Foresight Prediction Enhanced Live-Streaming Recommendation
Kuaishou Technology（快手科技）
本研究通过语义量化和预测未来直播内容，提升实时直播推荐的准确性与用户参与度。
2025-12-07 cs.IR
Stratified and Time-aware Sampling based Adaptive Ensemble Learning for Streaming Recommendations
推荐系统在根据用户的偏好为用户提供量身定制的建议方面发挥着越来越重要的作用。然而，传统的离线推荐系统不能很好地处理无处不在的数据流。为了解决这个问题，近年来出现了流推荐系统（SRS），其在新接收的数据上递增地训练推荐模型以用于有效的实时推荐。专注于新数据只有利于解决概念漂移，即，改变用户对物品的偏好。然而，它阻碍了捕获长期用户偏好。此外，为了提高流媒体推荐的准确性，应该很好地解决普遍存在的负载不足和负载过重问题。为了解决这些问题，我们提出了一个分层和时间感知采样的自适应包围学习框架，称为STS-AEL，以提高流媒体推荐的准确性。在STS-AEL中，我们首先设计分层和时间感知采样，从新数据和历史数据中提取代表性数据，以解决概念漂移，同时捕获长期用户偏好。此外，合并历史数据有利于更有效地利用欠载场景中的空闲资源。在此之后，我们提出了自适应集成学习，以有效地处理超载的数据并行与多个单独的推荐模型，然后有效地融合这些模型的结果与顺序自适应机制。在三个真实数据集上进行的大量实验表明，STS-AEL在所有情况下都显着优于最先进的SRS。
2020-09-15 cs.IR
Dynamically Expandable Graph Convolution for Streaming Recommendation
个性化推荐系统被广泛研究和应用，以减少信息过载，满足用户的多样化需求。然而，传统的推荐模型只进行一次性的训练测试的方式，很难适应不断变化的需求，考虑到用户偏好的变化和不断增加的用户和项目在现实世界中。为了应对这些挑战，流媒体推荐被提出，并引起了极大的关注。其中，持续图学习被学术界和工业界广泛认为是一种有前途的流媒体推荐方法。然而，现有的方法要么依赖于历史数据回放，这往往是不切实际的日益严格的数据法规，或很少能解决\textit{over-stability}的问题。为了克服这些困难，我们提出了一种新的\textbf{D}的\textbf{E}可扩展的\textbf{G}和\textbf{C}卷积（DEGC）算法，从\textit{model isolation}的角度来看，流媒体推荐，这是正交于以前的方法。基于从有用的长期偏好中分离过时的短期偏好的动机，我们设计了一系列操作，包括图卷积修剪，精炼和扩展，以仅保留有益的长期偏好相关参数并提取新鲜的短期偏好。此外，我们建模的时间用户偏好，这是用来作为用户嵌入初始化，更好地捕捉个人层面的偏好变化。在三个最具代表性的基于GCN的推荐模型和四个工业数据集上的实验证明了该方法的有效性和鲁棒性。
2023-03-21 cs.IR
GAG: Global Attributed Graph Neural Network for Streaming Session-based Recommendation
流媒体基于会话的推荐（SSR）是一个具有挑战性的任务，需要推荐系统在流媒体场景中进行基于会话的推荐（SR）。在电子商务和社交媒体的实际应用中，在一定时间内生成的用户-项目交互序列被分组为会话，并且这些会话以流的形式连续到达。最近的SR研究大多集中在静态设置，首先获得训练数据，然后用于训练基于会话的推荐模型。它们需要在整个数据集上进行几个时期的训练，这在流媒体设置中是不可行的。此外，由于对用户信息的忽视或简单使用，很难很好地捕捉用户的长期兴趣。虽然最近已经提出了一些流推荐策略，但它们是针对个人交互流而不是会话流设计的。在本文中，我们提出了一个全局属性图（GAG）神经网络模型与Wasserstein水库的SSR问题。一方面，当新会话到达时，基于当前会话及其关联用户构造具有全局属性的会话图。因此，GAG可以考虑全局属性和当前会话两者，以学习会话和用户的更全面的表示，从而在推荐中产生更好的性能。另一方面，为了适应流会话场景，提出了Wasserstein水库，以帮助保存历史数据的代表性草图。在两个真实数据集上进行了大量的实验，以验证与最先进的方法相比，GAG模型的优越性。
2021-07-09 cs.IR
Streaming CTR Prediction: Rethinking Recommendation Task for Real-World Streaming Data
本文将CTR预测重新定义为面向真实动态数据流的Streaming CTR Prediction任务，构建基准与指标，揭示流式学习困境，并提出参数调优和样本回放方法以提升模型效果。
2023-07-14 cs.IR
On hybrid modular recommendation systems for video streaming
