Joint Modeling of Search and Recommendations Via an Unified Contextual Recommender (UniCoRn)
Netflix Research（网飞研究院）
本文提出统一深度学习模型UniCoRn，联合处理搜索与推荐任务，以解决分开开发导致的维护复杂和技术债务问题。
2024-08-19 cs.AI cs.IR cs.LG
Scalable Neural Contextual Bandit for Recommender Systems
Meta AI；Stanford University（斯坦福大学）
针对现有神经推荐系统探索未知用户偏好效率低、神经上下文赌博机计算成本高的问题，提出可扩展的认知神经推荐架构ENR，实现大规模汤普森采样，在性能、样本效率和计算成本上均显著优于现有基线算法。
2023-08-19 cs.AI cs.IR
Using Contextual Information as Virtual Items on Top-N Recommender Systems
LIAAD-INESC Porto L.A.（波尔图人工智能与决策支持实验室- INESC波尔图实验室协会）
传统上，Web推荐系统处理具有两个维度（用户和项目）的应用程序。基于与这些维度相关的访问日志，可以构建推荐模型，并将其用于识别某个用户将感兴趣的N个项目的集合。在本文中，我们提出了一种方法来补充信息的访问日志与上下文信息，而不改变推荐算法。该方法在于将上下文表示为虚拟项。我们实证测试这种方法与两个前N推荐系统，基于项目的协同过滤技术和关联规则，在三个数据集。结果表明，我们的方法是能够利用上下文（新的维度）时，它是信息。
2011-11-15 cs.IR cs.LG
An Improved Hybrid Recommender System: Integrating Document Context-Based and Behavior-Based Methods
推荐系统的主要挑战之一是数据稀疏性，这导致了高方差。已经进行了几次尝试来使用辅助信息来改善偏差-方差权衡。特别是，基于文档建模的方法通过在用户到项目的评分矩阵稀疏时使用文本数据（例如评论、摘要和故事情节）来提高模型的准确性。然而，这样的模型不足以学习用户和项目的最佳表示。基于用户和基于项目的协同过滤，由于其效率和可解释性，长期以来一直用于构建推荐系统。他们分别为每个用户和项目创建一个配置文件，作为他们的历史交互项目和与目标项目交互的用户。这项工作结合了这两种方法与文档上下文感知推荐系统，考虑用户对这些项目的意见。我们模型的另一个优点是它支持在线个性化。如果用户有新的交互，则需要刷新用户和项历史表示向量，而不是更新模型参数。所提出的算法实现和测试三个真实世界的数据集，证明我们的模型的有效性超过基线方法。
2021-09-12 cs.IR
Multi-Type Context-Aware Conversational Recommender Systems via Mixture-of-Experts
School of Computer Science and Engineering（计算机科学与工程学院）；School of Management Science and Engineering（管理科学与工程学院）；School of Computer Science and Technology（计算机科学与技术学院）
本文提出多类型上下文感知对话推荐系统MCCRS，通过专家混合融合知识图谱、对话历史和商品评论，并由ChairBot协调专家输出，实验证明其性能显著优于现有基线。
2025-08-26 cs.AI cs.CL cs.IR
R-UCB: a Contextual Bandit Algorithm for Risk-Aware Recommender Systems
Télécom SudParis（南巴黎电信学院）
移动上下文感知推荐系统可以自然地建模为探索/利用权衡（exr/exp）问题，其中系统必须在处理其当前知识（利用）和学习更多关于未知用户的偏好以改进其知识（探索）之间进行选择。强化学习社区已经解决了这个问题，但是他们没有考虑当前用户情况的风险水平，其中如果风险水平高，则推荐用户在其当前情况下可能不期望的项目可能是危险的。本文介绍了一种算法R-UCB，它考虑了用户的情况下的风险水平，自适应地平衡之间的exr和exp。对实验结果的详细分析揭示了exr/exp行为中的几个重要发现。
2014-08-10 cs.IR cs.LG
Contextualised Browsing in a Digital Library's Living Lab
事实证明，情境化在根据用户的信息需求定制\linebreak搜索结果方面是有效的。虽然这是一个基本的查询搜索，上下文会话信息的使用在探索性搜索，特别是在浏览的水平上，迄今为止，在研究中曝光不足。在本文中，我们提出了两种方法，上下文浏览的结构化元数据的水平在数字图书馆（DL），（1）一个变量的基础上的文档相似性和（2）一个变量利用隐含的会话信息，如查询和不同的文档元数据在会话期间遇到的用户。我们使用社会科学中的深度学习来评估我们在生活实验室环境中的方法，并将我们的情境化方法与非情境化方法进行比较。在三个多月的时间里，我们分析了47，444个包含浏览级别搜索活动的唯一检索会话。我们的研究结果表明，在结果集中第一个点击项的位置方面，浏览的上下文化显著优于我们的基线。第一次点击的文档的平均排名（测量为平均第一相关- MFR）为4.52，使用非上下文排名，相比之下，当基于与先前查看的文档的相似性重新排名结果列表时为3.04。此外，我们观察到，这两种上下文方法显示出明显更高的点击率。基于文档相似性的上下文化与非上下文化排名相比，导致几乎两倍的文档视图。
2018-04-17 cs.DL cs.IR
Recommender Systems using Pennant Diagrams in Digital Libraries
