常在数据中代表性不足。在真实世界数据集上的综合实验的帮助下，我们表明，我们提出的算法优于现有的算法上提出的流行度偏差度量。
2021-09-13 cs.IR cs.LG
DRIFT: A Federated Recommender System with Implicit Feedback on the Items
本文提出联邦推荐系统DRIFT，基于SAROS算法利用隐式反馈实现精准推荐，在保护用户隐私的同时保证线性计算复杂度和安全性。
2023-04-17 cs.IR cs.LG
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology（卡努西科技大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
随着网络信息的广泛增长，推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明，这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益，同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法，这是一种多方面的后处理偏差缓解算法，可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明，该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果，我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
Eigenvalue analogy for confidence estimation in item-based recommender systems
Politecnico di Milano（米兰理工大学）
项目-项目协同过滤（CF）模型是一个众所周知的和研究家庭的推荐系统，但目前的文献没有提供任何理论解释的条件下，基于项目的建议将成功或失败。我们研究了存在一个理想的基于项目的CF方法，能够作出完美的建议。该CF模型被形式化为特征值问题，其中估计的评级相当于真实（未知）评级乘以用户特定的相似性矩阵的特征值。初步实验表明，特征值的大小与该用户的推荐准确度成正比，因此它可以提供可靠的置信度度量。
2018-10-29 cs.IR cs.LG stat.ML
FINN.no Slates Dataset: A new Sequential Dataset Logging Interactions, allViewed Items and Click Responses/No-Click for Recommender Systems Research
University of Oslo（奥斯陆大学）；University of Lancaster（兰卡斯特大学）；Schibsted ASA
我们提出了一种新的推荐系统数据集，记录用户和在线市场之间的顺序交互。用户被顺序地呈现以来自市场的被称为石板的项目的排名列表的形式的推荐和搜索结果两者。该数据集包括在每一轮呈现的石板，用户是否点击了这些项目中的任何一个，以及用户点击了哪个项目。虽然在推荐系统中曝光数据的使用正在增长，据我们所知，没有开放的大规模推荐系统数据集，包括在每次交互时呈现给用户的项目的石板。因此，大多数关于推荐系统的文章都没有利用这种曝光信息。相反，所提出的模型只依赖于用户的点击响应，并假设用户在每一步都接触到项目宇宙中的所有项目，通常称为均匀候选抽样。这是一个不完整的假设，因为它考虑了用户可能没有接触到的项目。这样，项目可能会被错误地视为用户不感兴趣。考虑到实际显示的石板允许模型使用更自然的可能性，基于给定项目暴露集的点击概率，如在强盗和强化学习文献中流行的那样。\cite{Eide2021DynamicSampling}表明，基于均匀候选抽样（以及类似假设）的似然性隐含地假设平台仅向用户显示最相关的项目。这使得推荐系统隐含地加强反馈循环，并偏向于先前向用户展示的项目。
2021-11-05 cs.IR cs.LG stat.ML
A Survey Paper on Recommender Systems
Concordia University（康考迪亚大学）；Ecole Polytechnique（巴黎综合理工学院）
推荐系统应用数据采掘技术和预测算法来预测用户对大量可用项目中的信息、产品和服务的兴趣。互联网上信息的大量增长以及网站访问者的数量给推荐系统增加了一些关键挑战。这些是：产生准确的建议，有效地处理许多建议，并应对系统中参与者数量的巨大增长。因此，需要新的推荐系统技术，可以快速产生高质量的建议，即使是巨大的数据集。为了解决这些问题，我们已经探索了几种协同过滤技术，如基于项目的方法，它确定项目之间的关系，并间接计算这些关系的基础上为用户的建议。基于用户的方法也进行了研究，它确定相似的口味之间的关系，并计算这些关系的基础上的推荐。在本文中，我们介绍了推荐系统的主题。它为评价推荐系统的效率、可扩展性和准确性提供了方法。本文还分析了基于用户和基于项目的推荐生成技术的不同算法。此外，一个简单的实验进行了使用数据采掘应用程序-Weka-应用数据采掘算法的推荐系统。最后，我们提出我们的方法，可能会提高推荐系统的质量。
2010-12-24 cs.IR cs.LG
EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs
Carnegie Mellon University（卡内基梅隆大学）
提出RCSA注意力机制与GDiT图扩散Transformer架构，通过直接利用实值交互权重及用户物品特征，对用户-物品交互图的加权矩阵进行迭代去噪，从而实现与原始评分同尺度的预测。
2024-09-23 cs.IR cs.LG
Generating ordered list of Recommended Items: a Hybrid Recommender System of Microblog
Sun Yat-Sen University（中山大学）
