Hgformer: Hyperbolic Graph Transformer for Recommendation
University of Tsukuba（筑波大学）；Kyoto University（京都大学）；Tsinghua University（清华大学）；The University of Tokyo（东京大学）；Baidu Inc.（百度公司）
针对跨域推荐中被忽视的长尾数据建模失真问题，提出以BiTGCF为基础、基于双曲流形并构建新型传播与迁移层的跨域协同过滤模型，在多数据集上性能优于基线模型，可缓解推荐系统冷启动问题。
2024-12-30 cs.AI cs.IR cs.LG
A Fashion Item Recommendation Model in Hyperbolic Space
University of California, San Diego（加利福尼亚大学圣地亚哥分校）；ZOZO Research（ZOZO研究所）；The University of Melbourne（墨尔本大学）
本文提出一种在双曲空间中学习用户与时尚单品表示并结合多任务学习的推荐模型，以更好捕捉视觉与购买历史中的隐式层级关系，实验表明其优于仅使用欧氏空间的模型。
2024-09-04 cs.CV cs.IR cs.LG
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱（KGs）来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中，最近的工作探索了图的拓扑结构，以学习具有丰富语义的用户和项目的低维表示。然而，这些现实世界中的三分图通常是无标度的，其内在的层次图结构在现有的工作中是强调不足，因此，导致次优的推荐性能。为了解决这个问题，提供更准确的推荐，我们提出了一种基于双曲几何的知识感知推荐方法，即洛伦兹知识增强的图卷积网络推荐（LKGR）。在数据统一后，LKGR有助于更好地建模无标度三部图。具体来说，我们采用不同的信息传播策略，在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明，LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney（悉尼科技大学）；Shandong University（山东大学）；The University of Queensland（昆士兰大学）
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而，在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白，本文提供了理论分析和经验结果，何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说，我们回答了哪些类型的模型和数据集更适合双曲空间，以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案，使用6个广泛使用的数据集和不同的潜在大小。此外，我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论，双曲空间上SCML和显示的国家的最先进的性能，双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Review-Based Hyperbolic Cross-Domain Recommendation
Samsung（三星）；KAIST（韩国科学技术院）；Korea Institute of Energy Technology（韩国能源技术研究院）
本文提出一种基于评论文本的双曲跨域推荐方法，通过层级感知嵌入与域对齐解决数据稀疏问题，实验验证了其效率、鲁棒性和可扩展性。
2025-03-19 cs.IR cs.LG
HMamba: Hyperbolic Mamba for Sequential Recommendation
本文提出 Hyperbolic Mamba，将 Mamba 的选择性状态空间机制与双曲几何结合，以线性时间效率建模推荐序列中的层级偏好，并在四个基准上取得 3–11% 的性能提升。
2025-05-14 cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group（蚂蚁集团）；Shantou University（汕头大学）；Tianjin University（天津大学）
