The closed loop between opinion formation and personalised recommendations
University College Groningen, University of Groningen（格罗宁根大学格罗宁根大学学院）；University of Twente（特文特大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立高等物理、数学与信息学院）
在在线平台中，推荐系统负责将用户引导到相关内容。为了提高用户的参与度，推荐系统调整其输出以适应用户的反应，而用户又受到推荐内容的影响。在这项工作中，我们研究了一个易于处理的分析模型的用户与在线新闻聚合器进行交互，明确的反馈循环之间的用户的意见和个性化推荐的内容的演变的目的。更具体地说，我们假设用户被赋予了关于某个问题的标量意见，并在新闻聚合器上寻找关于它的新闻：这种意见受到所有收到的新闻的影响，这些新闻的特点是对手头问题的二元立场。用户受到确认偏差的影响，即对确认其当前观点的新闻的偏好。新闻聚合器推荐项目的目标是最大化用户的点击次数（作为衡量用户参与度的标准）：为了实现其目标，推荐器必须在探索用户的偏好和利用迄今为止所学到的东西之间做出妥协。在定义了推荐系统的有效性（如点击率）及其对意见的影响的适当指标后，我们进行了大量的数值模拟和模型的数学分析。我们发现，个性化的建议显着影响意见的演变，并有利于出现更极端的：这些影响的强度是内在相关的有效性的推荐。我们还表明，通过调整推荐算法中的随机性，可以在推荐系统的有效性及其对意见的影响之间寻求平衡。
2019-09-09 cs.IR cs.LG cs.SI
VideolandGPT: A User Study on a Conversational Recommender System
RTL Nederland B.V.（RTL荷兰公司）；Maastricht University（马斯特里赫特大学）
本文提出基于ChatGPT的VideolandGPT对话式推荐系统，通过用户偏好和个性化候选选择提升推荐效果，用户研究表明个性化版本在准确性和满意度上更优，但两者在公平性上存在不一致问题。
2023-09-07 cs.AI cs.IR
Context-aware adaptive personalised recommendation: a meta-hybrid
Slovak University of Technology（斯洛伐克工业大学）；Kempelen Institute of Intelligent Technologies（凯姆佩伦智能技术研究所）
本文提出一种元混合推荐方法，利用机器学习根据用户上下文和偏好动态选择最优推荐算法，在MovieLens和The Movie DB上理论性能比单一方法提升20-50%。
2024-10-17 cs.AI cs.IR
TrueLearn: A Python Library for Personalised Informational Recommendations with (Implicit) Feedback
University College London（伦敦大学学院）
本文提出 TrueLearn Python 库，基于开放学习者理念构建在线贝叶斯推荐模型，并提供可视化表示、隐式反馈教育数据集及评估指标，以支持可解释的个性化信息推荐。
2023-09-20 cs.AI cs.CY cs.IR
Personalised novel and explainable matrix factorisation
Free University of Bolzano（博尔扎诺自由大学）
推荐系统向个人提供个性化建议，以帮助他们进行决策和探索任务。在理想的情况下，这些建议，除了是准确的，还应该是新颖的和可解释的。然而，到目前为止，大多数平台都无法提供这两种新颖的建议，这些建议可以促进用户的探索，同时提供解释，使他们的推理对他们更加透明。例如，一个众所周知的推荐算法，如矩阵分解（MF），只优化准确性标准，而忽略其他质量标准，如可解释性或新颖性，推荐项目。在本文中，据我们所知，我们提出了一个新的模型，表示为NEMF，允许权衡MF性能的标准的新颖性和可解释性，而只有最低限度地损害准确性。此外，我们建议一个新的可解释性指标的基础上nDCG，区分一个更可解释的项目从一个不太可解释的项目。最初的用户研究表明，用户如何感知这些“用户”风格的解释和我们广泛的实验结果表明，我们达到了高精度推荐也新颖和可解释的项目的不同属性。
2019-07-25 cs.HC cs.IR cs.LG
Balancing Accuracy and Novelty with Sub-Item Popularity