在数字图书馆中，推荐对于研究人员来说是有价值的，例如，推荐与给定上下文相关的文献。通常，在科学背景下，简单地介绍相关内容是不够的。通常，用户需要更详细地查看文档的连接及其特定建议。由Howard White（2007）引入的pendrone的目的是为用户提供一个图表，显示给定文档和相关文档之间的相关性/距离。共引分析和共现分析都是用于查找与种子相关的文献的既定方法。例如，种子可以是作者、关键字或出版物。在本文中，我们介绍了一个推荐系统中的数字图书馆sowiport使用三角形图，可以创建从共引和/或共现分析。在NKOS研讨会上的演讲将在索维波特展示pendrons，并将详细说明pendrons可视化和评估pendrons搜索效用的实际问题。
2014-07-27 cs.DL cs.HC cs.IR
Content Based Document Recommender using Deep Learning
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；ParallelDots（ParallelDots 公司）
随着信息技术的进步，可用数据量激增。但是信息检索技术已经不能跟上信息生成的这种速度，导致用于检索相关信息的时间过度消耗。尽管存在用于辅助用户搜索数据库以及过滤和推荐相关信息的系统，但是使用文档内容进行推荐的推荐系统仍然有很长的路要走。在这里，我们提出了一种基于深度学习的监督方法，根据内容的相似性推荐相似的文档。我们将C-DSSM模型与Word 2 Vec分布式表示相结合，建立了一个新的模型，通过给文档对打分来区分文档对的相关性和不相关性，使用我们的模型，文档检索的时间复杂度为O（1），存储复杂度为O（n），其中n是文档的个数。
2017-10-23 cs.CL cs.IR
Combining Privileged Information to Improve Context-Aware Recommender Systems
Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo（圣保罗大学数学与计算机科学研究所）；Universidade Federal do Mato Grosso do Sul（南马托格罗索联邦大学）
推荐系统是一种信息过滤技术，可以用于预测项目（产品，服务，电影等）的偏好评级和/或输出用户可能感兴趣的项目的排名。上下文感知推荐系统（CARS）通过在推荐过程中结合可用的上下文信息来学习和预测用户的品味和偏好。上下文感知推荐系统研究的主要挑战之一是缺乏自动获取上下文信息的方法。考虑到这种情况下，在本文中，我们建议使用上下文信息的主题层次结构的项目（网页），以提高上下文感知推荐系统的性能。主题层次结构的构建扩展的LUPI为基础的增量层次聚类方法，认为三种类型的信息：传统的袋字（技术信息），并结合命名实体（特权信息I）与域术语（特权信息II）。我们评估了四个上下文感知推荐系统中的上下文信息。对每类信息分配了不同的权重。实验结果表明，结合两种特权信息的主题层次结构可以提供更好的推荐。
2019-01-04 cs.AI cs.IR
Context Uncertainty in Contextual Bandits with Applications to Recommender Systems
AWS AI Labs（亚马逊云科技人工智能实验室）
递归神经网络已被证明是有效的建模推荐系统的顺序用户反馈。然而，它们通常只关注项目的相关性，而不能有效地为用户探索不同的项目，因此从长远来看损害了系统的性能。为了解决这个问题，我们提出了一种新型的递归神经网络，称为递归探索网络（REN），共同执行表示学习和有效的探索在潜在的空间。REN试图平衡相关性和探索性，同时考虑到表征中的不确定性。我们的理论分析表明，REN可以保持率最优的次线性遗憾，即使在学习表示存在不确定性。我们的实证研究表明，REN可以在合成和真实世界的推荐数据集上获得令人满意的长期回报，优于最先进的模型。
2022-02-16 cs.AI cs.IR cs.LG
CAPS: Context Aware Personalized POI Sequence Recommender System
万维网（WWW）和智能手机技术的革命已经成为社交网络取得巨大成功的关键因素。由于登记数据的可用性容易，基于位置的社交网络（LBSN）（例如，Facebook1等）在过去的十年中，已经大量探索了兴趣点（POI）推荐。虽然已经定义了许多POI分类器，但它们中的大多数都专注于推荐单个位置或上下文不一致的任意列表。当人们需要可以用于各种日常活动的上下文一致的位置列表时，依赖这样的系统是麻烦的，例如，行程规划。本文提出了一种称为CAPS（上下文感知个性化POI序列推荐系统），生成上下文相关的兴趣点序列相关的用户偏好的模型。据我们所知，CAPS是通过扩展递归神经网络（RNN）及其变体来制定上下文POI序列建模的第一次尝试。CAPS通过将多个上下文合并到隐藏层并将全局上下文（序列特征）合并到隐藏层和输出层来扩展RNN。它扩展了RNN的变体（例如，长短期记忆（LSTM））。本文的主要贡献是：（i）它通过多个约束（例如，分类的、社会的、时间的等等），(ii)它扩展了RNN，将单个项目的上下文和整个序列的上下文结合起来。它还扩展了RNN变体的门控功能，以包含多个上下文，以及（iii）针对两个真实世界的数据集评估所提出的模型。
2018-03-03 cs.IR
Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System
Roblox
本文提出HIE和HDD两种无模型方法，用于识别推荐系统中驱动异质处理效应的特征，提升上下文多臂老虎机性能。
2025-11-30 cs.IR cs.LG stat.ML
Compact Token Representations with Contextual Quantization for Efficient Document Re-ranking
基于Transformer的重排序模型可以通过上下文感知的查询令牌与文档令牌的软匹配来实现高搜索相关性。为了减轻运行时的复杂性，这样的推理，以前的工作已经采用了一个后期的互动架构与预先计算的上下文令牌表示的成本一个大的在线存储。本文提出了上下文量化的令牌嵌入解耦的文档特定的和文档无关的排名的贡献，在基于码本的压缩。这允许有效的在线解压缩和嵌入组合，以获得更好的搜索相关性。本文提出了一个评估上述紧凑的令牌表示模型的相关性和空间效率。
