Creator-Side Recommender System: Challenges, Designs, and Applications
Kuaishou Technology（快手科技）
针对推荐系统中创作者曝光不均的问题，提出创作者侧推荐系统DualRec，通过适配用户侧算法并引入用户可用性计算模块，在Kwai平台显著提升创作者体验。
2025-02-25 cs.IR cs.LG
A Survey Paper on Recommender Systems
Concordia University（康考迪亚大学）；Ecole Polytechnique（巴黎综合理工学院）
推荐系统应用数据采掘技术和预测算法来预测用户对大量可用项目中的信息、产品和服务的兴趣。互联网上信息的大量增长以及网站访问者的数量给推荐系统增加了一些关键挑战。这些是：产生准确的建议，有效地处理许多建议，并应对系统中参与者数量的巨大增长。因此，需要新的推荐系统技术，可以快速产生高质量的建议，即使是巨大的数据集。为了解决这些问题，我们已经探索了几种协同过滤技术，如基于项目的方法，它确定项目之间的关系，并间接计算这些关系的基础上为用户的建议。基于用户的方法也进行了研究，它确定相似的口味之间的关系，并计算这些关系的基础上的推荐。在本文中，我们介绍了推荐系统的主题。它为评价推荐系统的效率、可扩展性和准确性提供了方法。本文还分析了基于用户和基于项目的推荐生成技术的不同算法。此外，一个简单的实验进行了使用数据采掘应用程序-Weka-应用数据采掘算法的推荐系统。最后，我们提出我们的方法，可能会提高推荐系统的质量。
2010-12-24 cs.IR cs.LG
Mitigating Filter Bubbles within Deep Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）
推荐系统为用户提供个性化建议，为当今许多社交媒体、电子商务和娱乐提供动力。然而，这些系统已经被认为在智力上将用户与各种观点隔离，或者导致过滤气泡。在我们的工作中，我们表征和减轻这种过滤气泡效应。我们这样做的基础上，他们的用户-项目的交互历史和计算的分类类别对彼此的影响，使用众所周知的TracIn方法分类的各种数据点。最后，我们通过仔细地重新训练我们的推荐系统，在不影响准确性的情况下减轻了这种过滤气泡效应。
2022-09-16 cs.IR cs.LG
Estimating and Penalizing Induced Preference Shifts in Recommender Systems
MIT（麻省理工学院）；University of YYY（YYY大学）；Institute of WWW（WWW研究院）；Institute for Clarity in Documentation（文档清晰性研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗克库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）
推荐系统（RS）向用户展示的内容会影响用户。因此，在选择推荐器部署时，也隐含地选择诱导用户的特定内部状态。更重要的是，通过长期优化训练的系统将有直接的动机来操纵用户：在这项工作中，我们关注的是改变用户偏好的动机，这样他们就更容易满足。我们认为，在部署之前，系统设计者应该：估计的变化，推荐将诱导;评估这种变化是否将是不可取的，甚至可能积极优化，以避免有问题的转变。这些步骤涉及两个具有挑战性的成分：估计需要预测假设的算法将如何影响用户偏好，如果部署-我们这样做是通过使用历史用户交互数据训练一个预测用户模型，其中隐含地包含他们的偏好动态;评估和优化另外需要度量来评估这种影响是人为的还是不想要的我们使用“安全转移”的概念，定义了一个信任区域，在该区域内行为是安全的：例如，用户在不受系统干扰的情况下自然移动的方式可以被认为是“安全的”。在模拟实验中，我们表明，我们的学习偏好动态模型是有效的估计用户的喜好，以及他们将如何应对新的浏览器。此外，我们表明，优化留在信任区域的决策者可以避免操纵行为，同时仍然产生参与。
2022-07-14 cs.IR cs.LG
PURS: Personalized Unexpected Recommender System for Improving User Satisfaction
New York University（纽约大学）；Alibaba Youku Cognitive and Intelligent Lab（阿里巴巴优酷认知与智能实验室）
经典的推荐系统方法通常面临过滤气泡问题，当用户只收到他们熟悉的项目的建议，使他们感到无聊和不满。为了解决过滤器气泡问题，已经提出了意想不到的推荐，以推荐显著偏离用户先前期望的项目，从而通过向用户呈现“新鲜的”和先前未探索的项目来使他们惊讶。在本文中，我们描述了一种新的个性化意外推荐系统（PURS）模型，将意外的推荐过程中，通过提供多聚类建模的用户兴趣的潜在空间和个性化的意外通过自我注意力机制和通过选择一个适当的意外激活函数。在三个真实世界数据集上进行的大量离线实验表明，所提出的PURS模型在准确性和意外性测量方面都显着优于最先进的基线方法。此外，我们在主要视频平台阿里巴巴-优酷进行了在线A/B测试，我们的模型在每个用户的平均视频观看量指标上实现了超过3%的增长。该公司正在部署拟议的模式。
2021-06-05 cs.IR cs.LG
AMEM4Rec: Leveraging Cross-User Similarity for Memory Evolution in Agentic LLM Recommenders
Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心）；College of Engineering and Computer Science, VinUniversity（越南 Vin 大学工程与计算机科学学院）；Computer Science, VinUniversity（越南 Vin 大学计算机科学）
AMEM4Rec通过跨用户记忆演化学习协作信号，提升智能大语言模型推荐系统的性能。
2026-02-09 cs.IR cs.LG
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University（武汉大学）
在众多的推荐技术中，协同过滤（CF）是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户（一个项目）作为一个向量的潜在因素（又名。\textit{embedding}），然后根据表示对用户和项之间的交互进行建模。尽管它的有效性，我们认为，这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发，我们提出了一个通用的协同过滤框架DNCF，简称基于双嵌入的神经协同过滤，以利用历史交互来增强表示。除了学习用户（项目）的原始嵌入之外，我们还从交互项目（用户）的角度引入了额外的嵌入，以增强用户（项目）表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性，通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR cs.LG
