Improved Marginal Unbiased Score Expansion (MUSE) via Implicit Differentiation
University of California, Berkeley（加州大学伯克利分校）；University of California, Davis（加州大学戴维斯分校）
我们应用隐式微分技术，以提高性能，减少数值误差，并删除所需的用户调整的边际无偏分数扩展（MUSE）算法分层贝叶斯推断。我们证明了这些改进的三个代表性的推理问题：1）一个扩展的尼尔漏斗2）贝叶斯神经网络，和3）概率主成分分析。在我们的特定测试用例中，具有隐式微分的MUSE比哈密顿蒙特卡罗分别快155、397和5倍，或者在没有隐式微分的情况下快65、278和1倍，并且产生良好的近似边缘后验。Julia和Python MUSE包已经更新为使用隐式微分，并且可以解决手动定义的问题，或者使用许多流行的概率编程语言和自动微分后端中的任何一种。
2022-09-21 cs.AI cs.LG stat.ML
Support Tokens, Stability Margins, and a New Foundation for Robust LLMs
LinkedIn
本文通过概率框架重新解释因果自注意力变换器，揭示参数约束和退化边界，提出支持标记概念，并通过贝叶斯MAP训练目标提升模型鲁棒性。
2026-03-21 cs.LG math.PR math.ST
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Ordinal Non-negative Matrix Factorization for Recommendation
IRIT, Université de Toulouse, CNRS（图卢兹大学 IRIT 研究所、法国国家科学研究中心）；ISAE-SUPAERO, Université de Toulouse（图卢兹大学 ISAE-SUPAERO 高等航空与航天学院）
本文提出了一种新的非负矩阵分解方法，称为OrdNMF。有序数据是类别数据，它们在类别之间表现出自然的顺序。特别是，它们可以在推荐系统中找到，无论是显式数据（如评级）还是隐式数据（如量化播放计数）。OrdNMF是一种概率潜在因子模型，它将Bernoulli-Poisson因子分解（BePoF）和Poisson因子分解（PF）推广到二进制数据。与这些方法相反，OrdNMF避免了二值化，并且可以利用数据的更多信息表示。我们设计了一个有效的变分算法的基础上，一个合适的模型增强和相关的变分PF。特别是，我们的算法保留了PF的可扩展性，并可以应用于巨大的稀疏数据集。我们报告了显式和隐式数据集上的推荐实验，并表明OrdNMF优于应用于二进制数据的BePoF和PF。
2020-09-02 cs.LG stat.ML
Probabilistic Rank and Reward: A Scalable Model for Slate Recommendation
Criteo AI Lab（Criteo人工智能实验室）；CREST ENSAE
本文提出概率排序与奖励模型PRR，通过结合奖励与排序高效学习石板成功概率，在离策略奖励优化和大动作空间可扩展性上优于现有方法，并支持基于MIPS的低延迟推荐。
2024-07-05 cs.IR cs.LG stat.ML
PASTO: Strategic Parameter Optimization in Recommendation Systems -- Probabilistic is Better than Deterministic
Kuaishou Technology（快手科技）；University of Rochester（罗切斯特大学）；University of Washington（华盛顿大学）
现实世界的推荐系统通常包括两个阶段。在第一阶段，多个预测模型产生不同的即时用户动作的概率。在第二阶段，这些预测根据一组“战略参数”进行汇总，以满足不同的业务目标，例如更长的用户参与度，更高的收入潜力或更多的社区/网络互动。除了建立准确的预测模型外，优化这组“战略参数”也至关重要，以便优化主要目标，同时不伤害次要护栏。在这种设置与多个和约束的目标，本文发现，一个概率的战略参数制度可以实现更好的价值相比，标准制度，找到一个单一的确定性参数。新的概率机制是学习策略参数选择的最佳分布，并在每个用户访问平台时从该分布中抽取一个策略参数。为了寻求最优的概率解，我们将问题转化为一个随机组合优化问题，其中无偏随机梯度是不可用的。我们的方法应用于一个流行的社交网络平台，每天有数亿用户，并实现了+0.22%的用户参与度提升推荐任务和+1.7%的广告优化方案相比，使用最佳的确定性参数策略的收入提升。
