Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces
JPMorganChase(摩根大通)
本研究提出反向心智理论(IToM)流程,从用户交互反向推理推断信念与偏好,在OPeRA数据集上验证其画像推断效果,并通过VisionOS应用展示跨模态迁移能力,提升内容推荐的用户理解精度。
2026-08-24 cs.AI
Socially-Aware Conference Participant Recommendation with Personality Traits
由于学术合作在智能会议中的重要性,各种研究人员已经利用推荐系统为参与者生成有效的推荐。最近的研究表明,用户的个性特征可以作为有效推荐的创新实体。然而,涉及智能会议参与者个性的主观看法非常罕见,也没有得到太多关注。受用户的个性和社会特征的启发,我们提出了一种算法,称为社会和个性感知的参与者推荐(SPARP)。我们的推荐方法混合了参与者之间相似的人际关系和个性特征的计算。SPARP对智能会议参与者的个性和社会特征进行建模。通过组合上述推荐实体,SPARP然后向彼此推荐参与者以进行有效协作。我们使用相关数据集评估SPARP。实验结果表明,SPARP是可靠的,优于其他国家的最先进的方法。
2020-08-09 cs.IR cs.SI
LFGCF: Light Folksonomy Graph Collaborative Filtering for Tag-Aware Recommendation
School of Information;Electronic Engineering(Sussex Artificial Intelligence Institute), Zhejiang Gongshang Univeristy, Hangzhou, China;School of Statistics
标签感知推荐是根据用户的标签行为为用户预测个性化的项目列表。它对于许多具有标记功能的应用程序(如last.fm或movielens)至关重要。近年来,人们利用图卷积网络(GCN)对标签感知推荐系统(TRS)进行了大量的研究,GCN已成为通用推荐系统的一个新的发展方向。然而,一些解决方案是直接从GCN继承的,没有理由,这是难以缓解的稀疏性,模糊性和冗余的标签引入的问题,从而增加了训练的难度和降低推荐性能。在这项工作中,我们的目标是简化GCN的设计,使其更简洁的TRS。我们提出了一种新的标签感知推荐模型命名为轻Folksonomy图协同过滤(LFGCF),它只包括必要的GCN组件。具体来说,LFGCF首先从用户分配标签和项目获得标签的记录中构建Folksonomy图。然后,我们利用简单的聚合设计来学习Folksonomy图上的高阶表示,并使用在几个层上学习的嵌入的加权和进行信息更新。我们共享标签嵌入,以弥合用户和项目之间的信息差距。此外,为了更好地刻画用户偏好和项目特征,提出了一种正则化函数TransRT。在三个真实世界数据集上进行的广泛的超参数实验和消融研究表明,LFGCF使用更少的参数,并且显著优于大多数标签感知top-N建议的基线。
2022-08-06 cs.AI cs.IR cs.SI
Improving Recommendation Systems with User Personality Inferred from Product Reviews
人格是一种心理因素,它反映了人们的偏好,反过来又影响他们的决策。我们假设对用户个性的准确建模可以提高推荐系统的性能。然而,获取这样的个性特征既敏感又昂贵。为了解决这个问题,我们引入了一种新的方法,自动提取公共产品评论文本的个性特征。然后,我们设计和评估三个上下文感知的推荐架构,利用配置文件来测试我们的假设。在两个新的人格数据集Amazon-beauty和Amazon-music上的实验验证了我们的假设,表现出3- 28%的性能提升。我们的分析发现,不同的人格类型对推荐性能的贡献不同:开放和外向的人格对音乐推荐最有帮助,而尽责的人格对美容产品推荐最有帮助。
2023-03-21 cs.IR
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media(计算与数字媒体学院);DePaul University(德保罗大学)
许多推荐系统都存在受欢迎程度偏差问题:受欢迎的产品经常被推荐,而不太受欢迎的利基产品很少被推荐。然而,那些被忽视的产品正是企业需要寻找客户的产品,他们的推荐会更有益。在本文中,我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法,使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
Exploiting Session Information in BERT-based Session-aware Sequential Recommendation
Seoul National University(首尔国立大学)
在推荐系统中,利用用户的交互历史作为顺序信息,导致了很大的性能改善。然而,在许多在线服务中,用户交互通常按会话分组,这些会话可能共享偏好,这需要与普通序列表示技术不同的方法。为此,已经开发了具有层次结构或各种观点的序列表示模型,但是具有相当复杂的网络结构。在本文中,我们提出了三种方法来提高推荐性能,利用会话信息,同时最大限度地减少额外的参数在基于BERT的顺序推荐模型:使用会话令牌,添加会话段嵌入,和时间感知的自我注意。我们通过广泛使用的推荐数据集上的实验证明了所提出的方法的可行性。
2022-05-19 cs.AI cs.IR