基于会话的推荐（SBR）通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中，基于图的方法是一种比较强大的方法，它通常通过在欧氏空间下的消息聚合来提取项目信息。然而，这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息，这是表示用户的偏好的关键。在本文中，我们提出了一个双曲对比图推荐（HCGR），一个原则性的基于会话的推荐框架，涉及洛伦兹双曲空间，以充分捕捉项目的连贯性和层次表示。在这个框架内，我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外，利用对比学习，通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明，HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐（HNCR），深度双曲表示学习方法，利用用户/项目之间的相互语义关系的协同过滤（CF）任务。HNCR包含两个主要阶段：邻居构建和推荐框架。第一阶段引入邻居构建策略，根据用户与项目的历史交互，为每个用户和项目构建语义邻居集。在第二阶段，我们开发了一个基于双曲几何的深层框架，将构建的邻居集集成到推荐中。通过一系列广泛的实验，我们表明，HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System
University of Tsukuba（筑波大学）；Tsinghua University（清华大学）；Peking University（北京大学）；University of Tokyo（东京大学）；Kyoto University（京都大学）；Baidu Inc.（百度公司）
本文提出双曲对比学习框架HCTS，通过将不同领域的用户和物品分别映射到可调曲率的双曲流形上，并结合双曲对比学习模块实现跨域知识迁移，以缓解长尾分布和数据稀疏问题，实验证明双曲空间在跨域推荐中优于欧几里得空间。
2024-07-04 cs.AI cs.IR
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
Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
City University of Hong Kong（香港城市大学）
针对知识感知推荐中层次结构建模不足及图结构增强导致偏好偏移的问题，提出结合Lorentzian知识聚合与模型级增强的双曲对比学习方法，最高性能提升11.03%。
2025-05-13 cs.AI cs.IR
HICF: Hyperbolic Informative Collaborative Filtering
The Chinese University of Hong Kong（香港中文大学）；Harbin Institute of Technology（哈尔滨工业大学）；Huawei Technologies Co.,Ltd（华为技术有限公司）
考虑到幂律分布在用户-项目网络中的普遍性，双曲空间近年来在推荐系统中引起了广泛的关注并取得了令人印象深刻的性能。双曲线推荐的优点在于其指数增长的容量非常适合描述幂律分布的用户-项目网络，而欧几里得等价物是不足的。尽管如此，仍然不清楚双曲线模型可以有效地推荐哪些项目，哪些项目不能。为了解决上述问题，我们以最基本的推荐技术--协同过滤为媒介，研究了双曲推荐模型和欧氏推荐模型的行为。结果表明：（1）双曲空间中尾项的关注度高于欧氏空间，但仍有很大的改进空间;（2）双曲空间中头项的关注度不高，但仍有很大的改进空间;（3）双曲空间中头项的关注度高于欧氏空间。基于上述观察结果，我们设计了一种新的学习方法，命名为双曲线信息协同过滤（HICF），旨在补偿头部项目的推荐效果，同时提高尾部项目的性能。其主要思想是适应双曲边缘排名学习，使其拉和推过程的几何意识，并提供信息指导的头部和尾部项目的学习。大量的实验支持分析结果，也表明了所提出的方法的有效性。这项工作对于个性化推荐是有价值的，因为它揭示了双曲空间有助于对尾部项进行建模，尾部项通常代表用户自定义的偏好或新产品。
2022-07-19 cs.AI cs.IR
GTR-Mamba: Geometry-to-Tangent Routing Mamba for Hyperbolic POI Recommendation
College of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Shanghai Ballsnow Intelligent Technology Co., Ltd（上海 Ballsnow 智能科技有限公司）；Hunan University（湖南大学）
GTR-Mamba通过几何到切线路由机制，提升超几何兴趣点推荐的效率和准确性。
