Ripple Knowledge Graph Convolutional Networks For Recommendation Systems
Nagoya University（名古屋大学）；Deakin University（迪肯大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对推荐系统的效果提升问题，提出结合用户端与物品端知识图的RKGCN模型，动态分析用户偏好以丰富表征，在三个真实数据集上优于5个基线模型。
2024-04-10 cs.AI cs.IR cs.LG
The item selection problem for user cold-start recommendation
The Chinese University of Hong Kong（香港中文大学）
当一个新用户刚刚在网站上注册时，我们通常没有关于他/她的信息，即没有与项目的交互，没有用户简档，也没有与其他用户的社交链接。在这种情况下，我们仍然期望我们的推荐系统能够在第一时间吸引用户，使用户决定留在网站上，成为活跃用户。这个问题属于新用户冷启动的范畴，对企业的发展乃至生存至关重要。关于用户冷启动推荐的现有工作需要额外的用户努力，例如设置面试过程，或者利用诸如用户人口统计，位置，社会关系等的边信息[10]。因此，我们考虑一个纯冷启动的情况下，既没有互动，也没有边信息是可用的，不需要用户的努力。研究此设置对于其他冷启动解决方案的初始化也很重要，例如初始化面试的前几个问题。
2020-10-27 cs.IR cs.LG cs.SI
Breaker: Removing Shortcut Cues with User Clustering for Single-slot Recommendation System
Meituan Group（美团集团）
针对单槽推荐系统中用户内在倾向导致捷径偏差的问题，本文提出Breaker模型，通过用户表示聚类辅助任务与多塔结构结合，并采用延迟参数更新机制，在美团在线实验中显著提升推荐效果。
2025-06-01 cs.IR cs.LG
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith；NBC Universal Peacock（NBC环球孔雀）
本文提出增强型 EASE 推荐模型，通过融合用户与物品辅助特征获得闭式解，在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
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 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
Measuring Recency Bias In Sequential Recommendation Systems
Seoul National University（首尔大学）
本研究针对序列推荐系统的近因偏差问题，提出了一种量化该偏差的新型指标，实验证实高近因偏差会损害推荐性能，缓解后可提升所有评估模型的表现，凸显了测量近因偏差的重要性。
2024-09-15 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Hierarchical BiGraph Neural Network as Recommendation Systems
George Mason University（乔治梅森大学）
图神经网络作为一种有前途的建模方法出现在处理在图域中最好表示的数据集的应用中。具体而言，开发推荐系统通常需要解决稀疏结构化数据，这些数据通常缺乏用户和/或项目侧的特征丰富性，并且需要在正确的上下文中进行处理以获得最佳性能。这些数据集可以直观地映射并表示为网络或图形。在本文中，我们提出了层次双图神经网络（HBGNN），一个层次的方法，使用GNN作为推荐系统，并使用一个双图框架结构化的用户项功能。我们的实验结果表明，与目前的推荐系统的方法和可移植性的竞争力的表现。
2020-07-27 cs.IR cs.LG stat.ML
UFGraphFR: Graph Federation Recommendation System based on User Text description features
UFGraphFR通过语义向量、安全用户关系图和个性化行为序列，实现高效的联邦推荐，提升推荐准确性和个性化效果。
2026-03-02 cs.LG
Near-Zero-Overhead Freshness for Recommendation Systems via Inference-Side Model Updates
LiveUpdate通过在推断端部署低秩适应训练器，实现推荐系统近零开销的实时模型更新，提升推荐准确性。
2025-12-17 cs.DC cs.LG