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架,量化LLM推荐中个性与公平性的权衡,发现个性提示提升心理对齐但加剧公平差异,为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
Propagation-aware Social Recommendation by Transfer Learning
University of Technology Sydney(悉尼科技大学);Northeastern University(东北大学)
社会感知推荐方法被认为是解决传统推荐系统数据稀疏性问题的有效途径。背后的假设是,社交用户-用户连接中的知识可以被共享并转移到用户-项目交互的领域,从而帮助学习用户偏好。然而,大多数现有的方法在迁移学习过程中仅仅采用用户之间的一阶联系,而忽略了更高阶的联系。我们认为,更好的推荐性能也可以受益于高阶社会关系。提出了一种基于社会关系传播的学习感知迁移学习网络(PTLN)。我们的目标是更好地挖掘隐藏在社交网络中的共享知识,从而进一步提高推荐性能。具体而言,我们从两个方面探讨了社会影响:(a)更高级别的朋友已经被考虑的顺序偏差;(b)在同一顺序的不同朋友将有不同的重要性推荐的注意力机制。此外,我们设计了一种新的正则化,以弥合社会关系和用户-项目交互之间的差距。我们在两个真实世界的数据集上进行了广泛的实验,并在排名准确性方面击败了其他同行,特别是对于历史交互很少的冷启动用户。
2021-07-10 cs.AI cs.IR cs.LG
Memory efficient location recommendation through proximity-aware representation
Shenzhen Institute of Information Technology(深圳信息职业技术学院)
针对位置推荐中地理信息利用有限和数据稀疏问题,提出基于自注意力架构的PASR模型,通过重要性采样损失函数和地理编码器整合地理信息,在三个真实LBSN数据集上超越现有方法。
2023-10-24 cs.AI
FairEval: Evaluating Fairness in LLM-Based Recommendations with Personality Awareness
Beihang University(北京航空航天大学);McGill University(麦吉尔大学)
本文提出FairEval框架,融合人格特质与八项敏感人口属性,系统评估LLM推荐公平性,并通过PAFS指标揭示ChatGPT 4o与Gemini 1.5 Flash在音乐和电影推荐中的偏差,强调提示鲁棒性对构建包容性推荐系统的重要性。
2025-04-10 cs.AI cs.HC cs.IR
A Personality-Guided Preference Aggregator for Ephemeral Group Recommendation
针对临时群组推荐中现有方法忽略人格因素及交互数据稀疏的问题,本文提出人格引导偏好聚合器PEGA,通过提取用户隐性人格、聚合群组人格并结合注意力机制与微调模块,显著提升推荐准确率与可解释性。
2024-09-25 cs.IR
Idea of a new Personality-Type based Recommendation Engine
Myers-Briggs Type Indicator(MBTI)类型描述了一个人感知世界和做出决定的心理偏好。人们通过四种主要功能来观察世界:感觉、直觉、感觉和思维。这些功能连同内向的\Extroverted性质的人,有16种性格类型,人类分为。这里提出了一个想法,其中用户可以基于用户的MBTI类型获得针对书籍、网络媒体内容、音乐和电影的推荐。只有像书籍和其他媒体内容这样的东西被选中,因为这些东西的偏好大多是主观的。除了通常基于先前购买生成的推荐内容之外,还可以通过使用MBTI来增强搜索。设计了一个最低限度的调查来收集数据。这有超过100个特征,显示了个性类型的偏好。这些包括对书籍类型,音乐类型,电影类型甚至视频游戏类型的偏好。在分析了从调查中收集的数据后,从中得出了一些推论,这些推论可以用来设计一个新的推荐引擎,以推荐符合用户个性的内容。
2013-11-08 cs.IR
Towards Personality-Aware Recommendation
在过去的十年中,网上购物的新方式增加了购买产品和服务的可能性,比以往任何时候都更容易和更快。在这种新的背景下,个性是消费者购物决策的关键决定因素。两个主要原因是:第一,个人的购买选择会受冲动等心理因素影响;第二,有些消费者可能较其他人更容易冲动购买。据我们所知,个性因素对广告的影响在很大程度上被忽视了在推荐系统的水平。这项工作提出了一个高度创新的研究,使用个性的角度来确定消费者的购买倾向和广告推荐之间的独特关联。事实上,缺乏一个公开可用的基准计算广告不允许探索这个有趣的研究方向和评估国家的最先进的算法。我们介绍了ADS数据集,这是一个公开的计算广告基准,其中包含了五大用户的个性因素和1,200张个人用户的照片。拟议的基准允许两项主要任务:对300个真实广告进行评级预测(即,富媒体广告、图像广告、文本广告)和点击率预测。此外,这项工作进行了实验,审查了文献中使用的各种评价标准,并提供了一个集成工具箱中的每一个库。
2016-07-23 cs.IR
Improving Smart Conference Participation through Socially-Aware Recommendation