2021-08-20 cs.IR cs.LG
A Probabilistic View of Neighborhood-based Recommendation Methods
概率图模型是一个优雅的框架，通过对不确定性和逻辑流（条件独立因素）进行建模，来复杂地呈现复杂的现实世界观察结果。在本文中，我们提出了一个概率框架的基于邻域的推荐方法（PNBM），其中相似性被视为一个不可观察的因素。因此，PNBM导致用户偏好的估计，以最大化后验相似性。我们进一步引入了一种新的多层相似性描述符，该描述符在PNBM下建模和学习各种特征的联合影响，并将新框架命名为MPNBM。在真实数据集上的实验结果表明，MPNBM可以非常准确地估计用户偏好。
2017-01-05 cs.IR
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania（宾夕法尼亚大学）；NEC Research Institute（NEC研究院）
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和（主要是自组织的）混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型，将用户，项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的，而是从给定的数据源自然出现的。与标准期望最大化（EM）学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合，这在推荐应用中是典型的。我们表明，次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明，适当的混合模型结合二级数据产生比k-最近邻（k-NN）更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
Neural Group Recommendation Based on a Probabilistic Semantic Aggregation
用户群推荐是推荐系统中一个具有挑战性的子领域。它的关键概念是如何以及在何处将每组用户信息聚合成一个单独的实体，例如排名推荐列表、虚拟用户或多热输入向量编码。本文提出了一种创新的策略，其中聚合是在多热向量，饲料的神经网络模型。聚合提供了一个概率语义，并且得到的输入向量馈送一个模型，该模型能够方便地从各个预测中概括出组推荐。此外，使用所提出的架构，可以通过简单地前馈具有个人评级的预训练模型来获得组推荐;也就是说，不需要获得包含用户信息组的数据集，也不需要运行两个单独的训练（个人和组）。这种方法还避免了维护两个不同的模型来支持个人和团体学习。实验已经测试了所提出的架构，使用三个代表性的协同过滤数据集和一系列的基线，结果显示适当的准确性相比，国家的最先进的改进。
2023-03-13 cs.IR
A probabilistic model to resolve diversity-accuracy challenge of recommendation systems
推荐系统在学术界和工业界都有广泛的应用。传统上，推荐系统的性能是通过其精确度来衡量的。通过引入新颖性和多样性作为推荐系统的关键质量，最近越来越多的关注已经集中在这个话题上。推荐的精确性和新颖性不是一个方向，实际系统应该在这两个数量之间做出权衡。因此，推荐系统的一个重要特征是通过调整模型来调整推荐的多样性和准确性。在本文中，我们引入了一个概率结构，以解决在推荐系统的多样性和准确性的困境。我们提出了一个混合模型，可调水平的多样性和精度，这样就可以通过调整一个单一的参数来执行。建议的推荐模型包括两个模型：一个是最大化的准确性和其他一个规范的推荐列表，以用户的口味。我们在两个真实数据集上的实验表明，该模型在解决准确性和多样性的困境和优于其他经典模型的模型的功能。该方法具有较低的计算复杂性和较好的性能，可广泛应用于实际商用系统。
2015-01-08 cs.IR
Probabilistic Residual Learning for Online Recommendations
Rutgers University Piscataway New Jersey United States（Meta）；Meta Sunnyvale California United States；University of Copenhagen Copenhagen Denmark；Rutgers University \& UIUC Piscataway New Jersey United States；Rutgers University；Meta；University of Copenhagen；Rutgers University \& UIUC