2026-01-23 cs.AI cs.IR
Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR cs.LG
Incorporating Domain Knowledge into Health Recommender Systems using Hyperbolic Embeddings
Nova School of Business and Economics, Universidade NOVA de Lisboa（新里斯本大学商业与经济学院）
与许多其他领域相比，健康服务中的推荐系统可能特别受益于健康领域知识的整合，因为它有助于提供有意义的和个性化的推荐，以满足个人的健康需求。随着表示学习的最新进展，使健康知识的分层嵌入到双曲庞加莱空间，这项工作提出了一个基于内容的推荐系统，在初级保健的基础上，病人的健康档案，丰富的预训练庞加莱嵌入的ICD-9代码通过迁移学习。建议的模型优于传统的同行在推荐准确性方面，并有几个重要的商业影响，改善医患关系。
2021-06-14 cs.IR cs.LG
Scalable Hyperbolic Recommender Systems
University College London（伦敦大学学院）
我们提出了一个大规模的双曲推荐系统。我们讨论了为什么双曲几何是一个更合适的基础几何许多推荐系统，并涵盖了基本的里程碑和见解，我们已经从它的发展。在这样做的过程中，我们证明了双曲几何推荐系统的可行性，表明它们在具有复杂网络特性的数据集上的性能显着优于欧几里得模型。我们的方法成功的关键是新的选择基本的双曲模型和使用爱因斯坦中点定义一个非对称推荐系统在双曲空间。这些选择使我们能够扩展到数百万用户和数十万项。
2019-02-22 cs.IR cs.LG stat.ML
HyperML: A Boosting Metric Learning Approach in Hyperbolic Space for Recommender Systems
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；University of New South Wales（新南威尔士大学）
本文研究了在非欧空间中学习用户和项目表示的概念。具体来说，我们通过探索Mobius gyrovector空间来研究双曲空间中的度量学习与协同过滤之间的联系，其中空间的形式主义可以用来推广最常见的欧几里得向量运算。总体而言，这项工作的目的是通过度量学习方法在推荐系统中弥合欧氏几何和双曲几何之间的差距。我们提出了HyperML（双曲度量学习），这是一个概念简单但非常有效的模型，可以提高性能。通过一系列广泛的实验，我们表明，我们提出的HyperML不仅优于他们的欧几里德同行，而且还实现了最先进的性能在多个基准数据集上，证明了个性化推荐的有效性在双曲几何。
2019-11-28 cs.IR cs.LG stat.ML
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
A general graph-based framework for top-N recommendation using content, temporal and trust information
Université de Yaoundé I（雅温得第一大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；IRD（法国国家发展研究院）
在许多电子商务平台中，向用户推荐合适的商品是至关重要的，这些平台包含用户的浏览、购买和流媒体历史等隐式数据。一种常见的方法是针对给定的N个项目，选择与每个用户最相关的N个项目，这被称为前N个推荐。为此，推荐系统依赖于各种信息，如项目和用户特征，用户对项目的过去兴趣，浏览历史和用户之间的信任。然而，它们通常只使用一两条这样的信息，这限制了它们的性能。在本文中，我们设计并实现了GraFC 2 T2，一个通用的基于图的框架，可以轻松地组合和比较各种边信息的前N推荐。它将基于内容的特征、时间和信任信息编码到一个复杂的图中，并在这个图上使用个性化的PageRank来执行推荐。我们在Epperly和Ciao数据集上进行了实验，并将使用F1分数，命中率和MAP评估指标获得的性能与基于矩阵分解和深度学习的系统进行了比较。这表明，我们的框架是方便这样的探索，并结合不同种类的信息确实提高了一般的建议。
2019-05-06 cs.IR cs.LG stat.ML
HAKG: Hierarchy-Aware Knowledge Gated Network for Recommendation
