Neural Fair Collaborative Filtering
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；Hong Kong University of Science and Technology（香港科技大学）
越来越多的人类互动在社交媒体平台上被数字化，并受到算法决策的影响，确保这些算法的公平对待变得越来越重要。在这项工作中，我们研究了在社交媒体数据上训练的协作过滤推荐系统中的性别偏见。我们开发了神经公平协同过滤（NFCF），这是一个实用的框架，用于在推荐敏感项目（例如工作，学术浓度或学习课程）时减轻性别偏见，使用神经协同过滤的预训练和微调方法，并辅以偏见校正技术。我们分别在MovieLens数据集和Facebook数据集上展示了我们的方法在性别去偏见职业和大学专业推荐方面的实用性，并实现了比几个最先进的模型更好的性能和更公平的行为。
2020-09-02 cs.IR cs.LG stat.ML
Collaborative Filtering with Label Consistent Restricted Boltzmann Machine
IIIT Delhi（德里英德拉普拉斯塔信息技术学院）
采用受限玻尔兹曼机（RBM）进行协同过滤的可能性已经知道了大约十年。然而，自2007年以来，几乎没有关于这一专题的任何工作。这项工作回顾了RBM在推荐系统中的应用。基于RBM的协同过滤只使用评分信息，这是一个无监督的架构。这项工作通过利用用户人口统计信息和项目元数据来增加监督。网络是从表示层到标签（元数据）学习的。建议的标签一致的RBM制定显着改善现有的RBM为基础的方法和产量的结果与国家的最先进的潜在因素为基础的模型。
2019-10-17 cs.IR cs.LG cs.NE
Completing partial recipes using item-based collaborative filtering to recommend ingredients
University of Edinburgh（爱丁堡大学）
公众对健康生活方式的兴趣增加，促使人们研究鼓励人们遵循健康饮食的算法。在只有隐式反馈的领域中，应用协同过滤来构建推荐系统也是一个快速发展的研究领域。在这份报告中，我们结合这两个趋势，开发了一个推荐系统，建议可以添加到部分食谱的成分。我们实现了基于项目的协同过滤算法，使用高维，稀疏数据集的食谱，它本质上只包含隐式反馈。我们探索了不同的相似性度量和降维对推荐质量的影响，发现我们最好的方法实现了大约40%的召回率。
2020-02-04 cs.IR cs.LG stat.ML
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology（密苏里科技大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）；Applied Computational Intelligence Laboratory, Missouri University of Science and Technology（密苏里科技大学应用计算智能实验室）
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来，推荐系统的使用越来越广泛，帮助人们选择要看的电影、要读的书和要买的东西。然而，用户在使用这类系统时往往会担心自己的隐私，许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐，同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤，提供了一个广阔的视野，并使用两个不同的标准对文献中的关键贡献进行分类：他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Beyond Parity: Fairness Objectives for Collaborative Filtering
Virginia Tech（弗吉尼亚理工大学）
我们研究了协同过滤推荐系统的公平性，该系统对历史数据中存在的歧视很敏感。有偏见的数据可能导致协作过滤方法对少数群体的用户做出不公平的预测。我们确定现有的公平性指标的不足，并提出了四个新的指标，解决不同形式的不公平。这些公平性度量可以通过向学习目标添加公平性项来优化。在合成数据和真实数据上的实验表明，我们的新指标可以更好地衡量公平性比基线，公平性目标有效地帮助减少不公平。
2017-11-30 cs.AI cs.IR cs.LG
Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison
Eindhoven University of Technology（埃因霍温理工大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异，即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下，原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中，我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的，基于模型的，和信任感知的推荐算法。