2022-03-29 cs.IR
Quantum contextual bandits and recommender systems for quantum data
Centre for Quantum Technologies, National University of Singapore, Singapore（量子技术中心，新加坡国立大学）；Department of Electrical and Computer Engineering, Faculty of Engineering, National University of Singapore, Singapore（电气与计算机工程系，工程学院，新加坡国立大学）
本文利用线性上下文赌博机框架为量子数据构建推荐系统，提出低能量子态推荐问题，通过将动作视为模型相，实现在线量子相分类。
2023-01-31 cs.IR cs.LG quant-ph
From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Heudiasyc（于迪亚西实验室）
针对群体决策中冲突偏好和上下文因素等挑战，本文提出了上下文感知的多准则群体推荐系统（CA-MCGRS），利用多头注意力机制动态权衡特征，在四种场景下显著提升了推荐准确性。
2025-03-27 cs.AI cs.IR cs.LG
Positive unlabeled learning for building recommender systems in a parliamentary setting
针对议会文档分发中只有相关正例、缺少负例的问题，提出并验证一种正例-未标记学习推荐算法，效果优于基线及同类方法。
2024-01-19 cs.IR
Challenges in Implementing a Recommender System for Historical Research in the Humanities
本文以 Monasterium.net 为案例，分析面向人文历史文献的推荐系统在推荐对象、多方利益相关者和学者检索行为方面的挑战，以推动定制化推荐系统发展。
2024-10-28 cs.DL cs.IR
CBPF: leveraging context and content information for better recommendations
推荐系统帮助用户在大量的信息中找到合适的项目。已经提出了不同类型的推荐系统。其中，上下文感知推荐系统的目标是尽可能多地个性化的建议，根据上下文的情况下，用户是。在本文中，我们提出了一种方法集成到推荐过程中的上下文信息建模无论是基于项目的或基于用户的影响的情况下，评级，使用皮尔逊相关系数。所提出的解决方案的目的是在推荐过程中利用内容和上下文信息。我们评估并显示我们的方法在三个不同的上下文数据集上的有效性，并根据这些数据集的特性，特别是输入数据的稀疏程度和可用信息量，分析我们的方法的变体的性能。
2018-10-01 cs.IR
Generative Interest Estimation for Document Recommendations
Hasso Plattner Institute（哈索·普拉特纳研究院）
文档的分布式表示学习已经推动了自然语言处理任务的发展，并且最近被成功地应用于推荐系统领域。在本文中，我们提出了一种新的基于内容的推荐系统的基础上学习表示和用户兴趣的生成模型。我们的方法工作原理如下：首先，我们学习文本文档语料库的表示。然后，我们捕捉用户的兴趣作为一个生成模型的空间中的文档表示。特别是，我们为每个用户的兴趣分布建模为高斯混合模型（GMM）。可以通过从用户的生成模型中采样来直接获得推荐。使用潜在语义分析（LSA）作为比较，我们计算和探索的美味书签数据集，推荐系统的标准基准的文档表示。然后，我们在这两个空间中进行密度估计，并表明学习表示在预测性能方面优于LSA。
2017-11-28 cs.CL cs.IR cs.LG
Neural Contextual Bandits for Personalized Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本教程探讨上下文赌博机在个性化推荐中的应用，重点研究神经上下文赌博机及其协作变体，以缓解马太效应并处理用户异质性，同时展望大型神经模型带来的新挑战。
2023-12-21 cs.AI cs.IR cs.LG
Evolving Context-Aware Recommender Systems With Users in Mind
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
上下文感知推荐系统（CARS）通过感知和分析用户上下文来提供个性化服务。可以从传感器驱动上下文信息，以便提高推荐的准确性。然而，从用户的角度来看，生成准确的推荐不足以构成有用的系统，因为某些上下文信息可能导致不同的问题，例如耗尽用户的电池、隐私问题等等。添加高维上下文信息可以增加模型的维度和稀疏性。先前的研究建议通过使用领域知识选择最合适的上下文信息来减少上下文信息的量。另一种解决方案是将其压缩到更密集的潜在空间中，从而破坏向用户解释推荐项的能力，并损害用户的信任。在本文中，我们提出了一种方法来选择低维子集的上下文信息，并将它们明确的CARS。具体而言，我们提出了一种新的特征选择算法，基于遗传算法（GA），优于SOTA降维CARS算法，提高了准确性和可解释性的建议，并允许控制用户方面，如隐私和电池消耗。此外，我们通过学习多个深度上下文感知模型并对其应用堆叠技术，利用沿进化过程生成的顶部子集，从而在保持显式空间的同时提高准确性。我们评估了我们的方法在两个高维的上下文感知数据集驱动的智能手机。我们的结果的实证分析验证了我们提出的方法优于SOTA CARS模型，同时提高透明度和可解释性的用户。
2020-07-30 cs.IR cs.LG cs.SI
