Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战，特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息，因此有可能帮助提供更好的推荐。在本文中，我们提出了一个推荐算法的基础上，综合扩散的用户-项目-标签三方图。我们使用三个基准数据集，Del.icio.us，MovieLens和BibSonomy，来评估我们的算法。实验结果表明，标签信息的使用可以显着提高推荐的准确性，多样化和新颖性。
2009-04-13 cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题，提出将媒体框架作为可控维度的推荐多样化方法，首次用三类规范性指标评估，实现未接触框架曝光度最高提升50%，同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台，以基于用户偏好提供个性化服务。在新闻网站中，大多数用户是匿名的，唯一可用的数据是匿名会话中的项目序列。由于这一点，典型的协同过滤方法，这是高度应用在许多应用中，是不是有效的新闻推荐。在这种情况下，基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比，基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中，我们提出的方案，使这些基于会话的推荐系统的多样性意识，并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题，它发生在系统缩小信息范围，剥夺用户多样性信息的时候。应用所提出的方案的结果表明，这些多样化的情况下，这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 cs.IR
Effective Diversification of Multi-Carousel Book Recommendation
Open University of the Netherlands（荷兰开放大学）；OCLC；University of Groningen（格罗宁根大学）
针对多轮播图书推荐场景下轮播本身无法提升推荐多样性的问题，本文基于协同过滤算法提出多种图书推荐多样化方法，设计对应评估指标，实现了推荐准确率与非准确率维度的良好平衡。
2025-11-18 cs.AI cs.IR
Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce AI研究院）；Beihang University（北京航空航天大学）
针对序列推荐中表示退化导致多样性不足的问题，提出SPMRec方法，通过奇异谱平滑正则化控制退化，平衡推荐性能与多样性，并在四个基准数据集上验证其优越性。
2024-07-19 cs.IR cs.LG
Multi-factor Sequential Re-ranking with Perception-Aware Diversification
提出MPAD框架，通过图聚类提取多尺度兴趣并设计两个子模型评估准确性与多样性，以序列方式联合优化信息流推荐，已应用于淘宝首页主流量。
2023-05-21 cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.（字节跳动公司）；University of Virginia（弗吉尼亚大学）
长期以来，准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而，我们指出，由于多样性通常是通过某些预先选择的项目属性来衡量的，例如，类别作为最普遍采用的一种，只要多样化尊重用户对预选属性的偏好，就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解，其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中，我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件，以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明，该方法在提高推荐准确率和多样性方面是有效的。深入分析表明，这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
Taxonomic Recommendations of Real Estate Properties with Textual Attribute Information
在这个扩展的摘要中，我们提出了一个端到端的方法来建立一个分类的家庭属性条款，使房地产属性的层次化建议。我们涵盖了构建房地产分类的方法，衡量这种结构的质量的指标，然后总结了一个生产用例，从不同级别的主题相似性的搜索关键字进行推荐。
2022-10-27 cs.IR
Selective Fairness in Recommendation via Prompts