2019-08-02 cs.IR cs.LG cs.SI
Bridging Conversational and Collaborative Signals for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对对话推荐系统（CRS）缺乏协同过滤（CF）信号的问题，提出Reddit-ML32M数据集及基于LLM的框架，通过关联对话与交互数据优化推荐排序，命中率提升12.32%、NDCG提升9.9%。
2025-02-10 cs.AI cs.IR cs.LG
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto（多伦多大学）
在本文中，几个协同过滤（CF）的方法与潜变量的方法进行了研究，使用用户项目的相互作用，以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式，并提供产品建议。具有神经协同过滤（NCF）的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益（NDCG）性能。使用贝叶斯优化（BO）测试不同的超参数在CF框架中的适用性。外部数据源，如点击数据和指标，如点击率（CTR）进行了审查，以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术，以增加收入，吸引新客户，并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
Echo Chambers in Collaborative Filtering Based Recommendation Systems
Stanford University（斯坦福大学）；University of Washington（华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Berkeley（加州大学伯克利分校）
推荐系统支撑着现代几乎所有在线内容的服务。从Youtube和Netflix推荐，到Facebook订阅和谷歌搜索，这些系统旨在根据用户的预测偏好过滤内容。最近，这些系统面临着越来越多的批评，就其对内容多样性，社会两极分化和健康的公共话语的影响。在这项工作中，我们模拟了协同过滤算法在MovieLens数据集中对用户的推荐。我们发现，长期接触系统生成的建议大大减少了内容多样性，移动个人用户进入“回声室”的特点是一个狭窄的内容范围。此外，我们的工作表明，一旦这些回声室已经建立，这是很难为个人用户突破单独操纵自己的评级向量。
2020-11-08 cs.AI cs.IR cs.LG
Deep Variational Models for Collaborative Filtering-based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
深度学习提供了精确的协同过滤模型来改善推荐系统的结果。深度矩阵分解及其相关的协作神经网络是该领域的最新技术;然而，这两种模型都缺乏必要的随机性来创建变分自编码器所展示的鲁棒、连续和结构化的潜在空间。另一方面，由于推荐系统的高稀疏性，通过变分自编码器的数据增强在协同过滤领域中不提供准确的结果。我们提出的模型应用变分的概念，注入随机性的深层架构的潜在空间，引入变分技术在神经协同过滤领域。该方法不依赖于用于生成潜在表示的特定模型。通过这种方式，这种方法可以作为插件应用于任何当前和未来的特定模型。所提出的模型已经使用四个代表性的开放数据集，三种不同的质量指标和最先进的基线进行了测试。结果表明，所提出的方法的优越性的情况下，变分富集超过注入噪声的影响。此外，提供了一个框架，使进行的实验的再现性。
2021-07-27 cs.IR cs.LG cs.NE
Collaborative filtering via sparse Markov random fields
Center for Pattern Recognition and Data Analytics（模式识别与数据分析中心）；Deakin University（迪肯大学）
推荐系统在提供个性化的信息和服务方面发挥着核心作用。本文重点介绍了协同过滤，一种方法，利用共享结构之间的头脑喜欢的用户和类似的项目。特别是，我们专注于一个正式的概率框架称为马尔可夫随机场（MRF）。我们解决了结构学习的开放问题，并引入了稀疏诱导算法来自动估计用户之间和项目之间的交互结构。项目-项目和用户-用户相关网络作为副产品获得。在电影推荐和日期匹配数据集上的大规模实验证明了该方法的有效性。
2016-02-09 cs.IR cs.LG stat.ML
TimeKit: A Time-series Forecasting-based Upgrade Kit for Collaborative Filtering
Yonsei University（延世大学）；Kakao Corporation（Kakao公司）