这项研究致力于向参与者推荐智能会议上的演示文稿。我们提出了一个场地推荐算法,社会意识的场地和环境推荐(SARVE)。SARVE计算会议参与者的相关性和社会特征信息。为了使用分布式社区发现对推荐过程进行建模,SARVE进一步集成了智能会议社区和参与者的当前上下文。SARVE推荐每个参与者可能高度感兴趣的演示文稿。我们使用真实世界的数据集来评估SARVE。在我们的实验中,我们比较SARVE两个相关的国家的最先进的方法,即:上下文感知移动推荐服务(CAMRS)和会议导航(推荐)模型。我们的实验结果表明,在所使用的评价指标:精度,召回率和f-测量,SARVE实现更可靠和有利的社会(关系和上下文)推荐结果。
2020-08-09 cs.IR cs.SI
Origin-Aware Next Destination Recommendation with Personalized Preference Attention
GrabTaxi Holdings(GrabTaxi控股公司);School of Computing, National University of Singapore(新加坡国立大学计算学院);National University of Singapore(新加坡国立大学);Grab-NUS AI Lab(Grab-新加坡国立大学人工智能实验室)
下一个目的地推荐是出租车和乘车服务的运输领域中的重要任务,其中用户被推荐具有个性化目的地,给出他们当前的起源位置。然而,最近的推荐工作并不满足这种原产地意识属性,只考虑从历史目的地位置,没有原产地信息的学习。因此,所得到的方法不能基于用户的当前位置来学习和预测来源感知推荐,导致次优性能和较差的现实世界实用性。因此,在这项工作中,我们研究了原产地感知的下一个目的地推荐任务。我们提出了时空起点-目的地个性化偏好注意力(STOD-PPA)编码器-解码器模型,通过首先在局部和全局视图中使用空间和时间因素对起点和目的地序列进行编码,然后通过个性化偏好注意力对其进行解码,以预测下一个目的地,从而学习起点-起点(OO),目的地-目的地(DD)和起点-目的地(OD)关系。在七个真实用户轨迹出租车数据集上的实验结果表明,我们的模型显着优于基线和最先进的方法。
2021-01-11 cs.AI cs.IR cs.LG
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
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University(宾夕法尼亚州立大学)
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题,提出ESMR框架,融合Transformer情绪预测与混合推荐策略,兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong(香港中文大学);Microsoft Research Asia(微软亚洲研究院);Carnegie Mellon University(卡内基梅隆大学)
为了解决传统推荐系统的数据稀疏性和冷启动问题,引入知识图谱来补充辅助信息成为近年来的研究热点。然而,在现有的基于KG的RS模型中,简单地集成KG并不一定能保证提高推荐性能,这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此,这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中,我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导(CG-KGR)。CG-KGR是一种新的知识感知推荐模型,通过我们提出的协作指导机制,可以充分和一致地学习知识组和用户-项目交互。具体来说,CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导,以提取信息的KG,最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验,即,Top-K推荐和点击率(CTR)预测。实验结果表明,CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而,现有的新闻推荐方法大多只关注推荐准确率,而忽略了多样性。重新排序是一种广泛使用的后处理技术,以促进顶部推荐结果的多样性。然而,推荐模型并不完美,并且错误可能在级联推荐算法中传播和放大。此外,推荐模型本身并不具有多样性,这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中,我们提出了一种名为LeaDivRec的新闻推荐方法,这是一个完全可学习的模型,可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法,通常是基于点或成对排序,在LeaDivRec中,我们提出了一个更有效的列表式新闻推荐模型。更具体地说,我们提出了一个置换Transformer来考虑候选新闻之间的相关性,同时可以学习不同的表示相似的候选新闻,以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外,我们提出了一个多样性感知的正则化方法,以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
A Review on Recommendation Systems: Context-aware to Social-based