Context is Gold to find the Gold Passage: Evaluating and Training Contextual Document Embeddings
本文提出上下文感知基准 ConTEB 和对比后训练方法 InSeNT，结合晚期分块池化，在不牺牲基础模型性能的前提下显著提升需要文档级上下文的检索质量。
2025-06-06 cs.IR
CMDR: Contextual Multimodal Document Retrieval
Human Informatics Labs.（人文信息实验室）；NTT, Inc.（日本NTT公司）
研究多模态文档检索，提出CMDR-Embed框架联合编码页面纳入文档上下文，引入CMCL对比学习目标训练，实验证明该框架显著优于非上下文嵌入，凸显上下文感知多模态嵌入对文档检索的重要性。
2026-07-08 cs.AI cs.CL cs.CV
Bandits Warm-up Cold Recommender Systems
Project-Team SequeL（SequeL项目团队）
我们解决推荐系统中的冷启动问题，假设没有上下文信息，既不是关于用户，也不是项目。我们考虑的情况下，我们只能访问一组用户的项目的评级。大多数现有的作品考虑批量设置，并使用交叉验证来调整参数。经典的方法包括在最小化的训练子集的收视率，提供了一个因子分解的矩阵的收视率，被解释为一个潜在的代表项目和用户的均方根误差。我们在本文中的贡献是五倍。首先，我们明确了这种批处理设置对用户或评分很少的项目提出的问题。然后，我们提出了一个在线设置更接近实际使用的推荐系统，这种设置的灵感来自强盗框架。所提出的方法可以用于将任何推荐系统数据集（如Netflix，MovieLens等）序列数据集。然后，我们明确了上下文强盗算法和矩阵分解之间的强大和有见地的联系，这使我们一个新的算法，解决了探索/开发困境的冷启动问题在一个惊人的新的角度。最后，实验证据证实，我们的算法是有效的，在处理公开数据集上的冷启动问题。总体而言，本文的目标是弥合基于矩阵分解的推荐系统和基于上下文强盗的推荐系统之间的差距。
2014-07-10 cs.IR cs.LG stat.ML
Knowledge Graph-enhanced Sampling for Conversational Recommender System
Beijing Jiaotong University（北京交通大学）
传统的推荐系统主要利用离线用户数据对离线模型进行训练，然后向在线用户推荐商品，存在基于稀疏和噪声的历史数据的用户偏好估计不可靠的问题。会话式推荐系统（CRS）利用对话系统的交互形式来解决传统推荐系统固有的问题。然而，由于缺乏上下文信息建模，现有的CRS模型不能很好地处理资源的开发和探索（Exploitation and Exploration，E&E）问题，给用户带来了沉重的负担。为了解决上述问题，这项工作提出了一个上下文信息增强模型定制的CRS，称为知识图谱增强采样（KGenSam）。KGenSam将用户交互数据的动态图与外部知识集成为一个异构的知识图谱（KG）作为上下文信息环境。然后，设计了两个采样器，通过采样高不确定性的模糊样本获取用户偏好和可靠的负样本更新推荐器来增强知识，实现了用户偏好的高效获取和模型更新，从而为CRS处理E&E问题提供了有力的解决方案。在两个真实世界数据集上的实验结果证明了KGenSam的优越性，与最先进的方法相比有显着的改进。
2021-10-13 cs.AI cs.IR
Contextual Relevance and Adaptive Sampling for LLM-Based Document Reranking
针对推理密集型查询的文档重排序挑战，提出上下文相关性概念及基于采样的TS-SetRank算法，通过建模批次组成和顺序的上下文依赖性，在BRIGHT和BEIR数据集上显著提升nDCG@10指标。
2025-11-03 cs.IR
SEP-GCN: Leveraging Similar Edge Pairs with Temporal and Spatial Contexts for Location-Based Recommender Systems
SEP-GCN提出利用上下文相似的边对增强用户-项目图，通过边感知卷积传播信息，提升推荐准确性和稳健性。
2025-06-19 cs.IR cs.IT math.IT
Optimizing an Utility Function for Exploration / Exploitation Trade-off in Context-Aware Recommender System
在本文中，我们开发了一个动态的探索/开发（exr/exp）策略的上下文推荐系统（CRS）。具体来说，我们的方法可以通过自动学习最佳权衡来自适应地平衡exr/exp的两个方面。这包括优化效用函数，该效用函数由已经推荐的点击和未点击文档的奖励的概率分布的线性化形式表示。在离线模拟框架内，我们将我们的算法应用于CRS，并使用真实的事件日志数据进行评估。实验结果和详细的分析表明，我们的算法优于现有的算法的点击率（CTR）。
2014-04-15 cs.IR
Offline Contextual Multi-armed Bandits for Mobile Health Interventions: A Case Study on Emotion Regulation
University of Virginia（弗吉尼亚大学）
通过移动电话等普及的电子设备提供治疗建议有可能成为长期健康行为管理的可行和可扩展的治疗媒介。但积极的治疗方案的实验可能是耗时的，昂贵的，在某些情况下完全不道德的。人们越来越感兴趣的方法，让实验者学习和评估部署前的一个新的治疗策略的有用性。我们提出了第一个发展的治疗推荐系统的情绪调节使用真实世界的历史移动数字数据n = 114高社交焦虑的参与者来测试新的情绪调节策略的有用性。我们探讨了一些离线上下文土匪估计学习，并提出了一个一般的框架学习算法。我们的实验表明，提出的双重鲁棒离线学习算法表现明显优于基线方法，这表明这种类型的推荐算法可以改善情绪调节。鉴于情绪调节在许多精神疾病中都会受损，并且这种推荐算法可以很容易地扩大规模，这种方法有可能增加许多人获得治疗的机会。我们还分享了一些见解，使我们能够将上下文强盗模型转化为这种复杂的现实数据，包括哪些上下文特征对于预测情绪调节策略的有效性最为重要。