关注者的精准推荐有助于提升用户体验，维护微博和twitter平台的繁荣。本文设计了一个微博混合推荐系统，作为2012年KDD Cup第一轨道任务的解决方案，该任务要求预测用户在腾讯微博上可能关注的用户。本文描述了问题的背景，并给出了包括关键词分析、用户分类、兴趣抽取和项目推荐的算法。实验结果表明，该算法具有较高的性能。最后讨论了可能的改进措施，并提出了进一步的研究方向。
2015-11-27 cs.IR cs.LG cs.SI
Improving Rating and Relevance with Point-of-Interest Recommender System
Ryerson University（瑞尔森大学）
兴趣点推荐在基于位置的社交网络中是必不可少的。它使用户和位置更容易共享信息。最近，研究人员倾向于推荐POI，将它们视为需要大量表示查询项相关性的训练数据的大规模检索系统。然而，在检索系统中收集用户反馈是一项昂贵的任务。现有的POI推荐系统仅基于用户和项目（位置）交互进行推荐。然而，有许多反馈来源需要考虑。例如，当用户访问POI时，POI是关于什么的等等。在开发POI推荐器时，集成所有这些不同类型的反馈是必不可少的。在本文中，我们提出使用用户和项目信息和辅助信息，以改善检索系统中的推荐模型。我们开发了一个深层的神经网络架构，在协作和内容信息的存在下对查询项相关性进行建模。我们还提高了质量的学习表示的查询和项目，包括上下文信息的用户反馈数据。将这些学习到的表示应用于大规模数据集导致了显着的改进。
2022-02-17 cs.IR cs.LG
Batch versus Sequential Active Learning for Recommender Systems
Imec - WAVES - Ghent University（imec - WAVES - 根特大学）
推荐系统已经研究了很多年，目的是产生尽可能准确的推荐。然而，关于新用户的可用数据往往不足，导致不准确的建议;这个问题被称为冷启动问题。解决方案可以是主动学习。主动学习策略主动选择项目，并要求用户对这些项目进行评分。这样，可以获取详细的用户偏好，并且因此可以向用户提供更准确的推荐。在这项研究中，我们比较了五个主动学习算法，结合三种不同的预测算法，这是用来估计到什么程度的用户会喜欢的项目，要求评级。此外，还测试了两种选择项目的模式：批处理模式（一次选择所有项目）和顺序模式（逐个选择项目）。在评分预测，决策支持，和项目的排名方面的评价的推荐，顺序模式产生最准确的建议密集的数据集。主动学习算法之间的差异很小。对于大多数活跃的学习者来说，最好的预测结果是FunkSVD与顺序模式的结合。
2022-01-19 cs.IR cs.LG
Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
大多数电子商务应用程序上的主页推荐以分层方式放置项目，其中不同的频道以不同的风格显示项目。现有的算法通常优化单个通道的性能。因此，设计一个推荐模型来获得最大化整个网页点击率的最优推荐列表是一个具有挑战性的问题。除了准确性目标之外，主页上的显示多样性也很重要，因为均匀的显示通常会损害用户体验。在本文中，我们提出了一个两阶段的主页推荐系统的架构。在第一阶段中，我们开发了有效的算法，用于在保持多样性的同时向适当的渠道推荐项目。这两种方法可以结合起来：具有多样性约束的用户-渠道-项目预测模型。在第二阶段，我们提供每个通道中的项目的有序列表。现有的重排序模型难以描述渠道内和渠道间项目之间的相互影响。因此，我们提出了一个深度和层次的注意力网络重新排名（DHANR）模型的网页推荐系统。分层注意力网络由项目编码器、项目级注意力层、通道编码器和通道级注意力层组成。我们的方法在离线实验中的精度，列表内平均距离（ILAD）和通道精度@k方面以及在线系统中的CTR和ILAD方面取得了显着的改善。
2021-12-12 cs.IR cs.LG
Bilateral Self-unbiased Learning from Biased Implicit Feedback
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）
隐式反馈已被广泛用于商业推荐系统的构建。因为观察到的反馈代表用户的点击日志，所以在真实相关性和观察到的反馈之间存在语义鸿沟。更重要的是，观察到的反馈通常偏向于流行项目，从而高估了流行项目的实际相关性。虽然现有的研究已经开发出无偏的学习方法，使用逆倾向加权（IPW）或因果推理，他们只专注于消除项目的流行性偏见。在本文中，我们提出了一种新的无偏推荐学习模型，即双边SElf-unbiased推荐（BISER），以消除由推荐模型造成的项目曝光偏差。具体来说，BISER由两个关键组成部分组成：（i）自逆倾向加权（SIPW），以逐渐减轻项目的偏差，而不会产生高计算成本;以及（ii）双边无偏学习（BU），以弥合模型预测中两个互补模型之间的差距，即，基于用户和项目的自动编码器，缓解SIPW的高方差。大量的实验表明，BISER始终优于国家的最先进的无偏推荐模型在几个数据集，包括大衣，雅虎！R3、MovieLens和CiteULike。
2022-07-26 cs.IR cs.LG
Beyond Item Dissimilarities: Diversifying by Intent in Recommender Systems
Stanford University（斯坦福大学）；Google, Inc.（谷歌公司）；Google DeepMind（谷歌DeepMind）
本文提出面向推荐末阶段的概率性整页意图多样化框架，通过先验与后验更新覆盖多元用户意图，并在 YouTube 线上实验中提升 DAU 与用户愉悦度。
2025-01-10 cs.IR cs.LG
Sequential Recommender Systems: Challenges, Progress and Prospects
Macquarie University（麦考瑞大学）；University of Technology Sydney（悉尼科技大学）