Navigating the Future of Federated Recommendation Systems with Foundation Models
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）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文系统探讨联邦推荐系统与基础模型的融合，分析其在个性化、通信效率和聚合上的提升，并提出应对隐私、非IID数据和资源约束的研究方向。
2025-04-11 cs.AI cs.IR cs.LG
SIDE: Semantic ID Embedding for effective learning from sequences
Meta Platforms, Inc.（Meta平台）
针对序列推荐中嵌入规模过大的问题，提出基于向量量化的语义ID嵌入方法SIDE，通过VQ融合、无参数转换和DPCA量化，实现2.4倍NE增益提升和3倍数据缩减。
2025-06-20 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
Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation
Delft University of Technology（代尔夫特理工大学）；Norwegian University of Science and Technology（挪威科技大学）；Radboud University（拉德堡德大学）
本文研究了用户属性在推荐系统社区目前关注的问题：多样性，覆盖率，校准和数据最小化。在传统的上下文感知推荐系统，利用边信息的实验中，我们表明，用户属性并不总是提高推荐。然后，我们证明用户属性会对多样性和覆盖范围产生负面影响。最后，我们调查的信息量的用户“生存”的训练数据到推荐器产生的推荐列表。这些信息是一个微弱的信号，将来可能会被用于校准或作为隐私泄露进一步研究。
2022-07-28 cs.LG
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz（约翰开普勒林茨大学计算感知研究所）；Human-centered AI Group, AI Lab, Linz Institute of Technology（林茨理工大学人工智能实验室以人为中心的人工智能组）
本文提出多模态单分支嵌入网络SiBraR，通过权重共享编码交互数据与多模态辅助信息，有效解决冷启动与缺失模态场景下的推荐问题，显著优于现有方法。
2024-09-26 cs.AI cs.IR cs.LG
A Large-Scale Deep Architecture for Personalized Grocery Basket Recommendations
Walmart Labs（沃尔玛实验室）
随着越来越多的消费者通过Amazon Fresh、Instacart和WalmartGrocery等平台进行在线杂货购物，迫切需要在整个客户旅程中提供相关建议。在本文中，我们介绍了一个生产内篮杂货推荐系统，RTT2Vec，它产生实时个性化的产品推荐，以补充用户当前的杂货篮。我们对我们的系统进行了广泛的离线评估，并证明了预测指标比基线最先进的篮内推荐模型提高了9.4%。我们还提出了一种近似推理技术，比精确推理方法快11.6倍。在生产中，我们的系统增加了平均购物篮大小，改进了产品发现，并使用户能够更快地结账
2020-02-13 cs.IR cs.LG stat.ML
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
PRINCE: Provider-side Interpretability with Counterfactual Explanations in Recommender Systems
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Inria（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）
推荐系统和其他机器学习模型的可解释性解释对于获得用户信任至关重要。专注于连接异构网络中的用户和项目的路径的先前工作具有若干限制，诸如发现关系而不是真实的解释，或者忽视其他用户的隐私。在这项工作中，我们采取了一个新的视角，并提出PRINCE：一个提供方机制，为最终用户提供切实的解释，其中解释被定义为用户执行的一组最小操作，如果删除，则将建议更改为不同的项目。给定一个推荐，PRINCE使用多项式时间最优算法从指数搜索空间中找到用户行为的最小集合，该算法基于动态图上的随机游走。在两个真实世界数据集上的实验表明，PRINCE提供了比直观基线更紧凑的解释，来自众包用户研究的见解证明了这种基于行动的解释的可行性。因此，我们认为PRINCE产生可理解的，可操作的，简洁的解释，由于其使用反事实证据，用户自己的行动，和最小集，分别。