推荐系统旨在通过向用户推荐适当的个性化内容，利用有关他们偏好的信息来提高用户参与度。我们提出了使能器，一个混合推荐系统，它采用各种机器学习（ML）算法来学习几种推荐算法的有效组合，并为给定的输入选择最佳的混合。具体来说，它集成了三个层，即训练器，训练底层的推荐器，混合器，确定最有效的推荐器组合，以及用于评估系统性能的测试器。该引擎集成了多种推荐算法，从协作过滤和基于内容的技术到基于神经网络的技术。它使用嵌套交叉验证来自动选择最佳ML算法以及给定输入的超参数值，根据特定的指标。该enabler可以轻松地扩展到包括其他搅拌器和搅拌器。在视频流媒体的背景下，该使能器已被广泛评估。在Movielens 1M基准数据集上进行测试时，它优于其他各种算法。此外，例如，它实现了0.8206的RMSE，而AutoRec和SVD的最新性能分别为0.827和0.845。在希腊一家大型电信运营商的生产环境中开发和测试了一个试验性的网上推荐系统。由电信运营商提供的视频流服务的志愿者客户在野外实地研究的背景下使用该系统，并使用试点收集的评级对启用者进行了后分析，证明它显着优于几种流行的推荐算法。
2019-01-05 cs.IR
Interest Clock: Time Perception in Real-Time Streaming Recommendation System
针对流式推荐系统时间建模难题，本文提出 Interest Clock 方法，将用户时间感知偏好编码为小时级时钟特征并用高斯分布平滑聚合，在线 A/B 测试及离线实验均验证其有效性，并已部署于抖音音乐 App。
2024-04-30 cs.IR
When LLM-Based User Profiling Adds Value in Production Streaming Recommendation
DePaul University（德保罗大学）；Comcast Technology AI（康卡斯特技术AI）
本文系统比较了基于LLM与聚合方法在流推荐中构建语义用户画像的四种策略，评估其在不同用户行为和时间窗口下的价值，以确定LLM额外成本的合理时机。
2026-09-24 cs.IR
Real-time Indexing for Large-scale Recommendation by Streaming Vector Quantization Retriever
针对推荐系统索引有效性瓶颈问题，提出流式向量量化检索索引结构，兼具实时性、索引均衡与可修复性，已在抖音系产品全量替换主流检索器，显著提升用户参与度。
2025-01-15 cs.IR
SSRLive: Live Streaming Recommendation with Dynamic Semantic ID
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）
针对直播推荐中静态语义ID无法反映内容动态变化、生成式方法忽略用户-主播交互信号的问题，提出SSRLive框架，结合生成模块（动态语义ID）与判别模块（交互增强），在真实部署中显著提升观看时长、GMV等指标。
2026-06-05 cs.IR
Live Multi-Streaming and Donation Recommendations via Coupled Donation-Response Tensor Factorization
National Chiao Tung Univ.（国立交通大学）；Inst. of Information Science, Academia Sinica, Taiwan（中央研究院资讯科学研究所）；The Pennsylvania State Univ.（宾夕法尼亚州立大学）
与传统的在线视频相比，直播多流媒体支持多个主播和观众之间的实时社交互动，例如捐赠。然而，捐赠和多流媒体频道推荐是具有挑战性的，由于复杂的流媒体和观众的关系，不对称的通信，以及个人兴趣和群体互动之间的权衡。在本文中，我们引入多流党（MSP），并制定了一个新的多流推荐问题，称为捐赠和MSP推荐（DAMRec）。我们提出了多流党推荐系统（MARS）通过社会时间耦合捐赠-响应张量因子分解捐赠和MSP建议提取潜在的功能。在Twitch和斗鱼上的实验结果表明，MARS在命中率和平均精度方面明显优于现有的搜索引擎至少38.8%。
2021-10-05 cs.IR cs.LG
MERGE: Next-Generation Item Indexing Paradigm for Large-Scale Streaming Recommendation
Bytedance（字节跳动）；National University of Singapore（新加坡国立大学）
MERGE通过动态聚类和层次索引结构提升大规模流媒体推荐系统的物品索引效率和性能。
2026-08-12 cs.IR
Scalable Dynamic Embedding Size Search for Streaming Recommendation
The University of Queensland（昆士兰大学）；Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）
本文提出SCALL方法，通过动态调整嵌入尺寸以优化流式推荐系统的内存使用效率。
2026-02-04 cs.IR
FARM: Frequency-Aware Model for Cross-Domain Live-Streaming Recommendation
