End-to-End Personalization: Unifying Recommender Systems with Large Language Models
University of Windsor（温莎大学）
本文提出一种结合图注意力网络与大型语言模型的混合推荐框架，通过LLM增强嵌入和混合损失函数，在MovieLens数据集上提升推荐准确性与可解释性。
2025-08-02 cs.IR cs.LG
Dynamic Modeling of User Preferences for Stable Recommendations
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Institute of Numerical Mathematics, Russian Academy of Sciences（俄罗斯科学院数值数学研究所）
在用户倾向于开发长期偏好的领域中，推荐的稳定性是推荐系统感知质量的重要因素。在这种情况下，不稳定的推荐可能会导致糟糕的个性化体验和不信任，从而使用户远离推荐服务。我们提出了一个增量学习方案，通过动态建模方法来缓解这些问题。它采用了一个广义矩阵形式的偏微分方程积分器，产生一个动态的低秩近似的时间相关的矩阵表示用户的喜好。该计划允许扩展著名的PureSVD方法的时间感知设置，并显着提高其稳定性，而不牺牲标准的顶级$n$建议任务的准确性。
2021-04-11 cs.IR cs.LG
FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications
Capital One, AI Foundations（Capital One人工智能基础研究）
针对金融服务实时推荐的特殊挑战，提出基于Transformer的统一框架FinTRec，经实验验证其性能优于生产级树模型基线，可降低成本并支持跨产品信号共享。
2025-11-18 cs.LG
A Simple Deep Personalized Recommendation System
Vrbo, part of Expedia Group（Vrbo，亿客行集团旗下品牌）
推荐系统是在双边度假租赁市场中匹配列表和旅行者的关键工具。这样的系统需要高容量来从大规模的隐式信号中提取用户对项目的偏好。为了学习这些偏好，我们提出了一个简单的深度个性化推荐系统来计算旅行者的条件嵌入。我们的方法结合了监督结构中的列表嵌入，以构建短期历史背景，从而为旅行者提供个性化建议。部署在生产环境中，这种方法计算效率高，可扩展，并允许我们捕获非线性依赖关系。我们的离线评估表明，使用深度平均网络创建的旅行者嵌入可以将下游转化预测模型的精度提高7%，优于更复杂的在线购物体验个性化基准方法。
2019-08-06 cs.IR cs.LG
Recommendation systems in e-commerce applications with machine learning methods
Lodz University of Technology（罗兹理工大学）
本文通过系统性文献综述，分析了2013至2025年间38篇文献，评估了协同过滤、基于内容的过滤及混合模型等机器学习方法在电子商务推荐系统中的有效性、趋势与挑战。
2025-06-15 cs.IR cs.LG
Exploring AI in Fashion: A Review of Aesthetics, Personalization, Virtual Try-On, and Forecasting
本文综述了四个领域的方法、数据集和评估指标，涵盖美观、个性化、虚拟试穿和预测，探讨了技术方法与推荐系统的关系及跨领域依赖，识别了集成AI驱动时尚系统面临的挑战和未来方向。
2026-03-19 cs.CV cs.LG
Operationalizing the Legal Principle of Data Minimization for Personalization
Microsoft Research（微软研究院）；University of Maryland（马里兰大学）；Max Planck Institute for Innovation and Competition（马克斯·普朗克创新与竞争研究所）
欧盟《通用数据保护条例》（GDPR）第5条第1款（c）项要求“个人数据应[.]充分、相关，并限于与处理目的相关的必要内容（“数据最小化”）"。迄今为止，“目的限制”和“数据最小化”的法律和计算定义在很大程度上仍不明确。特别是，这些原则的解释对于通过个性化优化用户体验并且不严格要求个人数据汇集用于基本服务的交付的信息访问系统是一个开放的问题。在本文中，我们发现缺乏对数据最小化原则的同质解释，并探索了适用于个性化背景的两个操作定义。我们在推荐系统领域的实证研究的重点是提供关于（i）不同数据最小化定义的可行性，（ii）不同推荐算法对最小化的鲁棒性，以及（iii）不同最小化策略的性能的基本见解。我们发现，由数据最小化引起的性能下降可能不是很大，但是它可能会对不同的用户产生不利的影响-这一发现对不同的正式最小化定义的可行性有影响。总体而言，我们的分析揭示了个性化背景下数据最小化问题的复杂性，并映射了剩余的计算和监管挑战。
2020-05-28 cs.CY cs.IR cs.LG
Simulated Contextual Bandits for Personalization Tasks from Recommendation Datasets