University of Glasgow（格拉斯哥大学）
针对音乐推荐中个性化流行度强化已知内容、限制新颖性的问题，本文基于RecJPQ框架提出子ID级个性化流行度方法sPPS，通过细粒度建模重复模式，在保持准确性的同时显著提升个性化新颖性。
2025-08-07 cs.AI cs.IR
LatentCRS: A Variational EM Framework for Bridging Semantics and Behavior in LLM-based Conversational Recommendation
Nanjing University（南京大学）
提出LatentCRS框架，通过变分EM过程桥接LLM的语义空间与用户行为模式，解决对话推荐中语义理解与推荐精度不匹配的问题，实验表明其有效提升推荐性能。
2026-06-23 cs.CL cs.IR
Preference Networks: Probabilistic Models for Recommendation Systems
推荐系统对于帮助用户在大量可用数据中选择相关和个性化的信息非常重要。我们提出了一个统一的框架，称为偏好网络（PN），联合模型的推荐任务的各种类型的领域知识。PN是一种概率模型，它将基于内容的过滤和协同过滤系统地结合到一个条件马尔可夫随机场中。一旦被估计，它就充当支持各种有用查询的概率数据库，例如评级预测和顶级$N$推荐。为了处理学习大型用户和项目网络的挑战性问题，我们采用了一种简单但有效的伪似然正则化。在电影评分数据上的实验证明了PN的优点。
2014-07-22 cs.IR cs.SI stat.AP
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）
DiffSBR通过基于扩散的潜在邻居生成方法，提升基于会话的推荐性能。
2026-01-07 cs.IR
Bridging Search and Recommendation through Latent Cross Reasoning
针对搜索历史噪声影响推荐的问题，提出潜在交叉推理框架，先编码全局兴趣再迭代推理搜索行为，结合对比学习与强化学习，在公开基准上持续超越强基线。
2025-08-06 cs.IR
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
Deep Latent Mixture Model for Recommendation
神经网络的最新进展已经成功地应用于在线推荐应用中的许多任务。我们提出了一个新的框架，称为锥潜在的混合模型，它利用手工制作的状态，能够因素不同的依赖关系之间的多个相关的文件。具体来说，它使用判别优化技术来生成有效的多级知识库，并使用在线判别学习技术来利用这些功能。对于这种联合模型，它使用每个主题的置信度估计，并能够学习一个判别式训练联合自动提取显著特征，其中判别式训练只使用特征，然后能够准确地训练。
2022-10-27 cs.IR
Factorized Latent Reasoning for LLM-based Recommendation
Macquarie University（麦考瑞大学）；University of New South Wales（新南威尔士大学）；Meituan LongCat Interaction Team（美团长猫交互团队）
针对现有潜在推理方法用单向量表示用户意图难以捕捉多面偏好的问题，提出分解潜在推理框架，通过多因子注意力模块解耦偏好因子，结合正则化与强化学习提升推荐性能与可解释性。
2026-06-15 cs.IR
Interactive Movie Recommendation Through Latent Semantic Analysis and Storytelling
推荐已成为改善销售记录的在线服务的最重要的组成部分之一，然而在线推荐的可视化工作仍然非常有限。本文提出了一种交互式推荐方法，包括以下两个部分。首先，评分记录是在线推荐中使用最广泛的数据，但它们通常在高维空间中处理，不容易理解或交互。我们提出了一个潜在的语义模型（LSM），捕捉统计特征的语义概念的2D域和抽象的用户偏好的个人推荐。其次，我们提出了一个互动的推荐方法，通过一个讲故事的机制，促进用户和推荐系统之间的沟通。我们的方法强调交互性，明确的用户输入，和语义信息传达，因此它可以使用一般用户没有任何知识的推荐或可视化算法。我们通过数据统计验证了我们的模型，并通过MovieLens100K数据集的案例研究展示了我们的方法。我们的潜在语义分析和交互式推荐的方法也可以扩展到其他基于网络的可视化应用，包括各种在线推荐系统。
2017-01-01 cs.IR cs.SI