知识图谱在提高推荐性能和可解释性方面发挥着越来越重要的作用。最近的技术趋势是基于信息传播方案设计端到端模型。然而，现有的基于传播的方法未能（1）建模底层的层次结构和关系，以及（2）捕获项目的高阶协作信号，用于学习高质量的用户和项目表示。在本文中，我们提出了一个新的模型，称为层次感知知识门控网络（HAKG），以解决上述问题。从技术上讲，我们在双曲空间中对用户和项目（由用户-项目图捕获）以及实体和关系（在KG中捕获）进行建模，并设计了一个双曲聚合方案来收集KG上的关系上下文。同时，我们引入了一个新的角度约束，以保持嵌入空间中的项目的特性。此外，我们提出了一个双项目嵌入设计表示和传播的合作信号和知识协会分开，并利用门控聚合，以更好地捕捉用户的行为模式，以提取判别信息。在三个基准数据集上的实验结果表明，HAKG与CKAN，Hyper-Know和KGIN等最先进的方法相比取得了显着的改进。对学习的双曲嵌入的进一步分析证实，HAKG提供了对数据层次结构的有意义的见解。
2022-04-11 cs.IR
Fifty Shades of Ratings: How to Benefit from a Negative Feedback in Top-N Recommendations Tasks
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Institute of Numerical Mathematics of the Russian Academy of Sciences（俄罗斯科学院数值数学研究所）
传统的协同过滤技术将前n个推荐问题视为生成最相关项目列表的任务。然而，这种提法忽视了一个相反的方面-避免提出完全不相关的建议。由于这种偏见，标准算法以及常用的评估指标对负反馈变得不敏感。为了解决这个问题，我们建议把用户反馈作为一个分类变量，并在三元的方式与用户和项目的模型。我们采用了三阶张量分解技术，并实现了更高阶的折叠方法来支持在线推荐。该方法是同样敏感的用户评级的整个频谱，并能够准确地预测相关项目，甚至从一个负面的反馈。我们的方法可以部分地消除复杂的评级启发过程的需要，因为它提供了个性化的建议，从一开始的互动与推荐系统。我们还提出了一个修改的标准度量，这有助于揭示不必要的偏见和帐户的敏感性的负面反馈。我们的模型在标准推荐任务中达到了最先进的质量，同时在冷启动“无正反馈”场景中显着优于其他方法。
2016-07-14 cs.IR cs.LG stat.ML
Collaborative Distillation for Top-N Recommendation
Sungkyunkwan University（成均馆大学）；Yonsei University（延世大学）
知识蒸馏（KD）是通过将笨重的教师模型压缩为小的学生模型来减少推理延迟的公知方法。尽管KD在分类任务中取得了成功，但由于正反馈的稀疏性，缺失反馈的模糊性以及与前N个推荐相关的排名问题，将KD应用于推荐模型是具有挑战性的。为了解决这些问题，我们提出了一个新的KD模型的协同过滤方法，即协同蒸馏（CD）。具体而言，（1）我们重新制定了一个损失函数，以处理丢失反馈的模糊性。(2)我们利用概率排名感知采样的前N个建议。(3)为了有效地训练所提出的模型，我们开发了两种培训策略的学生模型，称为教师和学生指导的培训方法，选择最有用的反馈，从教师模型。实验结果表明，该模型在命中率和归一化贴现累积增益方面分别比现有方法高出2.7-33.2%和2.7-29.1%。此外，所提出的模型实现的性能相媲美的教师模型。
2019-11-13 cs.IR cs.LG stat.ML
FAST: A Fairness Assured Service Recommendation Strategy Considering Service Capacity Constraint
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）
过多的客户往往导致服务质量下降。然而，推荐系统忽略了服务的容量限制，这可能导致不满意的推荐。这个问题可以通过限制接收服务推荐的用户数量来解决，但这可能被视为不公平。在本文中，我们提出了一种新的度量Top-N公平性来衡量个人的公平性多轮推荐服务的容量限制。考虑到用户通常只受推荐中排名靠前的项目的影响，Top-N Fairness只考虑由前N个服务组成的子列表。在此基础上，设计了一种公平保证服务推荐策略FAST。FAST调整原有推荐列表，为用户提供推荐结果，保证多轮推荐的长期公平性。从理论上证明了FAST算法的Top-N公平性方差的收敛性。FAST在Yelp数据集和合成数据集上进行了测试。实验结果表明，FAST在保持较高推荐质量的同时，实现了较好的推荐公平性.