推荐公平性近来引起了人们的极大关注。在现实系统中，用户通常具有多个敏感属性（例如年龄、性别和职业），并且用户可能不希望他们的推荐结果受到这些属性的影响。此外，这些用户属性中的哪些以及何时应该被考虑在公平性感知建模中应该取决于用户的特定需求。在这项工作中，我们定义了选择性的公平性任务，用户可以灵活地选择哪些敏感属性的推荐模型是无偏的。我们提出了一种新的参数有效的基于偏好的公平性感知推荐（PFRec）框架，它依赖于属性特定的基于偏好的偏见消除器与对抗训练，使选择性公平性与不同的属性组合的顺序推荐。任务特定和用户特定的提示都被考虑。我们进行了广泛的评估，以验证PFRec的选择性公平的优越性。源代码在\url{https://github.com/wyqing20/PFRec}中发布。
2022-07-05 cs.IR
User Fairness in Recommender Systems
推荐系统中最近的工作集中在推荐的多样性作为推荐质量的一个重要方面。在这项工作中，我们认为，后处理算法的目的只是提高多样性的建议导致歧视的用户之间。我们引入了用户公平性的概念，这在文献中被忽视了，到目前为止，并提出了措施来量化它。我们的实验上的两个多样化算法表明，增加聚合多样性的结果在用户之间的差距增加。
2018-07-17 cs.CY cs.IR
Evaluation Framework for Understanding Sensitive Attribute Association Bias in Latent Factor Recommendation Algorithms
本文提出一个评估隐因子推荐算法中敏感属性关联偏见的框架，通过四种评估策略揭示推荐模型如何捕获或放大性别等敏感属性偏见，并在工业播客推荐模型中验证了系统性偏见风险。
2023-10-30 cs.IR
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中，每个产品通常由多个语义属性（例如，袖子、衣领等）。当做出布料决定时，人们通常会表现出对不同语义属性的偏好（例如，带V领的衣服）。然而，大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好，这通常会导致较差的推荐性能。为了弥补这一差距，我们提出了一个新的语义属性解释推荐系统（SAERS）。具体来说，我们首先介绍了一个细粒度的可解释的语义空间。然后，我们开发了一个语义提取网络（SEN）和细粒度的偏好注意（FPA）模块，分别将用户和项目投射到这个空间中。通过SAERS，我们不仅能够为用户提供布料推荐，而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
RAE: A Rule-Driven Approach for Attribute Embedding in Property Graph Recommendation
本文提出RAE方法，通过挖掘属性图语义规则指导随机游走生成丰富属性嵌入并整合到GCN中，在真实数据集上Recall@20和NDCG@20平均提升10.6%，显著增强推荐性能与鲁棒性。
2025-06-26 cs.IR
MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
针对文本序列推荐中多属性表示与复杂兴趣匹配两大难题，本文提出MARS模型，通过属性感知编码和属性级交互匹配捕获细粒度偏好，在五个基准数据集上显著超越现有方法。
2024-09-04 cs.IR
CAEN: A Hierarchically Attentive Evolution Network for Item-Attribute-Change-Aware Recommendation in the Growing E-commerce Environment
传统的推荐系统主要关注用户兴趣建模。然而，由属性修改（例如价格的变化）引起的推荐项目的动态在实际系统中也是非常重要的，特别是在快速增长的电子商业环境中，这可能导致用户的需求出现、转移和消失。最近的动态项目表示的研究，努力把项目属性作为边信息，但忽略了它的时间依赖性，或模型的项目演变与相关的用户序列，但不考虑项目属性。在本文中，我们提出了核心属性进化网络（CAEN），它划分用户序列的属性值，从而模型的属性动态与这些用户的项目进化。在此框架下，我们进一步设计了一种层次化的注意力机制，该机制利用属性感知的注意力对每个属性下的用户进行聚合，并利用个性化的注意力来激活相似用户，以评估目标用户与项目的匹配程度。在实际电子商业数据集上的实验结果表明，该方法在属性快速变化的项目上取得了显著的改进，从而帮助项目推荐适应电子商业平台的发展。
2022-08-29 cs.IR
Recommendation with Attribute-aware Product Networks: A Representation Learning Model