针对直播推荐数据稀疏问题，提出FARM模型，通过域内频率感知模块捕捉稀疏有价值行为，采用融合前偏好对齐策略迁移跨域偏好，经实验验证有效且已部署服务快手数亿用户。
2025-02-13 cs.IR
Tracing Affordance and Item Adoption on Music Streaming Platforms
本文基于 Deezer 用户两年数据，考察自然、算法与编辑三类平台可供性及推荐采纳行为，揭示用户实践高度异质、不存在统一采纳模式。
2025-01-17 cs.IR
AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations
基于深度学习的推荐系统（DLRS）通常具有嵌入层，其用于减少分类变量（例如，用户/项目标识符）的维度并在低维空间中有意义地转换它们。大多数现有的DLRS根据经验为所有用户/项目嵌入预先定义了固定且统一的维度。从最近的研究中可以明显看出，根据不同用户/项目的受欢迎程度，不同的嵌入大小是非常需要的。然而，由于大量的用户/项目及其流行度的动态性质，在推荐系统中手动选择嵌入大小可能非常具有挑战性。因此，在本文中，我们提出了一个基于AutoML的端到端框架（AutoEmb），它可以根据流行程度以自动和动态的方式启用各种嵌入维度。具体来说，我们首先增强了一个典型的DLRS，允许各种嵌入维度;然后我们提出了一个端到端的可区分框架，可以根据用户/项目的流行程度自动选择不同的嵌入维度;最后我们提出了一个基于AutoML的优化算法在流媒体推荐设置。基于广泛使用的基准数据集的实验结果证明了AutoEmb框架的有效性。
2020-02-28 cs.IR
Efficient Multimodal Streaming Recommendation via Expandable Side Mixture-of-Experts
针对流式推荐中多模态编码器微调成本高及偏好漂移问题，提出可扩展侧混合专家框架XSMoE，通过冻结编码器附加可扩展专家网络并动态路由，兼顾冷启动与漂移偏好，在三个数据集上超越现有基线。
2025-10-23 cs.IR
Content-based Recommendation Engine for Video Streaming Platform
Department of Computer Science Tribhuvan University（计算机科学系 Tribhuvan 大学）
本文提出一种基于内容的视频推荐引擎，利用TF-IDF和余弦相似度实现个性化视频推荐，提升用户参与度和观看体验。
2025-12-29 cs.IR cs.LG
RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）；China Academy of Cyber（中国网络空间安全研究院）
研究短视频推荐中用户画像生成问题，提出RECAP离线闭环框架，结合大语言模型语义更新、生命周期及容量控制维护画像，通过大语言模型判断和双塔评估器构建反馈，实验证明其提升推荐指标，在线测试显示提高用户应用使用时间。
2026-07-20 cs.IR
HyperBandit: Contextual Bandit with Hypernewtork for Time-Varying User Preferences in Streaming Recommendation
Renmin University of China（中国人民大学）；Huazhong University of Science and Technology（华中科技大学）
本文提出 HyperBandit，用时间特征驱动的超网络动态生成奖励估计参数，并结合低秩分解与上下文 bandit 策略，实现流式推荐中对时变用户偏好的快速适应。
2023-08-14 cs.AI cs.IR
Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation
Kuaishou Technology（快手科技）
本文针对直播推荐的数据及时性问题，提出滑动窗口数据流范式 Sliver 及时间敏感的重新推荐策略，并在快手平台离线与在线实验中验证其能同时提升标签准确性和推荐及时性，显著改善 CTR 和 NFN。
2024-02-22 cs.AI cs.IR
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research（Deezer研究院）；École Polytechnique（巴黎综合理工学院）；Univ. Paris Dauphine（巴黎多芬大学）
音乐流媒体服务严重依赖推荐系统来改善用户体验，帮助他们浏览大型音乐目录并发现新的歌曲，专辑或艺术家。然而，向新用户推荐相关和个性化的内容，很少或根本没有与目录的交互，是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中，我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略，基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性，通过离线和在线大规模实验。此外，我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放，能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