针对现代推荐系统存在的问题，提出概率残差学习（PRL）方法，通过对真实值与基础预测间残差建模，概率性分组用户、建模混杂因素并聚合残差预测，与多种深度学习推荐系统兼容，能提升性能并发现有意义用户聚类。
2026-07-24 cs.AI cs.IR cs.LG
Preference Networks: Probabilistic Models for Recommendation Systems
推荐系统对于帮助用户在大量可用数据中选择相关和个性化的信息非常重要。我们提出了一个统一的框架，称为偏好网络（PN），联合模型的推荐任务的各种类型的领域知识。PN是一种概率模型，它将基于内容的过滤和协同过滤系统地结合到一个条件马尔可夫随机场中。一旦被估计，它就充当支持各种有用查询的概率数据库，例如评级预测和顶级$N$推荐。为了处理学习大型用户和项目网络的挑战性问题，我们采用了一种简单但有效的伪似然正则化。在电影评分数据上的实验证明了PN的优点。
2014-07-22 cs.IR cs.SI stat.AP
When History Misleads: Asymmetric Margin Supervision for Instruction-Guided LLM Generative Recommendation
Duke University（杜克大学）；Meta
针对指令引导生成式推荐中历史事件误导当前请求的问题，提出AIMS方法，通过冻结参考模型生成边际监督并采用不对称损失，在六个LLM骨干上提升Recall和NDCG。
2026-10-05 cs.IR
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
本文提出概率偏好混淆方法 SBO，在保持推荐准确率的同时降低用户受保护属性泄露风险，并在多个主流模型和数据集上验证了其更优的准确率—隐私权衡。
2024-06-17 cs.IR
Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach
在本文中，我们提出了一个概率生成模型，称为统一模型，自然统一的想法，社会影响力，协同过滤和基于内容的项目推荐方法。为了解决隐藏的社会影响的问题，我们设计了新的算法来学习我们的建议的模型参数的基础上期望最大化（EM）。除了我们的EM算法的单机版本，我们进一步设计了一个并行实现的Map-Reduce框架，处理我们收集的两个大规模的数据集。此外，我们表明，从我们的生成模型获得的社会影响力可以用于组推荐。最后，我们使用从last.fm和whrrl.com抓取的数据集进行综合实验，以验证我们的想法。实验结果表明，具有社会影响力的生成模型的性能显着优于那些没有纳入社会影响力。本文提出的统一生成模型获得了最好的性能。此外，我们对社会影响力的研究发现，whrrl.com的用户比last.fm的用户更容易受到朋友的影响。实验结果也证实了我们的基于社会影响力的群推荐算法优于最先进的群推荐算法。
2011-09-04 cs.IR cs.SI physics.soc-ph
Towards Distribution Matching between Collaborative and Language Spaces for Generative Recommendation
针对生成式推荐中语言模型与生成模型特征空间不匹配的问题，提出模型无关框架DMRec，通过概率元网络桥接并设计三种跨空间分布匹配，在三个数据集上显著提升多种生成式推荐方法性能。
2025-04-23 cs.IR
Decoupled Learning and Selection in Slate Recommendation for Privacy and Stability Under Noisy Scores
University of Bergen（卑尔根大学）；Centre for the Science of Learning & Technology (SLATE)（学习与技术科学中心（SLATE））；City University of Macau（澳门城市大学）
本研究提出榜单推荐中解耦评分学习与选择的方法，通过差分隐私范围契约和日志边际证书，在噪声评分下保证排序稳定性，实验验证了其有效性。
2026-09-25 cs.IR cs.LG
A Probabilistic Position Bias Model for Short-Video Recommendation Feeds
针对短视频信息流中用户不离开而持续滚动导致现有位置偏差模型失效的问题，提出基于滚动预算分布生存函数的概率个性化位置偏差模型，以闭式估计曝光概率，并在大规模平台验证其更准确，支持无偏评估与学习排序。
2023-07-26 cs.IR