Skoltech（斯科尔科沃科学技术学院）
我们提出了一种方法，用于从MovieLens，Netflix，Last.fm，Million Song等推荐数据集生成用于个性化任务的模拟上下文强盗环境，这允许基于真实数据开发个性化环境，以反映真实世界用户交互的细微差别。所获得的环境可用于开发解决个性化任务、算法基准测试、模型仿真等的方法。我们用MovieLens和IMDb数据集上的数值例子证明了我们的方法。
2022-12-17 cs.AI cs.IR cs.LG
Token-Controlled Re-ranking for Sequential Recommendation via LLMs
COREC通过令牌增强的重排序框架，实现用户对推荐结果的细粒度控制，提升推荐效果与个性化水平。
2025-11-22 cs.IR cs.LG
PLIERS: a Popularity-Based Recommender System for Content Dissemination in Online Social Networks
IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Milano（米兰大学）
本文提出基于流行度的标签推荐系统PLIERS，通过匹配用户已有物品与标签的流行度，在算法复杂度与个性化之间取得平衡，并在真实在线社交网络数据集上验证其在个性化、相关性和新颖性方面优于现有方法。
2023-07-06 cs.IR cs.LG
Privacy-Preserving Personalization in Education: A Federated Recommender System for Student Performance Prediction
Federal Institute of Education, Science, and Technology of Rio Grande do Norte(IFRN)（里约格朗德杜斯北联邦教育、科学和技术研究所）
针对教育数字化中数据驱动个性化与学生数据隐私的矛盾，本文提出基于联邦学习（FL）的隐私保护推荐系统，通过DNN和ASSISTments数据集特征，对比聚合策略发现FedProx更优，模型F1达76.28%（为集中式XGBoost的92%），解决个性化-隐私困境。
2025-11-10 cs.AI cs.CY cs.LG
Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Roblox（罗布乐思公司）；Columbia University（哥伦比亚大学）；University of California, San Diego（加州大学圣地亚哥分校）
针对Roblox游戏推荐因文本特征稀疏不一致导致的内容差距问题，提出基于LLM的游戏档案生成与重排序方法，生成结构化游戏属性并验证其有效性，提升推荐相关性且已部署至生产环境。
2025-02-01 cs.AI cs.CL cs.IR
Large-scale Recommendation for Portfolio Optimization
Rakuten Institute of Technology（乐天技术研究院）
个人投资者现在大量使用在线经纪人交易股票，界面方便，费用低廉，尽管失去了传统上由全方位服务经纪人提供的建议和个性化服务。我们框架的问题所面临的在线经纪人复制这种水平的服务，以低成本和自动化的方式为大量的用户。由于在推荐金融产品时需要谨慎，我们专注于针对每个用户的投资组合和风险状况量身定制的风险管理方法。我们表明，我们的混合方法，现代投资组合理论和协同过滤的基础上，提供了一个健全和有效的解决方案。该方法不仅适用于股票，也适用于其他金融资产，而且可以很容易地与各种财务预测模型相结合。我们验证我们的建议，通过比较它与几个基线在一个领域的专家为基础的研究。
2021-03-13 cs.AI cs.CE cs.IR
Dual Personalization on Federated Recommendation
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Maryland（马里兰大学）
本文提出PFedRec框架，通过双重个性化机制在用户和物品上实现细粒度个性化，生成轻量级用户特定模型，提升联邦推荐性能并保护隐私。
2023-05-13 cs.AI cs.IR cs.LG
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题，提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架，在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University（同济大学）
本文提出TME-PSR模型，整合时间感知个性化、多兴趣个性化和解释个性化，以提升个性化序列推荐的准确性和解释质量，通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction
在现代社交媒体平台上，有效的内容推荐应该有利于创作者为他们带来真正的利益，也有利于消费者帮助他们获得真正有趣的内容。在本文中，我们提出了一个称为社会探索注意力网络（SEAN）的内容推荐模型。SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动的推荐。此外，SEAN允许个性化因素关注用户在社交网络上的高阶好友，以提高推荐结果的准确性和多样性。从一个流行的分散式内容分发平台Steemit构建两个数据集，我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。实验结果表明，SEAN的有效性在两个基尼系数的推荐平等和F1分数的推荐性能。
2019-06-16 cs.IR cs.SI
A Hybrid Recommendation Method Based on Feature for Offline Book Personalization
推荐系统在各个领域得到了广泛的应用。协同过滤注重评分，忽略了项目本身的特征。为了有效评估顾客对图书的偏好，结合线下图书零售的特点，采用LDA模型计算顾客对图书主题的偏好，采用word2vec模型计算顾客对图书类型的偏好。在预测图书的评价时，我们考虑了两个因素：顾客的相似性和顾客与图书的相关性。实验结果表明，基于特征的混合推荐方法在离线图书零售数据中的推荐效果优于单一推荐方法。
2018-04-26 cs.IR
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong（香港大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
本文提出KGSR-ADS系统，通过知识图谱与深度学习结合，实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
Automating Personalization: Prompt Optimization for Recommendation Reranking
提出AGP框架，通过位置感知反馈机制与聚合反馈批量训练，自动优化用户画像生成提示，解决LLM推荐重排序中手工提示难扩展及非结构化元数据处理不足的问题。
2025-04-04 cs.IR
Controlled Personalization in Legacy Media Online Services: A Case Study in News Recommendation
University of Klagenfurt（克雷格弗尔特大学）；University of Bergen（卑尔根大学）
本文通过A/B测试评估了传统新闻媒体在在线平台上采用受控个性化策略的效果，发现适度的个性化能提高点击率、减少导航努力、增加内容多样性和目录覆盖，并降低流行度偏差，从而在满足用户需求的同时维护编辑价值。
2026-05-22 cs.AI cs.IR
Musical recommendations and personalization in a social network
本文提出了一套算法，用于音乐推荐和个性化的通用社交网络www.ok.ru，第二大社交网络在独联体访问超过40万用户每天。除了经典的推荐功能，如“推荐一个序列”和“找到类似的项目”，本文描述了新颖的算法，用于构建上下文感知的建议，个性化的服务，处理的冷启动问题，等等。本文中描述的所有算法都是在线工作的，并且能够实时的检测和解决用户行为和需求的变化。算法的核心组件是一个包含不同实体（用户、曲目、艺术家等）信息的品味图。以及它们之间的关系（例如，用户A喜欢歌曲B的确定性为X，曲目B由艺术家C创建，艺术家C与艺术家D相似的确定性为Y，等等）。使用该图，可以选择用户最可能喜欢的曲目，以它们彼此匹配的方式排列它们，估计固定列表中的哪些项目与用户最相关，等等。此外，本文还描述了用于估计算法效率的方法，并分析了不同的推荐相关功能对用户行为和服务的整体活动的影响。
2013-10-28 cs.IR
Efficient Sequential Recommendation for Long Term User Interest Via Personalization
Meta Recommendation Systems (MRS)（Meta 推荐系统）
通过个性化技术压缩用户历史交互，提升顺序推荐的效率和准确性，适用于多种推荐模型。
2026-01-07 cs.AI cs.IR
Personalization and Recommendation Technologies for MaaS
在过去的几年里，MaaS得到了广泛的研究，并发展成为提供多种移动服务的平台，这些服务不断增加，从替代汽车或自行车共享模式到自动驾驶汽车，都渴望成为这个新生态系统的一部分。MaaS为最终用户提供多模式、集成和数字移动解决方案，包括能够以个性化方式满足用户特定需求的多种不同选择。这实际上导致了一系列新的MaaS产品，这些产品可能具有复杂的结构，并且面临着将它们与用户偏好和需求相匹配的挑战，以便可以向最终用户提供合适的产品。此外，在MaaS的日常使用中，旅行者需要支持来确定到达目的地的路线，这些路线符合他们的个人偏好，并与他们购买的MaaS产品保持一致。本文通过利用个性化和推荐系统领域的最先进技术，并将其集成到MaaS平台和路线规划应用程序中，来解决这两个以用户为中心的挑战。
2021-01-27 cs.IR
Enhancing User Personalization in Conversational Recommenders
