D-RDW: Diversity-Driven Random Walks for News Recommender Systems
本文提出D-RDW算法，通过多样性驱动随机游走与可定制目标分布相结合，为新闻推荐提供透明且计算高效的多样化重排序方案。
2025-08-18 cs.IR
Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题，提出DP2Rec模型，通过双阶段模块联合优化准确性与多样性，在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
Solving the accuracy-diversity dilemma via directed random walks
随机游走在协同过滤推荐系统中被成功地用于度量用户或对象的相似性，具有较高的准确性和较低的多样性。CF系统的一个关键挑战是，可靠准确的结果是通过同行的建议，但最有用的个人建议是很难找到不同的利基对象。在本文中，我们研究了方向效应的随机游走用户相似性测量，发现用户相似性，计算有向随机游走，是反向的初始节点的程度。在实际数据集中，小度用户和大度用户的比例很大，传统的CF算法主要推荐大度用户的选择。通过调整用户的相似性方向从邻居到目标用户，我们引入了一个新的算法，专门解决CF的多样性的挑战，并展示了它如何可以用来解决准确性多样性的困境。在不依赖任何特定于上下文的信息的情况下，我们能够获得准确和多样化的建议，这优于最先进的CF方法。这项工作表明，随机游走方向是一个重要的因素，以提高个性化推荐性能。
2012-01-30 cs.IR physics.data-an
Boosting Item-based Collaborative Filtering via Nearly Uncoupled Random Walks
基于项目的模型是构建推荐系统的最流行的协同过滤方法之一。随机游走可以提供一个强大的工具来收获这些模型中捕获的丰富的交互网络。它们可以利用项目之间的间接关系，减轻稀疏性的影响，确保更广泛的项目空间覆盖，以及增加推荐列表的多样性。然而，它们的潜力可能会受到步行快速集中到图的中心节点的趋势的阻碍，从而大大限制了可以用于个性化推荐的K步分布的范围。在这项工作中，我们介绍RecWalk;一种新的基于随机行走的方法，利用几乎解耦的马尔可夫链的谱特性来证明解除这种限制，并延长用户过去偏好对行走的连续步骤的影响-允许步行者更有效地探索底层网络。在真实世界数据集上进行的一组全面实验验证了所提出方法的理论预测属性，并表明它们与top-n推荐准确性的显着改善直接相关。他们还强调了RecWalk在提供一个框架以提高基于项目的模型性能方面的潜力。RecWalk实现了最先进的top-n推荐质量，优于几种竞争方法，包括最近提出的依赖于深度神经网络的方法。
2020-10-06 cs.IR cs.SI
Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation
Stanford University（斯坦福大学）；Google Research（谷歌研究院）
提出TalkTheWalk框架，利用领域专业知识与语言模型合成超百万条高质量对话数据，解决对话式推荐系统训练数据难获取的问题，并在音乐推荐检索任务中超越基线。
2023-11-18 cs.CL cs.IR
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo（纽约州立大学布法罗分校）
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍，到在Facebook等社交网络中寻找朋友，它们已经变得无所不在。一般来说，推荐系统可以分为两大类：基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系，以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务，而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐，该方法利用称为随机游走的随机过程。这项研究是一项调查，探索随机游走在推荐系统中的使用情况，并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph
图神经网络（GNN）最近被应用于利用知识图谱（KG）进行推荐。现有的基于GNN的方法显式地对KG中的实体与其局部图上下文之间的依赖性进行建模（即，它的一阶邻居的集合），但是在捕获它的非局部图上下文时可能不是有效的（即，最相关的高阶邻居的集合）。在本文中，我们提出了一种新的推荐框架，命名为上下文化图注意力网络（CGAT），它可以显式地利用本地和非本地图形上下文信息的一个实体在KG。具体地说，CGAT捕捉本地上下文信息的用户特定的图形注意力机制，考虑到用户的个性化偏好的实体。此外，CGAT采用有偏随机游走采样过程来提取实体的非局部上下文，并利用递归神经网络（RNN）来建模实体与其非局部上下文实体之间的依赖关系。为了捕捉用户对项目的个性化偏好，还开发了项目特定的注意力机制来建模目标项目和从用户的历史行为中提取的上下文项目之间的依赖关系。在真实数据集上的实验结果证明了CGAT的有效性，与最先进的基于KG的推荐方法相比。