Measuring Recommender System Effects with Simulated Users
Virginia Tech（弗吉尼亚理工大学）；Google（谷歌）
想象一下一个食物推荐系统--我们如何检查它是\emph{causing}，培养不健康的饮食习惯还是仅仅反映用户的兴趣？随着时间的推移，用户对推荐系统的体验有多少是由推荐系统的选择和偏见引起的，有多少是基于用户的偏好和偏见？流行度偏差和过滤气泡是两个最好的研究推荐系统的偏见，但大多数以前的研究集中在理解系统的行为在一个单一的推荐步骤。这些偏见是如何与用户行为相互作用的，重复的交互会产生什么类型的用户体验？在这项工作中，我们提供了一个模拟的框架来衡量不同类型的用户行为下的推荐系统的影响。使用这个模拟框架，我们可以（a）从用户偏好中分离推荐系统的效果，以及（b）检查系统如何表现不仅是平均的“平均用户”，而且在非典型用户行为下的极端体验。作为模拟框架的一部分，我们提出了一套评估指标的模拟，以了解推荐系统的行为。最后，我们提出了两个实证案例研究-一个在MovieLens传统的协同过滤和一个大规模的生产推荐系统-了解如何随着时间的推移流行的偏见体现。
2021-01-12 cs.CY cs.IR cs.LG
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）
现有推荐系统的一个重要挑战是用户可能不信任推荐系统，因为缺乏解释或推荐结果不准确。因此，拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结：利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统（例如，垃圾邮件发送者和虚假信息）或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作，这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Content-Based Personalized Recommender System Using Entity Embeddings
Manipal Institute of Technology（马尼帕尔理工学院）
推荐器系统是一类机器学习算法，其基于用户与类似项目的交互或基于项目的内容向用户提供相关推荐。在要保留项目内容的设置中，基于内容的方法将是有益的。本文的目的是突出的优势，基于内容的方法，通过学习嵌入和利用这些优势，提供更好的和个性化的电影推荐基于用户的喜好，如类型和关键字标签的各种电影功能。
2020-10-24 cs.IR cs.LG
Recommender System for News Articles using Supervised Learning
Vodafone Portugal（沃达丰葡萄牙公司）；Universitat Pompeu Fabra（庞培法布拉大学）
在过去的十年中，我们观察到信息的大量增加，特别是通过智能手机共享的信息。因此，可用的信息量不允许普通用户知道他的所有选项。在这种情况下，推荐系统使用许多技术来帮助用户找到所需的产品。因此，如今推荐系统发挥着重要作用。推荐系统的目标是确定最适合用户偏好的产品。这些技术对用户和供应商都是有利的，因为它使用户能够快速找到他需要的东西，并使供应商能够促进他们的产品和销售。随着业界开始意识到使用这些算法可以实现的收益，对于许多研究人员来说也是一个非常有趣的问题，推荐系统自90年代中期以来成为一个非常活跃的领域。考虑到这是一个持续的问题，本论文打算观察使用推荐算法的价值，发现用户喜欢通过观察她的域偏好。在一个平衡的概率方法中，本文将展示如何利用新闻主题来推荐新闻文章。在这篇论文中，我们使用不同的机器学习方法来确定用户对一篇文章的评分。为了解决这个问题，监督学习方法，如线性回归，朴素贝叶斯和逻辑回归。所有上述模型都具有不同的性质，这对给定问题的解决方案产生了影响。此外，一些实验，并讨论，以确定最适合的问题的功能集。
2017-07-03 cs.IR cs.LG
Ordinal Graph Gamma Belief Network for Social Recommender Systems
Xidian University（西安电子科技大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
为了建立推荐系统，不仅考虑用户项目的交互表示为有序变量，但也利用社会网络描述用户之间的关系，我们开发了一个分层贝叶斯模型，称为有序图因子分析（OGFA），它联合模型用户项目和用户用户之间的交互。OGFA不仅取得了良好的推荐性能，而且还提取了与代表性用户偏好相对应的可解释的潜在因素。我们进一步将OGFA扩展到有序图伽玛信念网络，这是一个多随机层的深度概率模型，可以在多个语义层次上捕获用户偏好和社交社区。为了有效的推理，我们开发了一个并行的混合Gibbs-EM算法，该算法利用了图的稀疏性，并可扩展到大型数据集。我们的实验结果表明，所提出的模型不仅在具有显式或隐式反馈的推荐数据集上优于最近的基线，而且还提供了可解释的潜在表示。
2022-09-12 cs.IR cs.LG
Recency Dropout for Recurrent Recommender Systems
Google, Inc.（谷歌公司）
递归推荐系统已经成功地捕捉到用户活动轨迹的时间动态。然而，众所周知，递归神经网络（RNN）很难学习长期依赖关系。因此，基于RNN的推荐系统往往过于关注短期用户兴趣。这被称为近因偏差，这可能会对长期用户体验以及生态系统的健康产生负面影响。在本文中，我们介绍了近因丢弃技术，一个简单而有效的数据增强技术，以减轻近因偏见的循环推荐系统。我们在各种实验环境中展示了近因丢弃的有效性，包括模拟研究，离线实验以及在大型工业推荐平台上的现场实验。
2022-01-26 cs.IR cs.LG
A Survey on User Behavior Modeling in Recommender Systems
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Shanghai Jiao Tong University（上海交通大学）
用户行为建模（UBM）在用户兴趣学习中起着关键作用，在推荐系统中得到了广泛的应用。用户和项目之间的关键交互模式已经被利用，这在许多推荐任务中带来了引人注目的改进。在本文中，我们试图提供一个彻底的调查这一研究课题。本文首先回顾了UBM的研究背景。然后，我们提供了一个系统的分类现有的UBM的研究工作，可以分为四个不同的方向，包括常规UBM，长序列UBM，多类型UBM，和UBM与边信息。在每一个方向，代表性的模型和他们的优点和缺点进行了全面的讨论。此外，我们详细介绍了UBM方法的工业实践，希望为现有UBM解决方案的应用价值提供见解。最后，对本研究进行了总结，并对该领域的发展前景进行了展望.