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland（奥克兰大学）
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动，为用户和服务提供商提供巨大的价值。然而，这个问题显然是复杂的，因为需要综合考虑各种数据趋势。这包括空间位置，时间背景，用户的喜好，等等。大多数现有的研究认为，下一个POI推荐作为一个序列预测问题，而忽略了其他用户的合作信号。相反，我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型（GETNext），以更好地利用广泛的协作信号，更准确的下一个POI预测，并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中，以预测用户的未来移动。通过这种设计，我们的模型优于最先进的方法，具有很大的利润，也揭示了冷启动的挑战，在时空涉及的推荐问题。
2023-03-03 cs.IR cs.LG
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Next Item Recommendation with Self-Attention
在本文中，我们提出了一种新的序列感知推荐模型。我们的模型利用自我注意力机制，从用户的历史交互推断项目之间的关系。通过自注意，它能够估计用户交互轨迹中每个项目的相对权重，以更好地学习用户瞬时兴趣的表示。该模型最终在度量学习框架中进行训练，同时考虑短期和长期意图。在不同领域的广泛数据集上的实验表明，我们的方法远远优于最先进的方法。
2018-08-25 cs.IR
Incorporating Bias-aware Margins into Contrastive Loss for Collaborative Filtering
协同过滤（CF）模型容易受到流行度偏差的影响，使推荐偏离用户的实际偏好。然而，目前大多数去偏置策略都倾向于在头部和尾部性能之间进行权衡，从而不可避免地降低了整体推荐准确性。为了减少流行性偏差对CF模型的负面影响，我们将偏差感知利润率纳入对比损失，并提出了一个简单而有效的BC损失，其中利润率定量地调整每个用户-项目交互的偏差程度。我们研究了BC损失的几何解释，然后进一步可视化并从理论上证明了它通过鼓励相似用户/项目的紧凑性和扩大不相似用户/项目的分散性来同时学习更好的头部和尾部表示。在八个基准数据集上，我们使用BC损失来优化两个高性能的CF模型。在各种评估设置上（即，不平衡/平衡、时间分裂、完全观察无偏、尾/头测试评估），BC损失以显著的改进优于现有技术的去偏和非去偏方法。考虑到BC损失的理论保证和经验成功，我们主张不仅将其作为一种去偏置策略，而且还将其作为推荐模型中的标准损失。
2023-02-18 cs.IR
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题，以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而，这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此，受深度语义建模的最新发展的启发，我们提出了一个混合的深度语义矩阵分解（HDMF）模型，以进一步提高标签感知个性化推荐的性能，通过集成深度语义建模，混合学习和矩阵分解技术。实验结果表明，HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线，例如，其平均倒数秩（分别，平均精度）为1.52（分别，1.66）倍。
2017-08-12 cs.IR
The Deconfounded Recommender: A Causal Inference Approach to Recommendation
Columbia University（哥伦比亚大学）；Netflix Inc.（奈飞公司）；Mila；HEC Montréal（蒙特利尔高等商学院）
推荐的目标是向用户展示他们喜欢的项目。虽然通常被框定为预测，但推荐的精神是回答一个介入性的问题-对于每个用户和电影，如果我们“强迫”用户观看电影，评分会是多少？为此，我们开发了一种因果推荐方法，其中观看电影是一种“治疗”，用户的评级是一种“结果”。“问题是可能存在未观察到的混杂因素，这些变量影响用户观看的电影以及他们如何评价它们;未观察到的混杂因素阻碍了观察数据的因果预测。为了解决这个问题，我们开发了去基推荐器，一种使用经典推荐模型进行因果推荐的方法。在Wang & Blei [23]之后，去基推荐器涉及两个概率模型。第一个模型是用户观看的电影;它为未观察到的混杂因素提供了替代品。第二个模型模拟每个用户如何评价每部电影;它使用替代品来帮助解释混淆因素。这种两阶段方法消除了由于混淆而导致的偏倚。它改善了推荐，并在测试集上具有稳定的性能。