KuaiLive: A Real-time Interactive Dataset for Live Streaming Recommendation
Gaoling School of Artificial Intelligence\ University of China Beijing China；Gaoling School of Artificial Intelligence\ University of China
KuaiLive是一个实时互动数据集，用于直播推荐研究，包含精确的时间戳、多种实时用户交互和丰富的用户及主播侧信息，支持多种推荐任务和多行为建模。
2026-04-24 cs.AI cs.IR
TAGR: Temporally Adaptive Generative Recommendation for Industrial Live-Streaming Advertising
Kuaishou Technology（快手科技）；Tsinghua University（清华大学）
本文提出TAGR框架，通过时间自适应解决现有生成式推荐器在直播广告场景的不足，在电商平台部署后显著提升了直播间进入率、购物车点击率及营收。
2026-11-05 cs.IR
Multimodal Recommendation via Self-Corrective Preference Alignmen
针对直播场景中用户动态偏好与主播多模态特征难以对齐的问题，本文提出 MSPA 框架，通过多模态偏好组合器与自校正偏好对齐推荐器提升推荐准确性、可解释性及文本质量，并在动态直播场景中显著优于基线方法。
2025-08-13 cs.IR
When LLM-Inferred User Context Adds Value in Production Streaming Recommendation
DePaul University（迪波大学）；Comcast Technology AI（康卡斯特技术AI）
本研究在生产级流式推荐中评估LLM生成与聚合用户画像，发现其优劣取决于消费模式，建议按模式选择策略。
2026-10-01 cs.IR
Improving Minimax Group Fairness in Sequential Recommendation
本文针对序列推荐中特定用户群体性能不佳的问题，探索了三种DRO方法，发现CVaR DRO无需群体标注即可提升群体公平性与整体性能，在重叠群体场景中表现最优。
2025-01-30 cs.IR
Long-Term Interest Clock: Fine-Grained Time Perception in Streaming Recommendation System
ByteDance（字节跳动）
针对流式推荐系统中时间感知粗粒度问题，提出Long-term Interest Clock (LIC)，通过Clock-GSU和Clock-ESU模块从长期行为中捕获细粒度动态兴趣，在线A/B测试提升用户活跃天数0.122%并已应用于抖音音乐。
2025-01-27 cs.AI cs.IR
Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning
本文提出流行度感知元学习算法PAM，通过按流行度划分元学习任务、区分特征作用并引入数据增强与自监督损失，解决在线流式数据中的物品冷启动问题。
2025-05-06 cs.IR
Online Social Media Recommendation over Streams
社会化推荐作为网络社区中最受欢迎的服务之一，近年来吸引了越来越多的研究。在所有的推荐任务中，一个重要的是在高速社交媒体流上的社交项目推荐。现有的流媒体推荐技术不能有效地处理具有不同兴趣的社交用户。同时，用于向特定用户推荐项目的方法在应用于高速流上的大量用户时效率不高。在本文中，我们提出了一个新的框架，在流媒体环境中的社会推荐。具体来说，我们首先提出了一种新的双层隐马尔可夫模型（BiHMM），自适应地捕捉社交用户的行为以及他们与有影响力的官方账户的互动，以预测他们的长期和短期兴趣。然后，我们设计了一个新的概率实体匹配方案，有效地识别流媒体项目的相关性得分给用户。在此基础上，我们提出了一种新的索引方案，称为{ \Tree }，以提高我们的解决方案的效率。大量的实验证明了我们的方法在推荐质量和时间成本方面的高性能。
2019-01-04 cs.DB cs.IR
AutoAssign+: Automatic Shared Embedding Assignment in Streaming Recommendation
City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出强化学习框架AutoAssign+，通过Identity Agent动态共享、保留或消除ID嵌入，以缓解流式推荐冷启动并降低约20–30%内存。