2020-08-21 cs.HC cs.IR cs.LG
Document Retrieval for Large Scale Content Analysis using Contextualized Dictionaries
本文提出了一个过程，检索相关文件的子集，从大型文本集的内容分析，例如在社会科学。为此目的的文献检索需要考虑到这样一个事实，即分析师往往不能用一小部分关键术语来描述他们的研究目标，特别是在处理理论或相当抽象的研究兴趣时。相反，定义一组反映感兴趣的主题以及有针对性的演讲方式的范例文档要容易得多。因此，与经典的信息检索任务相比，我们采用手动编译的参考文档集合来组成数百个关键词的大型查询，称为字典。我们通过主题模型提取字典，并使用参考集合中的同现数据。评价表明，该程序提高了检索结果，为此目的相比，替代方法的关键词提取以及忽略同现数据。
2017-07-11 cs.IR
Value Identification in Multistakeholder Recommender Systems for Humanities and Historical Research: The Case of the Digital Archive Monasterium.net
本文针对数字档案 Monasterium.net，识别并分析了多利益相关者在人文与历史研究推荐系统中的多元价值与潜在冲突，为优化系统设计及评估指标提供了依据。
2024-09-26 cs.DL cs.IR
Contextual Hybrid Session-based News Recommendation with Recurrent Neural Networks
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；University of Klagenfurt（克拉根福大学）
推荐系统通过向用户提供定制的项目建议来帮助用户处理信息过载。新闻的推荐通常被认为是具有挑战性的，因为文章对于用户的相关性可以取决于各种因素，包括用户的短期阅读兴趣、读者的上下文、或者文章的新近度或流行度。以前的工作表明，循环神经网络的使用是有前途的下一个会话预测任务，但有一定的局限性时，只有记录的项目点击序列作为输入。在这项工作中，我们提出了一个上下文混合，基于深度学习的方法，基于会话的新闻推荐，能够利用各种信息类型。我们在两个公共数据集上评估了我们的方法，使用一个时间评估协议，以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了考虑其他类型的信息，包括文章的流行度和新近度，在所提出的方式，导致显着更高的推荐准确性和目录覆盖率比其他基于会话的算法的好处。额外的实验表明，我们的方法中使用的拟议参数化损失函数也允许我们平衡两个通常相互冲突的质量因素，准确性和新颖性。保留字：人工神经网络，上下文感知推荐系统，混合推荐系统，新闻推荐系统，会话推荐
2019-12-08 cs.IR cs.LG stat.ML
Evaluating Document Representations for Content-based Legal Literature Recommendations
Open Legal Data（开放法律数据）；German Research Center for Artificial Intelligence（德国人工智能研究中心）；ETH Zurich（苏黎世联邦理工学院）；University of Wuppertal（伍珀塔尔大学）
推荐系统帮助法律专业人士找到相关文献来支持他们的案件。尽管它的重要性的专业，法律应用并没有反映在推荐系统和表示学习研究的最新进展。同时，法律推荐系统通常在没有任何公共基准数据集的情况下在小规模用户研究中进行评估。因此，这些研究的重现性有限。为了解决研究与实践之间的差距，我们探索了一套国家的最先进的文件表示方法检索语义相关的美国判例法的任务。我们评估基于文本的（例如，fastText、Transformers）、基于引用的（例如，DeepWalk，Poincaré）和混合方法。我们使用两种银标准对2，964份文件进行了注释，共比较了27种方法。银标准是从Open Case Book和Wikispecies新创建的，可以在开放许可下重复使用，以促进可重复性。我们的实验表明，来自平均fastText单词向量（在法律语料库上训练）的文档表示产生了最好的结果，紧随其后的是庞加莱引用嵌入。以混合方式组合fastText和Poincaré进一步改善了整体结果。除了整体性能外，我们还根据文档长度，引用计数和建议的覆盖范围分析了这些方法。我们在https://github.com/malteos/legal-document-similarity/上公开我们的源代码、模型和数据集。
2021-04-28 cs.CL cs.IR
Intent Recognition in Conversational Recommender Systems
Macquarie University（麦考瑞大学）
任何组织都需要改进其产品、服务和流程。在这种情况下，与客户互动并了解他们的旅程至关重要。组织利用各种技术和技术来支持客户参与，从呼叫中心到聊天机器人和虚拟代理。最近，这些系统使用机器学习（ML）和自然语言处理（NLP）来分析大量的客户反馈和参与数据。我们的目标是了解客户的背景，并在各种渠道提供有意义的答案。尽管会话人工智能（AI）和推荐系统（RS）取得了多项进展，但在客户旅程中理解客户问题背后的意图仍然具有挑战性。为了应对这一挑战，在本文中，我们研究和分析了会话推荐系统（CRS）的最新工作，更具体地说，是基于聊天机器人的CRS。我们引入了一个流水线来语境化对话中的输入话语。然后，我们采取下一步措施，利用反向特征工程来链接上下文输入和学习模型，以支持意图识别。由于性能评估是基于不同的ML模型实现的，因此我们使用Transformer基础模型来评估所提出的方法，该方法使用信息寻求者和答案提供者之间问答交互的标记对话数据集（MSDialogue）。