会话式推荐器正在成为个性化用户推荐体验的强大工具。通过一个来回的对话，用户可以快速磨练在正确的项目。然而，许多会话式推荐方法仅部分地探索用户偏好空间，并对如何最好地结合用户反馈做出限制性假设，导致长对话和较差的推荐性能。在本文中，我们提出了一种新的会话推荐框架，具有两个独特的功能：（i）贪婪NDCG属性选择器，通过优先考虑最有效地代表用户实际偏好空间的属性，增强交互式偏好获取过程中的用户个性化;以及（ii）用户表示细化器，以有效地将从交互式启发过程收集的用户偏好融合在一起，从而获得对用户的更加个性化的理解。通过对四个常用数据集的广泛实验，我们发现所提出的框架不仅优于所有最先进的会话推荐器（在推荐性能和会话效率方面），而且在所提出的多地面实况多轮会话推荐设置下为用户提供了更个性化的体验。
2023-02-13 cs.IR
MealRec$^+$: A Meal Recommendation Dataset with Meal-Course Affiliation for Personalization and Healthiness
针对缺乏包含餐饮-菜品关联的公开数据集问题，提出MealRec$^+$基准数据集，通过模拟方法构建两级交互数据，实验证明协同两级交互能提升餐饮推荐的个性化和健康度。
2024-04-28 cs.IR
Bringing GRACE to Recommendation: Fine-Tuning for Sustainable and Accurate Personalization
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR) and School of Software, Shandong University（山东大学软件学院与联合山东大学-南洋理工大学人工智能研究中心 (C-FAIR)）；Alibaba-NTU Global e-Sustainability CorpLab (ANGEL), Nanyang Technological University（南洋理工大学阿里巴巴-南洋理工大学全球电子可持续发展公司实验室 (ANGEL)）
为应对绿色推荐系统训练成本高、推理延迟大的问题，提出GRACE微调框架，将项目级可持续性信号融入预训练推荐模型，引入可微近似并采用梯度投影机制平衡目标冲突，实验证明其能提升可持续性推荐结果并保持准确性。
2026-07-27 cs.IR
Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出FedTREK-LM框架，结合轻量级大语言模型、演化个人知识图谱和联邦学习，实现可扩展的去中心化个性化推荐，实验显示其在电影和食谱推荐中F1分数提升超4倍。
2026-02-25 cs.IR cs.LG
Unveiling Bias in Fairness Evaluations of Large Language Models: A Critical Literature Review of Music and Movie Recommendation Systems
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机学院）
本文通过文献综述揭示了当前大型语言模型在推荐系统公平性评估中普遍忽视个性化的问题，强调亟需将个性化纳入评估框架以促进AI的公平发展。
2024-01-08 cs.AI cs.IR cs.SE
Beyond Personalization: Research Directions in Multistakeholder Recommendation
University of Colorado, Boulder（科罗拉多大学博尔德分校）；University of Minnesota（明尼苏达大学）；eBay, Inc.（eBay公司）；University of Klagenfurt（克拉根福大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）；Expedia Group（Expedia集团）；Accenture（埃森哲）
推荐系统是个性化的信息访问应用程序，它们在今天的在线环境中无处不在，并有效地找到满足用户需求和口味的项目。随着推荐系统的范围不断扩大，学术研究中常见的对用户的专注已经掩盖了推荐结果的其他重要方面。属性，如公平性，平衡性，盈利性和互惠性没有捕获的推荐系统评估的典型指标。多利益相关者推荐的概念已经成为一个统一的框架，用于描述和理解最终用户不是唯一焦点的推荐设置。本文描述了多利益相关者推荐的起源，以及系统设计的前景。它提供了当前研究的例证，并概述了该领域的开放问题和研究方向。
2019-12-15 cs.AI cs.IR
GPFedRec: Graph-guided Personalization for Federated Recommendation
针对联邦推荐中难以在保护数据局部性的同时利用用户关系的问题，本文提出 GPFedRec，基于本地微调的个性化物品嵌入在服务器构建用户关系图，并通过图引导聚合增强联邦优化，可作为插件提升多种联邦推荐方法。
2024-06-18 cs.IR
Real-Time Personalization for LLM-based Recommendation with Customized In-Context Learning
针对大语言模型推荐系统更新成本高、现有方案微调后易丧失上下文学习能力的问题，提出RecICL框架，通过定制推荐专属上下文学习实现无需模型更新的实时个性化推荐，实验验证了其有效性。
2024-10-30 cs.IR