2019-12-24 cs.AI cs.LG stat.ML
Supply-Side Equilibria in Recommender Systems
University of California, Berkeley（加州大学伯克利分校）；Cornell Tech（康奈尔大学理工分校）
本文将用户、内容与推荐算法建模为多维向量和点积匹配机制，分析个性化推荐下的供给侧均衡，给出生产者专业化的充要条件、两类用户时的内容分布及其降低市场竞争的效应。
2023-12-11 cs.GT cs.LG econ.GN
Pre-training Graph Transformer with Multimodal Side Information for Recommendation
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）；Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
项目的辅助信息，例如，图像和文本描述，已被证明是有效的，有助于准确的建议。受最近自然语言和图像预训练模型的成功启发，我们提出了一种预训练策略，通过考虑项目侧信息及其关系来学习项目表示。我们通过常见的用户活动来关联项目，例如，共同购买，并构建一个同质项目图。该图提供了多模态中项目关系及其关联边信息的统一视图。我们开发了一种新的采样算法MCNSampling为每个项目选择上下文邻居。提出的预训练多模态图Transformer（PMGT）学习项目表示有两个目标：1）图结构重建，和2）掩蔽节点特征重建。在真实数据集上的实验结果表明，PMGT模型有效地利用了多模态边信息，在项目推荐、项目分类和点击率预测等下游任务中实现了更高的准确率。我们还报告了一个案例研究，在60万用户的在线设置中测试所提出的PMGT模型。
2021-01-07 cs.IR cs.LG
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
近几十年来，推荐系统已经成为解决信息过载问题的重要工具。传统的推荐系统，然而，遭受数据稀疏和冷启动问题。为了解决这些问题，已经提出了大量的推荐算法来利用用户或项目的辅助信息（例如，社交网络和项目类别），在提高推荐性能方面表现出高度的有效性。这篇研究评论旨在提供一个全面和系统的调查最近的研究与边信息推荐系统。具体来说，我们提供了一个概述国家的最先进的推荐算法，从两个正交的角度与边信息。一个涉及不同的推荐方法：基于记忆的方法，潜在因素，表示学习和深度学习模型。其他的涵盖了边信息的不同表示，包括结构化数据（平面、网络和层次特征，以及知识图谱）;和非结构化数据（文本、图像和视频特征）。最后，我们讨论了挑战，并提供了新的潜在方向的建议，随着本次调查的结论。
2019-11-08 cs.IR
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
Item-side Fairness of Large Language Model-based Recommendation System
本文针对基于大语言模型的推荐系统在物品侧公平性方面研究不足的问题，提出IFairLRS框架，通过在LLaMA上的微调实验验证其能显著提升物品侧公平性。
2024-02-23 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
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo；Facebook AI Research
我们提出了Meta-M2 vec，一种新的方法来计算项目相似度的建议，利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说，项元数据作为辅助信息被注入到模型中，以正则化项嵌入。我们表明，新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
A Collective Variational Autoencoder for Top-$N$ Recommendation with Side Information
推荐系统由于其在许多现实世界中的实际应用而得到了广泛的研究。尽管如此，用稀疏的用户评级生成有效的推荐仍然是一个挑战。与项目相关联的边信息已被广泛用于解决评级稀疏性。现有的推荐模型，使用边信息是线性的，因此，有限制的表达。深度学习已经被用于通过从辅助信息学习深度项表示来捕获非线性，但是由于辅助信息是高维的，现有的深度模型往往具有大的输入维度，这支配了它们的整体大小。这使他们难以训练，特别是投入少的情况下。在本文中，我们建议通过边信息的深度学习来学习特征表示，而不是学习高维边信息的项目表示。另一方面，学习特征表示确保了足够数量的输入来训练深度网络。为了实现这一点，我们建议同时恢复用户评级和边信息，通过使用变分自编码器（VAE）。具体地，用户评级和边信息通过相同的推理网络和生成网络被共同编码和解码。这是可能的，因为用户评级和辅助信息都是与项目相关联的数据。为了考虑用户评级和边信息的异质性，生成网络的最后一层根据信息的类型遵循不同的分布。该模型易于实现和有效的优化，并表现出优于国家的最先进的顶级$N$推荐方法，使用边信息。