2022-12-06 cs.CL cs.IR cs.LG
An In-depth Analysis of Passage-Level Label Transfer for Contextual Document Ranking
本文分析文档切分与段落级标签迁移对检索效果和效率的影响，提出弱监督段落标注方案，在四个数据集上以可控复杂度取得3%–14%的nDCG提升。
2023-12-06 cs.IR
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich（苏黎世大学）
负面用户偏好是一个重要的背景，没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下，此上下文特别有用。在这项工作中，我们描述了一个新的推荐算法，明确地模型消极的用户偏好，以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型，将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估，我们证明了我们的方法能够提高推荐质量：通过提高准确性，同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值，也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
Contextualization for the Organization of Text Documents Streams
University of Porto（波尔图大学）；FEUP（波尔图大学工程学院）；CEFET-RJ（里约热内卢联邦教育科学与技术学院）；INESC TEC（葡萄牙国家电气与计算机工程系统与技术研究所）
研究团体已经做出了重大努力来解决提供借助于信息检索方法来组织文档的方法的问题。在这篇报告中，我们提出了一些实验与一些流分析方法来探索文本文档流。我们只使用动态算法来探索，分析和组织文本文档的流量。本文档展示了文本文档流组织的已开发架构的案例研究，使用增量TextRank和IS-TFIDF等增量算法。这两种算法都是基于这样的假设，即与批处理算法相比，文本文档及其文档-术语矩阵在低维演化网络中的映射提供了更快的处理速度。有了这个架构，并通过使用快速文本嵌入检索文档之间的相似性，我们比较方法与大型文本数据集和地面真相评估聚类能力。使用的数据集是路透社和COVID-19情绪。研究结果为基于文档流中文档间的相似性，利用上述算法，在文档组织任务中处理文档流时，相似性的语境化提供了一个新的视角。
2022-05-30 cs.AI cs.CL cs.IR
A Framework for Scientific Paper Retrieval and Recommender Systems
信息检索（IR）和推荐系统（RS）已经被用于解决在文献综述和整个学术交流生命周期期间执行的搜索任务。大部分的研究都集中在算法设计，以提高这些系统的准确性和实用性。与学术任务相关的上下文元素在很大程度上被忽视了。在本文中，我们提出了一个框架，称为科学论文推荐和检索框架（SPRRF）相结合的用户角色建模和用户界面功能与IR/RS组件方面。该框架是基于八个新兴的主题，从参与者的反馈，在一个原型辅助系统进行的用户评价研究。119名研究人员参与了该研究，以评估原型系统，该系统为两个文献综述和一个手稿写作任务提供建议。这一整体框架旨在指导这一领域的未来研究。
2016-09-06 cs.IR
Beyond Whole Dialogue Modeling: Contextual Disentanglement for Conversational Recommendation
针对对话式推荐中整体建模忽视信息纠缠的问题，提出DisenCRS模型，采用自监督对比与反事实推理双解耦框架区分焦点与背景信息，并引入自适应提示学习，显著提升推荐与回复生成性能。
2025-04-24 cs.IR
Representation Learning for Recommender Systems with Application to the Scientific Literature
Université de Lyon（里昂大学）
科学文献是一个庞大的信息网络，将各种行为者（实验室、公司、机构等）联系在一起。由该网络生成的大量数据构成了动态异构属性网络（HAN），其中不断产生新的信息，并且从中提取感兴趣的内容越来越困难。在这篇文章中，我提出了我的第一个论文作品与工业公司合作，数字科学研究技术。这之后提供了一个科学手表工具，Peerus，解决各种问题，如实时的推荐新发表的论文或寻找活跃的专家开始新的合作。为了解决这种多样性的应用程序，一个常见的方法是学习表示的节点和属性的HAN，并使用它们作为各种推荐任务的功能。然而，大多数关于属性网络嵌入的工作对文本属性关注太少，并且没有充分利用最近的自然语言处理技术。此外，所提出的方法，共同学习节点和文档表示不提供一种方法来有效地推断网络信息丢失的新文档的表示，这恰好是至关重要的实时的推荐系统。最后，在文本属性的异构网络中，文本和图形数据之间的相互作用仍然是一个开放的研究方向。
2019-02-28 cs.CL cs.DL cs.IR
Aspect-based Document Similarity for Research Papers
German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Konstanz（康斯坦茨大学）；University of Wuppertal（伍珀塔尔大学）；University of Kiel（基尔大学）