推荐系统是数据采掘和机器学习领域的一个长期研究课题。当新的用户-项交互日志到达时，它们本质上是增量的。在实际应用中，我们需要定期训练协同过滤算法来提取用户/项目嵌入向量，因此，可以自然地定义嵌入向量的时间序列。我们提出了一个基于时间序列预测的升级工具包（TimeKit），它的工作方式如下：i）首先确定一个基本的协同过滤算法，ii）使用基本算法从用户-项目交互日志中增量地提取用户/项目嵌入向量，例如，每个月，iii）用提取的嵌入向量的时间序列训练我们的时间序列预测模型，然后iv）预测未来的嵌入向量并由于最近在处理复杂的时间序列数据方面的突破而用它们的点积分数进行推荐，即，神经控制微分方程（NCDE）我们的实验与四个真实世界的基准数据集表明，所提出的时间序列预测为基础的升级工具包可以显着提高现有流行的协同过滤算法。
2022-11-08 cs.AI cs.IR cs.LG
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering
Ariel University（阿里尔大学）；Tel Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）
在推荐系统中，两个主要的挑战是对具有不同品味的用户进行建模，并提供可解释的推荐。在本文中，我们提出了一个统一的解决方案，这两个问题的神经注意力多角色协作过滤（AMP-CF）模型。AMP-CF将用户分解为几个潜在的“人物角色”（配置文件），以识别和辨别用户的不同品味和倾向。然后，揭示的人物角色用于为用户生成和解释最终的推荐列表。AMP-CF将用户建模为一个有注意力的人物角色混合体，支持基于所考虑的项目而变化的动态用户表示。我们展示了AMP-CF上的五个协同过滤数据集的域的电影，音乐，视频游戏和社交网络。作为一个额外的贡献，我们提出了一种新的评价方案，用于比较不同的项目在推荐列表中的基础上的距离从底层分布的“口味”在用户的历史项目。实验结果表明，AMP-CF是竞争力与其他国家的最先进的模型。最后，我们提供了定性的结果来展示AMP-CF解释其建议的能力。
2020-09-26 cs.AI cs.IR cs.LG
Reducing offline evaluation bias of collaborative filtering algorithms
Viadeo；Université Paris 1 Panthéon - Sorbonne（巴黎第一大学先贤祠-索邦大学）
推荐系统已经被集成到大多数大型在线系统中，以根据用户简档过滤和排名信息。因此，它会影响用户与系统交互的方式，并因此影响使用历史数据计算的推荐算法的性能评估（通过离线评估）。本文提出了一种新的应用加权离线评估，以减少这种偏见的协同过滤算法。
2015-06-12 cs.IR cs.LG stat.ML
Crank up the volume: preference bias amplification in collaborative recommendation
DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
推荐系统是个性化的：我们期望给特定用户的结果反映该用户的偏好。一些研究人员研究了校准的概念，推荐与用户陈述的偏好匹配的程度，以及偏差差异，即错误校准影响不同用户组的程度。在本文中，我们研究了偏见的差距在一系列不同的算法和不同的项目类别，并证明基于模型和基于内存的算法之间的显着差异。
2019-09-13 cs.IR cs.LG stat.ML
Learning to Fast Unrank in Collaborative Filtering Recommendation
针对推荐系统遗忘效率低的问题，本文提出L2UnRank方法，通过p跳传播识别影响范围、计算结构与语义影响并进行排序感知的参数更新，在保持推荐质量的同时实现50倍加速的取消排名。
2025-11-10 cs.AI cs.IR cs.LG
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
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems
Université de la Polynésie Française（法属波利尼西亚大学）；NzhinuSoft
在过去的二十年里，由于在线应用程序中数据量的爆炸式增长，推荐系统引起了人们的极大兴趣。一个特别的注意力已经支付给协同过滤，这是最广泛使用的应用程序，涉及信息推荐。协同过滤（CF）使用一组用户的已知偏好来对其他用户的未知偏好进行预测和推荐（推荐是基于用户的过去行为）。1990年代首次引入，提出了各种各样越来越成功的模式。由于机器学习技术在许多领域的成功，在推荐系统中应用这些算法已经越来越受到重视。在本文中，我们概述了推荐系统的CF方法、其两个主要类别及其评估指标。我们专注于经典的机器学习算法的CF推荐系统的应用，提出他们的进化，从他们的第一个用例，先进的机器学习模型。我们试图提供一个全面的CF系统（与Python实现）的比较概述，可以作为在这一领域的研究和实践的指导方针。
2021-06-22 cs.AI cs.IR cs.LG
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan（萨斯喀彻温大学）；Singapore Management University（新加坡管理大学）；McLaren Applied（迈凯伦应用技术公司）