随着商业智能的繁荣，推荐系统已经发展到一个新的阶段，我们不仅关心推荐什么，而且关心为什么推荐。因此，建议的可解释性成为研究的焦点，并在电子商务中变得非常理想。沿着这条线的不确定性研究通常从不同的角度利用项目属性和相关性，但他们还缺乏一种有效的方法来结合这两种类型的信息，以进行个性化兴趣的深度学习。鉴于此，我们提出了一种新的图结构，\emph{attribute network}，基于项目的共同购买网络和重要属性。然后提出了一种新的神经模型称为\emph{eRAN}属性网络的可解释性和冷启动能力产生的建议。具体而言，eRAN首先通过深度自编码器将属性网络中连接的项目映射到低维嵌入向量，然后应用注意力机制对属性对用户的吸引力进行建模，由此可以导出个性化的项目表示。此外，成对排序损失被构造到eRAN中以改善推荐，假设用户共同购买的项目对应该比那些在个性化视图中具有负采样的非配对项目更相似。在真实数据集上的实验表明，与一些最先进的竞争对手相比，我们的方法是有效的。特别是，eRAN在以更高的准确性推荐冷启动项目以及理解复杂的共同购买行为背后的用户偏好方面显示出其独特的能力。
2020-09-23 cs.IR
Graph Embedding for Recommendation against Attribute Inference Attacks
近年来，推荐系统在帮助用户识别满足个人偏好的最合适的项目方面发挥了关键作用。由于用户-项目交互可以自然地建模为图结构数据，因此图卷积网络（GCN）的变体已经成为最新的建模器中公认的构建块。由于敏感用户简档数据的广泛使用，现有的推荐模式可能会使用户面临隐私泄露的威胁，基于GCN的推荐者也不例外。除了原始用户数据的泄漏外，当前的推理攻击的脆弱性为恶意攻击者提供了一个后门，通过他们的行为足迹和推荐结果来估计用户的私人属性。然而，很少有人注意到开发推荐系统，可以抵御这种属性推理攻击，现有的作品实现攻击抵抗牺牲相当大的推荐精度或只覆盖特定的攻击模型或受保护的信息。在我们的论文中，我们提出了GERAI，一种新的差分私有图卷积网络，以解决这些限制。具体来说，在GERAI中，我们将差分隐私中的信息扰动机制与图卷积网络的推荐能力相结合。此外，基于局部差分隐私和功能机制，创新性地设计了一种双阶段加密范式，同时对用户敏感特征和模型优化过程实施隐私保障。大量的实验表明，GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。
2021-01-29 cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Interactive Path Reasoning on Graph for Conversational Recommendation
传统的推荐系统根据用户过去的交互历史来估计用户对项目的偏好，从而在获得细粒度和动态的用户偏好方面受到限制。会话式推荐系统（CRS）通过使系统能够直接询问用户关于物品的偏好属性，从而为这些限制带来了革命。然而，现有的CRS方法没有充分利用这一优势-他们只使用属性反馈，而隐含的方式，如更新潜在的用户表示。在本文中，我们提出了会话路径推理（CPR），一个通用的框架，模型会话推荐作为一个互动的路径推理问题的图。它通过遵循用户反馈来遍历属性顶点，以显式的方式利用用户偏好的属性。通过利用图结构，CPR能够修剪掉许多不相关的候选属性，从而更好地命中用户偏好的属性。为了演示CPR是如何工作的，我们提出了一个简单而有效的实例化，名为SCPR（简单CPR）。我们进行实证研究的多轮会话推荐的情况下，最现实的CRS设置，到目前为止，考虑多轮询问属性和推荐项目。通过在两个数据集Yelp和LastFM上的大量实验，我们验证了我们的SCPR的有效性，它显着优于最先进的CRS方法ARXiv（arXiv：2002.09102）和CRM（arXiv：1806.03277）。特别是，我们发现，有更多的属性，我们的方法可以实现更多的优势。
2020-07-01 cs.IR
On Interpretation and Measurement of Soft Attributes for Recommendation
我们解决如何鲁棒地解释自然语言的改进（或批评）的推荐系统。特别是，在人-人推荐环境中，人们经常使用软属性来表达对物品的偏好，包括电影情节的原创性，场所的嘈杂度或食谱的复杂性等概念。虽然二进制标记在推荐系统的上下文中被广泛研究，但软属性通常涉及主观和上下文方面，这些方面不能以这种方式可靠地捕获，也不能在知识库中表示为客观的二进制真理。这也增加了衡量软属性排名时的重要考虑因素。我们提出了一个更自然的表示为个性化的相对语句，而不是绝对的项目属性。我们提出了新的数据汇集技术和评估方法，以及一个新的公共数据集。我们还提出了一套评分方法，从无监督到弱监督到完全监督，作为解释和基于软属性的批评的一步。
2021-05-19 cs.IR
Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
针对基于会话推荐中数据稀疏及现有属性建模方法缺乏通用性的问题，提出与模型无关的框架AttrGAU，通过构建二分属性图、解耦现有模型并引入对齐与一致性约束，显著提升了属性无关模型的推荐准确性与鲁棒性。
2024-10-14 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
DUM: Diversity-Weighted Utility Maximization for Recommendations