2019-05-27 cs.IR cs.LG stat.ML
An Accuracy-Assured Privacy-Preserving Recommender System for Internet Commerce
推荐系统是一种通过计算用户的历史数据和兴趣来预测用户潜在偏好的工具，在网上购物等各种互联网应用中显示出越来越重要的作用。作为一种著名的推荐方法，基于邻域的协同过滤近年来引起了广泛的关注。在过滤过程中泄露用户隐私信息的风险已经引起了人们的关注。在目前的解决方案中，概率技术已经显示出强大的隐私保护效果。在面对$k$最近邻攻击时，由于全局随机性的引入，现有的方法都没有提供数据效用保证。在本文中，为了克服推荐精度损失的问题，我们提出了一种新的方法，分区概率邻居选择，以确保所需的预测精度，同时保持对$k$ NN攻击的高安全性。我们将$k$邻居的相似性之和定义为准确性度量alpha，用户分区的数量，我们选择$k$邻居，作为安全性度量beta。我们将$k$最近邻攻击推广到beta k最近邻攻击。不同于现有的方法，选择邻居在整个候选列表随机，我们的方法选择邻居从每个排他性分区大小$k$的概率递减。理论和实验分析表明，为了提供一个准确性保证的推荐，我们的分区概率邻居选择方法产生了更好的推荐准确性和系统安全性之间的权衡。
2015-06-04 cs.CR cs.IR
Minimalist and High-performance Conversational Recommendation with Uncertainty Estimation for User Preference
会话式推荐系统（CRS）是一种用户友好的方式来捕捉用户对候选项目和属性的动态偏好。Multi-shot CRS旨在多次提出建议，直到用户接受建议或在耐心结束时离开。现有的工作是用强化学习（RL）训练的，这可能会受到不稳定的学习和过高的计算要求的影响。在这项工作中，我们提出了一个简单而有效的CRS，Minimalist非增强交互式concilional推荐网络（MINICORN）。MINICORN模型的估计用户偏好的认知不确定性和查询用户的属性具有最高的不确定性。该系统采用了一个简单的网络架构，并使用一个单一的规则进行查询与推荐的决定。令人惊讶的是，这种最低限度的方法在三个真实世界数据集上的表现远远优于最先进的RL方法。我们希望MINICORN将成为未来研究的宝贵基线。
2022-07-01 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
Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
Myntra Designs Pvt. Ltd.（Myntra设计私人有限公司）
图表示学习（GRL）是推荐系统中一个新兴的、有前途的研究领域。在本文中，我们重新审视的奇异值分解（SVD）的邻接矩阵嵌入生成的用户和项目，并使用一个两层神经网络上的这些嵌入，学习用户项目对之间的相关性。受高阶学习在GRL中的成功的启发，我们进一步提出了这种方法的扩展，通过邻接矩阵的二阶来包括SVD的两跳邻居，并与仅使用一跳邻居的简单SVD方法相比，表现出更好的性能。在推荐系统的三个公开数据集上的实证验证表明，所提出的方法尽管简单，但击败了许多最先进的方法，并且对于三个数据集中的两个，击败了所有这些方法，幅度高达10%。通过我们的研究，我们希望阐明矩阵分解方法的有效性，特别是SVD，在深度学习时代，并表明这些方法仍然是推荐系统的重要基线。
2021-10-05 cs.IR cs.LG cs.SI
Beyond Co-occurrence: Multi-modal Session-based Recommendation
针对基于会话推荐过度依赖物品ID共现的问题，提出MMSBR统一建模描述性与数值多模态信息，并通过对比学习、分层枢轴transformer和Wasserstein自注意力提升推荐效果、缓解冷启动。
2023-09-29 cs.IR
Personalized Context-Aware Point of Interest Recommendation
兴趣点的个性化推荐对于满足基于位置的社交网络（LBSNs）用户的需求具有重要作用。在本文中，我们提出了一个概率模型来找到用户注释的标签和位置的口味关键字之间的映射。此外，我们介绍了一个数据集的位置的上下文适当性，并证明其在预测位置的上下文相关性的有用性。我们研究了四种方法来使用我们提出的映射来解决数据稀疏性问题：一种模型来降低位置品味关键字的维度，三种模型来预测新位置的用户标签。此外，我们提出了不同的分数计算从多个LBSN，并显示我们如何将新的信息从映射到POI推荐方法。然后，使用学习排序技术来整合计算出的分数。在两个TREC数据集上的实验表明了该方法的有效性，击败了最先进的方法。