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验，期望具有一种推荐系统，其不仅可以建议项目（例如，GitHub存储库），而且还包括要对建议项目执行的活动（例如，forking一个repository）。为此，我们提出了一种新的方法，称为Keen 2Act，它将推荐问题分解为两个阶段：Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的（子）集合。然后，Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务，同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法，并获得了令人鼓舞的结果，Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Collaborative Filtering under Model Uncertainty
University of Tübingen（蒂宾根大学）
在他们的工作中，Dean，Rich和Recht创建了一个模型来研究推荐系统中项目的资源和可用性。我们使用Marx，Pin Calmon和Ustun对预测多重性的定义来检查该模型的不同变体，使用两个模型参数的不同值。他们的模型的成对比较表明，这些模型中的大多数产生非常相似的结果的差异和模糊性的可用性，只有在某些情况下的可用性集显着不同。
2020-08-25 cs.LG stat.ML
A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems
Center for Artificial Intelligence and Technology（人工智能与技术中心）；Faculty of Information Science and Technology（信息科学与技术学院）；The National University of Malaysia（马来西亚国立大学）
本文综述DNN在协同过滤推荐中的应用，梳理基础原理、模型类别、评估协议、辅助信息及未来挑战。
2024-12-02 cs.AI cs.LG
Graph DNA: Deep Neighborhood Aware Graph Encoding for Collaborative Filtering
University of California, Davis（加州大学戴维斯分校）；Amazon（亚马逊）
在本文中，我们考虑推荐系统的边信息的形式图。现有的协同过滤算法主要利用直接的邻域信息，并有很难利用超过1-2跳的更深的邻域。利用更深层次的图形信息的主要警告是，当合并来自这些邻域的信息时，时间和空间复杂度快速增长。在本文中，我们提出了使用图DNA，一种新的深度邻域感知图编码算法，用于开发更深层次的邻域信息。DNA编码使用布隆过滤器（一种空间高效的概率数据结构）在线性时间内计算近似的深度邻域信息，并导致图中节点数量为对数的每节点编码。它可以与基于特征和基于图正则化的协同过滤算法结合使用。与直接使用高阶图信息相比，图DNA具有内存和时间效率高的优点，并提供额外的正则化。我们在真实世界的数据集上进行了实验，表明图DNA可以很容易地与4种流行的协同过滤算法一起使用，并始终导致性能提升，而计算和内存开销很少。
2019-05-29 cs.AI cs.LG stat.ML
Collaborative Filtering via Group-Structured Dictionary Learning
Eötvös Loránd University（厄特沃什·罗兰大学）；Carnegie Mellon University（卡内基梅隆大学）
结构化稀疏编码及其相关的结构化字典学习问题是机器学习领域的一个新的研究方向。在本文中，我们提出了一个新的应用结构化字典学习的协同过滤推荐系统。我们广泛的数值实验表明，所提出的技术优于其国家的最先进的竞争对手，并有几个优点的方法，不把结构化的约束字典元素。
2012-01-01 cs.LG math.OC math.ST
Collaborative Filtering with Recurrent Neural Networks
IRIDIA（IRIDIA实验室）；Université Libre de Bruxelles（布鲁塞尔自由大学）
我们表明，协同过滤可以被看作是一个序列预测问题，并给予这种解释，循环神经网络提供了非常有竞争力的方法。特别是，我们研究了如何将长短期记忆（LSTM）应用于协同过滤，以及如何将其与电影推荐的标准最近邻和矩阵分解方法进行比较。我们证明了LSTM在各个方面都具有竞争力，并且在项目覆盖率和短期预测方面大大优于其他方法。
2017-01-03 cs.IR cs.LG
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation
Northeastern University（东北大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对LLM推荐中微调损害通用知识、协同特征干扰提示语义的问题，本文提出CoRA，将协同信息经查询生成与低秩权重转换注入LLM参数空间，实现免微调、免额外标记的个性化推荐并提升性能。
2024-10-25 cs.IR cs.LG