序列推荐系统是近年来兴起的一个研究热点，不同于传统的协同过滤和基于内容的过滤推荐系统，它试图理解和建模用户的序列行为、用户与项目之间的交互以及用户偏好和项目流行度随时间的变化。本文首先介绍了SRS的特点，然后对SRS的研究现状进行了总结，并对SRS研究中存在的主要问题进行了归纳和分类，最后对SRS的发展趋势进行了展望。然后介绍了该领域的最新研究进展，包括最新的、有代表性的研究进展，最后讨论了该领域的重要研究方向。
2019-12-28 cs.IR cs.LG
Creator-Side Recommender System: Challenges, Designs, and Applications
Kuaishou Technology（快手科技）
针对推荐系统中创作者曝光不均的问题，提出创作者侧推荐系统DualRec，通过适配用户侧算法并引入用户可用性计算模块，在Kwai平台显著提升创作者体验。
2025-02-25 cs.IR cs.LG
Graph Convolution Machine for Context-aware Recommender System
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Google Research（谷歌研究院）；Microsoft Research Asia（微软亚洲研究院）
推荐的最新进展表明，通过对用户-项目交互图进行图卷积，可以学习更好的用户和项目表示。然而，这样的发现主要限于协同过滤（CF）的情况下，交互上下文是不可用的。在这项工作中，我们将图卷积的优点扩展到上下文感知推荐系统（CARS，它代表了一种通用类型的模型，可以处理各种边信息）。我们提出了\textit{Graph Convolution Machine}（GCM），一个端到端的框架，包括三个组件：编码器，图卷积（GC）层，和解码器。编码器将用户、项目和上下文投影到嵌入向量中，这些向量被传递到GC层，GC层使用用户-项目图上的上下文感知图卷积来细化用户和项目嵌入。解码器通过考虑用户、项目和上下文嵌入之间的交互来对细化的嵌入进行排序以输出预测分数。我们在来自Yelp和Amazon的三个真实世界数据集上进行了实验，验证了GCM的有效性以及为CARS执行图卷积的好处。我们的实现可从\url{https://github.com/wujcan/GCM}获得。
2021-05-19 cs.IR cs.LG
Taming the Long Tail: Efficient Item-wise Sharpness-Aware Minimization for LLM-based Recommender Systems
Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）；Ant Group（蚂蚁集团）
本文研究了基于大语言模型的推荐系统在长尾问题中的表现，提出EISAM框架通过项级锐度感知最小化提升尾部项目推荐性能，理论分析证明其有效性，并在三个真实数据集上验证了其效果。
2026-03-13 cs.IR cs.LG
Single-Item Fashion Recommender: Towards Cross-Domain Recommendations
University of Tehran（德黑兰大学）
如今，推荐系统和搜索引擎在时尚电子商务中扮演着不可或缺的角色。尽管如此，许多挑战摆在面前，这项研究试图解决一些问题。本文首先提出了一个基于内容的时尚推荐系统，该系统使用并行神经网络，以一个单一的时尚项目商店的图像作为输入，并列出类似的项目在商店的建议。接下来，相同的结构被增强以基于用户偏好来个性化结果。然后，这项工作引入了一种背景增强技术，使系统对域外查询更加鲁棒，使其能够仅使用目录商店图像的训练集进行街道到商店的推荐。此外，本文的最后一个贡献是一个新的评价指标推荐任务称为客观指导的人类得分。这种方法是一个完全可定制的框架，可以从人类评分员的主观评估中产生可解释的、可比较的分数。
2022-07-23 cs.CV cs.IR cs.LG
Hybrid Recommender System based on Autoencoders
Univ. Lille, CNRS, Centrale Lille, Inria（里尔大学、法国国家科学研究中心、里尔中央理工学院、法国国家信息与自动化研究所）
推荐系统的一个标准模型是矩阵完成设置：给定部分已知的用户（行）对项目（列）的评分矩阵，推断未知的评分。在过去的几十年里，很少有人尝试用神经网络来处理这个目标，但最近基于自动编码器的架构被证明是一种很有前途的方法。在本文中，我们增强了该架构（i）通过使用一个损失函数适用于输入数据与缺失值，（ii）通过纳入边信息。实验表明，虽然边信息只是稍微改善测试误差平均对所有用户/项目，它有更多的影响冷用户/项目。
2017-12-29 cs.IR cs.LG
Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization
Rakuten Institute of Technology, Rakuten, Inc.（乐天株式会社乐天技术研究院）
基于自动编码器的混合推荐系统最近变得流行，因为它们能够通过重构各种信息源来学习用户和项目表示，包括用户对项目的反馈（例如，评级）以及用户和项目的辅助信息（例如，用户的职业和项目的标题）。然而，现有的系统仍然使用通过矩阵分解（MF）学习的表示来预测评级，同时使用通过神经网络学习的表示作为正则化器。在本文中，我们定义了神经表示预测（NRP）框架，并将其应用于自动编码器为基础的推荐系统。我们从理论上分析了我们的目标函数与以前的MF和基于自动编码器的方法的关系，并解释了使用神经表示作为正则化器意味着什么。我们还将NRP框架应用到一个直接的神经网络结构中，该结构可以在不重建用户和项目信息的情况下预测评级。我们在两个MovieLens数据集和两个真实世界的电子商务数据集上进行了广泛的实验。结果证实，神经表示比正则化更适合预测，并显示NRP框架与直接神经网络结构相结合，在预测任务中优于最先进的方法，具有更少的训练时间和记忆。
2020-10-12 cs.IR cs.LG
Lightweight Self-Attentive Sequential Recommendation
The University of Queensland（昆士兰大学）