EvoReason: Self-Evolving Reasoning Primitive-Guided On-Policy Distillation for Latent Reasoning in Generative Recommendation
Kuaishou Technology（快手科技）；Shenzhen University（深圳大学）
针对生成式推荐中潜在推理的原始CoT监督效果不佳问题，提出自演化框架EvoReason，通过推理原语引导的在线策略蒸馏实现显式推理监督与学生潜在推理空间的自适应对齐，提升推理迁移效果。
2026-08-03 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
Sequential Recommendation with Latent Relations based on Large Language Model
本文提出了一种基于大语言模型和离散状态变分自编码器的潜在关系发现（LRD）序列推荐框架，利用LLM挖掘物品间潜在关系以克服预定义关系的稀疏性，显著提升了推荐性能。
2024-03-27 cs.IR
LaRec: Unleashing LLM-based Latent Reasoning for Generative Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Xiaohongshu（小红书）
研究针对LLMs在推荐中现有方法的问题，提出LaRec框架。核心方法是通过潜在预训练赋予潜在推理能力，用个性化强化学习调整引导遍历多样推理路径。主要贡献是在多数据集实验中，以相当效率显著超越现有基线。
2026-07-28 cs.IR
Latent Factor Modeling with Expert Network for Multi-Behavior Recommendation
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息学院）
本文提出MBLFE方法，通过专家网络建模潜在因子，动态选择专家以更准确表示用户偏好，实验表明优于现有基线。
2026-03-19 cs.IR
LFG: A Generative Network for Real-Time Recommendation
本文针对LFM在实时推荐中需重新训练的不足，提出LFG网络，通过深度神经网络动态生成用户潜在因子，在电影推荐实验中准确率优于传统矩阵分解，有效解决了实时推荐挑战。
2023-11-25 cs.IR
Parallel Latent Reasoning for Sequential Recommendation
GSAI, Renmin University of China（中国人民大学智能计算研究院）；Alibaba Group（阿里巴巴集团）
并行潜在推理通过多轨迹并行计算提升序列推荐的推理能力与效率
2026-01-06 cs.IR
Latent Multi-Criteria Ratings for Recommendations
New York University（纽约大学）
多准则推荐系统在帮助消费者基于用户体验的不同维度来识别最相关的物品方面已经变得越来越有价值。然而，以前提出的多标准模型没有考虑到潜在的嵌入用户评论，捕捉用户和项目之间的潜在语义关系。为了解决这些问题，我们利用变分自编码器映射到潜在的嵌入，随后压缩成低维离散向量的用户评论。由此产生的压缩向量构成潜在的多标准评级，我们使用的推荐目的，通过标准的多标准推荐方法。我们表明，建议的潜在多标准评级方法优于几个基线显着和一致的不同的数据集和性能评估措施。
2019-06-26 cs.IR cs.LG stat.ML
TransNets: Learning to Transform for Recommendation
Carnegie Mellon University（卡内基梅隆大学）
最近，深度学习方法已被证明可以提高推荐系统的性能，特别是在评论文本可用时。例如，最近的模型DeepCoNN使用神经网络来学习目标用户撰写的所有评论的文本的一个潜在表示，以及目标项目的所有评论的文本的第二个潜在表示，然后组合这些潜在表示以获得推荐任务的最新性能。我们表明（不出所料）大部分的预测价值的审查文本来自审查的目标用户的目标项目。然后，我们介绍了一种方法，在该信息可以用于推荐，即使目标用户的审查目标项目是不可用的。我们的模型称为TransNets，通过引入一个额外的潜在层来表示目标用户-目标项目对，从而扩展了DeepCoNN模型。然后，我们在训练时将这一层正则化，使其类似于目标用户对目标项目的评论的另一个潜在表示。我们表明，TransNets和它的扩展大大提高了以前的最先进的。
2017-06-30 cs.CL cs.IR cs.LG
Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations
Delhi Technological University（德里理工大学）
在过去的几十年里，电子商务领域的快速发展导致了对个性化，高效和动态推荐系统的迫切需求。为了充分满足这一需求，我们提出了一种新的方法，通过创建一个集成的聚类与强化学习来生成前k推荐。我们采用了DB扫描集群来处理巨大的项目空间，从而提高了效率。此外，通过使用深度上下文强化学习，我们提出的工作充分利用了用户特征。通过部分更新和批量更新，模型可以不断学习用户模式。基于Duelling Bandit的探索由于其自适应性质而与最先进的策略相比提供了稳健的探索。在公共数据集上进行的详细实验验证了我们关于我们的技术与现有技术相比的效率的说法。
2020-11-29 cs.AI cs.IR cs.LG
Latent Unexpected Recommendations
New York University, Stern School of Business（纽约大学斯特恩商学院）
意外推荐系统是解决过滤气泡和用户无聊问题的重要工具，旨在为目标用户同时提供意外和满意的推荐。以往的非预期推荐方法只关注当前推荐与用户期望之间的直接关系，通过在特征空间中对非预期性进行建模，从而导致准确性度量的损失，以提高非预期性性能。与这些先前的模型相比，我们建议在用户和项目嵌入的潜在空间中对意外进行建模，这允许捕获新建议和历史购买之间隐藏的复杂关系。此外，我们开发了一种新的潜闭包（LC）方法来构建混合效用函数，并提供意想不到的建议，基于所提出的模型。在三个真实世界数据集上的大量实验表明，我们提出的方法优于最先进的意外推荐模型，这导致在本文的所有实验设置下，在不牺牲任何准确性度量的情况下，意外度量显着增加。
2020-07-27 cs.IR cs.LG
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Recommendation Systems for Tourism Based on Social Networks: A Survey
如今，推荐系统存在于许多日常活动中，例如在线购物、浏览社交网络等。鉴于通过信息技术重振旅游业的需求不断增加，推荐系统已被纳入Expedia、Booking或Tripadvisor等旅游网站。此外，自2004年以来，与旅游推荐系统相关的科学论文数量稳步持续增长。这种增长在很大程度上是由于社交网络，除了为研究人员提供使用大量可用和不断更新的数据的可能性外，它们还使推荐系统变得更加个性化，有效和自然。本文回顾和分析了许多研究出版物，重点是旅游推荐系统，在他们的项目中使用社交网络。我们详细介绍了他们的主要特点，如社交网络被利用，数据提取，应用的推荐技术，评价方法等，通过全面的文献综述，我们的目标是与未来的推荐系统合作，给出一些明确的分类和描述，目前的旅游推荐系统。
2019-03-28 cs.IR cs.SI
Learning Recommendations from User Actions in the Item-poor Insurance Domain
虽然个性化推荐在零售等领域取得了成功，但在数据稀疏的领域，如保险购买，自动推荐的生成是一个悬而未决的问题。众所周知，保险领域是数据稀疏的，因为产品的数量通常很低（与零售相比），并且它们通常被购买以持续很长一段时间。此外，许多用户仍然更喜欢电话而不是网络来购买产品，从而减少了网络记录的用户交互量。为了解决这个问题，我们提出了一个递归神经网络推荐模型，该模型使用过去的用户会话作为学习推荐的信号。从过去的用户会话中学习允许处理保险领域的数据稀缺性。具体来说，我们的模型从几种类型的用户操作中学习，这些用户操作并不总是与项目相关联，与所有先前的基于会话的推荐模型不同，它对输入会话和目标操作（购买保险）之间的关系进行建模，这些目标操作并不发生在输入会话中。对来自保险领域的真实世界数据集的评估（ca. 44K用户，16个项目，54K购买和117K会话）与几个最先进的基线相比，表明我们的模型明显优于基线。消融分析表明，这主要是由于我们的模型中跨会话的依赖关系的学习。我们贡献了有史以来第一个基于会话的保险推荐模型，并将我们的数据集提供给研究界。
2022-11-28 cs.IR
Latent-Aligned Reasoning for Multimodal Recommendation
Xiaohongshu Inc.（小红书公司）；Nanjing University（南京大学）
针对多模态推荐中跨模态稀释问题，提出含互补对齐机制的两阶段隐式推理框架LARK，在多数据集上实现多种推荐架构的SOTA性能，各组件贡献经消融实验验证。
2026-09-07 cs.CL cs.CV cs.IR