2023-02-22 cs.IR cs.LG
Comprehensive Fair Meta-learned Recommender System
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
在推荐系统中，一个常见的挑战是冷启动问题，其中系统中的新用户的交互非常有限。为了解决这一问题，近年来，许多研究工作将元优化思想引入到推荐场景中，即仅通过过去的几个交互项来学习用户偏好。其核心思想是学习全局共享的元初始化参数为所有用户，并迅速适应到本地参数为每个用户分别。它们的目标是通过对不同用户的偏好学习来获得通用知识，从而利用学习到的先验知识和少量的训练数据快速适应未来的新用户。然而，以前的工作表明，推荐系统通常容易受到偏见和不公平。尽管元学习成功地提高了冷启动的推荐性能，但公平性问题在很大程度上被忽视了。在本文中，我们提出了一个全面的公平元学习框架，命名为CLOVER，以确保公平的元学习推荐模型。我们系统地研究了推荐系统中的三种公平性-个人公平性，反事实公平性和群体公平性，并提出通过多任务对抗学习方案来满足所有三种公平性。我们的框架提供了一个通用的训练范式，适用于不同的元学习推荐系统。我们证明了三叶草的有效性，在三个真实世界的数据集上的代表性的元学习用户偏好估计。实验结果表明，CLOVER在不降低冷启动推荐性能的前提下，实现了综合公平性。
2022-06-09 cs.IR cs.LG
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado（科罗拉多大学）
随着这些系统在社会中变得越来越普遍，人工智能的算法公平性变得越来越重要。人工智能的一个领域，推荐系统，由于在优化用户的准确性和提供商的公平性之间进行权衡，因此对公平性提出了独特的挑战。但是，在建议的背景下，什么是公平的-特别是在有多个利益攸关方的情况下？在这个问题的初步探索，我们问用户他们的想法，公平对待的建议可能是，为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化，最终帮助设计更公平，更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations
近年来，有一系列关于排名和推荐系统中公平性概念的研究，特别是关于如何评估推荐系统是否在相关项目组之间平等分配曝光（也称为提供者公平性）。虽然这项研究奠定了一个重要的基础，但它产生了不同的方法，这取决于相关项目是按用户/按查询进行比较还是跨用户进行聚合。尽管这两个概念都是既定的和直观的，但我们发现这两个概念可以导致相反的结论，这是辛普森悖论的一种形式。我们调和这些概念，并表明，紧张局势是由于项目相关的用户分布的差异，并打破了用户的建议的重要因素。基于这种新的理解，从业者可能会对这两个概念感兴趣，但由于相关性和用户满意度的部分可观察性，可能会面临每用户度量的挑战，这在现实世界中是典型的。我们描述了一种基于分布匹配的技术来估计它在这样的情况下。我们在模拟和真实世界的推荐数据上证明了这种方法的有效性和实用性。
2022-10-14 cs.AI cs.IR cs.LG
ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System
University of Minnesota Twin Cities（明尼苏达大学双子城分校）
本文提出ECORS方法，通过集成多种聚类算法并构建用户-用户矩阵，同时检测局部与全局异常值，从而显著提升协同过滤推荐系统中异常值检测的准确性。
2024-10-01 cs.HC cs.IR cs.LG
Breaking Feedback Loops in Recommender Systems with Causal Inference
University of California Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在（1）做出推荐（2）收集用户对这些推荐的响应以及（3）基于该反馈重新训练推荐算法之间交替。在此过程中，推荐系统会影响随后用于更新的用户行为数据，从而创建一个反馈循环。最近的工作表明，反馈循环可能会损害推荐质量和同质化的用户行为，提高道德和性能的关注时，部署推荐系统。为了解决这些问题，我们提出了反馈循环因果调整（CAFL），这是一种使用因果推理可证明地打破反馈循环的算法，可以应用于任何优化训练损失的推荐算法。我们的主要观察是，一个推荐系统不会遭受反馈回路，如果它的原因因果量，即干预分布的建议用户评级。此外，我们可以通过调整推荐系统对用户偏好的预测，从观察数据中计算出这种干预分布。使用模拟环境中，我们证明了CAFL提高推荐质量相比，以前的校正方法。
2022-07-15 cs.IR cs.LG stat.ML
Influential Recommender System
Hong Kong University of Science and Technology（香港科技大学）；Shanghai Jiao Tong University（上海交通大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
传统的推荐系统通常是被动的，因为它们试图使它们的推荐适应用户的历史兴趣。然而，对于诸如电子商务、广告投放和新闻门户之类的商业应用，非常期望能够扩展用户的兴趣，使得他们将接受他们最初不知道或不感兴趣的项目，以增加客户交互。在本文中，我们提出了有影响力的推荐系统（IRS），一个新的推荐模式，旨在积极主动地引导用户喜欢一个给定的目标项目，逐步推荐给用户一系列精心挑选的项目（称为影响路径）。我们提出了有影响力的推荐网络（IRN），这是一个基于转换器的顺序模型来编码项目的顺序依赖性。由于不同的人对外部影响的反应不同，我们引入了个性化印象面具（PIM）来模拟用户对外部影响的接受程度，从而为用户生成最有效的影响路径。为了评估IRN，我们设计了几个性能指标来衡量是否影响路径可以顺利扩大用户的兴趣，包括客观的项目，同时保持用户的满意度的建议。实验结果表明，IRN显著优于基准分类器，并展示了其影响用户兴趣的能力。
2022-11-23 cs.AI cs.IR cs.LG
Generating ordered list of Recommended Items: a Hybrid Recommender System of Microblog