现代深度神经网络（DNN）通过在各种顺序推荐任务上实现最先进的推荐性能，极大地促进了顺序推荐系统的开发。给定交互项的序列，现有的基于DNN的顺序排序器通常将每个项嵌入到唯一向量中以支持用户兴趣的后续计算。然而，由于潜在的大量项目，顺序推荐器的过参数化项目嵌入矩阵已经成为资源受限环境中有效部署的存储器瓶颈，例如，智能手机和其他边缘设备。此外，我们观察到，广泛使用的多头自我注意，虽然是有效的建模项目之间的顺序依赖关系，在很大程度上依赖于冗余的注意力单元，以充分捕捉全球和本地项目的项目转移模式的序列。本文介绍了一种用于顺序推荐的新型轻量级自关注网络（LSAN）。为了积极地压缩原始嵌入矩阵，LSAN利用了组合嵌入的概念，其中每个项嵌入都是通过合并从小得多的嵌入矩阵中导出的一组选定的基本嵌入向量来组成的。同时，考虑到每个项目的内在动态，我们进一步提出了一个时间上下文感知的嵌入组合方案。此外，我们开发了一种创新的双注意力网络，它在保留捕获长期和短期（即，全局和局部）项依赖性。综合实验表明，LSAN显着提高了现有的顺序排序器的准确性和内存效率。
2021-08-25 cs.IR cs.LG
HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
随着在线社交媒体的流行，用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中，我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐（HSR），一个新的社会推荐框架，利用双曲几何，以提高性能。在双曲空间的帮助下，HSR可以学习高质量的用户和项目表示，以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验，我们表明，我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐，证明了社会推荐的有效性，在双曲空间。
2021-02-15 cs.IR cs.LG
Learning from Sets of Items in Recommender Systems
University of Minnesota（明尼苏达大学）
大多数现有的推荐系统使用用户对单个项目提供的评级。偏好信息的另一个来源是使用用户对项目集提供的评级。在集合上使用首选项有两个好处。首先，在集合上提供的评级传达了关于集合的每个项目的一些偏好信息，这允许我们获取用户对比用户提供的评级数量更多的项目的偏好。其次，由于隐私问题，用户可能不愿意明确地透露他们对单个项目的偏好，但可能愿意为一组项目提供单个评级，因为它提供了某种程度的信息隐藏。本文研究了在推荐系统中使用集合级别评分的两个问题。首先，用户的项目级评级如何与他们的设置级评级相关。第二，基于协同过滤的项目级评级预测模型如何利用这种集合级评级。我们从Movielens的活跃用户那里收集了他们过去对电影的评分。我们对这些评级的分析表明，尽管大多数用户提供了对集合组成项的平均评级作为对集合的评级，但仍有大量用户倾向于持续低估或高估集合。我们已经开发了基于协作过滤的方法来显式地对这些用户行为进行建模，这些用户行为可用于向用户推荐项目。在真实数据和类似于真实数据中的低估或高估行为的合成数据上的实验表明，这些模型可以恢复底层数据的整体特征，并预测用户对单个项目的评级。
2019-04-22 cs.IR cs.LG stat.ML
Language-Model Prior Overcomes Cold-Start Items
Salesforce Research（Salesforce研究院）；AWS AI Labs（AWS人工智能实验室）
本文提出一种利用语言模型估计物品相似度并将其作为贝叶斯先验整合到经典推荐系统的冷启动物品推荐通用方法，在两个真实数据集上验证了其能有效提升序列和协同过滤推荐器性能。
2024-11-13 cs.AI cs.IR cs.LG
Rank and Rate: Multi-task Learning for Recommender Systems
IBM Research（IBM研究院）；Intuit（Intuit公司）；University of Haifa（海法大学）
推荐系统领域中的两个主要任务是排名和评级预测任务。评级预测任务旨在预测用户对任何给定项目的喜爱程度，这将使得能够推荐具有最高预测分数的项目。另一方面，排名任务直接旨在为用户推荐最有价值的项目。以前的几种方法提出了学习用户和项目表示，以优化这两个任务，同时在多任务框架。在这项工作中，我们提出了一种新的多任务框架，利用了这样一个事实，即用户做了两个阶段的决策过程-第一次决定与一个项目（排名任务）进行交互，然后才对它进行评级（评级预测任务）。我们在两个基准数据集上，在两种不同的配置上评估了我们的框架，并显示了其优于最先进方法的优势。
2018-07-31 cs.IR cs.LG stat.ML
Zero-Shot Recommender Systems
AWS AI Labs（亚马逊人工智能实验室）；Rutgers University（罗格斯大学）
推荐系统（RS）的性能在很大程度上依赖于可用的训练数据的量。这给早期产品带来了一个先有鸡还是先有蛋的问题，而早期产品的数据量又依赖于RS的性能。另一方面，零样本学习承诺从旧数据集到全新数据集的某种程度的泛化。在本文中，我们探讨了零样本学习在RS中的可能性。我们开发了一种名为ZEro-Shot Recommenders（ZESRec）的算法，该算法在旧数据集上进行训练，并推广到一个新的数据集，其中既没有重叠的用户，也没有重叠的项目，这是一种对比典型的跨域RS的设置。与分类项目指数不同，即，item ID，在以前的方法中，ZESRec使用项目的自然语言描述（或描述嵌入）作为其连续索引，因此自然地推广到任何未见过的项目。在用户方面，ZESRec建立在序列RS的最新进展基础上，利用用户与项目的交互来表示用户，从而也推广到看不见的用户。我们研究了三对真实世界的RS数据集，并证明ZESRec可以成功地在这种zero-shot设置中实现推荐，为解决数据稀缺的初创公司或早期产品的鸡和蛋问题开辟了新的机会。
2021-10-12 cs.AI cs.IR cs.LG