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation
Southern University of Science and Technology（南方科技大学）；Massey University（梅西大学）
针对分布外推荐的偏好偏移问题，提出条件可识别隐环境推荐模型CILER，在三类偏移下的12项OOD排序指标上均实现提升。
2026-08-05 cs.IR cs.LG
LSF-SR: Latent Semantic Fusion for Sequential Recommendation via Flow-based Conditional Variational Autoencoders
National Yang Ming Chiao Tung University（国立阳明交通大学）；National Chung Hsing University（国立中兴大学）
针对序列推荐中协同信号与语义知识难以对齐的问题，提出基于流式条件变分自编码器的LSF-SR框架，融合物品ID嵌入与LLM语义信号，在五个基准数据集上显著提升推荐性能。
2026-09-25 cs.IR
Latent Unexpected and Useful Recommendation
New York University（纽约大学）；Stern School of Business（斯特恩商学院）
提供意外推荐是推荐系统的一项重要任务。为此，我们需要从用户的期望出发，在推荐商品时偏离这些期望。以前提出的方法在特征空间中对用户期望进行建模，使其仅限于用户访问过的项目或通过相关规则的推导而预期的项目，而不包括用户也可以从用户，项目和实体之间的潜在的，复杂的和异构的交互中预期的项目。在本文中，我们定义的潜在空间，而不是在特征空间的意外，并开发了一种新的潜在凸包（LCH）方法提供意想不到的建议。在两个真实数据集上进行的大量实验表明，所提出的模型在实现相同准确度的同时，在意外度量方面显著优于其他最先进的意外推荐方法。
2019-05-04 cs.IR cs.LG cs.SI
LARES: Latent Reasoning for Sequential Recommendation
LARES提出一种通过深度循环潜在推理增强序列推荐模型表示能力的框架，结合自监督预训练与强化后训练，在不增加参数复杂度的情况下提升推荐性能，并可与现有先进模型兼容。
2025-06-04 cs.IR
Decoding in Latent Spaces for Efficient Inference in LLM-based Recommendation
针对基于LLM的生成式推荐中自回归解码推理开销大的问题，提出潜在空间解码方法L2D，通过直接匹配测试序列与训练序列的隐藏状态表示来解码物品，在保持或提升性能的同时使推理速度提高10倍以上。
2025-09-15 cs.IR
DiffuReason: Bridging Latent Reasoning and Generative Refinement for Sequential Recommendation
Tencent（腾讯）
DiffuReason通过联合潜在推理与生成细化，提升序列推荐的准确性和实用性。
2026-02-12 cs.IR
Hierarchical Latent Reasoning for LLM-based Recommendation
Xiaohongshu（小红书）；Peking University（北京大学）；Beijing Jiaotong University（北京交通大学）
本文针对基于LLM的推荐系统提出分层潜在推理框架HiLaR，通过层感知强化优化提升推荐性能，在四个Amazon基准数据集上优于多种主流基线。
2026-07-31 cs.AI cs.IR
Latent User Linking for Collaborative Cross Domain Recommendation
随着信息系统的广泛采用，推荐系统被广泛用于更好的用户体验。协同过滤是实现推荐系统的一种常用方法。然而，协同过滤方法高度依赖于用户的反馈，这往往是非常稀疏和难以获得。然而，如果可以使用来自密集得多的相关次级域的知识来增强稀疏目标域中的推荐准确性，则可以缓解这些问题。在这篇文章中，我们提出了一种跨域推荐系统的深度学习方法，通过链接跨域用户潜在表示作为跨域知识转移的一种形式。我们假设，跨域的用户口味和行为的相似性是清楚地观察到的低维用户的潜在表示。这些用户相似性用于链接域。因此，我们提出了一个基于变分自编码器的网络模型，用于跨域链接，并增加了上下文来处理稀疏数据和更好地传输跨域知识。我们进一步扩展该模型，使其更适合冷启动场景，并利用辅助用户信息来获得推荐准确性的额外收益。使用多个数据集的经验评估所提出的模型的有效性。实验证明，该模型优于最先进的技术。