Sun Yat-Sen University（中山大学）
关注者的精准推荐有助于提升用户体验，维护微博和twitter平台的繁荣。本文设计了一个微博混合推荐系统，作为2012年KDD Cup第一轨道任务的解决方案，该任务要求预测用户在腾讯微博上可能关注的用户。本文描述了问题的背景，并给出了包括关键词分析、用户分类、兴趣抽取和项目推荐的算法。实验结果表明，该算法具有较高的性能。最后讨论了可能的改进措施，并提出了进一步的研究方向。
2015-11-27 cs.IR cs.LG cs.SI
A data-driven personalized smart lighting recommender system
Iowa State University（爱荷华州立大学）
推荐系统试图识别和推荐最喜欢的项目（产品服务）给个人用户。这些系统基于相关项目、用户以及项目与用户之间的交互来预测用户对项目的兴趣。我们的目标是建立一个自动例程和配色方案推荐系统，利用丰富的历史数据和机器学习方法。我们引入了一种无监督的方法来推荐一个照明例程。此外，通过分析用户的日常日志，地理位置，时间和使用信息，我们了解用户的偏好，并预测他们喜欢的灯光颜色。为此，我们根据用户的地理信息和使用分布对用户进行聚类。然后，我们在每个集群内构建并训练预测模型，并汇总结果。结果表明，基于相似用户的模型提高了预测精度，有或没有关于用户偏好的先验知识。
2021-04-05 cs.LG
Solutions to preference manipulation in recommender systems require knowledge of meta-preferences
University College London（伦敦大学学院）
用于推荐系统的迭代机器学习算法经常通过尝试学习来改变人们的偏好。此外，推荐器可以通过使其用户更可预测来更好地预测用户将做什么。用户的某些偏好变化是自我诱导的，并且是期望的，无论推荐者是否引起它们。本文提出，在推荐系统中的偏好操纵的解决方案必须考虑到某些元偏好（偏好超过另一个偏好），以尊重用户的自主性，而不是操纵。
2022-09-14 cs.AI cs.CY cs.IR
User-Creator Feature Polarization in Recommender Systems with Dual Influence
Harvard University（哈佛大学）；Google（谷歌公司）；ByteDance（字节跳动公司）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
该研究定义用户-创作者特征动力学模型，证明具双重影响的推荐系统必然极化致多样性下降，且发现常见促多样性方法无效，top-$k$截断等相关性优化方法可防极化并提升多样性。
2024-10-31 cs.CY cs.GT cs.IR
Harm Mitigation in Recommender Systems under User Preference Dynamics
Cornell University（康奈尔大学）；Meta；Northeastern University（东北大学）
本文研究用户偏好动态下推荐系统中的危害缓解问题，建模推荐对有害内容消费倾向的影响，提出在平稳状态下求解最优策略的算法，并在半合成电影推荐实验中验证其同时提升CTR与降低危害的效果。
2024-06-14 cs.CY cs.IR cs.LG
An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems
UNIST（蔚山科学技术院）；Department of Computer Science and Engineering（计算机科学与工程学院）
所有用于推荐的学习算法都面临着在利用用户偏好的部分知识以获得短期满意度和探索其他用户偏好以获得长期覆盖之间不可避免的关键权衡。虽然探索是必不可少的推荐系统的长期成功，探索已被认为是降低用户满意度的风险。风险的原因是，选择用于探索的项目经常与用户的兴趣不匹配。为了减轻这种风险，推荐系统将选择用于探索的项目混合到推荐列表中，将项目伪装为推荐以引起对项目的反馈，从而发现用户的其他口味。这种混合方法已被广泛应用于许多广告商，但很少有研究，评估混合方法的有效性或提出一种新的方法来获得用户反馈而不欺骗用户。在这项工作中，我们的目标是提出一种新的方法，没有任何欺骗的反馈启发，并比较我们的方法与传统的混合方法进行评估。为此，我们设计了一个推荐界面，揭示了哪些项目是探索，并进行了主题内的研究与94 MTurk工人。我们的研究结果表明，用户留下了显着更多的反馈项目选择探索与我们的界面。此外，用户评价我们的新界面在新颖性，多样性，透明度，信任和满意度方面优于传统的混合界面。最后，路径分析表明，只有在我们的新界面，探索导致增加以用户为中心的评价指标。我们的工作为如何设计界面铺平了道路，该界面利用基于用户反馈信号的学习算法，提供更好的用户体验并收集更多反馈数据。
2021-08-12 cs.HC cs.IR cs.LG
Telepath: Understanding Users from a Human Vision Perspective in Large-Scale Recommender Systems
设计一个为数亿活跃用户服务的电子商务推荐系统是一个艰巨的挑战。从人类视觉的角度来看，影响用户行为的关键因素有两个：项目的吸引力和与用户兴趣的匹配程度。本文提出了Telepath，一个基于视觉的仿生推荐系统模型，从这样的角度理解用户。Telepath是卷积神经网络（CNN）、递归神经网络（RNN）和深度神经网络（DNN）的组合。它的CNN子网络模拟人类的视觉系统来提取物品吸引力的关键视觉信号并产生相应的激活。它的RNN和DNN子网络模拟大脑皮层，根据浏览项目产生的激活来理解用户的兴趣。在实践中，Telepath模式已经被推出到京东的推荐系统和广告系统中。对于京东应用程序上的主要项目推荐块之一，点击率（CTR），商品总价值（GMV）和订单分别增长了1.59%，8.16%和8.71%。对于京东需求侧平台的几大广告发布商来说，在第一次投放时，CTR、GMV和投资回报率分别增长了6.58%、61.72%和65.57%，在第二次投放时进一步增长，分别增长了2.95%、41.75%和41.37%。
2017-09-04 cs.CV cs.IR cs.LG