Variable-Length Semantic IDs for Recommender Systems
HSE University（俄罗斯莫斯科高等经济大学）
本文提出可变长度语义ID用于推荐系统，通过离散变分自编码器学习自适应长度的物品表示，解决固定长度语义ID的不足。
2026-02-18 cs.CL cs.IR cs.LG
Expressive recommender systems through normalized nonnegative models
Massachusetts Institute of Technology（麻省理工学院）
我们引入归一化非负模型（NNM）的探索性数据分析。NNM是概率论模型的部分凸化。并以项目推荐为例说明了它们的价值。我们表明，NNM为基础的推荐系统满足三个标准，所有推荐系统应该理想地满足：高预测能力，计算的易处理性，和表达的用户和项目。在实践中，表达性的用户和项目表示对于简洁地总结客户池和项目池非常重要。在NNM中，用户表示是表达性的，因为每个用户的偏好可以被视为常规用户的偏好的归一化混合。项目和用户表示的可解释性允许我们安排项目的属性（例如，电影的类型或文档的主题）或用户（例如，人格特质）。
2015-11-15 cs.LG stat.ML
Scalable Recommender Systems through Recursive Evidence Chains
Snapchat, Inc.（Snapchat公司）；University of Toronto（多伦多大学）；Borealis AI；Vector Institute（向量研究所）
推荐系统可以被公式化为一个矩阵补全问题，从用户和项目参数向量预测评级。随着用户和项目数量的增长，通过对数据进行二次采样来优化这些参数变得越来越困难。我们开发了一种新的方法来生成所有的潜变量的需求，从评级矩阵本身和一个固定的参数池。我们使用证据链来估计缺失的评级，这些证据链将它们与一小部分原型用户和项目联系起来。我们的模型自动解决了冷启动和在线学习的问题，结合用户和项目的信息。我们研究了这个模型的缩放行为，并证明了竞争力的结果与目前的矩阵分解技术的精度和收敛速度。
2018-07-05 cs.IR cs.LG stat.ML
On the Value of Bandit Feedback for Offline Recommender System Evaluation
Criteo AI Lab（Criteo人工智能实验室）
在学术文献中，推荐系统经常被评估下一个项目预测的任务。该过程旨在回答以下问题：“给定到时间t的用户-项目交互的自然序列，我们能否预测用户在时间t+1将与哪个项目交互？".通过所述方法获得的评估结果然后被用作预测哪个系统将在在线设置中表现得更好的代理。然而，在线设置提出了一个微妙的不同问题：“给定用户与项目交互的自然序列，直到时间t，我们能让用户在时间t+1与推荐项目交互吗？".从因果关系的角度来看，系统执行干预，我们希望衡量其效果。下一个项目预测通常被用作一个后备目标，当有关干预措施及其效果的信息（显示的建议以及是否收到点击）不可用时。然而，当这种类型的数据可用时，它可以为可靠地估计在线推荐系统的性能提供很大的价值。通过一系列的模拟实验与健身房环境，我们显示传统的离线评估方案不足。此外，我们展示了如何利用所谓的强盗反馈进行有效的离线评估，更准确地反映在线性能。
2019-07-26 cs.IR cs.LG stat.ML
Influential Recommender System
Hong Kong University of Science and Technology（香港科技大学）；Shanghai Jiao Tong University（上海交通大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
传统的推荐系统通常是被动的，因为它们试图使它们的推荐适应用户的历史兴趣。然而，对于诸如电子商务、广告投放和新闻门户之类的商业应用，非常期望能够扩展用户的兴趣，使得他们将接受他们最初不知道或不感兴趣的项目，以增加客户交互。在本文中，我们提出了有影响力的推荐系统（IRS），一个新的推荐模式，旨在积极主动地引导用户喜欢一个给定的目标项目，逐步推荐给用户一系列精心挑选的项目（称为影响路径）。我们提出了有影响力的推荐网络（IRN），这是一个基于转换器的顺序模型来编码项目的顺序依赖性。由于不同的人对外部影响的反应不同，我们引入了个性化印象面具（PIM）来模拟用户对外部影响的接受程度，从而为用户生成最有效的影响路径。为了评估IRN，我们设计了几个性能指标来衡量是否影响路径可以顺利扩大用户的兴趣，包括客观的项目，同时保持用户的满意度的建议。实验结果表明，IRN显著优于基准分类器，并展示了其影响用户兴趣的能力。
2022-11-23 cs.AI cs.IR cs.LG
RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems
Amazon（亚马逊）
针对推荐系统缺乏个性化解释的问题，提出RecXplainer方法，基于用户对物品属性的偏好生成细粒度解释，在五个数据集和五种推荐系统上验证，优于五个基线，在十个指标上表现卓越。
2023-08-29 cs.AI cs.CY cs.IR
A data-driven personalized smart lighting recommender system
Iowa State University（爱荷华州立大学）
推荐系统试图识别和推荐最喜欢的项目（产品服务）给个人用户。这些系统基于相关项目、用户以及项目与用户之间的交互来预测用户对项目的兴趣。我们的目标是建立一个自动例程和配色方案推荐系统，利用丰富的历史数据和机器学习方法。我们引入了一种无监督的方法来推荐一个照明例程。此外，通过分析用户的日常日志，地理位置，时间和使用信息，我们了解用户的偏好，并预测他们喜欢的灯光颜色。为此，我们根据用户的地理信息和使用分布对用户进行聚类。然后，我们在每个集群内构建并训练预测模型，并汇总结果。结果表明，基于相似用户的模型提高了预测精度，有或没有关于用户偏好的先验知识。
2021-04-05 cs.LG