推荐列表多样化的需要在许多推荐系统用例中表现出来。然而，多样性的增加可能会损害建议的效用，因为清单中的相关项目可能会被更多样的项目所取代。在这项工作中，我们提出了一种新的方法，最大限度地提高效用的推荐项目的多样性用户的口味，并表明，这个问题的最佳解决方案可以找到greenly。我们评估所提出的方法在两个在线用户的研究，以及在离线分析，将一些评估指标。评估的结果表明，我们的方法的优越性超过了一些基线。
2014-11-13 cs.IR stat.ML
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程，候选项生成和建议有效地帮助用户找到最适合他们的项目。因此，识别可互换的可替代项目开辟了新的机会，以改善所生成的候选人的质量。当用户正在浏览特定类型的产品（例如，笔记本电脑）购买，替代品的准确推荐（例如，配备更好的笔记本电脑）可以为用户提供更合适的选择，从而大大增加成功购买的机会。然而，现有的方法仅仅把这个问题作为挖掘成对项目关系，而没有考虑用户的个人偏好。此外，可替代的关系是通过学习项目的潜在表示隐含地识别，导致不可解释的推荐结果。在本文中，我们提出了属性感知的协同过滤（A2 CF）执行替代推荐解决问题，从个性化和可解释性的角度。而不是直接建模的用户-项目的交互，我们提取明确的和极化的项目属性与情感分析，之后的属性，用户和项目的表示同时学习的用户评论。然后，通过将属性视为用户和项目之间的桥梁，我们可以彻底建模用户-项目偏好（即，个性化）和项目-项目关系（即，替代）的建议。此外，A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验，证明了A2 CF的推荐有效性和解释质量。
2020-05-19 cs.IR
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
Counterfactual Explanation for Fairness in Recommendation
本文提出CFairER模型，利用异质信息网络和离策略强化学习生成属性级反事实解释，通过注意力动作剪枝缩小搜索空间，在保持推荐性能的同时实现公平性诊断。
2023-07-10 cs.IR
Improving Recommendation Fairness without Sensitive Attributes Using Multi-Persona LLMs
针对推荐系统在无敏感属性场景下的公平性问题，提出LLMFOSA框架，利用多角色大语言模型推断敏感信息并学习鲁棒表示，通过互信息目标优化，在公开数据集上验证了提升公平性的有效性。
2025-05-26 cs.IR
Knowledge-aware Dual-side Attribute-enhanced Recommendation
针对现有知识感知推荐方法无法建模细粒度用户偏好及利用偏好-属性连接的问题，提出KDAR方法，通过构建用户偏好和属性融合表示增强协同过滤，并引入多级协同对齐对比机制区分属性贡献，在四个基准数据集上优于基线。
2024-03-24 cs.IR
GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation
流媒体基于会话的推荐（SSR）是一个具有挑战性的任务，需要推荐系统在流媒体场景中进行基于会话的推荐（SR）。在电子商务和社交媒体的实际应用中，在一定时间内生成的用户-项目交互序列被分组为会话，并且这些会话以流的形式连续到达。最近的SR研究大多集中在静态设置，首先获得训练数据，然后用于训练基于会话的推荐模型。它们需要在整个数据集上进行几个时期的训练，这在流媒体设置中是不可行的。此外，由于对用户信息的忽视或简单使用，很难很好地捕捉用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流设计的。在本文中，我们提出了一个全局属性图（GAG）神经网络模型与Wasserstein水库的SSR问题。一方面，当新会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以考虑全局属性和当前会话两者，以学习会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein水库，以帮助保存历史数据的代表性草图。在两个真实数据集上进行了大量的实验，以验证与最先进的方法相比，GAG模型的优越性。
2021-07-09 cs.IR
Comprehensive Privacy Analysis on Federated Recommender System against Attribute Inference Attacks
近年来，推荐系统对于提供满足用户偏好的个性化服务至关重要。通过个性化推荐服务，用户可以享受电影、书籍、广告、餐厅等多种推荐。尽管有很大的好处，个性化推荐通常需要收集个人数据进行用户建模和分析，这可能使用户容易受到属性推断攻击。具体地，现有集中式加密器在属性推断攻击下的脆弱性为恶意攻击者留下了推断用户的私有属性的后门，因为系统记住了它们的训练数据的信息（即，交互数据和辅助信息）。一种新兴的实践是在联合设置中实现推荐器系统，其使得所有用户设备能够协作地学习共享全局推荐器，同时将所有训练数据保持在设备上。然而，在联邦推荐系统中的隐私问题却很少被探讨。在本文中，我们首先设计了一个新的属性推理攻击执行一个全面的隐私分析的最先进的联邦推荐模型。实验结果表明，每个模型组件对属性推理攻击的脆弱性是不同的，突出了新的防御方法的需要。因此，我们提出了一种新的自适应隐私保护方法，以保护用户的敏感数据存在的属性推理攻击，同时最大限度地提高推荐精度。在两个真实数据集上的大量实验结果验证了我们的模型在推荐有效性和抵抗推理攻击方面的优越性能。