2019-08-19 cs.IR
Exploiting Latent Codes: Interactive Fashion Product Generation, Similar Image Retrieval, and Cross-Category Recommendation using Variational Autoencoders
University of the Philippines, Diliman（菲律宾大学迪利曼分校）
深度学习应用在时尚行业的兴起推动了大规模数据集的管理，以构建产品设计，图像检索和推荐系统的应用程序。本文提出利用变分自编码器（Variational Autoencoder，VAE）来构建一个交互式的时尚产品应用框架，允许用户根据自己的喜好生成具有属性的产品，检索同一产品类别的相似风格，并接收来自其他类别的基于内容的推荐。包含眼镜、鞋类和箱包的时尚产品图像数据集适合于说明该管道适用于蓬勃发展的电子商务行业，从而能够在指定所需产品时与新的数据匹配方法进行直接用户交互，并通过使用VAE并利用其生成的潜在代码来推荐系统。
2020-09-02 cs.CV cs.IR
GhostLink: Latent Network Inference for Influence-aware Recommendation
社交影响力在塑造用户在处理电影、食物和啤酒等品味项目的在线社区中的行为方面起着至关重要的作用。对于在线推荐，这意味着用户的偏好和评级受到其他个体的影响。如果只给出用户评论的时间戳，我们能找出谁影响谁，以及潜在影响网络的特征吗？我们可以利用这个网络来改进推荐吗？虽然社交感知推荐中的先前工作通过考虑观察到的用户社交网络来利用社交交互，但许多社区（如Amazon，Beeradvocate和Ratebeer）没有明确的用户-用户链接。因此，我们提出了GhostLink，一个无监督的概率图形模型，来自动学习评论社区背后的潜在影响网络--只考虑用户帖子及其内容的时间轨迹（时间戳）。基于对四个真实世界数据集（包含1300万条评论）的广泛实验，我们发现GhostLink比不考虑这种影响的最先进方法提高了约23%的项目推荐。作为额外的用例，我们表明，GhostLink可用于区分用户的潜在偏好和受影响的偏好，以及基于学习的影响图检测有影响力的用户。
2019-05-15 cs.IR cs.SI
RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation
University of Glasgow（格拉斯哥大学）；Ohio State University（俄亥俄州立大学）；Amazon（亚马逊）；Telefónica Scientific Research（西班牙电信科学研究）；Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
研究针对序列推荐中推理过程构建问题，提出无强化学习框架RecRec，通过解耦推理与预测克服单状态瓶颈，由上下文压缩器和递归推理器组成，分两阶段训练，在多数据集上优于现有方法，揭示推理状态结构可进一步探索。
2026-07-15 cs.IR
HubMixer: Progressive Latent Hub Mixing for Parameter-Efficient Feature Interaction in Recommendation
Kuaishou Technology（快手科技）；Tsinghua University（清华大学）
本文提出 HubMixer，一种参数高效的潜在中心混合架构，通过“诱导—交互—读出”范式实现推荐系统的特征交互，经离线实验优于 SOTA 模型，在线 A/B 测试使快手招聘简历提交转化率提升 5.48% 并已落地部署。
2026-08-31 cs.IR
ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Test-Time Computation for Sequential Recommendation
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算教育部重点实验室，厦门大学）；Shopee Pte. Ltd.（虾皮有限公司）；School of Informatics, Xiamen University（厦门大学信息学院）
ManCAR通过流形约束和自适应测试时间计算，提升序列推荐的推理精度和稳定性。
2026-02-23 cs.IR
Intuition-Guided Latent Reasoning for LLM-Based Recommendation