An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems
UNIST（蔚山科学技术院）；Department of Computer Science and Engineering（计算机科学与工程学院）
所有用于推荐的学习算法都面临着在利用用户偏好的部分知识以获得短期满意度和探索其他用户偏好以获得长期覆盖之间不可避免的关键权衡。虽然探索是必不可少的推荐系统的长期成功，探索已被认为是降低用户满意度的风险。风险的原因是，选择用于探索的项目经常与用户的兴趣不匹配。为了减轻这种风险，推荐系统将选择用于探索的项目混合到推荐列表中，将项目伪装为推荐以引起对项目的反馈，从而发现用户的其他口味。这种混合方法已被广泛应用于许多广告商，但很少有研究，评估混合方法的有效性或提出一种新的方法来获得用户反馈而不欺骗用户。在这项工作中，我们的目标是提出一种新的方法，没有任何欺骗的反馈启发，并比较我们的方法与传统的混合方法进行评估。为此，我们设计了一个推荐界面，揭示了哪些项目是探索，并进行了主题内的研究与94 MTurk工人。我们的研究结果表明，用户留下了显着更多的反馈项目选择探索与我们的界面。此外，用户评价我们的新界面在新颖性，多样性，透明度，信任和满意度方面优于传统的混合界面。最后，路径分析表明，只有在我们的新界面，探索导致增加以用户为中心的评价指标。我们的工作为如何设计界面铺平了道路，该界面利用基于用户反馈信号的学习算法，提供更好的用户体验并收集更多反馈数据。
2021-08-12 cs.HC cs.IR cs.LG
Poisoning Federated Recommender Systems with Fake Users
University of Science and Technology of China（中国科学技术大学）；Duke University（杜克大学）
本文提出了一种名为PoisonFRS的新型虚假用户投毒攻击方法，无需额外信息即可在联邦推荐系统中推广攻击者选定的目标项目，实验证明其效果优于依赖额外信息的现有基准。
2024-02-18 cs.CR cs.IR cs.LG
A Black-Box Attack Model for Visually-Aware Recommender Systems
Intuit AI（Intuit人工智能）；Bar-Ilan University（巴伊兰大学）；Facebook（脸书）；University of Klagenfurt（克拉根福大学）
由于深度学习的发展，视觉感知推荐系统（RS）最近吸引了越来越多的研究兴趣。这种系统将协作信号与图像相结合，通常表示为由预训练的图像模型输出的特征向量。由于项目目录可能是巨大的，推荐服务提供商通常依赖于由项目提供商提供的图像。在这项工作中，我们表明，依赖于这样的外部来源可以使RS容易受到攻击，攻击者的目标是不公平地促进某些推送项目。具体来说，我们展示了一种新的视觉攻击模型如何有效地影响黑盒方法中的项目得分和排名，即，而不知道模型的参数。主要的基本思想是系统地创建小的人类无法察觉的扰动的推项图像，并设计适当的梯度近似方法，以逐步提高推项的分数。两个数据集上的实验结果表明，新的攻击模型是有效的，即使在推荐系统的整体性能的视觉特征的贡献是适度的。
2020-11-05 cs.LG
FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings
University of Pittsburgh（匹兹堡大学）
推荐系统在工业中被广泛用于改善用户体验。尽管取得了巨大的成功，但他们最近因收集私人用户数据而受到批评。联邦学习（Federated Learning，FL）是一种在分布式数据上进行学习而无需直接数据共享的新范式。因此，联邦推荐（FedRec）系统被提出来减轻非分布式推荐系统的隐私问题。然而，FedRec系统与非分布式系统相比存在性能差距。主要原因是本地客户端的用户-项目交互图不完整，因此FedRec系统不能很好地利用间接的用户-项目交互。在本文中，我们提出了联邦图推荐系统（FedGRec）来弥补这一差距。我们的FedGRec系统可以有效地利用间接的用户项交互。更确切地说，在我们的系统中，用户和服务器显式地存储用户和项目的潜在嵌入，其中潜在嵌入总结了间接用户-项目交互的不同顺序，并在本地训练期间用作缺失交互图的代理。我们进行了广泛的实证评估，以验证使用潜在嵌入作为缺失的交互图的代理的有效性;实验结果显示，与各种基线相比，我们的系统具有优异的性能。该论文的简短版本见\href{https://federated-learning.org/fl-neurips-2022/}{the FL-NeurIPS'22 workshop}。
2022-10-25 cs.LG
CADMR: Cross-Attention and Disentangled Learning for Multimodal Recommender Systems
ALTECA（阿尔泰卡公司）；CY Cergy Paris University（塞尔吉-巴黎大学）；Sorbonne Paris Nord University（巴黎北索邦大学）
针对高维稀疏评分矩阵重构难题，提出基于自编码器的 CADMR 框架，通过解耦学习与多头交叉注意力融合多模态特征，在三个基准上显著优于现有方法。
2024-12-03 cs.AI cs.IR cs.LG
Critically Examining the Claimed Value of Convolutions over User-Item Embedding Maps for Recommender Systems
Politecnico di Milano（米兰理工大学）；University of Klagenfurt（克拉根福大学）