FINN.no Slates Dataset: A new Sequential Dataset Logging Interactions, allViewed Items and Click Responses/No-Click for Recommender Systems Research
University of Oslo（奥斯陆大学）；University of Lancaster（兰卡斯特大学）；Schibsted ASA
我们提出了一种新的推荐系统数据集，记录用户和在线市场之间的顺序交互。用户被顺序地呈现以来自市场的被称为石板的项目的排名列表的形式的推荐和搜索结果两者。该数据集包括在每一轮呈现的石板，用户是否点击了这些项目中的任何一个，以及用户点击了哪个项目。虽然在推荐系统中曝光数据的使用正在增长，据我们所知，没有开放的大规模推荐系统数据集，包括在每次交互时呈现给用户的项目的石板。因此，大多数关于推荐系统的文章都没有利用这种曝光信息。相反，所提出的模型只依赖于用户的点击响应，并假设用户在每一步都接触到项目宇宙中的所有项目，通常称为均匀候选抽样。这是一个不完整的假设，因为它考虑了用户可能没有接触到的项目。这样，项目可能会被错误地视为用户不感兴趣。考虑到实际显示的石板允许模型使用更自然的可能性，基于给定项目暴露集的点击概率，如在强盗和强化学习文献中流行的那样。\cite{Eide2021DynamicSampling}表明，基于均匀候选抽样（以及类似假设）的似然性隐含地假设平台仅向用户显示最相关的项目。这使得推荐系统隐含地加强反馈循环，并偏向于先前向用户展示的项目。
2021-11-05 cs.IR cs.LG stat.ML
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST（香港科技大学计算机科学与工程系）
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题，提出用户同意的联邦推荐系统UC-FedRec，通过最小化准确度代价灵活满足隐私需求，实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
Poisoning Federated Recommender Systems with Fake Users
University of Science and Technology of China（中国科学技术大学）；Duke University（杜克大学）
本文提出了一种名为PoisonFRS的新型虚假用户投毒攻击方法，无需额外信息即可在联邦推荐系统中推广攻击者选定的目标项目，实验证明其效果优于依赖额外信息的现有基准。
2024-02-18 cs.CR cs.IR cs.LG
Enabling the Analysis of Personality Aspects in Recommender Systems
Macquarie University（麦考瑞大学）
现有的推荐系统主要集中在利用用户的反馈，例如，评级和评论，以检测相似的用户。因此，当用户之间没有共同感兴趣的项目时，它们可能会失败。我们称这个问题为数据稀疏没有反馈的共同项目（DSW-n-FCI）。基于个性的推荐系统已经显示出巨大的成功，以确定相似的用户基于他们的个性类型。然而，只有少数基于个性的推荐系统在文献中，要么发现个性明确通过填写问卷，这是一个繁琐的任务，或忽视用户的个人兴趣和知识水平的影响，作为一个关键因素，以提高推荐的接受度。因此，我们隐式地识别用户的个性类型，对用户没有负担，并将其与用户的个人兴趣和他们的知识水平结合起来。在真实数据集上的实验结果证明了该模型的有效性，特别是在DSW-n-FCI情况下。
2020-01-07 cs.CY cs.IR cs.LG
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich（苏黎世大学）
负面用户偏好是一个重要的背景，没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下，此上下文特别有用。在这项工作中，我们描述了一个新的推荐算法，明确地模型消极的用户偏好，以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型，将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估，我们证明了我们的方法能够提高推荐质量：通过提高准确性，同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值，也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
Modeling Churn in Recommender Systems with Aggregated Preferences
Technion—Israel Institute of Technology（以色列理工学院）
本文提出一个模型，在推荐系统仅依赖聚合用户信息时，通过概率先验和分支定界算法，在有限时间内实现从探索到利用的过渡，以降低用户流失风险。
2025-02-09 cs.AI cs.IR cs.LG
A Soft Recommender System for Social Networks
Islamic Azad University（伊斯兰阿扎德大学）
最近的社交推荐系统受益于友谊图来做出准确的推荐，相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法（如K-means），以确定用户之间的相似性，从而定义的友谊程度。在本文中，我们更进一步地识别真正的朋友，以便提出更现实的建议。我们计算了用户之间的相似性，以及用户和项目之间的依赖性。我们的假设是，由于用户偏好的不确定性，模糊聚类，而不是经典的硬聚类，是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后，根据软聚类定义用户的相似性度量。随后，在训练方案中，我们确定了用户和项目的潜在表示，使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中，我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明，所提出的模糊相似性度量提高了实际数据中的建议相比，基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings
University of Pittsburgh（匹兹堡大学）
推荐系统在工业中被广泛用于改善用户体验。尽管取得了巨大的成功，但他们最近因收集私人用户数据而受到批评。联邦学习（Federated Learning，FL）是一种在分布式数据上进行学习而无需直接数据共享的新范式。因此，联邦推荐（FedRec）系统被提出来减轻非分布式推荐系统的隐私问题。然而，FedRec系统与非分布式系统相比存在性能差距。主要原因是本地客户端的用户-项目交互图不完整，因此FedRec系统不能很好地利用间接的用户-项目交互。在本文中，我们提出了联邦图推荐系统（FedGRec）来弥补这一差距。我们的FedGRec系统可以有效地利用间接的用户项交互。更确切地说，在我们的系统中，用户和服务器显式地存储用户和项目的潜在嵌入，其中潜在嵌入总结了间接用户-项目交互的不同顺序，并在本地训练期间用作缺失交互图的代理。我们进行了广泛的实证评估，以验证使用潜在嵌入作为缺失的交互图的代理的有效性;实验结果显示，与各种基线相比，我们的系统具有优异的性能。该论文的简短版本见\href{https://federated-learning.org/fl-neurips-2022/}{the FL-NeurIPS'22 workshop}。
2022-10-25 cs.LG
Ensuring User-side Fairness in Dynamic Recommender Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Rochester（罗切斯特大学）；Amazon.com, Inc.（亚马逊公司）
本文首次研究动态推荐系统中的用户侧公平性，提出端到端微调框架FADE，通过带重启的增量微调和改进的可微指标DH，有效减少用户群体性能差异且几乎不损失整体推荐性能。
2025-05-28 cs.CY cs.IR cs.LG
A Fuzzy Community-Based Recommender System Using PageRank
Islamic Azad University Tehran North Branch（德黑兰北部伊斯兰阿扎德大学）；Amirkabir University of Technology（阿米爾卡比爾理工大學）
推荐系统被不同的用户服务提供商广泛使用，特别是那些与大型用户社区有交互的用户。介绍了一种基于社区发现的推荐系统。使用用户之间的局部和全局相似性来提供推荐。当地的信息是从社区获得的，全球的信息是基于评级。在这里，一个新的模糊社区发现使用个性化的PageRank隐喻。用户对社区的模糊隶属度值被用来定义一个相似性度量。该方法通过使用两个著名的数据集：MovieLens和FilmTrust进行评估。结果表明，我们的方法优于最近的推荐系统。
2018-12-18 cs.IR cs.LG cs.SI
Expressive recommender systems through normalized nonnegative models
Massachusetts Institute of Technology（麻省理工学院）
我们引入归一化非负模型（NNM）的探索性数据分析。NNM是概率论模型的部分凸化。并以项目推荐为例说明了它们的价值。我们表明，NNM为基础的推荐系统满足三个标准，所有推荐系统应该理想地满足：高预测能力，计算的易处理性，和表达的用户和项目。在实践中，表达性的用户和项目表示对于简洁地总结客户池和项目池非常重要。在NNM中，用户表示是表达性的，因为每个用户的偏好可以被视为常规用户的偏好的归一化混合。项目和用户表示的可解释性允许我们安排项目的属性（例如，电影的类型或文档的主题）或用户（例如，人格特质）。
2015-11-15 cs.LG stat.ML
Rank List Sensitivity of Recommender Systems to Interaction Perturbations
Georgia Institute of Technology（佐治亚理工学院）；University of California San Diego（加州大学圣迭戈分校）
预测模型可能表现出对训练数据的敏感性：训练数据中的微小变化可能会产生在测试期间将冲突预测分配给各个数据点的模型。在这项工作中，我们研究了这种敏感性的推荐系统，用户的建议大大改变了其他不相关的用户的交互中的小扰动。我们介绍了一种衡量推荐系统的稳定性的方法，称为秩列表敏感性（RLS），它衡量了在测试时由于训练数据中的扰动而导致的给定推荐系统生成的秩列表的变化。我们开发了一种方法，CASPER，它使用级联效应来识别最小的和系统的扰动，导致更高的不稳定性在推荐系统。在四个数据集上的实验表明，推荐模型对随机引入的或通过CASPER引入的微小扰动过于敏感-即使扰动一个用户的一个随机交互也会极大地改变所有用户的推荐列表。重要的是，通过CASPER扰动，模型为低准确度用户生成更不稳定的推荐（即，那些收到低质量推荐的人）比高准确性的人。
2022-08-16 cs.CR cs.IR cs.LG
How to Profile Privacy-Conscious Users in Recommender Systems
IBM Research（IBM研究院）；OneSpan（OneSpan公司）
矩阵分解是构建推荐系统的一种常用方法。在这样的系统中，现有的用户和项目被关联到称为简档的低维向量。用户和项目的配置文件可以组合（通过内积）来预测用户将获得的项目评级。这种系统的一个重要问题是所谓的冷启动问题：如何让用户了解她的个人资料，以便她可以得到准确的建议？虽然如果用户愿意对精心选择的项目进行评级和/或提供补充属性或人口统计（诸如性别），则可以计算简档，但是已知揭示该附加信息以允许推荐系统的分析员推断出更多的个人敏感信息。我们设计了一个协议，让隐私意识的用户受益于基于矩阵分解的推荐系统，同时保护他们的隐私。更准确地说，我们的协议使用户能够了解她的个人资料，并从中预测评级，而无需用户透露任何个人信息。该协议在标准模型下对半诚实攻击者是安全的。
2018-12-01 cs.CR cs.LG
Capturing Knowledge of User Preferences: ontologies on recommender systems