2020-12-02 cs.IR cs.LG
Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation
National Taiwan University（国立台湾大学）
针对现有评论模型在Top-N推荐中表现不佳且数据受限的问题，提出AGTM模型，通过结合图卷积网络的高阶连通性与物品文本内容，有效提升了Top-N推荐性能。
2023-05-22 cs.IR cs.LG
Conditioned Variational Autoencoder for top-N item recommendation
University of Padova（帕多瓦大学）
在本文中，我们提出了一个有条件的变分自编码器（C-VAE）的约束top-N项目推荐，其中推荐的项目必须满足一个给定的条件。所提出的模型架构类似于标准VAE，其中条件向量被馈送到编码器中。由于考虑了输入条件的新的重建损失，在训练期间学习受约束的排名。我们表明，我们的模型概括了国家的最先进的多VAE协同过滤模型。此外，我们还提供了关于C-VAE在潜在空间中学习的内容的见解，提供了人性化的解释。实验结果强调了C-VAE在约束条件下提供准确建议的潜力。最后，所进行的分析表明，C-VAE可以用于其他推荐场景，如上下文感知推荐。
2020-05-04 cs.IR cs.LG
Thresholding for Top-k Recommendation with Temporal Dynamics
这项工作的重点是top-k推荐的基础数据分布偏移超时的域。我们建议在现有的推荐引擎上学习每个项目的时间依赖性偏差。这种偏差学习过程在构建引擎时消除了数据稀疏性，同时捕获了在数据中观察到的最近趋势变化。我们提出了一个交替优化框架来解决偏差学习问题，并开发了处理各种常用的推荐评估标准，以及大量的项目和用户在实践中的方法。所提出的算法进行检查，离线和在线，使用从全球最大的零售商收集的真实世界的数据集。实验结果表明，偏见学习几乎总是可以提高推荐性能。我们鼓励其他从业者采用它作为一个标准的组成部分，在推荐系统的时间动态是一个规范。
2015-11-09 cs.IR cs.LG
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
Top-N Recommendation with Novel Rank Approximation
Southern Illinois University（南伊利诺伊大学）
准确的推荐系统的重要性已经得到学术界和工业界的广泛认可。然而，推荐质量仍然相当低。最近，线性稀疏和低秩表示的用户项矩阵已被应用到产生前N个建议。这种方法使用核范数作为秩函数的凸松弛，并且比最先进的方法实现了更好的推荐准确性。在过去的几年里，利用非凸松弛求解秩最小化问题得到了越来越多的关注。一些实验结果表明，它可以提供一个更好的逼近原问题比凸松弛。在本文中，我们提出了一种新的秩近似，以提高Top-N推荐系统的性能，其中近似误差是可控的。在真实数据上的实验结果表明，该方法显著提高了Top- $N$的推荐准确率.
2016-02-26 cs.AI cs.IR stat.ML
Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation
Beihang University（北京航空航天大学）；Zhongguancun Laboratory（中关村实验室）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院）
提出MCKG方法，融合双曲、欧几里得和球面空间并采用几何感知优化，以提升知识图谱增强推荐性能。
2023-08-29 cs.AI cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Towards Fair and Rigorous Evaluations: Hyperparameter Optimization for Top-N Recommendation Task with Implicit Feedback
Shanghai University of Finance and Economics（上海财经大学）；Singapore University of Technology and Design（新加坡科技设计大学）
针对推荐模型超参数调优难、结果可复现性不足的问题，本文提出公平比较的研究方法，用七种超参数搜索算法在三个数据集上优化六种Top-N隐式推荐算法，找出适配的最优搜索算法，为推荐系统研究提供公平比较基础。
2024-08-14 cs.IR cs.LG
Autoregressive Generation Strategies for Top-K Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Skoltech, HSE University（斯克里普钦科技大学，俄罗斯联邦经济大学）
本文研究生成式Transformer在Top-K序列推荐中的应用，提出基于温度采样与多序列聚合的RRA和RA策略，在多个数据集上验证其在较长时间范围内优于传统Top-K预测和单序列自回归生成方法。
2024-09-26 cs.IR cs.LG
Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务，通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小，以最大化个体满意度，实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Understanding the Effectiveness of Reviews in E-commerce Top-N Recommendation
现代电子商业网站包含不同的信息源，如数字评级、文本评论和图像。这些信息可以用来帮助推荐。通过文本评论，用户明确表达了她对该项目的亲和力。之前的研究发现，通过使用从这些评论中提取的信息，我们可以更好地描述用户的显式偏好以及项目特征，从而提高推荐性能。然而，以往的算法大多只将评论信息用于评分预测等显式反馈问题，而对于top-N推荐等隐式反馈排名问题，评论信息的利用还没有得到充分的研究。针对这一缺陷，本文研究了电子商业环境下文本评论信息对top-N推荐的有效性。我们采用了几个SOTA审查为基础的评级预测模型的前N个推荐任务，并比较它们与现有的前N个推荐模型的性能和效率。我们发现，仅利用评论信息的模型不能获得比香草隐反馈矩阵分解方法更好的性能。当利用评论信息作为正则化子或辅助信息时，隐反馈矩阵分解方法的性能可以进一步提高。然而，最佳的模型结构，利用文本评论的电子商业前N推荐尚未确定。
2021-09-19 cs.IR
TopKGAT: A Top-K Objective-Driven Architecture for Recommendation
Zhejiang University（浙江大学）；Hangzhou City University（杭州城市大学）；CUHK-Shenzhen（香港中文大学（深圳））
TopKGAT是一种基于Top-K目标的推荐系统架构，通过可微近似Top-K指标提升推荐准确性，实验表明其在多个数据集上优于现有方法。
2026-01-26 cs.IR
Top-N recommendations in the presence of sparsity: An NCD-based approach
University of Patras（帕特雷大学）
在稀疏性的存在下进行推荐是协同过滤方法面临的最具挑战性的问题之一。在这项工作中，我们解决这个问题，利用项目空间的内在层次结构的方法，受分解理论的启发。我们认为项目空间作为一个几乎可分解的系统，我们定义块密切相关的元素和相应的间接邻近组件。我们研究的理论性质的分解，我们推导出充分的条件，保证充分的项目空间覆盖，即使在冷启动推荐方案。在MovieLens和Yahoo！R2 Music数据集使用几个广泛应用的性能指标，支持我们模型的理论预测属性，并验证NCDREC在推荐准确性，多样性和稀疏性不敏感性方面优于几种最先进的算法。
2015-07-07 cs.AI cs.IR stat.ML
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
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类，或者更简洁地说，是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是，组推荐是个性化推荐系统的改造。此外，这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战，研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前，推荐系统应用于电子商务、视频网站、社交网站等领域，给人们的日常生活带来了极大的方便。在推荐系统中，信息的类型越来越多样化和丰富，因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而，由于不同模态之间的表示差距，它是难以有效地使用非结构化的多模态数据，以提高推荐系统的效率。在本文中，我们提出了一个端到端的多模态的与数据相关的项目相似性模型（多模态IRIS）提供建议的多模态数据源的基础上。具体来说，多模式综合注册资讯系统模式包括三个模块，即：多模态特征学习模块、项目相关网络（IRN）模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后，IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后，多模态数据特征学习，IRN和项目相似性推荐模块被统一到一个集成的系统中，以实现性能的增强，并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明，通过处理人们在选择项目时可能更加关注的多模态数据，所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
On Sampling Top-K Recommendation Evaluation
最近，Rendle警告说，使用基于采样的top- $k$指标可能还不够。这使得最近关于基于深度学习的推荐算法以及使用这种度量的经典非深度学习算法的许多研究陷入危险之中。在这项工作中，我们彻底调查的抽样和全球顶级$K$命中率（HR，或召回），最初提出的Koren[2]和广泛使用的其他人之间的关系。通过公式化的问题对齐采样顶部- $k$（$SHR@k$）和全局顶级- $K$（$HR@K$）命中率通过映射函数$f$，使得$SHR@k\approx HR@f(k)$，我们在理论上和实验上证明了采样顶部- $k$命中率提供了其全局（精确）对应物的精确近似，并且可以一致地预测正确的获胜者（与其相应的全局命中率所指示的相同）。