2023-08-14 cs.IR cs.LG
The Music Streaming Sessions Dataset
Spotify Research（Spotify研究院）
在线流媒体服务面临的许多重要机器学习问题的核心是需要对用户如何与他们所服务的内容进行交互建模。不幸的是，目前还没有公共数据集可以让研究人员探索这个主题。为了推动这项研究，我们发布了音乐流媒体会话数据集（MSSD），其中包括1.6亿个收听会话和相关的用户操作。此外，我们还为日志中提到的约370万首独特曲目提供音频功能和元数据。这是目前向公众提供的此类轨道元数据的最大集合。该数据集支持对重要问题的研究，包括如何对流媒体中的用户收听和交互行为进行建模，以及音乐信息检索（MIR）和基于会话的顺序推荐。此外，使用均匀随机的推荐设置收集会话的子集，使得它们能够用于对这种顺序推荐的反事实评估。最后，我们提供了一个用户行为的分析，并提出了进一步的研究问题，可以使用数据集解决。
2020-10-14 cs.HC cs.IR cs.LG
Dynamic Embedding Size Search with Minimum Regret for Streaming Recommender System
City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；The Chinese University of Hong Kong（香港中文大学）
该研究将流式推荐中的动态嵌入维度搜索建模为 bandit 问题，提出 DESS 方法，以非平稳方式最小化用户与物品两侧的选择遗憾，并在理论和四个公开数据集上验证其性能、内存与时间优势。
2023-08-15 cs.AI cs.IR
MMBee: Live Streaming Gift-Sending Recommendations via Multi-Modal Fusion and Behaviour Expansion
Institute of Automation（自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；KuaiShou Inc.（快手公司）
针对直播送礼行为稀疏和实时内容难以建模的问题，提出 MMBee，通过多模态融合模块 MFQ 和图引导兴趣扩展 GIE 提升送礼推荐性能，并在快手大规模部署验证。
2024-06-15 cs.AI cs.IR cs.SI
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology（快手科技）
针对工业推荐系统偏差问题，提出ConAlign条件去偏方法，通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计，支持实时流适应，经实验验证有效，提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions
Meta Fintech（Meta金融科技）；Fuqua School of Business, Duke University（杜克大学福库商学院）
针对序列推荐中监督信号有限、数据噪声及现有方法忽略多序列物品关联的问题，提出UDA4SR框架，通过GAN数据增强、GIG构建、图对比学习及目标注意力增强CapsNet，显著提升性能。
2025-03-23 cs.IR cs.LG
GPT4Rec: Graph Prompt Tuning for Streaming Recommendation
Hong Kong University of Science and Technology（香港科技大学）；School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Interdisciplinary Institute for Medical Engineering, Fuzhou University（福州大学医学工程交叉研究院）；Hong Kong Polytechnic University（香港理工大学）；Microsoft Research Asia（微软亚洲研究院）；Jinan University（暨南大学）；Central South University（中南大学）
针对流式推荐中传统模型难适配动态需求、现有方法存隐私或过稳定性等问题，提出含节点、结构、视图三级提示的GPT4Rec图提示调优方法，经多数据集验证有效且高效。
2024-07-11 cs.IR cs.LG
Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的，涵盖各种音乐流派以及非音乐音频内容，如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此，相关建议对于良好的用户体验至关重要。在这里，我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上，这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的，可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