2018-07-16 cs.IR
Graph Neural Pre-training for Enhancing Recommendations using Side Information
利用与实体（即用户和项目）相关联的边信息来增强推荐系统的性能已被广泛认为是一个重要的建模维度。虽然许多现有的方法集中在集成方案，将实体边信息-通过结合的建议损失函数与额外的边信息感知损失-在本文中，我们提出了一种新的预训练方案，而不是利用边信息。特别是，我们首先使用实体的边信息预训练表示模型，然后使用现有的基于一般表示的推荐模型对其进行微调。具体来说，我们提出了两个预训练模型，命名为GCN-P和COM-P，通过考虑从边信息构建的实体和它们的关系分别作为两种不同类型的图，预训练实体嵌入。对于GCN-P模型，分别从所有用户和项目的边信息构造两个单关系图，利用图卷积网络对实体表示进行预训练。对于COM-P模型，构造两个多关系图，使用基于组合的图卷积网络对实体表示进行预训练。对我们的预训练模型进行了广泛的评估，这些模型在四种基于一般表示的推荐模型（即MF，NCF，NGCF和LightGCN）下进行了微调，结果表明，有效地使用用户和项目的边信息进行预训练嵌入可以显着提高这些原始模型的有效性和稳定性。
2021-07-09 cs.IR
Side Information-Driven Session-based Recommendation: A Survey
本文从数据为中心视角系统综述了侧信息驱动的会话推荐，梳理了富含侧信息的基准数据集、侧信息增强SBR的机制及代表性研究进展，并展望了未来方向。
2024-02-27 cs.IR
GENET: Unleashing the Power of Side Information for Recommendation via Hypergraph Pre-training
针对推荐系统中辅助信息格式、语义和关联多样性导致的泛化难题，提出GENET框架，通过超图预训练与微调结合的方式学习用户和物品表示，在TOP-N和序列推荐任务中性能最高超越SOTA方法38%。
2025-03-04 cs.IR
A Knowledge Graph based Approach for Mobile Application Recommendation
针对移动应用推荐中的稀疏性问题，提出基于知识图谱的端到端卷积嵌入传播模型KGEP，利用侧信息建模并捕获一阶与高阶结构语义，实验验证其有效性。
2020-09-18 cs.IR cs.LG
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模，这可能无法完全建模项目和它们的边信息之间的关系。此外，在现实世界的系统中，并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文，并且用通用或特殊值填充它们，例如，未知，这可能导致次优性能。为了解决边信息顺序排序器的局限性，我们定义了一种方法来融合边信息，并通过提出一个统一的任务来缓解边信息缺失的问题，即缺失信息填补（MII），它随机屏蔽给定序列中的一些特征字段，包括项目ID，然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段，顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型，称为缺失信息填补推荐（MIIR），建立在MII的思想，同时填补缺失项目的特征值，并预测下一个项目。我们设计了一个密集融合自注意（DFSA）机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明，MIIR，由MII监督，实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms
本文提出 FairSort 重排序模型，以跑道机制替代背包约束，并用二分搜索保障最小效用，从而在双边公平与个性化推荐质量间取得平衡。
2024-12-08 cs.GT cs.IR
Non-invasive Self-attention for Side Information Fusion in Sequential Recommendation