2023-03-19 cs.IR
Chain-of-Choice Hierarchical Policy Learning for Conversational Recommendation
本文提出多类型属性多轮对话推荐问题设置MTAMCR，并设计链式选择分层策略学习框架CoCHPL，通过分层强化学习同时优化提问效率与推荐效果，在四个基准上超越现有方法。
2024-04-03 cs.IR
Enhancing LLM-based Recommendation with Preference Hint Discovery from Knowledge Graph
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）
本文提出基于知识图谱的偏好提示发现模型，通过提取关键属性作为提示，提升大语言模型在推荐任务中的表现。
2026-01-26 cs.IR
Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
针对推荐系统个性化公平现有方法训练成本高、公平与准确性权衡次优的问题，提出仅需训练一个模型、推理时自适应满足不同公平要求的AFRL模型，通过信息对齐机制兼顾公平性与推荐准确性，经实验和理论分析验证了其优越性。
2024-04-13 cs.IR
Multiple Choice Questions based Multi-Interest Policy Learning for Conversational Recommendation
会话式推荐系统（CRS）能够基于交互式对话获取细粒度的、动态的用户偏好。以前的CRS假设用户有一个明确的目标项。然而，对于许多使用CRS的用户来说，他们可能并不清楚自己真正喜欢的是什么。具体地，用户可能对物品的某些属性类型（例如颜色）具有明确的单一偏好，而对于其他属性类型，用户可能具有多个偏好或者甚至没有明确的偏好，这导致一个属性类型的多个可接受的属性实例（例如黑色和红色）。因此，用户可以在多个属性实例的组合下显示他们对项目的偏好，而不是所有属性实例的唯一组合的单个项目。因此，我们首先提出了一个更现实的CRS学习设置，即多兴趣多轮会话推荐，其中用户可能有多个属性实例组合的兴趣，并接受多个项目的属性实例的部分重叠组合。为了有效地应对新的CRS学习环境，在本文中，我们提出了一种新的学习框架，即基于多选择问题的多兴趣策略学习。为了更有效地获取用户的偏好，代理生成多项选择问题，而不是二元的是/否的特定属性实例。此外，我们提出了一个联合集策略来选择候选项目，而不是现有的交集策略，以克服过度过滤项目在会话。最后，我们设计了一个多兴趣策略学习模块，它利用捕获的用户的多个兴趣来决定下一步的行动，无论是问属性实例或推荐项目。在四个数据集上的实验结果验证了该方法的优越性。
2022-02-07 cs.IR
LLM-Powered Nuanced Video Attribute Annotation for Enhanced Recommendations
本研究提出利用大语言模型作为标注器，在工业短视频推荐系统中实现细粒度内容属性标注，通过端到端流程和知识蒸馏，显著提升标注质量与用户参与度。
2025-10-08 cs.IR
Coherence-guided Preference Disentanglement for Cross-domain Recommendations
针对跨域推荐中共享用户与共享物品稀缺的问题，提出CoPD方法，通过一致性约束提取共享物品属性，并以流行度加权损失将用户偏好解耦为兴趣与从众性嵌入，实验证明其优于竞争基线。
2025-06-09 cs.IR
A^2-GCN: An Attribute-aware Attentive GCN Model for Recommendation
属性作为重要的辅助信息，在现有的推荐系统中得到了广泛的应用。在现实世界的场景中，项目/用户的一些属性缺失是常见的（例如，一些电影丢失类型数据）。先前的研究通常使用默认值（即，“其他”）来表示缺失的属性，从而导致次优性能。为了解决这个问题，在本文中，我们提出了一个属性感知注意图卷积网络（A ${^2}$ -GCN）。特别是，我们首先构建一个图，其中用户，项目和属性是三种类型的节点，它们的关联是边。之后，我们利用图卷积网络来表征<用户，项目，属性>之间的复杂交互。为了学习节点表示，我们转向消息传递策略来聚合从其他直接链接类型的节点（例如，用户或属性）。为此，我们能够结合关联属性来加强用户和项目表示，从而自然地解决属性缺失问题。考虑到对于不同的用户，项目的属性对他们对该项目的偏好有不同的影响，我们设计了一种新的注意力机制，通过考虑属性信息来过滤从项目传递到目标用户的消息。在几个公开访问的数据集上进行了大量的实验，以证明我们的模型是正确的。结果表明，我们的模型优于几个国家的最先进的方法，并证明了我们的注意力方法的有效性。
2020-03-20 cs.IR