2018-06-14 cs.IR
An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation
本文研究了基于图的推荐，其中交互图是从历史记录中构造的，并被存储以缓解数据稀疏和冷启动问题。我们揭示了现有的基于图的模型中的早期摘要问题，并提出了邻居交互（NI）模型来捕获每个邻居对（用户端和项目端之间）的区别。NI模型具有更强的表达能力，可以捕捉用户-项目交互背后更复杂的结构模式。为了进一步丰富节点的连通性和利用高阶结构信息，我们将额外的知识图谱（KG），并采用图神经网络（GNNs）在NI，称为知识增强的邻居互动（KNI）。与现有的推荐方法相比，基于特征，基于Meta路径和基于KG的模型，我们的KNI在点击率预测方面实现了卓越的性能（1.1%-8.4%的绝对AUC改善），并在4个真实世界数据集上的前N个推荐中表现出色。
2020-02-14 cs.IR
Footwear Size Recommendation System
在购买时尚产品时，顾客通常更喜欢试用产品，以检查适合，材料，整体外观和感觉。由于在网上购物过程中缺乏试用选项，为客户提供尽可能多的信息以增强他们的购物体验变得至关重要。为新客户提供相同的体验也变得至关重要。我们在这里的工作重点是为鞋子提供一个生产就绪的尺码推荐系统，并解决为以前没有在平台上购买过的用户提供推荐的挑战。在我们的工作中，我们提出了一个概率方法的基础上，用户共同购买的数据，促进了品牌品牌关系图。具体来说，我们解决了在实施这种解决方案时通常面临的两个挑战。1.稀疏信号用于系统中不太流行或新产品2.为新用户扩展解决方案。此外，我们比较和对比这种方法与我们以前的工作，并显示显着的改进，在推荐精度和覆盖率。
2018-06-28 cs.IR
Modeling and Leveraging Prerequisite Context in Recommendation
Prediction可以在用户的决策中发挥至关重要的作用，但推荐系统还没有充分利用这种上下文背景知识。传统的推荐系统（RS）主要是丰富的上下文由静态的用户简档和项目描述，忽略了上下文逻辑和约束，他们的用户项目交互。例如，RS可以在用户已经与另一项交互作为其先决条件的条件下推荐项。从概念侧信息建模先决条件上下文可以克服这一弱点。我们提出了先决条件驱动的推荐（PDR），一个通用的上下文感知框架，先决条件的上下文显式建模，以促进推荐。我们首先设计了一个先决条件知识链接（PKL）算法，以策展数据集，促进PDR研究。利用它，我们构建了一个跨越三个领域的75k+高质量的先决条件概念数据集。然后，我们贡献PDRS，PDR的神经实例。通过多层感知器联合优化先决条件学习和推荐任务，我们发现PDRS在所有三个领域的表现始终优于基线模型，平均幅度为7.41%。重要的是，PDRS在冷启动场景中表现尤其出色，改善高达17.65%。
2022-09-23 cs.IR
Learning Optimal Social Dependency for Recommendation
社会化推荐系统利用用户的社会关系来提高推荐的准确性。直觉上，用户倾向于信任她的社交朋友的不同子集，关于不同的场景。因此，社会化推荐的主要挑战是利用用户之间的最佳社会依赖性进行特定的推荐任务。在本文中，我们提出了一种新的推荐方法，命名为概率关系矩阵分解（PRMF），其目的是学习用户之间的最佳社会依赖关系，以提高推荐精度，有或没有用户的社会关系。具体而言，在PRMF中，假设用户的潜在特征遵循矩阵变量正态（MVN）分布。用户之间的正相关和负相关通过MVN分布的行精度矩阵来建模。此外，我们还提出了一个有效的交替算法来解决PRMF的优化问题。在真实数据集上的实验结果表明，所提出的PRMF方法优于最先进的社会推荐方法，在均方根误差（RMSE）和平均绝对误差（MAE）。
2016-03-15 cs.IR cs.SI
Item Level Exploration Traffic Allocation in Large-scale Recommendation Systems
针对大规模推荐系统的物品冷启动问题，提出基于概率可发现性预测的自适应探索流量分配系统，并通过生产部署验证其效率与收益。
2025-05-14 cs.IR
Analyzing User Preference for Social Image Recommendation