顺序推荐系统的目标是从用户的历史行为中建模用户不断变化的兴趣，从而定制时间相关的推荐。与传统模型相比，CNN和RNN等深度学习方法在推荐任务方面取得了显着进步。最近，BERT框架也成为一种很有前途的方法，得益于其在处理序列数据时的自注意力机制。然而，原始BERT框架的一个限制是它只考虑自然语言标记的一个输入源。在BERT框架下如何利用各种类型的信息仍然是一个悬而未决的问题。尽管如此，利用其他辅助信息（例如项目类别或标签）来进行更全面的提示和更好的推荐在直觉上是有吸引力的。在我们的试点实验中，我们发现直接将副信息类型融合到项目嵌入中的天真方法通常带来很少甚至负面的影响。因此，在本文中，我们在BERT框架下，提出了一种有效利用边信息的非虚自注意力机制（NOVA）. NOVA利用边信息来产生更好的注意分配，而不是直接改变项目嵌入，这可能会导致信息压倒性。我们在公共和商业数据集上验证了NOVA-BERT模型，我们的方法可以稳定地优于最先进的模型，计算开销可以忽略不计。
2021-03-05 cs.IR
A Survey on Side Information-driven Session-based Recommendation: From a Data-centric Perspective
本文从数据中心视角全面综述辅助信息驱动的会话推荐，涵盖任务定义、相关基准、辅助信息的类型与使用方式、研究进展分类，最后总结局限并展望未来方向。
2025-05-18 cs.IR
Stream-aware Side Adaptation for Large Pre-trained Multimodal Embedding Models in Sequential Recommendation
University of Glasgow（格拉斯哥大学）；Telefónica Scientific Research, Telefónica Innovación Digital（Telefónica科学研究，Telefónica数字创新）；Shandong University（山东大学）
针对大型预训练多模态嵌入模型用于序列推荐时因域不对准性能不佳的问题，提出Stresa框架，通过流感知隐藏适配器融合和残差流适配器，有效解锁模型潜力，实验证明其性能优于标准侧适配器和基线。
2026-07-14 cs.IR
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
Decoupled Side Information Fusion for Sequential Recommendation
HKUST（香港科技大学）；Upstage
序列推荐中的边信息融合旨在有效利用各种边信息来提高下一个项目的预测性能。大多数最先进的方法建立在自我注意网络的基础上，并专注于探索各种解决方案，以整合注意层之前的项目嵌入和边信息嵌入。然而，我们的分析表明，早期集成的各种类型的嵌入限制了注意力矩阵的表现力，由于排名瓶颈和约束梯度的灵活性。同时，它涉及到不同异构信息资源之间的混合相关性，这给注意力计算带来了额外的干扰。基于此，本文提出了一种用于顺序推荐的解耦边信息融合算法（DIF-SR），将边信息从输入端转移到注意力层，简化了各种边信息和项目表示的注意力计算。我们从理论上和经验表明，所提出的解决方案允许更高的秩注意矩阵和灵活的梯度，以提高边信息融合的建模能力。此外，辅助属性预测提出了进一步激活边信息和项目表示学习之间的有益的互动。在四个真实数据集上的大量实验表明，我们提出的解决方案稳定地优于最先进的SR模型。进一步的研究表明，我们提出的解决方案可以很容易地纳入目前的注意力为基础的SR模型，并显着提高性能。我们的源代码可以在https://github.com/AIM-SE/DIF-SR上找到。
2022-04-23 cs.AI cs.IR
Interpolating Item and User Fairness in Multi-Sided Recommendations
Massachusetts Institute of Technology（麻省理工学院）；IBM Research（IBM研究院）
本文提出公平推荐框架FAIR及低遗憾算法FORM，通过约束优化平衡平台、物品和用户利益，在动态在线环境中实现实时学习与公平推荐，兼顾收入与公平。
2024-05-25 cs.CY cs.GT cs.IR
Who to Watch Next: Two-side Interactive Networks for Live Broadcast Recommendation
随着直播业务的盛行，一种新型的推荐服务--直播推荐在众多移动电商App中得到广泛应用。与经典的项目推荐不同，直播推荐是考虑三重对象之间的交互（即，用户、锚、项）而不是用户和项之间的二元交互。基于二进制对象的现有方法，从早期的矩阵分解到最近出现的深度学习，通过从预先存在的特征映射来获得对象的嵌入。直接应用这些技术将导致有限的性能，因为它们无法编码三重对象之间的协作信号。本文提出了一种新的双向交互网络TWO-SIDE（TWO-Side Interactive NetworkS，TWO-Side）用于直播推荐。为了充分利用用户和锚点端的静态和动态信息，我们将基于产品的神经网络与递归神经网络相结合，以学习每个对象的嵌入。此外，而不是直接测量的相似性，有效地注入到嵌入过程中的显式的方式，通过建模用户的浏览历史和锚点的广播历史之间的交互模式，在项目和锚点方面的协作效果。此外，我们设计了一种新的协同检索技术，以有效地选择关键项目中的大量历史记录。在真实大规模数据上进行的离线实验表明，与典型方法相比，该方法具有更好的性能;在点淘App上进行的在线实验结果表明，该方法在ACTR、UCTR和UCVR指标上的平均性能提升分别约为8%、3%和3.5%。