Towards Multi-Subsession Conversational Recommendation
提出多子会话多轮对话式推荐场景MSMCR及新框架MSCAA，通过上下文感知推荐、属性选择策略与对话策略模块协同，有效建模用户跨会话兴趣并主动激活，在四个数据集上验证了有效性。
2023-10-20 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
Representation Online Matters: Practical End-to-End Diversification in Search and Recommender Systems
Pinterest, Inc.（Pinterest公司）
本文提出端到端多样化机制，在 Pinterest 搜索与推荐系统中通过分桶检索和行列式点过程多目标优化，在改善肤色表征的同时平衡多样性与效用。
2023-05-26 cs.CY cs.IR cs.LG
Attribute-aware Explainable Complementary Clothing Recommendation
The University of Queensland（昆士兰大学）
现代电子商务推荐系统对时尚商品之间的混搭关系建模的要求越来越高，但也越来越具有挑战性。在进行服装匹配时，大多数现有的方法利用从时尚物品图像中提取的潜在视觉特征进行兼容性建模，这缺乏对所生成的匹配结果的可解释性，并且难以说服用户推荐。尽管最近的方法开始结合预定义的属性信息（例如，颜色、款式、长度等）对于学习项目表示和改进模型可解释性，它们对属性信息的利用仍然主要保留用于增强所学习的项目表示和经由后处理生成解释。因此，当我们试图提高推荐准确性并生成细粒度的解释时，这会产生严重的瓶颈，因为显式属性与实际推荐过程只有松散的联系。本文提出了一种新颖的属性感知的时尚推荐器（AFRec），旨在解决时尚推荐任务中的可解释性挑战。具体而言，AFRec推荐器通过明确利用从每个项目的视觉特征中提取的属性级表示来评估服装兼容性。属性作为两个时尚物品之间的桥梁，我们通过学习它们属性之间的兼容性来量化一对物品的亲和力。大量的实验表明，通过充分利用推荐过程中的显式属性，AFRec能够实现最先进的推荐准确率，同时生成直观的解释。
2021-07-04 cs.IR cs.LG
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
本文提出概率偏好混淆方法 SBO，在保持推荐准确率的同时降低用户受保护属性泄露风险，并在多个主流模型和数据集上验证了其更优的准确率—隐私权衡。
2024-06-17 cs.IR
Attribute Simulation for Item Embedding Enhancement in Multi-interest Recommendation
本文针对多兴趣推荐中物品嵌入欠聚类问题，提出SimEmb模块，利用物品共现矩阵模拟属性并替代ID嵌入进行属性加权求和，在四个基准数据集上显著提升聚类效果，Recall@20平均提升25.59%。
2023-11-29 cs.IR
UniRec: Unified Multimodal Encoding for LLM-Based Recommendations
Meta Monetization AI（Meta货币化人工智能）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
UniRec通过统一多模态编码解决推荐系统中多模态信息的理解挑战，提出三元组表示和分层Q-Former结构，实现在多个基准测试中提升15%的性能。
2026-04-30 cs.IR
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
Hyper-Class Representation of Data
数据表示通常是一个自然的形式与他们的属性值。在此基础上，数据处理是以属性为中心的计算。然而，以属性为中心的计算存在三个局限性，即计算不灵活、偏好计算和输出不令人满意。为了解决这些问题，提出了一种新的数据表示方法--超类表示法。首先定义了数据特征的交叉熵、KL散度和JS散度。利用这三个参数可以发现数据中的超类。最后，通过一种推荐算法对所提出的数据超类表示进行了评价，结果表明，超类表示能够为推荐系统提供真正有用的参考信息，并且推荐效果远优于现有的推荐算法，这种方法是有效和有前途的。
2022-07-15 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach
Hefei University of Technology（合肥工业大学）