互联网用户的数量迅速增长,吸引了公司和合作机构充分利用推荐基础设施。因此,在线广告公司出现,以帮助我们在众多项目和用户的存在。即使作为用户,您也可能发现自己被一组您认为可能需要的项目淹没,但您不确定是否应该尝试它们。这些项目可以是在线服务,产品,地点,甚至是一个人的友谊。因此,我们需要推荐系统来铺平道路,帮助我们做出正确的决定。本文综述了传统推荐系统、推荐系统评价和度量、上下文感知推荐系统和基于社会的推荐系统。虽然很难在一篇简短的综述文章中包含所有信息,但我们试图对推荐系统的基本要素进行介绍性综述。有关各章的更详细的资料将在相应的参考文献中找到。为了以不同的方式解释这个概念,我们提供了幻灯片,可在https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937上获得。
2018-11-28 cs.IR cs.SI
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱(KG)具有提供明确解释的能力,因此KG上的推理被研究用于可解释的推荐。然而,现有的基于KG的可解释推荐方法忽略了时间信息(如购买时间、推荐时间等),这可能导致不适当的解释。在这项工作中,我们提出了一种新的时间感知路径推理推荐(TPRec为短)方法,它利用时间信息的潜力,提供更好的推荐与合理的解释。首先,提出了一种有效的时间感知交互关系抽取组件,用于构建具有时间感知交互的协同知识图谱(TCKG),然后提出了一种新的时间感知路径推理方法用于推荐。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明,TPRec可以成功地利用TCKG,以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning
Lenovo Research(联想研究院)
针对大语言模型推荐中语义空间偏差、协同信息捕捉不足的问题,提出图感知学习框架GAL-Rec,通过模仿GNN多跳信息聚合增强协同语义理解,在三个真实数据集上提升了推荐性能。
2024-06-19 cs.AI cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣,而不考虑候选新闻。然而,每个用户通常具有多个兴趣,并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法,该方法可以将候选新闻加入到用户建模中,以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络,使用候选人的新闻作为线索,模型候选人意识的全球用户兴趣。此外,我们提出了一个候选人感知的CNN网络,将候选新闻纳入本地行为上下文建模,并学习候选人感知的短期用户兴趣。此外,我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻,以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
Fairness-Aware Recommendation of Information Curators
本文重点介绍了我们正在努力创建有效的信息策展人推荐模型,可以为个人用户个性化,同时保持重要的公平性。具体地说,我们介绍了信息策展人推荐的问题,提供了一个高层次的公平意识的推荐概述,并介绍了一些初步的实验证据在现实世界的Twitter数据集。最后,我们对未来的方向提出一些想法。
2018-10-03 cs.IR
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模,捕捉用户的动态意图,能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上,而忽略了推荐多样性,尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR,因为它们假设用户意图是静态的,并依赖于后处理的建议列表,以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型,称为意图感知的多样化顺序推荐(IDSR)。具体来说,我们引入了一个隐式意图挖掘模块(IIM)到SR捕捉不同的用户意图反映在用户的行为序列。然后,我们设计了一个意图感知的多样性促进(IDP)损失来监督IIM模块的学习,并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明,IDSR在推荐多样性方面明显优于最先进的方法,同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升,健康饮食正引起越来越多的关注。然而,大多数现有的食品相关的研究工作集中在食谱检索,基于用户偏好的食物推荐,烹饪辅助,或菜肴的营养和热量估计,忽略了个性化的健康意识的食物推荐。因此,在这项工作中,我们提出了一个个性化的健康意识的食品推荐计划,即Market2Dish,映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分,即食谱检索,用户健康分析和健康意识的食物推荐。特别是,食谱检索的目的是获得可用的成分给用户,然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说,为了解决健康相关信息非常稀疏的问题,我们将一个词类交互机制纳入到所提出的深度模型中,以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐,我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外,大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