2020-04-24 cs.IR
XWalk: Random Walk Based Candidate Retrieval for Product Search
XWalk是一种基于随机游走的图检索方法，通过借鉴推荐系统技术，显著提升电商搜索中头部查询的性能，并与神经或词法检索器集成，在离线和在线评估中均优于现有方法。
2023-07-22 cs.IR
div2vec: Diversity-Emphasized Node Embedding
Clova AI Research, NAVER Corp.（NAVER公司Clova AI研究院）；WATCHA Inc.（WATCHA公司）；Naver R&D Center, NAVER Corp.（NAVER公司Naver研发中心）
近年来，图表示学习在推荐系统中的应用越来越受到人们的关注。然而，大多数现有的研究都集中在提高准确性，但在现实世界的系统中，建议的多样性，以及应考虑改善用户体验。在本文中，我们提出了强调多样性的节点嵌入div2vec，这是一种基于随机行走的无监督学习方法，类似于DeepWalk和node2vec。在生成随机游走时，DeepWalk和node2vec对度高的节点多采样，度低的节点少采样。另一方面，div2vec以与其度成反比的概率对节点进行采样，以便每个节点都可以均匀地属于随机游走的集合。该策略提高了推荐模型的多样性。MovieLens数据集上的离线实验表明，我们的新方法在准确性和多样性方面都提高了推荐性能。此外，我们评估了两个现实世界的服务，WATCHA和LINE钱包优惠券，并观察到div2vec通过多样化的系统提高了推荐质量。
2020-09-21 cs.IR cs.LG cs.SI
B-Rank: A top N Recommendation Algorithm
本文提出了一种有效的推荐系统排序算法B-Rank。B-Rank基于超图上的随机游走模型。根据不同的设置，B-Rank在精度、召回率（19% - 50%）和列表间多样性（20% - 60%）方面优于其他最先进的算法。B-Rank很好地捕捉了流行和利基对象之间的差异。该算法产生非常有前途的结果稀疏和密集的投票矩阵。此外，一个推荐列表更新算法，以应付新的投票。该技术显著降低了计算复杂度。该算法实现简单，因为B-秩不需要参数调整。
2012-04-30 cs.IR physics.data-an
Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
Infobip
该研究针对电商目录动态变化问题，提出与商家无关的多轮对话购物助手，核心为自刷新检索器，仅处理目录增量，对话层用LLM做意图分类，演示为WhatsApp购物助手。
2026-08-28 cs.IR
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；IIT Bhilai（印度理工学院比莱校区）
系统提供的建议解释是实现透明和可信赖的AI的重要组成部分。然而，在最先进的研究中，这是一个单向信号，以提高用户的接受度。在本文中，我们把解释的作用，并调查他们如何有助于提高质量的建议本身。我们设计了一个人在环框架，称为ELIXIR，用户反馈的解释是利用成对学习的用户偏好。ELIXIR利用对推荐和解释的反馈来学习用户特定的潜在偏好向量，通过基于项目相似性的邻域的标签传播来克服稀疏性。我们的框架实例化使用广义图推荐通过随机游走与重启。一个真实的用户研究的有见地的实验表明，在项目级反馈的电影和书籍推荐显着改善。
2021-04-30 cs.AI cs.IR cs.LG
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon（亚马逊）；The Ohio State University（俄亥俄州立大学）；École de Technologie Supérieure（高等技术学院）；University of Minnesota（明尼苏达大学）
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查，基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处，描述了关键的设计选择实现一个基于邻居的推荐系统，并给出了实际的信息，如何使这些选择。本章涵盖了广泛的方法，包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning
Business School, Sichuan University（四川大学商学院）；School of Computer Science and Software Engineering, Southwest Petroleum University（西南石油大学计算机科学与工程学院）；The Hong Kong Polytechnic University（香港理工大学）；University of Illinois at Chicago（芝加哥大学伊利诺伊分校）
本文提出基于加权超图嵌入的多样化音乐推荐算法DWHRec，通过超图随机游走学习用户潜在偏好，在保持准确性的同时提升推荐多样性，并在两个真实数据集上验证其优于七种现有算法。