CF4CF: Recommending Collaborative Filtering algorithms using Collaborative Filtering
自动解决方案，使选择最好的算法为一个新的问题是常见的文献。一个研究领域，最近收到了相当大的努力是协同过滤。现有的工作包括使用元学习的几种方法，这些方法将数据集的特性与算法的性能联系起来。这项工作探讨了解决这一问题的另一种方法。由于两者本质上都是推荐问题，因此本文采用协同过滤算法来选择协同过滤算法。我们的方法集成了子采样landmarks，这是一种数据表征方法，通常用于元学习，与标准的协同过滤方法。实验结果表明，CF4CF在协同过滤算法选择问题上与标准元学习策略竞争。
2018-03-06 cs.IR
A Refined SVD Algorithm for Collaborative Filtering
ETH Zürich（苏黎世联邦理工学院）
协同过滤试图根据具有相似品味的其他用户的意见来预测用户对某些项目的评级。评级通常以稀疏矩阵的形式给出，目标是找到缺失的条目（即评级）。协同过滤的方法有很多种，其中最流行的是奇异值分解（SVD）和K-means聚类。SVD方法中的一个挑战是找到未知评级的良好初始化。[1]建议了一种可能的初始化。在本文中，我们解释了如何使用K-means方法来实现SVD初始化的进一步改进。我们表明，我们的技术优于单独使用的两种初始化技术。
2020-12-13 cs.IR cs.LG
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
Boosting Simple Collaborative Filtering Models Using Ensemble Methods
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在本文中，我们将研究集成学习的协同过滤方法的性能的影响。我们提出了几个系统的方法来生成一个合奏的协同过滤模型的基础上，一个单一的协同过滤算法（单模型或同质合奏）。我们提出了一个适应机器学习中的几个流行的集成技术的协同过滤域，包括装袋，助推，融合和随机注入。我们评估所提出的方法上的几种类型的协同过滤基础模型：k- NN，矩阵分解和邻域矩阵分解模型。经验评估表明，预测的改善相比，所有的基础CF算法。特别是，我们表明，与单个强CF模型（如矩阵分解）相比，简单（弱）CF模型（如k-NN）的集合的性能具有竞争力，同时需要一个数量级的计算成本。
2012-11-13 cs.IR cs.LG stat.ML
Rethinking Neural vs. Matrix-Factorization Collaborative Filtering: the Theoretical Perspectives
Walmart Labs（沃尔玛实验室）；Instacart
Rendle等人（2020）的最新工作基于经验观察，认为矩阵分解协同过滤（MCF）优于神经协同过滤（NCF），并证明了点积作为相似性函数优于前馈神经网络。在本文中，我们通过回答以下问题严格地解决比较：1。每个模型的极限表达能力是什么; 2.在实际的梯度下降下，每条优化路径收敛到哪个解; 3.模型在归纳和转换学习环境下如何推广。我们的研究结果突出了类似的表达过度参数化的NCF和MCF作为内核化的预测，并揭示了它们的优化路径之间的关系。我们进一步展示了它们不同的泛化行为，其中MCF和NCF在转导和归纳协同过滤设置中经历了特定的权衡和比较。最后，通过展示一个新的推广结果，我们揭示了在归纳环境中校正暴露偏差对模型评估的关键作用。我们的研究结果解释了一些以前观察到的冲突，我们提供了合成和真实数据的实验，以进一步了解这一主题。
2021-10-23 cs.IR cs.LG
Maximum Entropy for Collaborative Filtering
Microsoft Research（微软研究院）
在协同过滤的任务中，存在两个计算条件概率的挑战。首先，可用的训练数据的量相对于域的大小通常是稀疏的。因此，通常不存在对高阶相互作用的支持。其次，我们所依赖的变量对于每个查询都是不同的。也就是说，用户在每次查询期间标记不同的变量。因此，没有一致的输入到输出映射。为了解决这些问题，我们的目的是最大熵的方法，使用非标准的熵测量。这种方法可以简化为求解一组可以有效求解的线性方程组。
2012-07-11 cs.IR cs.LG
ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction
Peking University（北京大学）；Yale University（耶鲁大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Science and Technology of China（中国科学技术大学）
ADRNet提出一个结合临床与非临床数据的广义协同过滤框架，通过浅层协同过滤与深层药物表示模块融合高维药物描述符和低维ADR嵌入，提升药物不良反应预测的准确性与效率。
2023-08-03 cs.IR cs.LG
ImplicitSLIM and How it Improves Embedding-based Collaborative Filtering