2022-02-09 cs.IR
A Network Resource Allocation Recommendation Method with An Improved Similarity Measure
本文提出PIM+RA方法，通过带自连接边和权重的二分网络及改进皮尔逊相关系数优化资源分配，在提升推荐准确性的同时改善覆盖率、多样性和新颖性，并增强长尾物品曝光。
2023-07-07 cs.IR
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation
DePaul University（德保罗大学）
增加聚合多样性（或目录覆盖率）在许多推荐领域中是重要的系统级目标，在这些领域中，可能期望减轻流行度偏差并提高向用户给出的推荐中的长尾项的覆盖率。这在多利益相关者推荐场景中尤其重要，在多利益相关者推荐场景中，不仅对于最终用户，而且对于其他利益相关者（诸如物品卖家或生产者）优化效用可能是重要的，这些利益相关者期望在系统产生的推荐列表中公平地表示他们的物品。不幸的是，增加聚合多样性的尝试通常会导致最终用户的推荐准确性降低。因此，解决这个问题需要一种方法，可以有效地管理准确性和聚合多样性之间的权衡。在这项工作中，我们提出了一个双边的后处理方法，其中用户和项目公用事业被认为是。我们的目标是最大化聚合多样性，同时最小化推荐准确性的损失。我们的解决方案是一个推广的延迟接受算法，提出了一个有效的算法来解决著名的稳定匹配问题。我们证明，我们的算法的结果在一个独特的用户最佳的稳定匹配项目和用户之间。使用三个推荐数据集，我们实证证明了我们的方法与几个基线相比的有效性。特别是，我们的研究结果表明，所提出的解决方案是非常有效的，在增加聚合多样性和项目端的效用，同时优化最终用户的推荐准确性。
2020-06-05 cs.IR cs.LG
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta；Amazon（亚马逊公司）；University of Klagenfurt（克拉根福大学）
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号（如共同购买统计数据）时，它们非常有效。然而，在某些在线市场中，例如，在网上拍卖网站上，不断有新的物品被添加到目录中。在这种情况下，由于缺乏交互数据，补充项目推荐通常基于项目边信息。在这项工作中，我们提出了一种新的方法，可以利用项目边信息和标记的互补项目对，以产生有效的互补推荐冷项目，即，对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别，我们在技术上为每个项类别保留了一个潜在空间。同时，我们学习项目分布项目表示到这些类别空间，以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外，我们采用了循环生成对抗网络（CycleGAN）的思想，即使在给定项目和类别不存在标记数据的情况下，也可以利用可用的项目信息。在三个电子商务数据集上的实验表明，该方法是非常有效的。
2023-03-10 cs.IR cs.LG
Bridging the User-side Knowledge Gap in Knowledge-aware Recommendations with Large Language Models
University of Electronic Science and Technology of China（电子科技大学）；University of Tokyo（东京大学）
提出基于LLM的用户侧知识推断方法与CIKG推荐框架，通过构建协同兴趣知识图谱并结合用户兴趣重构与跨域对比学习模块，有效缓解噪声并促进知识转移，在三个数据集上达到SOTA，尤其适用于交互稀疏用户。
2024-12-18 cs.AI cs.IR
Proactive Guiding Strategy for Item-side Fairness in Interactive Recommendation
Chinese Academy of Sciences（中国科学院）；University of Technology Sydney（悉尼科技大学）；University of Science and Technology of China（中国科学技术大学）
HRL4PFG通过分层强化学习引导用户偏好向长尾物品倾斜，提升交互推荐的公平性和用户参与度。