FairSR: Fairness-aware Sequential Recommendation through Multi-Task Learning with Preference Graph Embeddings
National Cheng Kung University(国立成功大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
顺序推荐(SR)从用户-项目交互的时间动态中学习,以预测下一个。公平性感知推荐减轻了用户偏好学习中的各种算法偏差。本文旨在将SR和算法公平性结合起来。我们提出了一种新的公平性感知的顺序推荐任务,在其中定义了一个新的度量,交互公平性,以估计如何推荐项目公平地与不同的保护属性组的用户进行交互。我们提出了一个基于多任务学习的深度端到端模型FairSR,它由两部分组成。一种是从给定的用户及其项目序列中学习和提取个性化的序列特征,用于SR。另一种是公平感知偏好图嵌入(FPGE)。FPGE的目标是双重的:将用户和项目的属性及其相关性的知识纳入实体表示,并减轻用户属性在项目上的不公平分布。在三个数据集上进行的大量实验表明,FairSR在推荐性能上优于最先进的SR模型。此外,FairSR推荐的项目也表现出良好的交互公平性。
2022-04-30 cs.IR cs.LG cs.SI
Privacy-Aware Recommendation with Private-Attribute Protection using Adversarial Learning
推荐是帮助用户找到与其兴趣相关的信息的关键应用之一。然而,恶意攻击者可以通过推荐来推断用户的私人信息。先前的工作在与推荐系统共享之前混淆用户项数据。这种方法在执行数据混淆时没有显式地解决推荐的质量。此外,它不能保护用户免受基于建议的私有属性推理攻击。这项工作是第一次尝试建立一个推荐与属性保护(RAP)模型,同时推荐相关的项目和计数器私有属性推理攻击。我们的方法的关键思想是制定这个问题作为一个对抗性的学习问题,有两个主要组成部分:私人属性推理攻击者,和贝叶斯个性化推荐。攻击者试图根据用户的项目列表和建议来推断用户的私有属性信息。推荐器的目标是提取用户的兴趣,同时利用攻击者来规范推荐过程。实验表明,该模型既保持了推荐服务的质量,又保护了用户免受私有属性推理攻击。
2019-11-22 cs.CR cs.IR cs.SI
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为(例如,性别)具有相似的模式,并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差,例如,总是向男性用户推荐体育新闻,这是不公平的,因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法,该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中,我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入,捕捉敏感的用户属性上的偏见信息,和其他的目的是学习一个无偏见的用户嵌入,只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外,我们提出将属性预测任务应用于偏差感知的用户嵌入,以增强其偏差建模能力,并且我们将对抗学习应用于无偏差的用户嵌入,以去除其中的偏差信息。此外,我们提出了一种正交正则化方法,以鼓励无偏置用户嵌入正交于有偏置的用户嵌入,以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名,我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明,该方法可以有效地提高新闻推荐的公平性,而性能损失较小。
2021-04-15 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
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题,提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型,在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络(LBSNs)(如Foursquare)提供的数据,为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐(CAVR),其另外考虑用户的周围上下文(例如,用户的位置和一天中的时间),以便提供更相关的场所建议。为了解决CAVR的挑战,我们描述了两种方法,利用词嵌入技术来推断矢量空间表示的场地,用户的现有偏好,和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明,我们可以显着提高最先进的场馆推荐方法的有效性,以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而,一篇新闻文章可能涵盖多个方面和实体,并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣,以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器,以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下,知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示,以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而,大多数以前的工作顺序推荐不考虑多样性,并争取最大的准确性,导致同质的建议。