Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而，它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及，这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域，它利用社会信息来缓解数据稀疏和冷启动问题，并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而，现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法，提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同，Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外，Hete-CF是一种通用方法，并且可以在任意社交网络中使用，包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP（一种典型的异构信息网络）和MeeShop（一种典型的基于事件的社交网络）两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络（用户-用户关系）和用户-项目交互都自然地表示为图结构数据，因此图神经网络（GNN）已被广泛应用于社交推荐。在这项工作中，我们提出了一个端到端的异构全局图学习框架，即图学习增强异构图神经网络（GL-HGNN）的社会推荐。GL-HGNN的目标是学习一个异构的全局图，在一个统一的角度，充分利用用户之间的关系，用户之间的相互作用和项目之间的相似性。为此，我们设计了一个图学习器（GL）的方法来学习和优化用户-用户和项目-项目连接分别。此外，我们采用了异构图神经网络（HGNN）从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量，我们进一步提出了基于锚点的图学习器（AGL），以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 cs.IR
BiVRec: Bidirectional View-based Multimodal Sequential Recommendation
City University of Hong Kong（香港城市大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Michigan State University（密歇根州立大学）；Shanghai Jiaotong University（上海交通大学）；Jinan University（暨南大学）；The University of Queensland（昆士兰大学）
针对多模态序列推荐两类范式的缺陷，提出BiVRec框架，通过多尺度兴趣嵌入、视图内兴趣分解、跨视图兴趣学习模块，联合ID与多模态视图双向提升推荐性能，在五个数据集达SOTA。
2024-03-05 cs.AI cs.IR
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性，异构信息网络（HIN）已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的，异构的数据关系，包含各种信息，可能不相关的推荐任务。因此，有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题，我们提出了一个基于课程预训练的异构子图Transformer（称为\emph{CHEST}）与新的\emph{data characterization}，\emph{representation model}和\emph{learning algorithm}。具体来说，我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图，包含足够的和相关的上下文信息用于推荐。然后，我们通过一个异构的子图Transformer，在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义（\eg图结构和路径语义）。此外，我们设计了一个课程预训练策略，提供了一个初级到高级的学习过程，我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明，我们提出的方法优于一些有竞争力的基线，特别是当只有有限的训练数据。
2021-06-12 cs.IR
Heterogeneous User Modeling for LLM-based Recommendation
针对开放域推荐中跨域异构行为建模难题，本文提出 HUM，通过行为 token 压缩、掩码机制和领域重要性分数提升效果与鲁棒性。
2025-07-27 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题，提出 MCL 模型，通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构，提升了推荐鲁棒性。
2025-05-30 cs.IR
Recommendation Through Mixtures of Heterogeneous Item Relationships
推荐系统已经扩散作为通用的方法来模拟各种各样的消费者交互数据。具体实例利用范围从用户反馈、项目关系、地理位置、社会影响（等）的信号。通常，研究表明，利用特定信号（在精心设计的模型中）可以在特定数据集上提供更高保真的建议。当然，实际情况更加微妙，许多信号的组合可能在发挥作用，或者受到个人用户不同比例的青睐。在这里，我们寻求开发一个框架，能够结合这种异构项目的关系，同时建模（a）什么样的模式的建议是用户可能会受到在特定的时间点;（b）什么是最好的建议，从每一种模式。我们的方法借鉴了混合专家方法和知识图谱嵌入的思想。我们发现，我们的方法自然会产生更准确的建议比替代品，同时也提供直观的“解释”背后的建议，它提供。