State Key Laboratory of Complex & Critical Software Environment, Beihang University（北京航空航天大学复杂及关键软件环境国家重点实验室）；University of Science and Technology of China（中国科学技术大学）；The Chinese University of Hong Kong（香港中文大学）；National University of Singapore（新加坡国立大学）；Meta AI
提出IntuRec框架，通过提取用户历史生成候选集作为直觉，注入偏好对齐的直觉嵌入初始化潜在推理起点，提升LLM推荐推理准确性。
2026-06-29 cs.IR
Exploration and Regularization of the Latent Action Space in Recommendation
在推荐系统中，强化学习解决方案有效地提高了推荐性能，因为它们能够捕获长期的用户-系统交互。然而，推荐策略的动作空间是一个项目列表，对于动态候选项目池，该列表可能非常大。为了克服这一挑战，我们提出了一个超级演员和评论家的学习框架，该政策分解的项目列表生成过程中的超动作推理步骤和效果动作选择步骤。第一步将给定的状态空间映射到向量化的超动作空间，第二步基于超动作选择项目列表。为了调节两个动作空间之间的差异，我们设计了一个对齐模块，以及一个核映射函数的项目，以确保推理的准确性，并包括一个监督模块，以稳定的学习过程。我们在公共数据集上构建模拟环境，并根据经验表明，与标准RL基线相比，我们的框架在推荐方面更优越。
2023-02-08 cs.IR
Thematic recommendations on knowledge graphs using multilayer networks
Spotify Ltd（Spotify有限公司）
我们提出了一个框架，以产生和评估基于多层网络表示的知识图谱（KG）的主题推荐。在这种表示中，每个层在KG中编码不同类型的关系，并且有向层间耦合以不同的角色连接相同的实体。不同类型的连接的相对重要性通过直观的显着性矩阵来捕获，该矩阵可以从数据中估计，调整以纳入领域知识，解决不同的用例或尊重业务逻辑。我们应用自适应的个性化PageRank算法的多层模型的KG生成项目项目的建议。这些建议反映了我们对内容的了解，适用于主题和/或冷启动建议设置。从用户数据中评估主题推荐提出了独特的挑战，我们通过开发一种方法来评估依赖于用户项目评级的推荐，但尊重其主题性质。我们还表明，显著性矩阵可以估计从用户数据。我们证明了我们的方法的效用显着提高消费指标在AB测试中，协同过滤提供低于标准的性能。我们还将我们的方法应用于使用公开数据的电影推荐，以确保我们的结果的可重复性。我们证明，我们的方法优于现有的主题推荐方法，甚至是竞争力的协同过滤方法。
2021-05-12 cs.IR cs.LG cs.SI
Integrating Topic Models and Latent Factors for Recommendation
目前，在各种网络应用中，存在着大量的在线项目，这使得建立有效的个性化推荐系统，以节省用户的信息搜索的努力成为一个重要的任务。协同过滤（CF）技术是目前应用最广泛、最成功的个性化推荐方法之一，它根据用户的历史选择以及其他用户的历史选择进行推荐。最流行的CF方法，如潜在因素模型（LFM），是通过理解用户意见的隐藏维度或因素来建模用户如何评估项目。如何对这些隐藏因素进行建模是提高推荐系统性能的关键。在这项工作中，我们考虑的旅游规划服务的酒店推荐问题，通过整合的位置信息和用户的推荐偏好。直觉是，用户偏好可以在不同的位置上动态地改变，因此将用户的历史决策视为静态的或普遍适用的在现实世界的应用中可能是不可行的。例如，用户在商务旅行时可能更喜欢具有标准配置的连锁品牌酒店，而在娱乐旅行时他们可能更喜欢独特的本地酒店。在本文中，我们的目标是提供旅行级个性化的用户推荐。
2021-12-28 cs.AI cs.IR
The Elements of Visual Art Recommendation: Learning Latent Semantic Representations of Paintings
University of Luxembourg（卢森堡大学）
艺术品推荐具有挑战性，因为它需要了解用户如何与高度主观的内容交互，艺术品中嵌入的概念的复杂性，以及它们可能在用户中引发的情感和认知反射。在本文中，我们专注于有效地捕捉元素（即，潜在语义关系）进行个性化推荐。我们提出并研究基于文本和视觉特征学习技术的推荐系统，以及它们的组合。然后，我们执行一个小规模和大规模的以用户为中心的评价的质量的建议。我们的研究结果表明，文本特征与视觉特征相比毫不逊色，而两者的融合捕捉到了最合适的隐藏语义关系的艺术品推荐。最终，本文有助于我们理解如何提供内容，适当地匹配用户的兴趣和他们是如何被感知的。