St. Petersburg Department of the Steklov Mathematical Institute（斯捷克洛夫数学研究所圣彼得堡分所）
本文提出 ImplicitSLIM，一种通过低成本、低内存方式从类 SLIM 模型提取嵌入以改进基于嵌入的协同过滤模型的无监督学习方法，无需显式训练繁重模型，能提升性能并加速收敛。
2024-05-31 cs.IR cs.LG
Using content features to enhance performance of user-based collaborative filtering performance of user-based collaborative filtering
基于内容的推荐方法和协同过滤方法是推荐系统中最成功的解决方案。基于内容的方法是基于项目属性。该方法首先检查用户最喜欢的项目的特征，然后提出与这些项目具有最相似特征的项目。协同过滤方法是基于相似项目或相似用户的确定，分别称为基于项目的协同过滤和基于用户的协同过滤，本文提出了一种融合协同过滤和基于内容的协同过滤的混合方法。该方法可以看作是基于用户的协同过滤技术。然而，为了找到与活跃用户具有相似品味的用户，我们使用了被调查项目的内容特征，以更加强调用户对相似项目的评分。换句话说，如果两个用户对具有相似上下文的项目的评级相似，则他们是相似的。这是通过在计算两个用户的相似度时为每个评分分配一个权重来实现的。我们使用movielens数据集来评估所提出的方法与基本的基于用户的协同过滤和其他流行方法相比的性能。
2014-02-13 cs.IR
Decentralized Collaborative Learning Framework for Next POI Recommendation
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
下一个兴趣点（POI）推荐由于其在帮助人们决定下一个兴趣点访问方面的有效性而成为基于位置的社交网络（LBSNs）中不可或缺的功能。然而，准确的推荐需要大量的历史签到数据，从而威胁到用户隐私，因为位置敏感数据需要由云服务器处理。尽管已经存在用于隐私保护POI推荐的几种设备上框架，但是当涉及到存储和计算时，它们仍然是资源密集型的，并且对用户-POI交互的高稀疏性显示出有限的鲁棒性。在此基础上，我们提出了一种新的分散式协同学习框架的POI推荐（DPOI），它允许用户训练他们的个性化模型本地在一个合作的方式。DSPs显著降低了本地模型对云的依赖，并可用于扩展任意的集中式推荐模型。为了抵消学习每个本地模型时设备上用户数据的稀疏性，我们设计了两个自监督信号来预训练服务器上的POI表示，其中POI具有地理和分类相关性。为了促进协作学习，我们创新性地提出将知识从地理或语义相似的用户到每个本地模型与细心的聚合和互信息最大化。协作学习过程利用设备之间的通信，同时仅需要来自中央服务器的较小参与来识别用户组，并且与诸如差分隐私的常见隐私保护机制兼容。我们用两个真实世界的数据集来评估DALBO，结果表明DALBO的性能优于最先进的设备上框架，并且与集中式框架相比，DALBO产生了具有竞争力的结果。
2022-08-01 cs.IR cs.LG
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
NeuSE: A Neural Snapshot Ensemble Method for Collaborative Filtering
Fudan University（复旦大学）；University of Electronic Science and Technology of China（电子科技大学）；Shanghai Jiao Tong University（上海交通大学）；IBM Research - China（IBM中国研究院）
在协同过滤（CF）算法中，最优模型通常通过全局最小化所有观测数据的经验风险来学习。然而，全局模型通常经由用户/项目之间的性能折衷来获得，即，由于CF算法中的硬非凸优化问题，并非所有用户/项目都完全适合全局模型。包围学习可以通过学习多个不同的模型来解决这个问题，但通常在大型数据集或复杂算法上存在效率问题。在本文中，我们保持在全局模型学习过程中获得的中间模型作为快照模型，然后使用基于记忆网络的方法自适应地组合单个用户-项目对的快照模型。在三个真实数据集上的实验表明，该方法在应用于多种现有的协同过滤方法时，可以广泛而显著地提高准确率（相对提高15.9%）.
2021-04-15 cs.IR cs.LG
Data Poisoning Attacks on Factorization-Based Collaborative Filtering
Vanderbilt University（范德堡大学）；Carnegie Mellon University（卡内基梅隆大学）
推荐和协同过滤系统在现代信息和电子商务应用中非常重要。随着这些系统在行业中越来越受欢迎，它们的输出可能会影响业务决策，从而促使敌对方损害这些系统的可用性或完整性。我们介绍了一个数据投毒攻击的协同过滤系统。我们展示了一个强大的攻击者如何充分了解学习者可以生成恶意数据，以最大限度地提高他/她的恶意目标，同时模仿正常的用户行为，以避免被检测到。虽然完整的知识假设似乎是极端的，它使一个强大的评估的脆弱性的协同过滤方案，以高度动机的攻击。我们提出了有效的解决方案，两个流行的基于因子分解的协同过滤算法：\emph{alternative minimization}制定和\emph{nuclear norm minimization}方法。最后，我们测试了我们提出的算法对真实世界的数据的有效性，并讨论了潜在的防御策略。