2018-08-29 cs.IR
HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation
针对TSR模型忽略物品侧异构特征的问题，提出含HTFL和HCT的HeterRec模型，通过物品异构令牌化、分层因果特征提取及LMP损失优化，在离线和在线数据集上实现更优性能。
2025-04-19 cs.IR
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
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan（美团）
针对异构行为导致的特征稀疏与知识碎片化问题，提出基于 LLM 的异构知识提取、融合与指令微调方法，显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
针对职位推荐中的冷启动、时序敏感和信息整合难题，本文提出时序异构图方法TIMBRE，结合图神经网络实现高效时序推荐，并用推荐系统指标进行验证。
2024-11-06 cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
Heterogeneous Information Network-based Interest Composition with Graph Neural Network for Recommendation
异构信息网络（HINs）由于其能够用元路径来建模各种辅助信息而被广泛应用于推荐系统。然而，现有的基于HIN的推荐模型通常通过简单的加权求和或级联来融合来自不同元路径的信息，缺乏元路径之间的兴趣组合能力，从而限制了性能的提高。在本文中，我们提出了一个基于HIN的兴趣组合推荐模型（HicRec）。具体地说，用户和项目表示学习与图神经网络的图形结构和功能在每个元路径，和参数共享机制，在这里使用，以确保用户和项目表示是在相同的潜在空间。然后，通过用户和项目表示的组合来计算用户对来自每对相关元路径的每个项目的兴趣。通过元路径内和元路径间的用户兴趣组合得到用户的单一兴趣，并进行推荐。在三个真实世界的数据集上进行了大量的实验，结果表明，我们提出的HicRec模型优于基线。
2022-03-08 cs.IR
SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation
针对多模态知识图结构在训练中被冻结导致融合不充分的问题，提出SLIF-MR框架，利用前一训练周期的项目表示作为反馈信号动态优化异构图结构，并结合语义一致性学习策略，显著提升了推荐的准确性和鲁棒性。
2025-07-14 cs.IR
A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题，提出BiPNet，利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好，实验验证其优越性。
2023-11-02 cs.IR
Bert4XMR: Cross-Market Recommendation with Bidirectional Encoder Representations from Transformer
针对跨市场推荐中忽略商品共现性和负迁移的问题，提出基于会话的Bert4XMR模型，采用预训练与微调范式并结合市场嵌入与商品嵌入分离机制，在七个数据集上显著优于次优模型并有效缓解负迁移。
2023-07-26 cs.IR
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation
在推荐系统中提供模型生成的解释对于用户体验是重要的。最先进的推荐算法--尤其是具有浅模型或深模型的基于协同过滤（CF）的方法--通常与用于推荐的各种非结构化信息源一起工作，诸如文本评论、视觉图像以及各种隐式或显式反馈。虽然结构化知识库被认为是基于内容的方法，他们已经在很大程度上被忽视，最近由于CF方法的研究重点。然而，结构化知识在个性化推荐系统中显示出独特的优势。当考虑关于用户和项目的显式知识用于推荐时，系统可以基于用户的历史行为提供高度定制的推荐，并且该知识有助于提供关于推荐项目的明智解释。使用知识库进行推荐的一个巨大挑战是如何集成大规模的结构化数据，同时利用协同过滤来实现高精度的性能。知识库嵌入（KBE）的最新成果揭示了这个问题，这使得有可能学习用户和项目表示，同时保留其与外部知识的关系结构进行解释。在这项工作中，我们建议解释知识库嵌入可解释的建议。具体来说，我们提出了一个知识库表示学习框架来嵌入异构实体进行推荐，并基于嵌入的知识库，提出了一种软匹配算法来为推荐项生成个性化的解释。在真实电子商务数据集上的实验结果验证了与最先进的基线相比，我们的方法具有卓越的推荐性能和可解释性。
2018-11-01 cs.IR
HHFT: Hierarchical Heterogeneous Feature Transformer for Recommendation Systems
HHFT通过分层异构特征变换器提升推荐系统CTR预测性能，实现AUC提升0.4%并提高GMV
2025-12-14 cs.IR
Designing a Sequential Recommendation System for Heterogeneous Interactions Using Transformers