在本文中,我们考虑到准确性和多样性,提出了一个属性感知的多样化顺序推荐(ADSR)。具体而言,ADSR利用可用的属性信息时,建模用户的顺序行为,同时学习用户的最有可能的项目进行交互,以及他们的属性偏好。然后,ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明,ADSR可以有效地提供多样化的建议,同时保持准确性。
2020-08-03 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题,提出感知多样性的自校正序列推荐网络DivNet,可同时捕捉序列物品交互评估效用并实现推荐多样化,离线在线实验均优于基线方法。
2024-11-01 cs.IR
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China(中国科学技术大学);University of Houston(休斯顿大学);University of Southern California(南加州大学);University of Tokyo(东京大学)
本文提出深度自适应兴趣网络(DAIN),通过动态建模用户兴趣并结合上下文感知学习机制,利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果,实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Sequence-aware Large Language Models for Explainable Recommendation
University of Science and Technology of China(中国科学技术大学)
本文提出SELLER框架,结合用户行为与物品语义,通过混合专家适配器对齐LLM信号,统一评估框架提升推荐解释质量与实际效用。
2026-03-25 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景,当用户对一个目标项目表示兴趣时,点击,喜欢和购买)。除了考虑建议与触发项目之间的相关性外,建议还应多样化,以避免信息茧。然而,现有的多样化推荐方法主要集中在项目级的多样性,这是不够的,当推荐的项目都是相关的目标项目。此外,冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题,我们提出了一个功能分解自平衡重新排序框架(FDSB),以捕获功能感知的多样性。该框架包括两个主要模块,即解纠缠注意编码器(DAE)和自平衡多方面排名。在DAE中,我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中,我们开发了一个特定于方面的排名机制,能够自适应地平衡每个方面的相关性和多样性。在实验中,我们对收集的数据集进行离线评估,并在快手应用程序上部署FDSB,对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题,提出将时间戳和间隔纳入考量的新方法TAIW,在三个真实数据集上优于最先进基线,并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation
University of Technology Sydney(悉尼科技大学);Curtin University(科廷大学);University of New South Wales(新南威尔士大学);Tsinghua University(清华大学)
传统的基于观察交互数据训练的推荐模型在广泛的应用中产生了很大的影响,但它面临着覆盖用户真实意图的偏差问题,从而降低了推荐效果。现有的方法跟踪这个问题,因为消除了鲁棒推荐的偏差,例如,通过重新加权训练样本或学习解纠缠表示。非纠缠表征方法通过揭示偏差产生的因果关系来消除偏差。然而,如何设计语义感知和公正的表示用户的真实意图在很大程度上是未知的。为了弥合这一差距,我们首先从因果的角度提出了一种无偏见的语义感知的解纠缠学习,称为CaDSI(因果解纠缠语义感知意图学习)。特别是,CaDSI明确地建模的因果关系的推荐任务,从而产生语义感知表示通过解开用户的真实意图知道特定的项目上下文。此外,因果干预机制的目的是消除混淆的偏见源于上下文信息,这进一步调整语义感知表示与用户的真实意图。大量的实验和案例研究都验证了我们提出的模型的鲁棒性和可解释性。
2022-02-05 cs.IR cs.LG
Quality-aware News Recommendation
Tsinghua University(清华大学);Microsoft Research Asia(微软亚洲研究院)