2016-10-05 cs.CR cs.IR cs.LG
Simulated Annealing with Levy Distribution for Fast Matrix Factorization-Based Collaborative Filtering
Cairo University（开罗大学）
矩阵分解是协同过滤的最佳方法之一，因为它能准确地呈现用户和项目的潜在因素。矩阵分解的主要缺点是其复杂性，并且很难并行化，特别是对于非常大的矩阵。提出了一种基于矩阵分解的协同过滤算法，该算法将模拟退火算法与Levy分布相结合。通过使用这种方法，良好的解决方案，在可接受的时间内实现低计算，相比其他方法，如随机梯度下降，交替最小二乘法，加权非负矩阵分解。
2017-08-09 cs.IR cs.LG stat.ML
Hybrid Collaborative Recommendation via Semi-AutoEncoder
本文在AutoEncoder的基础上提出了一种新的结构--半自动编码器。我们将其推广到一个混合的协同过滤模型的评级预测以及个性化的top-n建议。在两个真实世界数据集上的实验结果表明了其最先进的性能。
2017-08-16 cs.IR
Collaborative Filtering vs. Content-Based Filtering: differences and similarities
推荐系统（SR）建议探索用户偏好的项目，帮助他们解决信息过载问题。SR的两种方法得到了更多的重视，协同过滤和基于内容的过滤。此外，即使研究表明它们的优点和缺点，很少有结果实证证明它们的特点，相似性和差异。在这项工作中，提出了一种实验方法来执行推荐算法的不同方法之间的比较超出了“精度的预测”。对于实验，三个算法的建议进行了测试：一个基线的协同过滤和两个算法的基于内容的过滤，开发了这个评估。实验展示了这些系统在不同数据集的行为，其主要特点，特别是两种主要方法的互补方面。
2019-12-18 cs.IR
Effective Personalized Recommendation in Collaborative Tagging Systems
近年来，协同标注系统受到了越来越多的关注，并在Web系统中得到了广泛的应用。标签提供了关于个人偏好和项目内容的高度抽象的信息，因此有可能帮助改进更好的个性化推荐。在本文中，我们提出了一个基于标签的推荐算法，考虑到个人词汇，并评估它在现实世界的数据集：Del.icio.us。实验结果表明，标签信息的使用可以显着提高个性化推荐的准确性。
2009-07-19 cs.IR
Towards Large Scale Training Of Autoencoders For Collaborative Filtering
Anghami（安加米）
针对隐式反馈协同过滤问题，提出了一种基于小批量负采样的隐式反馈协同过滤潜因子自编码器模型的有效训练方法.我们将我们的工作与不同实验数据集上的最先进的基线模型进行比较，并表明这种方法可以导致基线模型性能的良好和快速近似。源代码可以在https://github.com/amoussawi/recoder上找到。
2018-10-23 cs.IR cs.LG stat.ML
Collaborative Ensemble Learning: Combining Collaborative and Content-Based Information Filtering via Hierarchical Bayes
Siemens Corporate Technology（西门子企业技术）；Microsoft Research Asia（微软亚洲研究院）
协同过滤（CF）和基于内容的过滤（CBF）在信息过滤应用中得到了广泛的应用。这两种方法都有各自的优点和缺点，这就是为什么研究人员开发了混合系统。本文提出了一种新的方法来统一CF和CBF的概率框架，命名为协同集成学习。它使用概率支持向量机对每个用户的配置文件进行建模在预测阶段，它结合了一个社会的用户配置文件，由他们各自的SVM模型表示，以预测一个活跃的用户偏好（CF思想）。组合方案嵌入在概率框架中并保留直观的解释。此外，协同集成学习不需要一个全局的训练阶段，因此可以逐步纳入新的数据。2我们报告的结果基于两个数据集。对于路透社-21578文本数据集，我们模拟用户评级的假设下，每个用户只感兴趣的一个类别。在第二个实验中，我们使用用户对一组642艺术图像的意见，这些图像是通过基于网络的调查收集的。对于这两个数据集，协作集成在推荐准确性方面取得了优异的性能。
2012-10-19 cs.IR cs.LG stat.ML
Local Collaborative Filtering: A Collaborative Filtering Method that Utilizes Local Similarities among Users
Wuhan University（武汉大学）