虽然许多生产就绪和鲁棒的算法可用于推荐系统的任务，但这些系统中的许多系统不考虑用户的消费顺序。消费的顺序在许多场景中非常有用和重要。一种这样的场景是教育内容推荐，其中用户通常遵循朝向更高级课程的渐进路径。研究人员已经使用RNN构建了序列推荐系统和其他处理序列的模型。顺序推荐系统试图通过读取用户的历史来预测用户的下一个事件。随着Transformers在自然语言处理中的巨大成功，以及它们使用注意力机制来更好地处理序列，已经有人尝试使用这一系列模型作为新一代顺序推荐系统的基础。在这项工作中，通过将每个用户与项目的交互转换为一系列事件，并基于我们的架构上的Transformers，我们试图使这样一个模型，考虑到不同类型的事件的使用。此外，通过认识到某些事件必须在其他类型的事件发生之前发生，我们试图修改架构以反映这种依赖关系并增强模型的性能。
2022-04-30 cs.IR
IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation
随着网络嵌入技术的飞速发展，推荐算法也随之发展。然而，用户-项目交互的稀疏性（即，明确的偏好）仍然是预测用户行为的一大挑战。尽管已经在利用一些辅助信息（例如，用户之间的社会关系）来解决该问题，现有的丰富的异构辅助关系仍然没有被充分利用。此外，以前的工作依赖于线性组合正则化和遭受参数调整。在这项工作中，我们收集了丰富的关系，从共同的用户行为和项目信息，并提出了一个新的框架命名为IntentGC利用显式偏好和异构关系的图卷积网络。除了对异质性建模的能力之外，IntentGC还可以通过非线性意义上的神经模型自动学习不同关系的重要性。为了将IntentGC应用于Web规模的应用程序，我们设计了一个更快的图卷积模型IntentNet，避免了不必要的特征交互。在两个大规模真实数据集和阿里巴巴在线A/B测试上的实验表明，该方法优于现有算法。
2019-07-24 cs.IR
Exploring Heterogeneous Metadata for Video Recommendation with Two-tower Model
在线视频服务每天都会获取新内容，以提高参与度并改善用户体验。传统的推荐系统仅仅依赖于观看历史，延迟了向正确的客户推荐新添加的标题。然而，可以使用冷启动标题的元数据信息来引导个性化。在这项工作中，我们建议采用一个双塔模型，其中一个塔是学习用户表示的基础上，他们的观看历史，和其他塔是学习有效的表示使用元数据的标题。本文的贡献可以概括为：（1）我们展示了使用双塔模型进行推荐的可行性，并进行了一系列的离线实验来展示其在冷启动标题中的性能;（2）我们探索了不同类型的元数据（分类特征、文本描述、封面图像）和用于融合它们的注意力层;（3）利用我们的Amazon专有数据，我们证明了注意力层可以自适应地为不同的元数据分配权重，并改进了对热启动和冷启动项目的推荐。
2022-04-02 cs.IR
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Heterogeneous Multi-treatment Uplift Modeling for Trade-off Optimization in Short-Video Recommendation
本文提出HMUM框架，通过离线混合建模和在线动态决策模块，实现短视频推荐中的多策略权衡优化，提升个性化决策效果。
2025-11-29 cs.IR
LHRM: A LBS based Heterogeneous Relations Model for User Cold Start Recommendation in Online Travel Platform
目前的推荐系统大多利用用户的历史行为数据来预测用户的偏好。然而，很难准确地向新用户推荐商品。为了缓解这个问题，现有的用户冷启动方法要么应用深度学习来构建跨域推荐系统，要么将用户属性映射到用户行为空间中。这些方法在应用于在线旅游平台时更具挑战性（例如，Fliggy），因为很难找到一个跨领域的用户与旅行场景具有相似的行为，并且用户的基于位置的服务（LBS）信息没有得到足够的重视。在这项工作中，我们提出了一个基于LBS的异构关系模型（LHRM）用于用户冷启动推荐，该模型利用用户在相关领域的LBS信息和行为信息以及用户在旅游平台（例如，Fliggy）来构造用户和项目之间的异构关系。此外，基于注意力的多层感知器被应用于提取用户和项目的潜在因素。通过这种方式，LHRM具有更好的泛化性能比现有的方法。对Fliggy离线测井数据的实验结果表明了LHRM的有效性。
2021-08-05 cs.IR
Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与技术学院）
本文提出BDPL框架，通过构建定制化行为感知子图和级联结构图神经网络，结合偏好级对比学习和自适应门控机制，解决异质序列推荐中行为数据稀疏性和噪声问题，提升推荐精度。
2026-04-16 cs.IR
Graph-based Recommendation for Sparse and Heterogeneous User Interactions
针对小型企业数据稀疏问题，提出利用异构用户-内容交互的图推荐模型，并通过遗传算法优化关系权重，在两个真实数据集上较低数据场景方法最高提升7%。
2023-01-26 cs.IR
An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph
由于异构信息网络（HIN）能够描述复杂的图形，并包含丰富的语义，近年来出现了大量基于HIN的推荐系统。虽然现有的方法已经实现了性能改进，但在实用的同时，它们仍然面临以下问题。一方面，大多数现有的基于HIN的方法依赖于显式路径可达性来利用用户和项目之间的基于路径的语义相关性，例如，基于隐喻的相似性这些方法很难使用和集成，因为路径连接是稀疏或嘈杂的，并且通常具有不同的长度。另一方面，其他基于图的方法旨在通过在预测之前将节点及其邻域信息压缩到单个嵌入中来学习有效的异构网络表示。这种弱耦合的建模方式忽略了节点之间丰富的交互，这引入了早期摘要问题。针对上述问题，本文提出了一种端到端的基于邻居的交互推荐模型（NIRec）。具体来说，我们首先分析了在HIN中学习交互的意义，然后提出了一种新的配方，以捕捉每对节点之间的交互模式，通过他们的元路径引导的邻居。然后，为了探索元路径之间的复杂交互并处理大规模网络上的学习复杂性，我们以卷积方式表达交互，并使用快速傅立叶变换进行有效学习。在四种不同类型的异构图上进行的大量实验表明，与现有技术相比，NIRec的性能有所提高。据我们所知，这是第一个工作提供了一个有效的基于邻里的互动模型在基于HIN的建议。
2020-07-01 cs.IR
Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
TCS Research, India（塔塔咨询服务公司研究院）
本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架，通过构建异构知识图谱并学习用户人设，提升稀疏或冷启动场景下的个性化推荐效果。
2026-04-14 cs.IR
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
Retention Induced Biases in a Recommendation System with Heterogeneous Users
该研究指出推荐系统算法更迭后的过渡时期A/B测试指标存在偏差，可能误导对算法长期性能的判断，同时提及用户留存动态会引发数据偏差。
2024-10-30 cs.IR
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来，真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本，在整个语料库上进行复杂的端到端算法是极具挑战性的。因此，传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率，旨在从大型语料库中高效地检索数百个条目，而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性，而匹配模块应该对多样性承担更多责任。在本文中，我们提出了一种新的异构图神经网络框架的多样化推荐（GraphDR）匹配，以提高推荐精度和多样性。具体来说，GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好，并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失，以平衡多样化匹配任务的推荐准确性和多样性。在实验中，我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标，并取得了显着的改善。为了更好地理解我们的模型，我们还进行了模型分析和案例研究。此外，GraphDR已经部署在一个知名的推荐系统上，影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
Adaptive Graph Integration for Cross-Domain Recommendation via Heterogeneous Graph Coordinators
提出HAGO框架，通过异构自适应图协调器动态整合多领域图，增强有益交互并缓解负迁移，配合通用预训练策略，在跨域推荐中超越现有方法。
2025-07-10 cs.IR
Deep Unified Representation for Heterogeneous Recommendation
Alibaba Group（阿里巴巴集团）；Ant Financial Services Group（蚂蚁金融服务集团）；University of Science and Technology of China（中国科学技术大学）
推荐系统一直是学术界和工业界广泛研究的课题。以往的工作主要集中在同类推荐系统上，对于异构推荐系统的研究进展甚微。然而，异构的建议，例如，推荐不同类型的物品，包括产品、视频、名人购物笔记等，如今占主导地位。现有技术的方法不能利用来自不同类型的项目的属性，因此存在数据稀疏性问题。联合表示具有不同特征空间的项目确实是相当具有挑战性的。为了解决这个问题，我们提出了一个基于核的神经网络，即深度统一表示（或DURation）的异构推荐，联合建模异构项目的统一表示，同时保持其原始的特征空间拓扑结构。理论上，我们证明了所提出的模型的表示能力。此外，我们在真实世界的数据集上进行了广泛的实验。实验结果表明，在统一表示的情况下，我们的模型取得了显着的改善（例如，AUC评分提高4.1% ~ 34.9%，在线CTR提高3.7%）。
2022-01-26 cs.IR cs.LG
Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation
针对异构图中用户-项目交互受潜在意图支配但现有方法忽略此点的问题，提出IHGCL框架，通过基于元路径的双对比学习整合意图，并利用BAE减少元路径噪声，在六个数据集上表现优于基线。
2024-07-28 cs.IR
Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
针对现有推荐方法难以兼顾严格冷启动与热启动性能的问题，本文提出融合多模态内容与知识图谱的Firzen框架，通过冻结异构图与同构图提取多维度信息，在两类场景下均取得优异表现。
2024-10-10 cs.IR
AMinerGNN: Heterogeneous Graph Neural Network for Paper Click-through Rate Prediction with Fusion Query