Memory-Based vs. Context-Only Conditioning Produces Distinct Behavioral Patterns in Stateful Personalization
Georgia Institute of Technology（佐治亚理工学院）
通过比较上下文条件化和基于记忆的条件化在教师面向教育推荐系统中的行为，发现上下文推荐对当前问题响应更强，而基于记忆的推荐表现出历史依赖行为，包括相同输入下的学习者特异性分化。
2026-04-14 cs.AI cs.CL cs.IR
A Preliminary Study of ChatGPT on News Recommendation: Personalization, Provider Fairness, Fake News
本研究初步评估ChatGPT在个性化新闻推荐、提供者公平性和假新闻检测三方面的表现，探索提示格式对输出约束的影响，并开发网页进行持续监控。
2023-06-19 cs.IR
Reinforced Prompt Personalization for Recommendation with Large Language Models
针对任务级提示忽略用户差异的问题，提出强化提示个性化方法RPP及RPP+，通过多智能体在句子级别为用户个性化离散提示并动态优化动作，显著提升了LLMs的推荐性能。
2025-02-03 cs.IR
Beyond Centralization: User-Controlled Federated Recommendations in Practice
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Universidad Autónoma de Madrid（马德里自治大学）
本文提出一个实时联邦推荐系统，允许用户在本地控制推荐目标，通过53天的部署发现用户更偏好个性化推荐，并通过即时反馈理解自身行为对推荐的影响。
2026-04-10 cs.HC cs.IR
Do We Care About Personalization and Explainability? An Interview Study with News Recommendation Engineers
University of Amsterdam（阿姆斯特丹大学）；Jheronimus Academy of Data Science（耶罗尼穆斯数据科学学院）；Birla Institute of Technology & Science, Pilani（比拉理工学院皮拉尼校区）；Eindhoven University of Technology（埃因霍温理工大学）
本研究通过访谈九家新闻机构的工程师，发现个性化因用户追踪、编辑控制等顾虑而受限，可解释性常被忽视，并提供了在新闻推荐流程中采纳可解释性的实用指南。
2026-09-21 cs.HC cs.IR
The Mental World of Large Language Models in Recommendation: A Benchmark on Association, Personalization, and Knowledgeability
Xidian Univeristy（西安电子科技大学）
本文提出LRWorld基准，评估大语言模型在推荐系统中的关联性、个性化和知识性能力，发现其在浅层相似性任务上表现良好，但在深度个性化嵌入和多模态推理方面仍有不足。
2025-12-19 cs.IR
Personalized Image Generation for Recommendations Beyond Catalogs
University of Michigan（密歇根大学）
REBECA通过直接学习隐含反馈信号实现高效个性化图像生成，无需微调扩散模型，提升大规模用户群体的个性化效果。
2025-11-25 cs.AI cs.IR cs.LG
Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室）；PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学PolyU人工智能研究院）；Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney（悉尼科技大学FEIT澳大利亚人工智能研究所）
本文提出FCUCR框架，通过时间感知自蒸馏和用户原型转移机制，解决联邦学习中时间遗忘和异构用户数据下的协同个性化问题，实验证明其有效性与实用性。
2026-03-18 cs.IR
Deradicalizing YouTube: Characterization, Detection, and Personalization of Religiously Intolerant Arabic Videos
越来越多的证据表明，YouTube的推荐算法通过呈现极端内容在网络激进化中发挥了作用。特别是激进的伊斯兰组织，一直在利用YouTube的全球吸引力传播仇恨和圣战宣传。在这项定量的、数据驱动的研究中，我们调查了宗教不宽容的阿拉伯语YouTube视频的流行程度、该平台推荐此类视频的倾向，以及这些推荐如何受到人口统计和观看历史的影响。基于我们开发的用于检测仇恨视频的深度学习分类器和超过35万个视频的大规模数据集，我们发现针对宗教少数群体的阿拉伯语视频在搜索结果（30%）和一级推荐（21%）中特别普遍，并且15%的整体捕获推荐指向仇恨视频。我们的个性化审计实验表明，性别和宗教身份可以大大影响仇恨内容的曝光程度。我们的研究结果有助于深入了解在线激进化现象，并有助于遏制在线有害内容。