新闻推荐是许多在线新闻平台使用的核心技术。向用户推荐高质量的新闻对于保持良好的用户体验和新闻平台的声誉至关重要。然而,现有的新闻推荐方法主要是为了优化新闻点击,而忽略了他们推荐的新闻的质量,这可能会导致推荐的新闻与非信息内容,甚至点击诱饵。在本文中,我们提出了一个质量感知的新闻推荐方法命名为QualityRec,可以有效地提高推荐新闻的质量。在我们的方法中,我们首先提出了一个有效的新闻质量评估方法的基础上,分布的用户的阅读停留时间的新闻。接下来,我们建议将新闻质量信息纳入用户兴趣建模,通过设计一个内容质量的注意力网络,选择点击新闻的基础上,新闻语义和质量。我们进一步训练的推荐模型与辅助新闻质量预测任务学习质量感知的推荐模型,我们添加了一个推荐质量正则化损失,以鼓励模型推荐更高质量的新闻。在两个真实数据集上的大量实验表明,QualityRec可以有效地提高推荐新闻的整体质量,减少对低质量新闻的推荐,推荐准确率甚至略有提高。
2022-02-28 cs.CL cs.IR
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入(JCCE),研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上,以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力,实现改进时相比,国家的最先进的方法。进一步的实验显示有用的结构,学习嵌入,可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation
针对电子商务、短视频推荐等场景中用户简档不可见的问题,提出了基于会话的推荐(SBR)方法,用于在短会话内推荐商品。有一个常见的场景,用户指定一个目标类别的项目作为一个全局过滤器,但以前的SBR设置主要考虑项目的顺序,忽略了丰富的目标类别信息。因此,我们定义了一个新的任务,称为类别感知的基于会话的推荐(CSBR),专注于上述情况下,用户指定的类别可以有效地利用推荐系统。为了解决所提出的任务的挑战,我们开发了一种新的方法称为意图自适应图神经网络(IAGNN),它利用项目和它们的类别之间的关系,以实现准确的推荐结果。具体来说,我们构建了一个类别感知的图与项目和类别节点来表示会话中的复杂的过渡信息。利用类别感知图上的意图自适应图神经网络通过将历史交互信息传递到用户指定的类别域来捕获用户意图。在三个真实世界的数据集上进行了广泛的实验,以显示我们的IAGNN在新任务中的性能优于最先进的基线。
2022-04-09 cs.IR
UP5: Unbiased Foundation Model for Fairness-aware Recommendation
Rutgers University(罗格斯大学)
本文提出反事实公平提示(CFP)方法,构建无偏基础模型(UFO),以缓解LLM推荐中的用户侧不公平,实验证明其在MovieLens-1M和Insurance数据集上兼顾公平与性能。
2024-05-29 cs.AI cs.CL cs.IR
Sequential Recommendation with Relation-Aware Kernelized Self-Attention
最近的研究表明,顺序推荐是由注意力机制改善。通过这种发展,我们提出了一个自注意力机制的Transformer的概率模型的增强的感知核自注意力(RKSA)。Transformer最初的自注意力是一种确定性测度,没有关系意识。因此,我们引入了一个潜在的空间的自注意力力,和潜在的空间模型的推荐上下文的关系作为一个多变量的偏态正态分布与核化协方差矩阵的同现,项目的特点,和用户信息。该工作通过添加推荐任务细节的概率模型,将Transformer的自注意力和顺序推荐相结合。我们在基准数据集上进行了RKSA实验,与最近的基线模型相比,RKSA显示出显着的改进。此外,RKSA还能够生成一个潜在空间模型来回答推荐的原因。
2019-11-15 cs.IR cs.LG stat.ML
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展,但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题,我们提出了一个解决方案,增强了一个知识图谱称为KATRec(知识感知的主动顺序建议)。KATRec通过对用户的交互项目序列进行建模,并通过知识图谱注意力网络利用预先存在的辅助信息,来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明,KATRec的性能优于最先进的推荐模型,并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐,由于其良好的性能,近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象(例如,电子商务、音乐和电视节目推荐),其中随着时间的推移重复地重新消费相同的项目。然而,没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中,我们将重复探索机制到神经网络,并提出了一个新的模型,称为RepeatNet,与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制,该机制可以从用户的历史记录中选择项目,并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外,随着数据集大小和重复率的增加,RepeatNet在基线上的改进也会增加,这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时,常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面,我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面,推荐系统社区很少研究为顺序推荐设计的相似性度量。因此,在本文中,我们专注于设计一种新的相似性度量称为位置感知相似性(PAS)的顺序推荐。建议PAS是,据我们所知,第一个计数为基础的相似性度量,同时捕获的序列模式,从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究,其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能,包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Session-aware Recommendation: A Surprising Quest for the State-of-the-art