基于用户生成关键词的论文推荐是指推荐既符合用户兴趣又与输入关键词相关的论文。这是一个包含两个查询的推荐任务，用户ID和关键字。然而，现有的方法集中在根据一个查询，也就是推荐。用户ID，不适用于解决此问题。提出了一种基于异构图神经网络的点击率预测模型AMinerGNN，用于推荐具有两个查询的论文。具体来说，AMinerGNN通过图表示学习构建一个异构图，将用户、论文和关键词投影到同一个嵌入空间。为了处理两个查询，一个新的查询关注融合层的设计，动态地认识到他们的重要性，然后融合他们作为一个查询，建立一个统一的，端到端的推荐系统。在我们提出的数据集和在线A/B测试上的实验结果证明了AMinerGNN的优越性。
2022-08-15 cs.IR
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints
推荐系统为用户提供了一个适当限制的最近在线的大量信息。基于会话的推荐是推荐系统的一个子领域，它试图通过解释由项目序列组成的会话来推荐项目。最近，在这些会话中包括用户信息的研究正在取得进展。然而，难以生成包括由用户生成的会话表示的高质量用户表示。在本文中，我们考虑各种关系的图创建会话通过异构注意力网络。约束还强制用户表示考虑会话中呈现的用户偏好。它试图通过在培训过程中的额外优化来提高性能。该模型在各种真实数据集上的性能优于其他方法。
2022-06-26 cs.AI cs.IR
Side Information Fusion for Recommender Systems over Heterogeneous Information Network
协同过滤（CF）是目前最重要和最流行的推荐方法之一，其目的是根据用户过去的行为来预测用户的偏好（评分）。最近，各种类型的边信息以外的显式评级用户给的项目，如用户之间的社会联系和元数据的项目，已被引入CF和被证明是有用的，以提高推荐性能。然而，以前的作品分别处理不同类型的信息，因此未能捕捉到它们之间可能存在的相关性。为了解决这个问题，在这项工作中，我们研究了异构信息网络（HIN）的应用，以提高CF为基础的推荐方法。然而，我们在基于HIN的推荐中面临挑战性的问题，即，如何在HIN中捕捉用户和项目之间复杂语义的相似性，以及如何有效地融合这些相似性以提高最终的推荐性能。为了解决这些问题，我们将元数据应用到相似度计算中，并使用“矩阵分解（MF）+分解机（FM）”框架解决信息融合问题。对于MF部分，我们从每个元数据中获得用户-项目相似性矩阵，然后应用低秩矩阵近似来获得用户和项目的潜在特征。对于FM部分，我们将FM与Group Lasso（FMG）应用于从MF部分获得的特征上，以训练推荐模型，同时识别有用的元图。除了FMG，一个两阶段的方法，我们进一步提出了一个端到端的方法，层次注意力融合（HAF），融合元语义的相似性，最终的推荐。在四个大型真实数据集上的实验结果表明，这两个框架在推荐性能方面明显优于现有的最先进的方法。
2020-12-28 cs.IR
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
An improved HeatS+ProbS hybrid recommendation algorithm based on heterogeneous initial resource configurations
基于网络的用户-对象链接预测推荐算法近年来取得了显著的发展。对于二分图，这种算法中的资源重新分配类似于热扩散（HeatS）或概率扩散（ProbS）过程。最好的算法是一个混合的HeatS和ProbS技术与同质的初始资源配置，同时满足高精度和大的多样性。我们调查的HeatS+ProbS混合算法的初始配置的异质性的影响，并发现，在这个新的设置，可以进一步提高推荐的准确性和多样性。数值实验表明，改进是鲁棒的。
2010-05-25 cs.IR physics.soc-ph
Improving Community Detection Performance in Heterogeneous Music Network by Learning Edge-type Usefulness Distribution
随着音乐成为日常生活中必不可少的一部分，迫切需要开发推荐系统来帮助人们以更少的努力瞄准更好的歌曲。由于用户与歌曲之间的交互自然地构成了一个复杂的网络，社区发现方法可以通过将相关用户和歌曲分组到同一社区来揭示用户对歌曲的潜在兴趣。然而，由于交互的类型可能是异构的，它挑战了传统的社区发现方法最初设计的同构网络。虽然已有的异构社区发现的工作，他们大多是任务驱动的方法，并不适用于特定的音乐推荐。在本文中，我们提出了一种基于遗传的方法来学习边缘类型有用性分布（ETUD）的所有边缘类型在异构音乐网络。ETUD可以被视为一个线性函数，将所有边缘投影到同一潜在空间，并使它们具有可比性。因此，可以将异构网络转换为同构网络，在同构网络中可以使用那些传统的方法。我们验证了所提出的模型上的异构音乐网络构建的在线音乐流媒体服务。结果表明，对于传统的方法，ETUD可以帮助检测社区显着提高音乐推荐的准确性，同时降低用户搜索成本。
2021-11-28 cs.IR
Criterion-based Heterogeneous Collaborative Filtering for Multi-behavior Implicit Recommendation
针对现有多行为非采样推荐方法忽略偏好强度差异与行为依赖异质性的问题，提出引入上下阈值引导偏好学习的CHCF框架，理论证明其可近似优化协同度量学习，实验验证了在异构场景的有效性。
2023-07-25 cs.IR
Multi-Aggregator Time-Warping Heterogeneous Graph Neural Network for Personalized Micro-Video Recommendation