2022-08-15 cs.HC cs.IR cs.SI
Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Virginia（弗吉尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出统一多模态个性化框架UniMP，利用大型视觉-语言模型融合跨模态用户历史，统一处理推荐、搜索、偏好预测、解释生成和图像生成等任务，并构建新基准验证其优于各任务专用方法。
2024-03-27 cs.AI cs.CL cs.IR
PALR: Personalization Aware LLMs for Recommendation
Amazon Alexa AI（亚马逊Alexa人工智能部门）
本文提出PALR框架，结合用户历史行为、候选检索与微调的70亿参数LLM排序模型，在多种序列推荐任务上超过现有最先进方法。
2023-06-07 cs.AI cs.CL cs.IR
MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs
提出MR.Rec框架，结合检索增强记忆与强化学习推理，解决LLM推荐中的个性化与推理局限，实验证明其优于现有基线。
2025-10-16 cs.IR
A Tech Hybrid-Recommendation Engine and Personalized Notification: An integrated tool to assist users through Recommendations (Project ATHENA)
ATHENA项目旨在开发一个解决信息过载的应用程序，主要关注具有现代系统的个性化和用户体验设计的推荐系统（RS）。使用了两种机器学习（ML）算法：（1）用于基于内容的过滤（CBF）的TF-IDF;（2）具有矩阵分解的分类-奇异值分解（SVD），其应用于协同过滤（CF）和平均值（归一化）以用于CF的预测精度。菲律宾农业、水产和自然资源研究与发展委员会（PCAARRD）电子图书馆和SARAI项目出版物的学术研究与发展中的数据采样，以及用作训练集的模拟数据，以生成使用三种RS过滤（CF，CBF和个性化版本的项目推荐）的项目推荐。执行并讨论了一系列测试和TAM。调查结果允许用户参与在线信息，并快速评估应用程序产生的检索项目。兼容性测试（CoT）显示该应用程序与所有主要浏览器兼容，并且对移动设备友好。性能测试（PT）推荐的v-参数规格和TAM评估结果表明与总体正反馈密切相关，足以彻底解决信息过载问题作为本文的核心。提出了一种模块化架构，以解决信息过载问题，主要关注具有个性化和现代系统设计的RS。开发人员使用了两种ML算法，并对架构的简化版本进行了原型设计。进行并讨论了一系列测试（CoT和PT）和TAM评价。项目ATHENA增加了一个现代系统的UX功能设计。
2022-02-13 cs.IR cs.LG
Personalized Transformer for Explainable Recommendation
Hong Kong Baptist University（香港浸会大学）；Rutgers University（罗格斯大学）
自然语言生成的个性化在诸如可解释的推荐、评论摘要和对话系统等大量任务中起着至关重要的作用。在这些任务中，用户和项目ID是个性化的重要标识符。Transformer被证明具有强大的语言建模能力，然而，它不是个性化的，并且不能利用用户和项目ID，因为ID标记甚至与单词不在相同的语义空间中。针对这一问题，本文提出了一种用于解释性推荐的个性化Transformer（PETER），并在此基础上设计了一个简单有效的学习目标，利用识别码预测目标解释中的单词，从而赋予识别码以语言学意义，实现个性化的Transformer。除了生成解释，PETER还可以提出建议，这使其成为整个解释-解释管道的统一模型。大量的实验表明，我们的小型未经预训练的模型在生成任务上的有效性和效率方面优于微调的BERT，这突出了我们设计的重要性和良好的实用性。
2021-06-05 cs.AI cs.CL cs.IR
Personalized Recommendation Models in Federated Settings: A Survey
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
本文系统综述了联邦推荐系统中的个性化建模研究，梳理其从中心化到联邦范式的演进，定义联邦个性化概念，分析技术挑战并总结有前景的解决方法，为该领域提供首份整合性技术参考。
2025-03-10 cs.AI cs.IR
The Unfairness of Popularity Bias in Book Recommendation
University of Southern California（南加州大学）；University College London（伦敦大学学院）；Shahid Beheshti University（沙希德·贝赫什提大学）