University of Klagenfurt(克拉根福大学);University of Torino(都灵大学)
推荐系统被设计来帮助用户在信息过载的情况下。近年来,我们观察到越来越多的兴趣基于会话的推荐方案,其中的问题是使项目建议,用户只根据在一个正在进行的会话中观察到的交互。然而,在来自先前用户会话的交互可用的情况下,可以根据用户的长期偏好来个性化推荐,这一过程称为会话感知推荐。目前,这一领域的研究比较分散,许多现有的工作只是将会话感知模型与基于会话的模型进行比较。这使得它具有挑战性的理解是什么代表了最先进的。为了缩小这一研究差距,我们基准最近的会话感知算法对彼此和一些基于会话的推荐算法和平凡的扩展。令人惊讶的是,我们的比较显示,(i)基于最近邻居的项目简单技术始终优于最近的神经技术,(ii)会话感知模型大多并不比不使用长期偏好信息的方法更好。因此,我们的工作不仅指出了新方法与弱基线相比的潜在方法学问题,而且还表明了更复杂的会话感知推荐算法仍然有巨大的潜力。
2021-09-14 cs.IR cs.LG cs.NE
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型,通过公平感知的映射函数和基于影响函数的重加权方法,在跨域推荐中实现用户群体公平,同时保持推荐准确性。
2023-05-15 cs.IR
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征,而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架,即用于基于会话的推荐的邻域增强和时间感知推荐机(NETA)。首先,我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后,我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示,特别是单独考虑会话之间的时间新近性;最后,我们设计了一个简单的合作,注意力机制,以确定预测下一个项目时,互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互(例如,点击、喜欢或评级)以提供个性化的项目排名列表。由于用户偏好不同,这些交互通常不均匀地分布在不同的项目组上。然而,我们发现,推荐算法可以继承甚至放大这种不平衡的分布,导致不公平的项目组的建议。具体地说,我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后,我们实证表明,最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议,这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明,与最先进的替代方案相比,所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中,我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题,并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架,融合GeoSoCa、LORE和USG等上下文感知模型,扩展多维度评估并开源,以提升POI推荐的可复现性。
2023-06-20 cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣,并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是,新闻点击行为可以表明用户的兴趣。然而,在实际场景中,除了用户兴趣与新闻内容之间的相关性之外,新闻点击行为还可能受到其他因素的影响,例如在线平台中新闻呈现的偏差。例如,位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声,影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec,该方法可以处理偏见信息,从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块,一个偏见意识的用户建模模块,和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模,以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型,从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型,其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。在两个真实数据集上的实验表明,该方法能有效地提高新闻推荐的性能。
2021-04-15 cs.IR