2024-02-26 cs.IR cs.LG
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Pinterest（品趣志）；Stanford University（斯坦福大学）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。然而，使这些方法实用且可扩展到具有数十亿项目和数亿用户的网络规模推荐任务仍然是一个挑战。在这里，我们描述了我们在Pinterest开发和部署的大规模深度推荐引擎。我们开发了一种数据高效的图卷积网络（GCN）算法PinSage，它结合了高效的随机游走和图卷积来生成节点的嵌入（即，项），其合并了图结构以及节点特征信息。与现有的GCN方法相比，我们开发了一种基于高效随机游走的新方法来构造卷积，并设计了一种新的训练策略，该策略依赖于越来越难的训练样本来提高模型的鲁棒性和收敛性。我们还开发了一个高效的MapReduce模型推理算法，使用训练模型生成嵌入。我们在Pinterest上部署了PinSage，并在一个图表上的75亿个示例上对其进行了训练，该图表包含30亿个代表引脚和电路板的节点以及180亿条边。根据离线指标、用户研究和A/B测试，PinSage生成的推荐质量高于同类深度学习和基于图表的替代方案。据我们所知，这是迄今为止深度图嵌入的最大应用，为基于图卷积架构的新一代网络规模推荐系统铺平了道路。
2018-06-06 cs.IR cs.LG stat.ML
Modeling Multiple User Interests using Hierarchical Knowledge for Conversational Recommender System
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
会话式推荐系统（CRS）是通过自然语言会话进行项目推荐的实际应用。这样的系统估计用户兴趣以获得适当的个性化推荐。用户有时会对不同的类别或类型有不同的兴趣，但现有的研究假设用户的兴趣是独特的，可以被密切相关的项目所覆盖。在这项工作中，我们建议在CRS中对多个用户的兴趣进行建模。我们在使用ReDial数据集的实验中研究了它的效果，发现所提出的方法可以推荐比基线CR-Walker更广泛的项目。
2023-03-01 cs.AI cs.CL cs.IR
Link Prediction Approach to Recommender Systems
推荐系统的问题是一个非常普遍的问题，有无数的解决方案。在文献中已经提出了一种使用社交网络中的链接预测问题的新方法，该方法将典型的用户-项目信息建模为二分网络，其中链接预测实际上意味着向用户推荐项目。标准的推荐系统方法遭受稀疏性和可扩展性的问题。由于链接预测措施涉及与网络中的小邻域有关的计算，因此这种方法将导致推荐的可扩展解决方案。在这种转换的问题之一是，链接预测问题被建模为一个二进制分类任务，而推荐系统的问题被解决为回归任务，其中的链接的评级是预测。我们通过预测前k个链接作为具有高评级的推荐而不预测实际评级来克服这个问题。我们的工作扩展了文献中类似的方法，专注于利用链接预测的概率措施。此外，在所提出的方法中，预测措施，利用时间信息的链接证明是更有效地提高预测的准确性。这种方法在基准“Movielens”数据集上进行了评估。我们表明，使用时间概率措施有助于提高质量的建议。基于时间随机游走的度量T_Flow将推荐准确率提高了4%，时间共现概率度量将基于项目的协同过滤方法的预测准确率提高了10%。
2021-02-18 cs.IR cs.SI
Adaptively Optimize Content Recommendation Using Multi Armed Bandit Algorithms in E-commerce
The Home Depot（家得宝）
电子商业网站努力为用户提供最及时的相关信息，以减少购物摩擦，提高客户满意度。多臂强盗模型（MAB）作为一种自适应优化算法提供了可能的途径。在本文中，我们分析了使用三个经典的MAB算法，ε-贪婪，汤普森采样（TS），和上置信界1（UCB 1）的动态内容推荐，走查内部开发这些算法的过程来解决一个真实的世界电子商业用例。首先，我们分析了三个MAB算法使用模拟购买数据集与非平稳的奖励分布，以模拟可能随时间变化的客户偏好，其中的流量分配动态和不同算法的累积奖励进行了研究。第二，我们使用实际的历史A/B测试数据集，比较了三种MAB算法的累积回报与超过1,000次试验。我们发现，竞争推荐的成功率之间的差异越大，MAB算法可以实现的累积奖励就越多。此外，我们还发现在不同的测试场景下，TS的平均累积奖励最高。第三，我们开发了一种批量更新的MAB算法，以克服电子商业中的延迟奖励问题，并在我们的应用程序主页上实现在线内容优化。为了进行最先进的比较，在我们的批量更新的MAB算法，第三方MAB解决方案和默认业务逻辑之间进行了真正的A/B测试。结果表明，我们的批量更新的MAB算法优于同行，并实现了6.13%的相对点击率（CTR）增加和16.1%的相对转换率（CVR）增加相比，默认的经验，和2.9%的相对CTR增加和1.4%的相对CVR增加相比，外部MAB服务。
2021-08-19 cs.AI cs.IR cs.LG