随着社交媒体平台上共享的多媒体数据量的惊人增长，推荐系统已经成为减轻用户信息过载负担的重要必要条件。在这种情况下，大量的异构信息，如标签，图像内容，除了用户对项目的偏好，是非常有价值的，使有效的建议。在本文中，我们探索了一种新的混合算法称为{ \em STM}，用于图像推荐。STM在稀疏表示的基础上，将图像内容分析与用户偏好结合起来考虑。STM能够解决社交网络场景中高度稀疏的用户反馈和冷启动问题的挑战。此外，我们的模型是基于经典的概率矩阵分解，可以很容易地扩展到包括其他有用的信息，如社会关系。我们评估我们的方法与一个新收集的30万社会图像数据集从Flickr。实验结果表明，稀疏主题建模的图像内容导致更有效的建议，与国家的最先进的替代品具有显着的性能增益。
2016-04-24 cs.IR
ID-Agnostic User Behavior Pre-training for Sequential Recommendation
近年来，顺序推荐成为一个被广泛研究的课题。现有的研究主要是设计有效的神经网络结构来基于项目ID对用户行为序列进行建模。然而，这种方法高度依赖于用户-项目交互数据，而忽略了用户偏好的相似项目之间的属性或特征级相关性。鉴于这些问题，我们提出IDA-SR，这代表身份不可知的顺序推荐用户行为预训练方法。IDA-SR不是显式地学习项ID的表示，而是直接从富文本信息中学习项表示。为了弥补文本语义和序列用户行为之间的差距，我们使用预训练的语言模型作为文本编码器，并对序列用户行为进行预训练架构。通过这种方式，项目文本可以直接用于顺序推荐，而不依赖于项目ID。大量的实验表明，所提出的方法可以实现可比的结果时，只使用ID不可知的项目表示，并表现得比基线时，与ID信息进行微调时，有很大的利润。
2022-06-06 cs.IR
A Load Balanced Recommendation Approach
推荐系统（RS）是为缓解信息过载问题而开发的软件工具和算法，信息过载使用户难以做出正确的决策。推荐问题的两个主要范例是协同过滤和基于内容的过滤，它们试图使用评级和可用内容推荐最好的项目。这些方法通常面临着臭名昭著的问题，包括冷启动，多样性，可扩展性和巨大的计算费用。我们认为，深度学习和强化学习方法的采用也是值得怀疑的，因为它们的计算复杂性和不可解释性。在本文中，我们从一个新的角度来探讨推荐问题。我们借用无线传感器网络中簇头选择算法的思想，并将其应用于推荐问题。特别是，我们提出了负载平衡推荐系统（LBRS），它使用一个概率方案的项目推荐。此外，我们在推荐过程中考虑了项目的重要性，这显着提高了推荐的准确性。我们还介绍了一种方法，认为项目之间的异质性，以平衡的相似性和多样性的权衡。最后，我们提出了一个新的多样性度量，它强调多样性的重要性，不仅从内部列表的角度来看，但也从列表之间的角度来看。通过在RecSim上进行的仿真研究中的实验，我们表明LBRS是有效的，并且可以优于基线方法。
2021-05-20 cs.IR
Metric Factorization: Recommendation beyond Matrix Factorization
在过去的十年中，矩阵分解得到了广泛的研究，并已成为最流行的个性化推荐技术之一。然而，在基于矩阵分解的推荐模型中采用的点积不满足不等式性质，这可能限制它们的表达能力并导致次优解。为了克服这个问题，我们提出了一种新的推荐技术称为{ \em度量因子分解}。我们假设用户和项目可以被放置在一个低维空间中，并且它们的显式接近度可以使用满足不等式性质的欧几里得距离来测量。为了证明它的有效性，我们进一步设计了两个变量的度量因子分解与一个评级估计和个性化的项目排名。大量的真实世界的数据集上的实验表明，我们的方法优于现有的国家的最先进的评级预测和项目排名任务的大幅度提高。
2018-06-04 cs.IR
Recommendation System based on Semantic Scholar Mining and Topic modeling: A behavioral analysis of researchers from six conferences
Nanjing University of Science and Technology（南京理工大学）
推荐系统在互联网社会中有着重要的作用。计算机科学中的推荐系统在互联网门户的各个方面都有非常实际的用途，例如社交网络和图书馆网站。实现推荐系统的方法有很多种，潜在狄利克雷分配（LDA）是主题建模中的一种常用技术。近年来，研究人员提出了许多基于推荐系统和LDA的方法。根据主题的重要性，本文发现了主题的发展趋势，并发现了LDA主题与学术背景文献之间的关系。实际上，我们应用基于Gibbs抽样算法的概率主题建模，从DBLP数据集中的六个计算机科学会议出版物中进行语义挖掘。根据我们的实验结果，我们的语义框架可以有效地帮助组织更好地组织这些会议，并涵盖未来的研究课题。
2018-12-20 cs.CL 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
Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census
Norly Research（诺利研究）
本研究对巴厘岛两个区域的4776家餐饮场所开展完整普查，审计四大AI助手的推荐结果，发现多数场所未被推荐、存在过时推荐问题，且跨系统一致性低。
2026-08-10 cs.CY cs.IR
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
Leveraging Multi-aspect Time-related Influence in Location Recommendation
兴趣点推荐的目的是挖掘用户的访问历史，并找到他/她可能喜欢的地方。虽然位置推荐方法已经得到了广泛的研究和改进，但利用包括时间方面在内的各种影响因素仍然存在挑战。受时间包括许多颗粒槽（例如分钟、小时、天、周等）的事实的启发，在本文中，我们定义了一个新的问题来执行推荐，通过利用所有不同的时间因素。特别是，我们认为，大多数现有的方法只专注于有限数量的时间相关的功能和忽视其他人。此外，在推荐中考虑特定粒度（例如，一天中的时间）并不总是适用于每个用户或每个数据集。为了解决这些问题，我们提出了一个概率生成模型，命名为多方面时间相关影响（MATI），以促进POI推荐。我们还开发了一种新的优化算法的基础上期望最大化（EM）。我们的MATI模型首先检测一个用户的时间多变量方向使用她的签到日志在基于位置的社交网络（LBSNs）。然后，它使用用户和建议的位置之间的时间相关性进行推荐。我们的方法是适应各种类型的推荐系统，可以有效地工作在多个时间尺度。在两个大规模LBSN数据集上的实验结果验证了该方法的有效性。
2017-01-03 cs.CY cs.IR
GhostLink: Latent Network Inference for Influence-aware Recommendation
社交影响力在塑造用户在处理电影、食物和啤酒等品味项目的在线社区中的行为方面起着至关重要的作用。对于在线推荐，这意味着用户的偏好和评级受到其他个体的影响。如果只给出用户评论的时间戳，我们能找出谁影响谁，以及潜在影响网络的特征吗？我们可以利用这个网络来改进推荐吗？虽然社交感知推荐中的先前工作通过考虑观察到的用户社交网络来利用社交交互，但许多社区（如Amazon，Beeradvocate和Ratebeer）没有明确的用户-用户链接。因此，我们提出了GhostLink，一个无监督的概率图形模型，来自动学习评论社区背后的潜在影响网络--只考虑用户帖子及其内容的时间轨迹（时间戳）。基于对四个真实世界数据集（包含1300万条评论）的广泛实验，我们发现GhostLink比不考虑这种影响的最先进方法提高了约23%的项目推荐。作为额外的用例，我们表明，GhostLink可用于区分用户的潜在偏好和受影响的偏好，以及基于学习的影响图检测有影响力的用户。
2019-05-15 cs.IR cs.SI
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
GEVR: An Event Venue Recommendation System for Groups of Mobile Users
在本文中，我们提出了GEVR，第一组活动场所推荐系统，通过个人的位置跟踪和上下文信息的移动性纳入一个“基于社会”的群体决策模型，为移动用户群体提供场地建议。我们的研究利用了一个真实世界的数据集，该数据集是使用OutWithWeiz移动应用程序收集的，用于群体活动规划，其中包含625个用户和500多个群体活动。我们首先开发了一种新型的“基于社交”的群体位置预测模型，该模型自适应地将不同的群体决策策略应用于具有不同社交关系强度的群体，以汇总每个群体成员的位置偏好，来预测群体将在哪里见面。评估结果表明，我们的预测模型不仅优于常用的和国家的最先进的群体决策策略，预测群体的最终会议地点集群的准确率超过80%，而且还提供了有前途的质量在冷启动场景。然后，我们将我们的预测模型与Foursquare场地推荐API相结合，为移动用户群体构建活动场地推荐框架。评估结果表明，GEVR优于比较模型的显着保证金。
2019-03-25 cs.HC cs.IR cs.SI
Hashtag Re-Appropriation for Audience Control on Recommendation-Driven Social Media Xiaohongshu (rednote)
研究探讨了小红书女性创作者如何通过重新挪用标签来屏蔽特定受众，从而在推荐驱动的平台中重新掌握内容分发的能动性，为算法权力结构下的自我治理提供见解。
2025-03-04 cs.CY cs.HC cs.IR