2021-06-20 cs.IR stat.AP
Profiling vs. Time vs. Content: What does Matter for Top-k Publication Recommendation based on Twitter Profiles? - An Extended Technical Report
目前还不清楚基于用户推文的科学出版物推荐系统中的不同因素对推荐性能的影响。我们研究了三个不同的因素，即分析方法，时间衰减和丰富的内容。关于分析，我们比较CF-IDF，取代条款TF-IDF的语义概念，HCF-IDF作为新的层次结构的变体CF-IDF，和主题建模。作为时间衰减函数，我们采用滑动窗口和指数衰减。在内容的丰富性方面，我们比较了使用全文和出版物标题的建议和仅使用标题的建议。总的来说，这三个因素构成了十二种推荐策略。我们对123名参与者进行了一项在线实验，并在组内设计中比较了这些策略。最好的建议是通过结合CF-IDF，滑动窗口，并与全文的策略。然而，使用新的HCF-IDF分析方法的策略仅使用出版物的标题就可以获得类似的结果。因此，HCF-IDF可以在只有短而稀疏的数据时提出建议。
2016-04-18 cs.DL cs.IR
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中，基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能，如评分预测的均方根误差和top-N推荐的命中率，其中用户的反馈被认为是真实的。然而，在现实世界的应用中，用户的反馈可能被不完美的用户行为，即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中，为了解决上述问题，我们提出了一个通用的基于神经网络的推荐模型，提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡，并详细说明了如何取得平衡。具体来说，我们在协作自动编码器上实现了我们的方法，然后在三个公共数据集上进行了实验：MovieLens-1 M，Ciao和FilmTrust。我们表明，我们的方法优于竞争激烈的国家的最先进的推荐方法。此外，我们对噪声的影响，以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改，我们的对抗性训练框架可以应用于许多基于神经网络的模型，这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage
用于top-N推荐的标准协同过滤方法偏向于热门项目。因此，他们推荐用户可能知道的项目，并代表长尾项目。这是不够的，既为消费者谁喜欢新颖的项目，因为集中在流行的项目覆盖率低的项目空间，而高项目空间覆盖率增加供应商的收入。我们提出了一种方法，依赖于历史评级数据来学习用户长尾新奇的喜好。我们将这些偏好整合到一个通用的重新排名框架中，该框架可以在准确性和覆盖率之间实现自定义平衡。我们经验验证，我们提出的框架增加了建议的新颖性。此外，通过向正确的用户群推广长尾项目，我们显着增加了系统的覆盖率，同时可扩展地保持准确性。我们的框架还支持现有非个性化算法的个性化，使其在关键性能指标（包括准确性和覆盖率）方面与现有个性化算法竞争。
2018-03-01 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
Mining top-k granular association rules for recommendation
推荐系统对电子商务公司和研究人员都很重要。最近，粒度关联规则已被提出用于冷启动推荐。然而，现有的方法仅保留全局强规则，因此一些用户可能根本没有收到任何推荐。在本文中，我们提出了挖掘每个用户的top-k粒度关联规则。首先，我们定义了三个粒度关联规则的措施。这些是测量用户粒度的源覆盖率，测量项目粒度的目标覆盖率，以及测量关联强度的置信度。通过置信度度量，可以根据规则的强度对其进行排名。然后，我们提出了算法，用于训练推荐和建议项目给每个用户。实验进行了公开的数据集MovieLens。结果表明，合理的粒度设置可以避免过度拟合，同时有助于获得较高的推荐准确率。
2013-05-21 cs.IR
Candidate Set Sampling for Evaluating Top-N Recommendation
本文研究离线Top-N推荐评估中候选集采样策略与流行度偏差的交互，并通过仿真验证采样候选集能否降低指标估计偏差。
2023-09-21 cs.IR
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University（西安交通大学）