近年来，在推荐系统领域的算法研究已经从矩阵分解技术及其潜在因素模型转移到神经方法。然而，考虑到潜在因子模型的强大功能，一些较新的神经方法将其纳入更复杂的网络架构中。最近几位研究人员提出的一个具体想法是考虑潜在因素之间的潜在相关性，即，嵌入，通过在用户-项目交互映射上应用卷积。然而，与这些文章中所声称的相反，这种交互映射不共享图像的属性，其中卷积神经网络（CNN）特别有用。在这项工作中，我们通过分析考虑和实证评估表明，文献中报道的声称的收益不能归因于CNN对嵌入相关性建模的能力，正如原始论文中所争论的那样。此外，额外的性能评估表明，所有最近检查的基于CNN的模型优于现有的非神经机器学习技术或传统的最近邻方法。在更一般的水平上，我们的工作点推荐系统研究的主要方法问题。
2020-08-05 cs.IR cs.LG cs.NE
Large Language Models as Recommender Systems: A Study of Popularity Bias
Amazon Music（亚马逊音乐）；Amazon Web Services（亚马逊网络服务）
本研究探讨了大型语言模型（LLMs）在推荐系统中是否会加剧或缓解流行度偏差，提出了一种新的衡量指标，并发现基于LLM的推荐器即使不进行明确缓解也表现出更少的流行度偏差。
2024-06-03 cs.AI cs.IR cs.LG
Telepath: Understanding Users from a Human Vision Perspective in Large-Scale Recommender Systems
设计一个为数亿活跃用户服务的电子商务推荐系统是一个艰巨的挑战。从人类视觉的角度来看，影响用户行为的关键因素有两个：项目的吸引力和与用户兴趣的匹配程度。本文提出了Telepath，一个基于视觉的仿生推荐系统模型，从这样的角度理解用户。Telepath是卷积神经网络（CNN）、递归神经网络（RNN）和深度神经网络（DNN）的组合。它的CNN子网络模拟人类的视觉系统来提取物品吸引力的关键视觉信号并产生相应的激活。它的RNN和DNN子网络模拟大脑皮层，根据浏览项目产生的激活来理解用户的兴趣。在实践中，Telepath模式已经被推出到京东的推荐系统和广告系统中。对于京东应用程序上的主要项目推荐块之一，点击率（CTR），商品总价值（GMV）和订单分别增长了1.59%，8.16%和8.71%。对于京东需求侧平台的几大广告发布商来说，在第一次投放时，CTR、GMV和投资回报率分别增长了6.58%、61.72%和65.57%，在第二次投放时进一步增长，分别增长了2.95%、41.75%和41.37%。
2017-09-04 cs.CV cs.IR cs.LG
Distributed Online Learning in Social Recommender Systems
在本文中，我们考虑分散的顺序决策在分布式在线推荐系统中，项目推荐给用户的搜索查询的基础上，以及他们的特定背景，包括购买项目的历史，性别和年龄，所有这些都包括用户的上下文信息。与集中式推荐系统相比，其中存在单个集中式卖方，其可以访问物品的完整库存以及销售和用户信息的完整记录，在分散式推荐系统中，每个卖方/学习者仅可以访问其自己的产品的物品库存和用户信息，而不能访问其他卖方的产品和用户信息，但如果它出售另一个卖家的商品，可以获得佣金。因此，卖家必须分布式地为进入的用户找出推荐哪些物品（从自己的物品或另一卖家的物品的集合中），以便最大化来自自己的销售和佣金的收入。我们制定了这个问题作为一个合作的上下文强盗问题，分析约束的性能相比，最佳的推荐策略给予用户到达和库存的物品，以及上下文相关的购买概率的每个项目的完整实现的卖家，并验证我们的结果通过数值例子的分布式数据集适应亚马逊数据。我们评估了卖方的性能对卖方拥有的物品库存的依赖性，它与其他卖方的连接数量，以及卖方通过向其用户出售其他卖方的物品而获得的佣金。
2014-01-22 cs.LG cs.SI stat.ML
Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Skoltech（斯科尔科沃科学技术研究所）
推荐系统已经成为广泛行业中个性化用户体验的重要工具。引起研究人员和行业专家关注的一个重要问题是新产品的冷启动问题。在这项工作中，我们提出了一个图神经网络推荐系统使用项目层次图和定制的架构来处理冷启动的情况下，项目。在多个数据集和数百万用户和交互上的实验研究表明，我们的方法在计算时间相当的情况下，比最先进的方法实现了更好的预测质量。
2020-12-01 cs.LG stat.ML
DiPS: Differentiable Policy for Sketching in Recommender Systems
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe Research（Adobe 研究院）
在顺序推荐系统应用中，重要的是开发能够捕获用户随时间变化的兴趣的模型，以成功地推荐他们可能与之交互的未来项目。对于历史悠久的用户，基于递归神经网络的典型模型往往会忘记遥远过去的重要项目。最近的研究表明，存储过去项目的小草图可以改善顺序推荐任务。然而，这些作品都依赖于静态素描策略，即，选择要保留在草图中的项目的技巧，这些项目不一定是最佳的，并且不能随着时间的推移而随着更多的训练数据而改进。在本文中，我们提出了一个可区分的素描政策（DiPS），一个框架，学习数据驱动的素描政策，在一个端到端的方式与推荐系统模型，以明确最大限度地提高推荐质量的未来。我们还提出了一个近似估计的梯度优化的草图算法参数，这是计算效率。我们在各种实际设置下验证了DiPS在真实世界数据集上的有效性，并表明它需要最多$50\%$更少的草图项才能达到与现有草图策略相同的预测质量。
2021-12-08 cs.IR cs.LG cs.SI
Presentation a Trust Walker for rating prediction in Recommender System with Biased Random Walk: Effects of H-index Centrality, Similarity in Items and Friends
University of Applied Science and Technology（应用科学与技术大学）；University of Kurdistan（库尔德斯坦大学）；Queensland University of Technology（昆士兰科技大学）