最近的研究表明，推荐系统通常受到流行偏见。流行性偏见是指流行的项目（即，频繁评级的项目）被频繁地推荐，而不太受欢迎的项目很少被推荐或根本不被推荐。研究人员采用了两种方法来检查流行偏见：（i）从用户的角度来看，通过分析推荐系统在接收流行项目时偏离用户期望的程度，以及（ii）通过分析长尾项目接收的曝光量，以整体目录覆盖率和新颖性为衡量标准。在本文中，我们研究的第一个观点在图书领域，虽然研究结果可能适用于其他领域以及。为此，我们分析了著名的Book-Crossing数据集，并根据他们对热门项目的倾向定义了三个用户组（即，利基，多样化，以畅销为重点）。此外，我们评估了九种最先进的推荐算法和两种基线（即，随机，MostPop）从准确度（例如，NDCG，精确度，召回）和流行偏见的观点。我们的研究结果表明，大多数国家的最先进的推荐算法遭受流行偏见的书籍领域，并未能满足用户的期望与利基和多样化的口味，尽管有一个更大的配置文件大小。相反，专注于Bestseller的用户更有可能收到高质量的推荐，无论是在公平性还是个性化方面。此外，我们的研究表明，个性化和流行性偏见的不公平性之间的权衡推荐算法属于不同的和畅销书组的用户，即具有高个性化能力的算法遭受流行性偏见的不公平性。
2022-02-27 cs.AI cs.IR
Netflix Artwork Personalization via LLM Post-training
Stanford University（斯坦福大学）
通过LLM后训练实现Netflix作品个性化推荐，提升用户满意度和参与度。
2026-08-27 cs.AI cs.IR
Machine Unlearning for Recommendation Systems: An Insight
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）；Jagiellonian University（雅盖隆大学）
本文综述推荐系统中的机器遗忘（MUL），分析其在适应性、个性化、隐私、偏见与算法透明度方面的应用、挑战及方法局限，并指出未来研究方向。
2024-01-17 cs.AI cs.IR cs.LG
Enhancing Social Media Personalization: Dynamic User Profile Embeddings and Multimodal Contextual Analysis Using Transformer Models
Indian Institute of Management, Indore（印度管理学院印多尔分校）
本研究针对社交媒体个性化需求，提出基于Transformer的动态用户画像嵌入方法，在超2000万数据点的数据集上验证其能更精准追踪用户偏好、提升推荐效果与用户参与度，为社交平台优化体验提供支撑。
2024-07-09 cs.AI cs.IR cs.SI
Large-scale Personalized Video Game Recommendation via Social-aware Contextualized Graph Neural Network
随着网络游戏的大量涌现，网络游戏推荐系统对用户和网络游戏平台来说都是必不可少的。前者可以发现更多他们感兴趣的潜在在线游戏，后者可以吸引用户在平台上停留更长时间。本文研究了Steam平台上在线游戏的用户行为特征。基于观察，我们认为，一个令人满意的在线游戏推荐系统能够表征：个性化，游戏情境化和社会联系。然而，同时解决所有问题对于游戏推荐来说是相当具有挑战性的。首先，个性化的游戏推荐需要加入的逗留时间的参与游戏，这是在现有的方法中被忽略。其次，游戏情境化应该反映这些关系的复杂性和高阶性。最后但并非最不重要的是，由于社交关系中的大量噪音，直接使用社交关系进行游戏推荐是有问题的。为此，我们提出了一个社会感知的上下文图神经推荐系统（SCGRec），它利用三个角度来提高游戏推荐。我们对用户的网络游戏行为进行了全面的分析，这就激发了在网络游戏推荐中处理这三个特征的必要性。
2022-02-11 cs.IR
Algorithms and System Architecture for Immediate Personalized News Recommendations
个性化在许多服务中扮演着重要的角色，就像新闻一样。许多研究已经检查了新闻个性化算法，但很少考虑实际环境。本文提出了在实际环境中生成即时个性化新闻的算法和系统架构。即时性意味着新闻趋势和用户兴趣的变化会迅速反映在推荐新闻列表中。由于新闻趋势和用户兴趣迅速变化，即时性在新闻个性化应用中至关重要。我们开发算法和系统架构来实现即时性。我们的算法是基于用户集群的协同过滤，并评估新闻文章使用点击率和衰减分数的基础上经过的时间，因为用户的最后一次访问。现有的研究还没有充分讨论系统架构，所以本文的一个主要贡献是，我们展示了一个系统架构，实现我们的算法和配置的例子上实现的Amazon Web Services。我们评估所提出的方法离线和在线。离线实验通过来自商业新闻交付服务的真实世界数据集进行，在线实验通过生产环境上的A/B测试进行。我们证实了我们提出的方法的有效性，我们的系统架构可以在大规模的生产环境中运行。
2019-09-03 cs.IR
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine（加州大学欧文分校）
本文提出ChatDiet框架，通过集成个人因果模型与群体模型并利用LLM编排，实现个性化、可解释且交互式的营养导向食物推荐，在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