Knowledge-Geometry Decoupling: Refreshable Pretrained Transfer for Streaming Recommendation
针对流式推荐的行为分布漂移问题，提出知识-几何解耦（KGD）方法，通过行为多令牌预测和解耦参数所有权实现高效预训练迁移，在8个基准及Shopee生产场景中均取得显著提升。
2026-08-07 cs.IR
MUSE: Music Recommender System with Shuffle Play Recommendation Enhancement
针对现有音乐推荐系统忽视随机播放会话高独特转换率影响训练效果的问题，研究提出MUSE系统，通过基于转换的增强和细粒度匹配策略的自监督学习，在MSSD数据集上优于12个基线模型。
2023-08-26 cs.IR
Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions
Netflix；Spotify
音乐流、视频流、新闻推荐和电子商务服务的用户通常以顺序的方式参与内容。因此，提供和评估良好的推荐序列是这些服务的核心问题。先前基于重加权的反事实评估方法要么遭受高方差，要么对奖励做出强独立性假设。我们提出了一个新的反事实估计，允许顺序的相互作用，在一个渐进无偏的方式，在较低的方差的奖励。我们的方法使用图形假设的因果关系的石板重新加权的奖励在日志记录政策的方式，近似的预期总和的奖励下的目标政策。在模拟和现场推荐系统上的大量实验表明，我们的方法优于现有的方法的偏见和数据效率的顺序跟踪推荐问题。
2020-08-24 cs.IR cs.LG stat.ML
Coupled Variational Recurrent Collaborative Filtering
Texas A&M University（德州农工大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
本文研究了流媒体推荐系统中的问题，并探索了新的协同过滤算法来处理流媒体推荐系统中数据的动态性和复杂性。虽然深度神经网络已经证明了推荐任务的有效性，但缺乏在流推荐设置下集成概率模型和深度架构的探索。结合概率模型和深度神经网络的互补优势，可以提高模型的有效性和对推理不确定性的理解。为了弥补这一差距，本文提出了一种基于深度贝叶斯学习思想的耦合变分递归协同过滤（CVRCF）框架来处理流媒体推荐问题。该框架结合了贝叶斯范式下的随机过程和深度因子分解模型，对用户偏好和项目流行度的生成和演变进行建模。为了保证有效的优化和流更新，我们进一步提出了一个顺序变分推理算法的基础上交叉变分递归神经网络结构。在三个基准数据集上的实验结果表明，该框架在时间依赖建模和预测精度方面都优于最先进的方法。学习的潜变量还提供了时间动态演化的可视化解释。
2019-06-11 cs.IR cs.LG stat.ML
Movie Recommendation using Web Crawling
本文提出结合网络爬取实时数据与静态数据集训练的推荐系统，采用混合过滤方法，以提升电影推荐的个性化和时效性。
2024-12-14 cs.IR
The Application of Large Language Models in Recommendation Systems
该研究探讨大语言模型在推荐系统中的应用，指出其可利用非结构化数据克服传统推荐方法的局限，提升推荐效果与系统适配性，同时分析了落地挑战及行业创新潜力。
2025-01-17 cs.IR
The complementarity of a diverse range of deep learning features extracted from video content for video recommendation
University of Pretoria（比勒陀利亚大学）；MultiChoice Group（MultiChoice 集团）
随着流媒体的普及，许多视频流媒体服务不断购买新的视频内容，以从中挖掘潜在的利润。因此，必须很好地处理新添加的内容以推荐给合适的用户。在本文中，我们通过探索各种深度学习功能提供视频推荐的潜力来解决新项目冷启动问题。所研究的深度学习特征包括从视频内容捕获视觉外观、音频和运动信息的特征。我们还探讨了不同的融合方法，以评估如何以及这些功能模态可以结合起来，充分利用它们所捕获的互补信息。在真实世界的视频数据集上进行的电影推荐实验表明，深度学习特征的性能优于手工制作的特征。特别是，使用深度学习音频特征和以动作为中心的深度学习特征生成的推荐优于MFCC和最先进的iDT特征。此外，将各种深度学习功能与手工制作的功能和文本元数据相结合，与仅结合前者相比，在推荐方面产生了显着的改进。
2022-01-01 cs.IR cs.LG cs.MM
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Using offline metrics and user behavior analysis to combine multiple systems for music recommendation