在许多推荐系统中，用户和项目与属性相关联，用户对项目表示偏好。属性信息描述了用户（项目）的特征，具有广泛的应用，如用户分析，项目注释和功能增强的推荐。由于注释用户（项目）属性是一项劳动密集型任务，因此属性值通常不完整，并且有许多属性值缺失。因此，项目推荐和属性推理成为这些平台的两个主要任务。长期以来，研究者们一致认为用户（物品）属性和偏好行为是高度相关的。一些研究人员提出利用一种数据来完成剩余的任务，并显示出提高性能的效果。然而，这些模型要么忽略了用户（项目）属性的不完整性，要么考虑了两个任务的相关性与简单的模型，导致这两个任务的次优性能。为此，在本文中，我们定义了这两个任务的属性用户项二分图，并提出了一个自适应图卷积网络（AGCN）的联合项目推荐和属性推理的方法。AGCN的关键思想是迭代地执行两个部分：1）使用先前学习的近似属性值来学习图嵌入参数，以促进两个任务; 2）将近似的更新属性值发送回属性图，以进行更好的图嵌入学习。因此，AGCN可以自适应地调整图嵌入学习参数，通过结合给定的属性和估计的属性值，以提供弱监督的信息，以改善这两个任务。在三个真实世界数据集上的大量实验结果清楚地表明了所提出的模型的有效性。
2020-05-25 cs.IR cs.LG
Minimalist and High-performance Conversational Recommendation with Uncertainty Estimation for User Preference
会话式推荐系统（CRS）是一种用户友好的方式来捕捉用户对候选项目和属性的动态偏好。Multi-shot CRS旨在多次提出建议，直到用户接受建议或在耐心结束时离开。现有的工作是用强化学习（RL）训练的，这可能会受到不稳定的学习和过高的计算要求的影响。在这项工作中，我们提出了一个简单而有效的CRS，Minimalist非增强交互式concilional推荐网络（MINICORN）。MINICORN模型的估计用户偏好的认知不确定性和查询用户的属性具有最高的不确定性。该系统采用了一个简单的网络架构，并使用一个单一的规则进行查询与推荐的决定。令人惊讶的是，这种最低限度的方法在三个真实世界数据集上的表现远远优于最先进的RL方法。我们希望MINICORN将成为未来研究的宝贵基线。
2022-07-01 cs.IR
SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation
Alibaba Group（阿里巴巴集团）
研究针对生成式推荐中现有离散语义ID问题，提出SPARC框架，通过建模序列依赖、路由多表示到插槽及轻量级交互，在不增输入长度下丰富用户历史表示，实验证明其性能优于基线，改进源于上下文条件信息保留。
2026-07-29 cs.IR
Dual Preference Distribution Learning for Item Recommendation
提出双偏好分布学习框架DUPLE，联合学习用户总体偏好和特定属性偏好，在六个数据集上验证了推荐有效性与可解释性。
2022-11-04 cs.IR
Unified Conversational Recommendation Policy Learning via Graph-based Reinforcement Learning
会话式推荐系统（CRS）使得传统的推荐系统能够通过交互式会话显式地获取用户对项目和属性的偏好。强化学习（RL）被广泛用于学习会话推荐策略，以决定在每个会话回合询问什么属性、推荐哪些项目以及何时询问或推荐。然而，现有的方法主要针对这三个决策问题中的一个或两个问题，这限制了CRS的可扩展性和通用性，并且不能保持稳定的训练过程。鉴于这些挑战，我们建议制定这三个决策问题在CRS作为一个统一的策略学习任务。为了系统地集成会话和推荐组件，我们开发了一种基于动态加权图的RL方法来学习策略，以在每个会话回合选择动作，无论是询问属性还是推荐项目。此外，为了解决样本效率问题，我们提出了两种根据偏好和熵信息来减少候选动作空间的动作选择策略。在两个基准CRS数据集和一个真实电子商务应用上的实验结果表明，该方法不仅显著优于现有方法，而且提高了CRS的可扩展性和稳定性。
2021-05-20 cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；MX Media Co., Ltd（MX媒体有限公司）
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐，而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合，Murzim可以捕获用户偏好模式，为用户-项目交互序列生成嵌入，然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明，Murzim在召回率和MRR方面优于其他几种推荐方法，说明Murzim可以利用项目属性信息产生更好的推荐结果。目前，Murzim已经部署在印度最大的流媒体平台之一MX Player中，正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
Preference Elicitation with Soft Attributes in Interactive Recommendation
University of Southern California（南加州大学）；University of Virginia（弗吉尼亚大学）；Google Research（谷歌研究院）
针对交互式推荐中用户偏好难以用常规属性描述的问题，提出融合物品与软属性、基于概念激活向量的偏好诱导方法，有效提升推荐质量。
2023-10-22 cs.AI cs.IR