过滤万维网的工具是存在的，但它们受到在这样一个动态环境中捕获用户偏好的困难的阻碍。我们探讨收购的用户简档的浏览行为和监督机器学习技术的应用程序，再加上本体表示提取用户的喜好不显眼的监测。一个多类的方法来进行论文分类，允许在配置文件的建设过程中使用的论文主题分类。Quickstep推荐系统，并在实际工作中进行了两项实证研究评估，测量使用分层主题本体与可扩展平面列表相比的有效性。
2002-03-08 cs.LG cs.MA
Poisoning Attacks to Graph-Based Recommender Systems
Iowa State University（爱荷华州立大学）；Facebook, Inc.（Facebook公司）
推荐系统是许多Web服务的重要组成部分，帮助用户找到符合他们兴趣的项目。几项研究表明，推荐系统容易受到中毒攻击，攻击者将虚假数据注入给定系统，使系统根据攻击者的意愿进行推荐。然而，这些中毒攻击要么是不可知的推荐算法或优化的推荐系统，不是基于图的。与基于关联规则和基于矩阵分解的推荐系统一样，基于图的推荐系统也被部署在实践中，例如，eBay、华为应用商店。然而，如何为基于图的推荐系统设计优化的中毒攻击仍然是一个悬而未决的问题。在这项工作中，我们进行了系统的研究中毒攻击基于图的推荐系统。由于有限的资源和避免检测，我们假设可以注入到系统中的假用户的数量是有界的。关键的挑战是如何为假用户分配评分，以便将目标项目推荐给尽可能多的正常用户。为了解决这一挑战，我们将中毒攻击制定为优化问题，解决该问题决定了虚假用户的评级分数。我们还提出了解决优化问题的技术。我们评估我们的攻击，并将其与现有的攻击下的白盒（推荐算法及其参数是已知的），灰盒（推荐算法是已知的，但其参数是未知的），黑盒（推荐算法是未知的）设置使用两个真实世界的数据集。我们的研究结果表明，我们的攻击是有效的，优于现有的攻击基于图的推荐系统。例如，当1%的虚假用户被注入时，我们的攻击可以在某些情况下将目标项目推荐给580倍的正常用户。
2018-09-11 cs.CR cs.IR cs.LG
RecSim: A Configurable Simulation Platform for Recommender Systems
Google Research（谷歌研究院）；Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系）
我们提出RecSim，一个可配置的平台，创作的推荐系统（RS），自然支持与用户的顺序交互的模拟环境。RecSim允许创建新的环境，反映用户行为和项目结构的特定方面，在一个抽象的水平，非常适合推动当前的强化学习（RL）和RS技术在顺序交互式推荐问题的限制。环境可以很容易地配置，以改变以下假设：用户偏好和项目熟悉度;用户潜在状态及其动态;选择模型和其他用户响应行为。我们概述了RecSim如何为RL和RS研究人员和从业者提供价值，以及它如何作为学术-工业合作的工具。
2019-09-26 cs.HC cs.IR cs.LG
Exploiting Synergy Between Ontologies and Recommender Systems
推荐系统随着时间的推移了解用户的偏好，自动找到相似的兴趣。这减少了创建显式查询的负担。然而，推荐系统确实存在冷启动问题，在冷启动问题中，没有初始信息可以作为推荐的基础。语义知识结构，如本体，可以提供有价值的领域知识和用户信息。然而，获取这些知识并使其保持最新并不是一项微不足道的任务，用户的兴趣特别难以获取和保持。本文探讨了基于Web的研究论文推荐系统和本体之间的协同作用，包含信息自动提取部门的数据库在网络上提供。本体用于解决推荐系统的冷启动问题。推荐系统解决了本体的兴趣获取问题。对这种方法进行了实证评估，并测量了集成系统的性能。
2002-04-08 cs.LG cs.MA
Latent User Intent Modeling for Sequential Recommenders
Google, Inc.（谷歌公司）
顺序推荐模型是现代工业推荐系统的重要组成部分。这些模型学习基于用户在平台上的交互历史来预测用户可能与之交互的下一个项目。然而，大多数顺序浏览器缺乏对用户意图的更高层次的理解，这通常会驱动用户的在线行为。因此，意图建模对于理解用户和优化长期用户体验至关重要。我们提出了一种概率建模方法，并制定用户的意图作为潜在变量，这是推断的基础上，使用变分自编码器（VAE）的用户行为信号。然后，在给定推断出的用户意图的情况下，相应地调整推荐策略。我们通过离线分析以及在大型工业推荐平台上的现场实验证明了潜在用户意图建模的有效性。
2023-03-27 cs.IR cs.LG
CoBaR: Confidence-Based Recommender
University of São Paulo（圣保罗大学）
基于邻域的协同过滤算法通常对每个用户或项目采用固定的邻域大小，尽管用户组或项目组可以根据用户的偏好具有不同的长度。在本文中，我们提出了一个扩展的非个性化推荐的基础上的置信区间和层次聚类生成最佳规模的用户组。评估表明，该技术优于传统的推荐算法在四个公开可用的数据集。
2018-08-21 cs.IR cs.LG
Explicit User Manipulation in Reinforcement Learning Based Recommender Systems
IU University of Applied Sciences（IU应用科学大学）
推荐系统在现代世界中非常普遍，因为它们对用户和使用它们的平台和服务都有价值。一般来说，它们可以改善用户体验并有助于提高满意度，但它们并非没有风险。其中一个风险是它们对用户的影响以及它们在塑造用户偏好方面发挥积极作用的能力。这种风险对于基于强化学习的推荐系统更为显著。例如，这些能够学习今天向用户显示的推荐内容如何可能篡改该用户对将来推荐的其他内容的偏好。因此，基于强化学习的推荐系统可以隐式地学习影响用户，如果这意味着最大化点击、参与或消费。特别是在社交新闻和媒体平台上，这种行为令人震惊。社交媒体无疑在公众舆论中发挥着作用，并已被证明是加剧政治两极分化的一个促成因素。因此，这种平台上的推荐系统有很大的潜力以不受欢迎的方式影响用户。然而，也有可能故意使用这种操纵形式。随着政治观点动态建模和更大的用户数据集的进步，明确的用户操纵，其中用户的信念和意见是针对某一目的出现作为一个显着的关注在强化学习为基础的推荐系统。