Georgia State University（佐治亚州立大学）
针对现有微视频推荐未充分考虑新闻类内容高时效性、用户兴趣动态变化等问题，提出多聚合器时间扭曲异构图神经网络MTHGNN，通过多聚合器挖掘偏好、捕捉时序动态并兼顾时效性，在对比实验中表现优于现有最优方法。
2025-03-21 cs.AI cs.IR
Towards Personalized Bangla Book Recommendation: A Large-Scale Heterogeneous Book Graph Dataset
East West University（东西方大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
2026-06-08 cs.IR cs.LG
HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation
针对现有双曲图卷积推荐模型存在的空间特性利用不足、忽略辅助信息、收敛慢等问题，提出融合侧信息、优化嵌入初始化与聚合方式、采用定制负采样的HGCH模型，在四个真实数据集上性能优于主流基线。
2024-12-12 cs.IR
Equity by Design? On the Trade-Offs in Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets
University of Amsterdam（阿姆斯特丹大学）；Vinted
本文提出一个离线优化框架，统一分析多物品推荐、异质用户群体和业务约束下的公平性权衡，发现多推荐场景下“免费公平”消失，适度的生产者公平约束可通过多样化曝光改善业务指标。
2026-07-03 cs.GT cs.IR
MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation
College of Computer and Information Science, Southwest university（西南大学计算机与信息科学学院）；College of Computer and Information Science, Chongqing normal university（重庆师范大学计算机与信息科学学院）
针对现有图推荐方法忽视学术网络非对称影响的问题，提出MIARec模型，利用引力衡量学者间相互影响并融入特征聚合，通过多通道聚合捕获子网络个体与依赖嵌入，在真实数据集上超越基线模型。
2025-10-14 cs.IR cs.LG
Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation
针对下一篮推荐忽视价格及商品—购物篮—用户交互建模不足的问题，提出BDHH动态异构超图方法，利用价格关系图与购物篮引导增强网络提升推荐准确率。
2024-09-18 cs.IR
Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation
针对生成式下一个POI推荐中异构信息丢失和单一行为理解不足的问题，提出KGTB框架，利用知识图谱组织数据并开发基于KG的标记器生成结构ID，同时引入多行为学习任务微调LLM，显著提升了推荐性能。
2025-09-15 cs.IR
An Intelligent Data Analysis for Hotel Recommendation Systems using Machine Learning
本文提出了一种智能的方法来处理异构和大规模的数据，使用机器学习，以产生真正的建议，为未来的客户。协同过滤（CF）方法是RS生成推荐的最流行的技术之一。提出了一种新的CF推荐方法，该方法使用基于观点的情感分析，通过极性识别获得酒店特征矩阵。我们的方法结合了词法分析，语法分析和语义分析，以了解对酒店特色和客户类型（单人，家庭，情侣等）的分析。建议的系统推荐酒店的基础上，酒店的特点和客户类型作为个性化推荐的附加信息。开发的系统不仅具有使用大数据Hadoop平台处理异构数据的能力，而且还基于客人类型使用模糊规则推荐酒店等级。在从两个酒店网站获得的真实世界数据集上进行了不同的实验。此外，精确度和召回率和F-测量值已被计算和结果进行了讨论，在提高准确率和响应时间，显着优于传统的方法。
2019-10-15 cs.IR
BMLP: Behavior-aware MLP for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））
本文提出行为感知多层感知机BMLP，通过异构兴趣感知和购买意图感知两个模块建模多行为关系，在四个公开数据集上以线性时间复杂度取得优于现有算法的推荐效果。
2024-02-20 cs.AI cs.IR
Modeling Multi-Hop Semantic Paths for Recommendation in Heterogeneous Information Networks
The Chinese University of Hong Kong（香港中文大学）；University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Brown University（布朗大学）；Shanghai Jiao Tong University（上海交通大学）；University of Southern California（南加州大学）
本文提出一种多跳路径感知的异构信息网络推荐框架，通过路径选择、语义表示和注意力融合建模用户偏好，在Amazon-Book等数据集上显著提升HR@10、Recall@10等指标。
2025-05-09 cs.IR cs.LG