传统的文档相似性度量提供了相似和不相似文档之间的粗粒度区分。通常，他们不会考虑两个文件在哪些方面相似。这限制了依赖于文档相似性的推荐系统等应用程序的粒度。在本文中，我们扩展相似性方面的信息进行成对的文档分类任务。我们评估我们的基于方面的文档相似性的研究论文。论文引用表明基于方面的相似性，即，出现引用的章节标题充当引用和被引用论文对的标签。我们应用了一系列Transformer模型，如RoBERTa、ELECTRA、XLNet和BERT变体，并将它们与LSTM基线进行比较。我们在ACL Anthology和CORD-19语料库的172，073篇研究论文对的两个新构建的数据集上进行了实验。我们的研究结果表明，SciBERT是性能最好的系统。定性检验证实了我们的定量结果。我们的研究结果激励未来的研究方面为基础的文档相似性和开发的推荐系统的基础上评估的技术。我们公开我们的数据集、代码和训练模型。
2020-10-13 cs.CL cs.IR
Learning Decomposed Contextual Token Representations from Pretrained and Collaborative Signals for Generative Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Miami University（迈阿密大学）
本文提出DECOR框架，通过上下文化令牌组成和分解嵌入融合，提升推荐性能，实验证明其优于现有方法。
2026-05-01 cs.AI cs.CL cs.IR
Deeper Text Understanding for IR with Contextual Neural Language Modeling
Carnegie Mellon University（卡内基梅隆大学）
神经网络为自动学习复杂的语言模式和查询-文档关系提供了新的可能性。神经IR模型在学习查询-文档相关模式方面取得了可喜的成果，但在理解查询或文档的文本内容方面却鲜有研究。本文研究了利用最近提出的上下文神经语言模型BERT来为信息检索提供更深层次的文本理解。实验结果表明，BERT的上下文文本表示比传统的词嵌入更有效。与词袋检索模型相比，上下文语言模型可以更好地利用语言结构，对用自然语言编写的查询带来很大的改进。将文本理解能力与搜索知识相结合导致增强的预训练BERT模型，其可以在训练数据有限的情况下有益于相关搜索任务。
2019-05-22 cs.CL cs.IR
Personalized Search Via Neural Contextual Semantic Relevance Ranking
本文提出一种神经学习框架，通过结合词汇表示和语义嵌入建模文档内容与用户查询上下文的关系，利用个性化上下文信号优化文档排序，有效提升了个性化搜索效果。
2023-09-10 cs.IR
Supervised Contrastive Learning Approach for Contextual Ranking
在文档排序任务中，上下文排序模型比经典模型提供了令人印象深刻的性能改进。然而，这些高度过度参数化的模型往往需要大量数据，甚至需要大量数据进行微调。针对文档排序问题，提出了一种简单有效的方法，利用有监督的对比学习提高小数据集的排序性能。我们通过使用查询-文档对中的相关文档的一部分创建训练数据来执行数据增强。然后，我们使用监督对比学习目标从增强的数据集学习一个有效的排名模型。我们在TREC-DL数据集子集上的实验表明，尽管数据增强导致训练数据大小的增加，但使用现有的逐点或成对训练目标并不一定会提高性能。然而，我们提出的监督对比损失目标导致性能改善，超过标准的非增强设置，展示了使用对比损失的数据增强的实用性。最后，我们通过在与新闻（Robust 04），金融（FiQA）和科学事实检查（SciFact）相关的较小排名数据集上显示出显着的改进，展示了使用监督对比学习目标的真正好处。
2022-07-07 cs.IR
MovieMat: Context-aware Movie Recommendation with Matrix Factorization by Matrix Fitting
电影推荐系统广泛应用于NetFlix和Tubi等商业环境中。经典的推荐模型利用协同过滤、学习排序、矩阵分解和深度学习模型等技术来实现更低的营销费用和更高的收入。然而，电影观众在不同的语境中对同一部电影有不同的评价。重要的电影观看上下文包括观众情绪，位置，天气等。能够利用上下文信息对推荐器构建者有很大的好处。然而，流行的技术，如张量因式分解消耗不切实际的存储量，这大大降低了其在现实世界环境中的可行性。在本文中，我们利用的MatMat框架，矩阵分解矩阵拟合建立一个上下文感知的电影推荐系统，优于经典的矩阵分解和可比的公平性度量。
2022-04-27 cs.IR
Event-Driven News Stream Clustering using Entity-Aware Contextual Embeddings
Amazon AI（亚马逊人工智能）；Columbia University（哥伦比亚大学）
我们提出了一种在线新闻流聚类的方法，这是一个变种的非参数流K-means算法。我们的模型使用稀疏和密集文档表示的组合，沿着这些多个表示聚集文档聚类相似性，并使用神经分类器进行聚类决策。加权文档聚类相似性模型学习使用一种新的适应的三重损失成一个线性分类目标。我们表明，在预训练的Transformer模型中使用适当的微调目标和外部知识，可以显着提高聚类的上下文嵌入的有效性。我们的模型实现了一个新的国家的最先进的标准流聚类数据集的英文文档。
2021-01-26 cs.AI cs.CL cs.IR
A new approach of contextual recommendation based on the method of Hierarchical Analysis of Processes
推荐系统能够根据用户与其他相似用户的相关信息以及资源的适当性来估计用户对资源的兴趣。在本文中，我们介绍了一种新的基于AHP过程层次分析方法的上下文推荐方法。这项工作包括对电影领域的用户背景下提出推荐系统的作品进行书目研究。我们的目标是设计和开发一种新的方法来推荐基于用户上下文的电影。我们依靠多标准决策（MCDM）的方法，更准确地说，层次过程分析（AHP）的方法，在推荐过程中的上下文集成。
2018-10-23 cs.IR
The Long Tail of Context: Does it Exist and Matter?