2022-03-20 cs.IR cs.LG
A Novel Privacy-Preserved Recommender System Framework based on Federated Learning
College of Information Science and Engineering（信息科学与工程学院）；Ningbo University（宁波大学）
推荐系统是目前解决信息过载的有效方法。为了满足用户的下一次点击行为，RS需要收集用户的个人信息和行为，以实现全面而深刻的用户偏好感知。然而，这些集中收集的数据是隐私敏感的，任何泄漏都可能对用户和服务提供商造成严重问题。提出了一种新的隐私保护推荐系统框架（PPRSF），通过应用联邦学习范式，使推荐算法在不集中收集用户隐私数据的情况下进行训练和推理。PPRSF不仅能够降低隐私泄露风险，满足法律法规的要求，而且允许各种推荐算法的应用。
2020-11-11 cs.IR cs.LG
Towards Principled User-side Recommender Systems
传统上，推荐算法是为服务开发人员设计的。然而，最近，一个新的范例称为用户端推荐系统已被提出，他们使Web服务用户构建自己的推荐系统，而无需访问商业机密数据。这种方法为用户定义的公平系统打开了大门，即使服务的官方推荐系统并不公平。虽然现有的用户端推荐系统的方法已经解决了不使用日志数据构建推荐系统的挑战性问题，但它们依赖于启发式方法，并且从理论角度来看，构建用户端推荐系统是否是一个定义明确的问题仍然不清楚。在本文中，我们提供了用户端推荐系统的理论依据。具体来说，我们看到，隐藏的项目功能可以从用户可用的信息中恢复，使用户端推荐系统的建设定义明确。然而，这种理论上的方法并不有效。为了实现实用的，但理论上健全的推荐系统，我们提出了用户端推荐系统的三个理想的属性，并提出了一个有效的和高效的用户端推荐系统，\textsc{Consul}，基于这些基础。我们证明，\textsc{Consul}满足所有三个属性，而现有的用户端推荐系统缺乏至少其中之一。在实验中，我们通过数值实验验证了特征恢复的理论。我们还表明，我们提出的方法实现了良好的权衡效果和效率，并通过案例研究表明，该方法可以检索信息，提供商的官方推荐系统不能。
2022-08-21 cs.IR
Private Recommender Systems: How Can Users Build Their Own Fair Recommender Systems without Log Data?
公平性是推荐系统的一个重要特性。虽然一些在线服务最近已经采用了公平意识系统，但许多其他服务还没有采用它们。在这项工作中，我们提出的方法，使用户建立自己的公平推荐系统。我们的方法可以产生公平的建议，即使服务不（或不能）提供公平的推荐系统。关键的挑战是用户不能访问其他用户的日志数据或项目的潜在表示。此限制禁止我们采用为服务提供商设计的现有方法。其主要思想是用户可以访问服务提供商显示的不公平推荐。我们的方法利用一个不公平的推荐系统的输出，构建一个新的公平推荐系统。我们的经验验证，我们提出的方法大大提高了公平性，而不会损害原来的不公平系统的性能。
2022-01-19 cs.IR
BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System
多武装匪徒（MAB）提供了一个原则性的在线学习方法，以实现勘探和开发之间的平衡。多臂强盗算法由于其优越的性能和低反馈学习而无需学习在多种情况下采取行动，在推荐系统等应用中受到广泛关注。同样，在推荐系统中，协同过滤（CF）可以说是推荐系统中最早和最有影响力的方法。至关重要的是，新用户和不断变化的推荐项目池是推荐系统需要解决的挑战。对于协同过滤，经典的方法是离线训练模型，然后进行在线测试，但这种方法已经不能处理用户偏好的动态变化，即所谓的冷启动。那么在缺乏有效信息的情况下，如何有效地向用户推荐商品呢？为了解决上述问题，一个多臂强盗的协同过滤推荐系统已被提出，命名为BanditMF。BanditMF主要解决多臂Bandits算法和协同过滤中的两个难题：（1）如何解决有效信息稀缺条件下协同过滤的冷启动问题;（2）如何解决强社会关系域中Bandits算法由于独立估计与每个用户相关的未知参数而忽略用户之间的相关性而导致的次优问题。
2022-10-24 cs.IR cs.LG
UserSimCRS: A User Simulation Toolkit for Evaluating Conversational Recommender Systems
我们提出了一个可扩展的用户模拟工具包，以促进自动评价会话式推荐系统。它建立在一个既定的基于XML的方法，并扩展了几个新的元素，包括用户满意度预测，人物和上下文建模，并有条件的自然语言生成。我们展示了一个预先存在的电影推荐系统的工具包，并展示了它的能力，模拟真实的对话，同时只需要少量的手动注释的对话作为训练数据。
2023-01-24 cs.IR
Dynamic Adaptation of User Preferences and Results in a Destination Recommender System
研究人的因素是近年来推荐系统研究的热点。用户体验在旅游推荐系统中起着至关重要的作用，因为用户满意度是保证这种推荐系统成功的主要因素。在这项工作中，我们设计并实现了一个目的地推荐系统，其中的建议，立即适应用户的喜好。这些建议可以在世界地图上探索，并提供更多信息。该接口解决了推荐系统中常见的可视化挑战，例如透明度，合理性，可控性，可探索性，冷启动问题和上下文感知。我们已经进行了用户研究，从用户的角度来评估这个推荐系统的不同方面。
2023-02-20 cs.HC cs.IR
Deviation-Based Learning: Training Recommender Systems Using Informed User Choice
本文提出了一种新的方法来训练推荐系统称为偏差为基础的学习。推荐者和理性用户具有不同的知识。推荐器通过观察用户在收到推荐时采取的行动来学习用户知识。如果推荐器总是建议一个选择，学习最终会停止：在推荐器完成学习之前，用户开始盲目地遵循推荐，他们的选择并不反映他们的知识。如果推荐者在预测多个选择将产生类似的回报时放弃推荐特定的选择，学习率和社会福利将大大提高。
2022-08-19 cs.IR econ.TH stat.ML