2026-03-03 cs.AI cs.IR
Keeping the Index Open: The Recommendation-Side Cost of Shared Search and Recommendation
Amazon Web Services（亚马逊网络服务）
提出RetrievalFormer双编码器Transformer，在高效近似最近邻检索框架下，实现对冷物品的推荐，其冷启动推荐效果优于多数基线方法，但热态推荐性能弱于部分重新训练基线。
2026-08-28 cs.IR cs.LG
Cross-Representation Knowledge Transfer for Improved Sequential Recommendations
HSE University（俄罗斯莫斯科高等教育学院）；SB AI Lab（SB人工智能实验室）；AXXX
本文提出结合变换器和图神经网络的框架，通过跨表示知识迁移提升序列推荐的准确性。
2026-02-26 cs.IR cs.LG
Federated Continual Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出联邦持续推荐任务FCRec及F3CRec框架，通过客户端自适应回放记忆和服务器逐项时序均值，在保护隐私的同时平衡知识保留与适应，实验证明其优于现有方法。
2025-08-17 cs.IR cs.LG
Improving Sequential Recommendation Models with an Enhanced Loss Function
Xiamen University（厦门大学）
本文分析了序列推荐中常用损失函数的优缺点，提出一种结合各优势的改进损失函数，在多个开源库上的实验表明该函数显著提升了GRU4Rec、SASRec等模型的性能，并使改进的SASRec基准在多个数据集上优于或接近BERT4Rec。
2023-05-22 cs.IR cs.LG
Pre-training Graph Neural Network for Cross Domain Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Sydney（悉尼大学）
推荐系统预测用户对项目的潜在兴趣，其核心是学习用户/项目嵌入。然而，它遭受的数据稀疏性问题，跨域的建议可以缓解。然而，大多数现有的工作要么共同学习源域和目标领域模型，或需要侧特征。然而，联合训练和侧特征会影响目标域上的预测，因为学习的嵌入由包含偏差信息的源域主导。受图表示学习中预训练的当代艺术的启发，我们提出了一个用于跨域推荐的预训练和微调图。提出了一种新的用于跨域推荐的预训练图神经网络（PCRec），它采用了图编码器的对比自监督预训练。然后，我们将预先训练好的图编码器用于初始化目标域上的节点嵌入，这有利于单域推荐系统在目标域上的微调。实验结果证明了PCRec的优越性。详细的分析验证了PCRec在传递信息的同时避免源域偏差的优越性。
2021-11-16 cs.IR cs.LG
DIFF: Dual Side-Information Filtering and Fusion for Sequential Recommendation
针对现有辅助信息融合序列推荐存在的序列噪声难去除、辅助信息利用不充分问题，提出基于频域过滤与双路融合的DIFF模型，在四个基准数据集上Recall@20和NDCG@20最高提升14.1%和12.5%。
2025-05-20 cs.IR
Augmenting Recurrent Neural Networks with High-Order User-Contextual Preference for Session-Based Recommendation
KAIST（韩国科学技术院）
与以前的方法相比，最近采用循环神经网络（RNN）进行会话建模已经产生了大量的性能提升。然而，在上下文感知会话建模方面，现有的基于RNN的模型受到限制，因为它们没有被设计为显式地对丰富的静态用户侧上下文（例如，年龄、性别、地点）。因此，在本文中，我们探索了RNN会话模型的显式用户端上下文建模的实用性。具体来说，我们提出了一个增强的RNN（ARNN）模型，提取高阶用户上下文偏好使用基于产品的神经网络（PNN），以增强任何现有的RNN会话模型。评估结果表明，当用户端上下文丰富时，我们提出的模型的性能大大优于基线RNN会话模型。
2018-05-08 cs.IR cs.LG stat.ML
SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation
Northeastern University, China（中国东北大学）
针对LLM推荐系统中协同嵌入利用不足的问题，提出SAILRec模型，通过双端语义对齐和层次注意力引导，平衡内部语义知识与外部协同知识，在MovieLens-1M和Amazon-Book上优于基线。
2026-06-03 cs.IR