有许多离线指标可以作为评价和优化推荐系统性能的参考。混合推荐方法通常用于通过组合不同的系统来改进其中的一些指标。在这项工作中，我们专注于音乐推荐，并提出了一种新的方法来改善建议，相对于一个所需的度量选择，结合多个系统，为每个用户单独根据其预期的性能。从本质上讲，我们的方法包括预测每个系统将根据他们以前的活动为每个用户产生的预期误差。为此，我们提出了训练回归模型的不同指标预测每个系统的性能的基础上，一些功能表征以前的用户行为的系统。然后，我们使用不同的融合策略来组合每个系统产生的建议。遵循这种方法，可以相对于所需的选择度量来优化最终的混合动力系统。作为概念的证明，我们进行实验结合两个推荐系统，矩阵分解模型和基于流行度的推荐。我们使用Melon提供的数据，韩国音乐流媒体服务，训练和评估系统的性能。
2019-01-08 cs.IR
Lightweight representation learning for efficient and scalable recommendation
在过去的几十年里，推荐已经成为许多在线服务（如流媒体和电子商务）的关键组成部分。算法、评估方法和数据集的最新进展导致了最先进技术的不断改进。然而，要使这些方法扩展到互联网的规模，还有很多工作要做。在线广告为大规模推荐提供了一个独特的试验平台。每天，数十亿用户与数百万产品进行实时交互。解决这一问题的系统必须能够大规模可靠地工作。我们提出了一个有效的模型（LED，轻量级编码器-解码器），达到了复杂性，规模和性能之间的新的权衡。具体来说，我们表明，将大规模矩阵因式分解与轻量级嵌入微调相结合，可以大规模释放最先进的性能。我们进一步提供了系统架构的详细描述，并在互联网的规模上展示了其两个多月的操作。我们的设计允许使用标准硬件在几毫秒内为数十亿用户提供数亿项服务。
2021-11-29 cs.IR
Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks
推荐系统根据用户过去的偏好帮助用户找到感兴趣的相关项目。然而，在许多领域中，由于各种因素，用户的品味和偏好随着时间的推移而变化，推荐系统应该在用户偏好中捕获这些动态，以便保持对用户最当前兴趣的调谐。在这项工作中，我们提出了一个基于隐马尔可夫模型（HMM），考虑到用户偏好的动态推荐框架。我们提出了一种基于HMM的方法来检测用户交互序列中的变化点，该方法根据数据中所有用户的顺序行为来反映偏好的显着变化。拟议的框架利用已确定的变化点，以两种方式提出建议。在一种方法中，使用变化点来创建序列感知的非负矩阵分解模型，以生成与用户的当前品味一致的推荐。在第二种方法中，HMM直接用于生成考虑到所识别的变化点的建议。这些模型在变化点检测的准确性以及使用真实音乐流数据集的推荐的有效性方面进行了评估。
2018-09-29 cs.IR
Content filtering methods for music recommendation: A review
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文综述了音乐推荐中应对交互稀疏问题的内容过滤方法，重点分析基于大语言模型的歌词分析和音频信号处理技术如何缓解协同过滤偏差，并探讨不同分析方法间的冲突及解决途径。
2025-07-03 cs.AI cs.IR cs.LG
"Beyond the past": Leveraging Audio and Human Memory for Sequential Music Recommendation
针对序列音乐推荐难以推荐新曲目的问题，提出利用音频信息预测新曲目ACT-R激活并融入评分过程的模型，实验证明有效，并公开数据和代码。
2025-08-04 cs.IR
Enhancing Music Recommendation with User Mood Input
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种基于用户情绪的音乐推荐系统，利用能量-活力光谱提升推荐质量，通过实验验证了情绪输入对推荐效果的积极影响。
2026-03-12 cs.IR
Twitter Hash Tag Recommendation
University of Minnesota（明尼苏达大学）
Twitter等微博客服务的普及导致了内容注释策略（如hashtag）的使用增加。主题标签为用户提供了一种标记机制，以帮助组织，分组和创建其帖子的可见性。这是一个简单的想法，但在实践中对用户来说可能是一个挑战，这会导致不频繁的使用。在本文中，我们将研究在创建新帖子时推荐标签的各种方法，以鼓励更广泛的采用和使用。标签推荐带来了许多挑战，包括处理大量的流数据和小而嘈杂的内容。我们将研究预处理方法来减少数据中的噪声，并基于流行的分类算法确定一种有效的主题标签推荐方法。
2015-01-31 cs.IR cs.LG
Denoised Self-Augmented Learning for Social Recommendation
本文提出去噪自增强学习范式DSL，通过保留有用社交关系并利用自适应语义对齐实现个性化跨视图知识迁移，以缓解社交推荐中的噪声问题，并在多个基准上取得优于现有方法的性能。
2023-11-01 cs.IR