top-k推荐是推荐系统中的一项基本任务，通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题，近年来受到了越来越多的关注，我们发现它非常适合于top-k推荐。然而，CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面，合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面，在稀疏数据集中，正项很少，因此应该强调它们的重要性。此外，另一个重要的问题是，稀疏的积极项目仍然没有充分利用的建议。因此，我们提出了一种新的数据增强方法，使用多个正项目（或样本）同时与CL损失函数。因此，我们提出了一种基于多样本的对比损失（MSCL）函数，通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络（GCN）方法，实验结果验证了MSCL的先进性能。所提出的MSCL方法简单，适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
Candidate Generation with Binary Codes for Large-Scale Top-N Recommendation
从大型语料库中生成前N个推荐对于大规模执行来说是计算昂贵的。在工业环境中，通常采用基于候选生成和重新排序的方法来缓解效率问题。然而，仍有待充分研究如何以及这些计划近似完整的排名（或需要多少候选人才能实现良好的近似），或开发系统的方法来有效地产生高质量的候选人。在本文中，我们试图调查这些问题，通过提出一个基于候选生成和重新排名的框架（CIGAR），它首先学习一个偏好保持二进制嵌入构建一个哈希表检索候选人，然后学习重新排名的候选人使用实值排名模型与面向候选人的目标。我们对由数百万用户/项目和数亿交互组成的几个大规模真实数据集进行了全面的研究。我们的研究结果表明，CIGAR显着提高了Top-N的准确性，对国家的最先进的推荐模型，同时减少查询时间的数量级。我们希望这项工作可以引起更多的关注，在推荐系统中的候选生成问题。
2019-09-12 cs.IR
Towards Low-loss 1-bit Quantization of User-item Representations for Top-K Recommendation
由于量化表示学习在空间压缩和推理加速方面的优势，近年来已成为推荐系统的一个新兴研究方向。由于目标是在离散的嵌入空间中嵌入潜在特征，因此开发具有少量低精度整数的用户项表示的量化面临着高信息损失的挑战，从而导致Top-K推荐的性能不理想。在这项工作中，我们研究的问题，表示学习的建议与1位量化。提出了一种低损失量化图卷积网络（L^2 Q-GCN）模型。与以往将量化作为用户项嵌入的最终编码器的工作不同，L^2 Q-GCN学习量化表示，同时捕获不同语义级别的用户项交互图的结构信息。这实现了中间交互信息的大量保留，减轻了由数值量化引起的用于排名的特征平滑问题。为了进一步提高模型的性能，我们还提出了一种改进的解决方案，称为L^2 Q-GCN-anl与量化近似和退火训练策略。我们在Top-K推荐任务的四个基准上进行了广泛的实验。实验结果表明，L^2 Q-GCN-anl在近9倍的表示存储压缩下，与现有模型相比，性能恢复率约为90~99%.
2021-12-03 cs.IR
HyHTM: Hyperbolic Geometry based Hierarchical Topic Models
Adobe（奥多比）
本文提出基于双曲几何的层次化主题模型HyHTM，通过引入双曲几何的层次信息显式建模主题层次结构，解决了传统HTMs中低层主题与高层主题不相关且不够具体的问题，同时显著提升了计算速度并降低了内存占用。
2023-05-16 cs.CL cs.IR
Limits of Predictability in Top-N Recommendation
Top-N推荐的目的是从一个大的项目集合中向每个消费者推荐一个由N个项目组成的小集合，其准确率是评价推荐系统性能的最常用指标之一。虽然提出了大量的算法来通过从用户的历史购买数据中学习用户偏好来推动Top-N准确度，但自然会提出一个可预测性问题-是否存在这种Top-N准确度的上限。这项工作通过研究一组特定的用户行为数据的规律性程度来研究这种可预测性。量化前N个推荐的可预测性需要同时量化具有最高概率的N个行为的准确性的限制。这大大增加了问题的难度。为此，首先挖掘出N个行为之间概率最大的关联，并基于信息论描述用户行为分布。然后，我们采用Fano不等式进行标度，得到Top-N可预测性。对真实世界的数据进行了大量的实验，与最先进的方法相比，观察到了显着的改进。我们不仅完成了对N个目标的可预报性计算，而且得到了比现有方法更接近真实值的可预报性。我们希望我们的研究结果，以帮助这些研究领域的定量要求的Top-N的可预测性是必需的。
2023-03-23 cs.IR cs.IT math.IT
B-Rank: A top N Recommendation Algorithm
本文提出了一种有效的推荐系统排序算法B-Rank。B-Rank基于超图上的随机游走模型。根据不同的设置，B-Rank在精度、召回率（19% - 50%）和列表间多样性（20% - 60%）方面优于其他最先进的算法。B-Rank很好地捕捉了流行和利基对象之间的差异。该算法产生非常有前途的结果稀疏和密集的投票矩阵。此外，一个推荐列表更新算法，以应付新的投票。该技术显著降低了计算复杂度。该算法实现简单，因为B-秩不需要参数调整。
2012-04-30 cs.IR physics.data-an