针对推荐系统中用户行为数据利用不足的问题，提出利用用户局部相似性、结合大数定律整合数据的LCF协同过滤方法，在Steam数据集上的实验结果符合现实需求。
2025-11-17 cs.AI cs.HC cs.IR
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
Parallel and Distributed Collaborative Filtering: A Survey
协同过滤是实现推荐系统时最优选的技术之一。最近，极大的兴趣已经转向并行和分布式实现的协同过滤算法。这项工作是一个调查的并行和分布式协同过滤的实现，旨在不仅提供一个全面的介绍该领域的发展，但也提供了未来的研究方向，突出的问题，需要进一步发展。
2014-09-09 cs.DC cs.IR
Memory Based Collaborative Filtering with Lucene
本文提出一种在 Apache Lucene 等传统全文搜索引擎之上构建可扩展且有效的协同过滤系统的方法，解决了定制化方案丧失通用性与灵活性的问题。
2024-11-18 cs.IR
Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
该研究提出神经树协同过滤（NTCF）框架，将图协同过滤重新建模为树结构并基于曲率分配节点特定传播深度，其性能优于多数GCF模型，可作为骨干集成到自监督模型中，经多数据集实验验证了优越性。
2026-08-12 cs.IR
A Hybrid Variational Autoencoder for Collaborative Filtering
Columbia University（哥伦比亚大学）
在当今时代，几乎每个行业都有在线存在，用户在在线市场中进行交互，个性化推荐变得非常重要。传统上，协同过滤的问题已经解决了使用矩阵分解，这是线性的性质。我们通过提出一种混合的多模态方法，扩展了[11]关于使用变分自编码器（VAE）进行隐式反馈的协同过滤的工作。我们的方法将电影嵌入（从兄弟VAE网络中学习）与Movielens 20M数据集的用户评级相结合，并将其应用于电影推荐任务。我们实证展示了VAE网络是如何通过将电影嵌入。我们还可视化的电影和用户嵌入聚类从VAE获得的潜在表示。
2018-09-23 cs.IR cs.LG stat.ML
Advances in Collaborative Filtering and Ranking
City University of Hong Kong（香港城市大学）；University of California, Davis（加州大学戴维斯分校）
在这篇论文中，我们涵盖了协同过滤和排名的一些最新进展。在第一章中，我们简要介绍了协同过滤和排序的历史和现状;第二章首先讨论了基于图信息的逐点协同过滤问题，以及我们提出的新方法如何能够编码非常深的图信息，这对现有的四种图协同过滤算法有很大的帮助;第三章介绍了两两协作排序方法，以及如何将算法加速到接近线性的时间复杂度;第4章是关于新的列表方法的合作排名和如何列表方法是一个更好的选择损失的显式和隐式反馈点式和成对损失;第5章是关于我们为嵌入层提出的新的正则化技术随机共享嵌入（SSE），以及它如何在推荐和自然语言处理的6个不同任务中在理论上合理和经验上有效;第6章是我们如何在SSE的帮助下为最先进的顺序推荐模型引入个性化，这在防止我们的个性化模型过拟合到训练数据中起着重要的作用;第七章，我们总结了到目前为止所取得的成就，并预测了未来的发展方向;第八章是所有章节的附录。
2020-02-27 cs.IR cs.LG stat.ML
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
Transformer-Empowered Content-Aware Collaborative Filtering
基于知识图谱（KG）的协同过滤是一种有效的个性化推荐系统的方法，相对静态的领域，如电影和书籍，通过利用KG的结构化信息来丰富项目和用户表示。出于使用Transformers理解富文本在基于内容的过滤推荐系统，我们提出了内容感知KG增强元偏好网络作为一种方式来增强协同过滤推荐的基础上，结构化的信息从KG以及非结构化的内容功能的基础上，变压器授权的基于内容的过滤。为了实现这一目标，我们采用了一种新的训练方案，跨系统对比学习，以解决这两个非常不同的系统的不一致性，并提出了一个强大的协同过滤模型和一个变种的知名NRMS系统在这个建模框架。我们还通过创建一个大规模的电影知识图谱数据集，并通过整合从外部来源抓取的文本描述来扩展已经公开的Amazon-Book数据集，从而为公共领域资源做出贡献。我们目前的实验结果表明，增强协同过滤与变压器为基础的功能来自基于内容的过滤优于强大的基线系统，提高能力的知识图为基础的协同过滤系统，利用项目内容信息。
2022-04-02 cs.IR
A Distributional Representation Model For Collaborative Filtering
在本文中，我们提出了一种非常简洁的深度学习方法，用于协同过滤，联合建模用户和项目的分布表示。该框架获得了更好的性能相比，目前的最先进的算法，使分布式表示模型在协同过滤的进一步研究的一个有前途的方向。
2015-02-14 cs.IR cs.NE