2023-02-28 cs.AI cs.IR cs.LG
Personal Knowledge Graphs: Use Cases in e-learning Platforms
个人知识图谱（PKG）是语义Web社区提出的以用户为中心的小型知识图谱（KG）。PKG填补了DBpedia等大型、成熟的百科知识库之上的用户数据和兴趣的个性化表示的空白。受最近在医疗领域广泛使用PKG来代表患者数据的启发，本博士提案旨在通过部署PKG来代表用户和学习者，在电子学习平台的教育领域采用类似的技术。我们提出了一种新的PKG的发展，依赖于本体和链接的开放数据。因此，在尊重隐私的同时，在用户的特征数据中添加个性化和可解释性的维度。本研究设计开发了两个用例：一个协作搜索学习平台和一个电子学习平台。我们的初步结果表明，电子学习平台可以通过提供个性化的建议和更多的用户和群体特定的数据从我们的方法中受益。
2022-03-16 cs.DB cs.HC cs.IR
Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation
Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China（教育部计算机与网络空间安全依赖服务计算重点实验室（重庆大学））；School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；Griffith University（格里菲斯大学）
研究基于语义ID的生成式推荐中潜在推理的步骤分配问题，通过位置信息增益提出IBA框架，将潜在细化步骤视为有限资源，学习在语义ID位置间合理分配，实验证明该框架能提升推荐准确性并优化计算权衡。
2026-07-15 cs.IR
Mining Latent Structures for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院人工智能创新研究院）
多媒体内容在现代网络时代占据主导地位。调查用户如何与多模态项目进行交互是快速发展的推荐系统中持续关注的问题。以前的大部分工作集中在建模用户与项目的交互与多模态功能包括作为边信息。然而，该方案不是很好地设计用于多媒体推荐。具体来说，只有协作项目项目关系隐式建模通过高阶项目用户项目关系。考虑到项目是与丰富的内容在多个模态，我们认为，潜在的语义项目项目的结构，这些多模态的内容可能是有益的学习更好的项目表示和进一步提高推荐。为此，我们提出了一个潜在的结构挖掘方法的多模态reCommEndation，我们简称为格。具体来说，在所提出的LATTICE模型中，我们设计了一个新的模态感知结构学习层，它学习每个模态的项-项结构，并聚合多个模态以获得潜在项图。基于学习的潜图，我们执行图卷积，以显式地将高阶项亲和力注入项表示中。然后，这些丰富的项目表示可以插入到现有的协同过滤方法中，以做出更准确的推荐。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法，并验证了从多模态特征中挖掘潜在项-项关系的有效性。
2021-07-21 cs.IR cs.LG cs.MM
A Multi-Modal Latent-Features based Service Recommendation System for the Social Internet of Things
针对现有社交物联网服务推荐方法未挖掘多模态内容下潜在物品-物品结构的问题，本文提出基于潜在特征的推荐系统，通过多模态聚合构建潜在物品图并结合图卷积优化物品表示，性能优于现有方法。
2024-04-13 cs.IR cs.SI
LASAR: Latent Adaptive Semantic Aligned Reasoning for Generative Recommendation
School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；Baidu（百度）
LASAR通过自适应语义对齐推理提升生成推荐性能，解决潜在推理与语义对齐的挑战，实现更高效的推荐质量与速度。
2026-07-31 cs.IR
From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, UCAS（UCAS网络安全学院）
FatsMB通过潜在空间中的偏好生成，实现从无偏到特定的多行为序列推荐，提升推荐的多样性和准确性。
2026-02-26 cs.IR cs.LG