Temple University（天普大学）；Sber（俄罗斯联邦储蓄银行）；New York University（纽约大学）
背景在过去的二十年里一直是推荐系统中的一个重要课题。上下文的标准表示方法假设上下文变量及其结构在应用程序中是已知的。大多数先前的CARS论文遵循代表性方法，手动选择并考虑应用程序中的几个关键上下文变量，例如时间，位置和人的公司。当各种基于CARS的方法被部署在许多应用中时，这项先前的工作证明了显着的推荐性能改进。然而，一些推荐系统应用程序处理更大和更广泛类型的上下文，并且手动识别和捕获一些上下文变量在这种情况下是不够的。在本文中，我们研究这种“上下文丰富”的应用程序处理大量不同类型的上下文。我们证明，只支持几个最重要的上下文变量，虽然有用，是不够的。在我们的研究中，我们专注于应用程序，建议各种银行产品的商业客户的背景下，客户服务代表发起的对话。在这个应用程序中，我们设法识别了200多种上下文变量。根据重要性对这些变量进行排序形成了上下文长尾（Long Tail of Context，LTC）。在本文中，我们经验证明，LTC的事项，并使用所有这些上下文变量从长尾导致显着改善推荐性能。
2022-10-03 cs.IR cs.LG
Visual Late Chunking: An Empirical Study of Contextual Chunking for Efficient Visual Document Retrieval
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Alibaba Cloud Computing（阿里云）；Hong Kong University of Science and Technology（香港科技大学）
本文提出ColChunk框架，通过多模态后期分块构建高效上下文化多向量，减少存储需求并提升检索性能。
2026-04-11 cs.CL cs.CV cs.IR
Using the Context of User Feedback in Recommender Systems
我们的工作通常集中在为中小型电子商务门户网站推荐，其中没有明确的反馈，因此使用隐式反馈是必要的。尽管如此，对于一些隐式反馈特征，呈现上下文可能是高度重要的。在本文中，我们提出了一个模型的相关上下文功能影响用户反馈，提出利用这些功能的方法，发布一个数据集的真实电子商务用户包含多个用户反馈指标，以及其上下文，并最终提出购买预测和推荐实验的结果。捷克旅行社网站的真实用户的离线实验证实了利用演示上下文在购买预测和推荐任务的重要性。
2016-12-15 cs.HC cs.IR
Dynamic inference of user context through social tag embedding for music recommendation
在给定时间的音乐收听偏好取决于广泛的上下文因素，例如用户的情绪状态，收听时间的位置和活动，一周中的哪一天，一天中的时间等，因此在推荐音乐时考虑这些因素非常重要。然而，这是非常困难的开发上下文感知的推荐系统，考虑这些因素，既因为检测其中的一些，如情绪状态的困难，因为从包括许多因素，如稀疏性问题，在上下文预过滤的缺点。这项工作涉及的建议的方法，用于检测的用户上下文状态时，听音乐的音乐项目的社会标签的基础上。允许在多个维度中描述项目的社交标记的固有特性可以被利用来捕获用户收听会话中的许多上下文维度。在每个会话中播放的第一个项目的标签的嵌入用于表示该会话的上下文。然后根据用户偏好和从标签嵌入计算的项目的相似性生成推荐。社会标签在许多推荐系统中得到了广泛的应用，然而，据我们所知，它们几乎没有被用于动态地推断上下文状态。
2021-09-23 cs.IR
CODER: An efficient framework for improving retrieval through COntextual Document Embedding Reranking
Brown University（布朗大学）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；Dataminr
本文提出CODER高效检索框架，通过联合评分大量负样本、使用检索负样本和列表式损失等排序上下文因素优化训练，在MS MARCO和TripClick上显著提升检索性能并创下新纪录。
2022-11-03 cs.AI cs.IR