推荐系统的使用已经大大增加，以帮助在线社交网络用户在决策过程中选择合适的项目。另一方面，由于许多不同的项目，用户无法对其中的大范围进行评分，并且通常为用户创建的矩阵存在分散问题。为了解决这个问题，基于信任的推荐系统被用来预测用户所期望的项目的分数。已经考虑了各种标准来定义信任，并且通常基于这些标准来计算用户之间的信任度。在这方面，由于社交网络中的用户数量众多，因此不可能获得所有用户的信任程度。还有，针对这个问题，研究人员使用不同模式的随机游走算法随机访问一些用户，研究他们的行为，获得他们之间的信任程度。在本研究中，提出了一个基于信任的推荐系统，预测目标用户没有评价的项目的分数，如果该项目没有找到，它提供给用户的项目依赖于该项目，也是用户的兴趣的一部分。在可信网络中，通过对节点之间的边进行加权来确定信任度，并开发了一种TrustWalker，它使用偏置随机游走（BRW）算法在节点之间移动。边的权重在随机步长的选择中是有效的。本研究方法的实施和评估已经进行了三个数据集命名为Epperly，Flixster，和FilmTrust的结果显示所提出的方法的高效率。
2020-09-10 cs.LG cs.SI
Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems
Duke University（杜克大学）；Virginia Tech（弗吉尼亚理工大学）
近年来，由于企业越来越需要帮助用户发现新的和相关的项目，协同过滤技术的快速发展，以提高推荐系统的性能。然而，大多数现有的文献集中在提供的项目相匹配的用户模型从用户的过去的喜好。一个好的推荐模型应该推荐已知的喜欢的项目和新奇的尝试项目。在这项工作中，我们引入了一个开发探索动机的变分自动编码器（XploVAE）的协同过滤。为了便于个性化推荐，我们构建了用户特定的子图，其中包含一阶接近捕获观察到的用户-项目交互的剥削和高阶接近探索。利用层次潜在空间模型学习给定用户的个性化项目嵌入，以及所有用户子图的总体分布。最后，在各种真实数据集上的实验结果清楚地表明了我们提出的模型在利用和探索推荐任务方面的有效性。
2021-06-10 cs.LG stat.ML
How to Profile Privacy-Conscious Users in Recommender Systems
IBM Research（IBM研究院）；OneSpan（OneSpan公司）
矩阵分解是构建推荐系统的一种常用方法。在这样的系统中，现有的用户和项目被关联到称为简档的低维向量。用户和项目的配置文件可以组合（通过内积）来预测用户将获得的项目评级。这种系统的一个重要问题是所谓的冷启动问题：如何让用户了解她的个人资料，以便她可以得到准确的建议？虽然如果用户愿意对精心选择的项目进行评级和/或提供补充属性或人口统计（诸如性别），则可以计算简档，但是已知揭示该附加信息以允许推荐系统的分析员推断出更多的个人敏感信息。我们设计了一个协议，让隐私意识的用户受益于基于矩阵分解的推荐系统，同时保护他们的隐私。更准确地说，我们的协议使用户能够了解她的个人资料，并从中预测评级，而无需用户透露任何个人信息。该协议在标准模型下对半诚实攻击者是安全的。
2018-12-01 cs.CR cs.LG
Network-based models for social recommender systems
Imperial College London（帝国理工学院）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高等研究院）；Universitat Rovira i Virgili（罗维拉-维尔吉利大学）
随着近年来大量的在线产品，越来越需要为用户过滤和提供相关的个性化建议。推荐系统通过对电影、书籍或研究文章等各种各样的项目进行建模和预测来解决这个问题。在本章中，我们将探索严格的基于网络的模型，这些模型在推荐方面优于领先的方法。我们考虑的网络模型是基于这样一个明确的假设，即存在由个体和物品组成的群体，个体对物品的偏好只取决于他们的群体成员资格。可以通过不同的方法来实现对个体用户对项目的偏好的准确预测，例如蒙特卡罗采样或期望最大化方法，后者导致适用于大型数据集的可扩展算法。
2020-02-10 cond-mat.stat-mech cs.LG physics.data-an
FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems
Zuse Institute Berlin（柏林祖斯研究所）
FELRec通过用无学习权重的动态存储替换嵌入层，以递归细化和单次前向传播高效表示新用户和新物品，在物品冷启动任务中显著优于同类方法并具备零样本泛化能力。
2024-10-01 cs.IR cs.LG
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
Uncertainty Quantification for Fairness in Two-Stage Recommender Systems
Cornell University（康奈尔大学）
许多大规模的推荐系统由两个阶段组成。第一阶段有效地筛选完整的项目池，以获得一小部分有希望的候选项目，第二阶段模型从中筛选出最终的推荐。在本文中，我们将探讨如何确保组公平的项目在这个两阶段的架构。特别是，我们发现，现有的第一阶段推荐可能会选择一个不可挽回的不公平的候选人，这样就没有希望的第二阶段推荐提供公平的建议。为此，在不确定性量化的最新进展的动机下，我们提出了两个阈值政策选择规则，可以提供分布自由和有限样本保证公平的第一阶段的决策者。更具体地说，给定查询和项目的任何相关性模型以及每个阈值策略的相关项目的预期数量上的逐点置信下限，这两个规则找到包含来自每组项目的期望中的足够相关项目的接近最优的候选集。为了实例化的规则，我们演示了如何从潜在的部分和有偏见的用户反馈数据，这是丰富的许多大型推荐系统中得到这样的置信区间。此外，我们提供了有限样本和渐近分析如何接近两个阈值选择规则的最佳阈值。除了这种理论分析，我们的经验表明，这两个规则可以始终选择足够的相关项目，从每个组，同时最大限度地减少候选集的大小为广泛的设置。
2023-02-24 cs.IR cs.LG
