Leveraging Large Language Models for Pre-trained Recommender Systems
针对大语言模型与推荐系统有效整合的难题，提出新型预训练推荐模型RecSysLLM，通过数据、训练和推理的独特设计融合领域知识与LLM能力，在基准和真实场景中验证了有效性，为构建统一推荐系统提供新路径。
2023-08-21 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
Leveraging Long and Short-term Information in Content-aware Movie Recommendation
电影推荐系统基于个人的偏好和约束向用户提供电影的分级列表。两种类型的模型通常用于生成排名结果：长期模型和基于会话的模型。虽然长期模型表示用户和电影之间的交互，应该随着时间的推移缓慢变化，基于会话的模型编码的信息，用户的兴趣和变化的动态电影的属性在短期内。在本文中，我们提出了一个LSIC模型，利用长期和短期信息的内容感知的电影推荐使用对抗训练。在对抗过程中，我们训练一个生成器作为强化学习的代理，它顺序地向用户推荐下一部电影。我们还训练了一个尝试区分生成的电影列表和真实记录的分类器。电影的海报信息被整合，以进一步提高性能的电影推荐，这是特别必要的，当几个评级可用。实验结果表明，该模型具有较强的鲁棒性，具有一定的先进性。
2018-06-26 cs.IR
Leveraging Large Language Models for Sequential Recommendation
本文研究如何利用大语言模型改进序列推荐，提出三种方法，并证明用 LLM 嵌入初始化 BERT4Rec 可将 NDCG 提升 15-20%。
2023-09-17 cs.IR
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
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
A Zero Attentive Relevance Matching Networkfor Review Modeling in Recommendation System
用户评论和项目评论对于推荐系统的构建是有价值的。一般来说，现有的基于评论的推荐方法可以大致分为两类：分别从评论中构建静态用户和项目表示的连体模型，以及根据评论的相似性或关系动态编码用户和项目的基于交互的模型。虽然基于交互的模型具有更大的模型容量，更好地拟合人类购买行为，但现有基于交互的模型的一些问题的模型设计和假设导致其性能不如现有的连体模型。在本文中，我们确定了现有的基于交互的推荐模型的三个问题，并提出了一对夫妇的解决方案，以及一个新的基于交互的模型，将审查数据的评级预测。我们的模型实现了一个相关性匹配模型与正则化的训练损失，以发现用户相关的信息，从长项目评论，它也适应了零注意力策略，以动态平衡项目相关和项目无关的信息提取用户评论。在Amazon Product Benchmark数据集上的实证实验和案例研究表明，我们的模型可以从评论中提取有效且可解释的用户/项目表示，并且优于多种基于评论的推荐模型。
2021-08-01 cs.IR
A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce
本研究提出了一种基于LLM的电子商务个性化推荐系统框架，通过对用户评论和产品描述进行深度语义理解并结合上下文数据动态推荐，显著提升了推荐准确率、召回率、点击率及多样性，改善了用户体验并促进销售增长。
2024-10-02 cs.IR
A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems
使用评论来学习用户和项目表示对于推荐系统是重要的。当前基于评论的方法可以分为两类：（1）基于卷积神经网络（CNN）的模型，其从用户/项目评论中提取n-gram特征;（2）基于递归神经网络（RNN）的模型，其从用户和项目的评论中学习全局上下文表示。尽管他们的成功，CNN和RNN的模型在以前的研究遭受自己的缺点。虽然基于CNN的模型在建模文本中的长依赖关系方面很弱，但基于RNN的模型由于无法并行计算而在训练和推理方面很慢。针对这些问题，本文提出了一种新的文本编码器模型，将卷积网络和自注意网络相结合，对文本中的局部和全局交互进行建模。由于不同的词、句子和评论对用户和项目表示的重要性不同，我们通过对句子进行词编码，在句子层、评论层和用户/项目层分层构建评论模型，对评论的句子进行编码，以及对用户和项目表示的评论进行编码。在Amazon Product Benchmark上的实验表明，与现有的基于评论的推荐模型相比，我们的模型可以获得更好的性能。
2020-11-26 cs.IR
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中，为购买的商品撰写评论是表达用户意见的一个独特渠道。最近，已经提出了许多基于深度学习的解决方案，通过利用用户评论进行评级预测。相比之下，很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中，我们提出了一个新的评论驱动的神经顺序推荐模型（RNS），考虑用户的内在偏好（长期）和顺序模式（短期）。详细地说，RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列，我们设计了一个新的层次注意力机制注意力机制，以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明，RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Do Reviews Matter for Recommendations in the Era of Large Language Models?
本文研究了在大语言模型时代，文本评论对推荐系统的影响，通过比较深度学习和LLM方法，发现LLMs在数据稀疏和冷启动条件下表现更优，且移除评论不影响推荐准确性。
2025-12-15 cs.IR
Leveraging Artist Catalogs for Cold-Start Music Recommendation
University of Tartu（塔尔图大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Recombee
本文提出利用艺术家目录信息解决音乐推荐中的冷启动问题，通过引入艺术家层面的协同信号提升推荐效果，提出ACARec模型在召回率和NDCG指标上显著优于内容基线方法。
2026-04-08 cs.IR
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题，提出以评论为中心的对比对齐框架ReCAFR，通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示，在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
Enhancing Adaptive Video Streaming through Fuzzy Logic-Based Content Recommendation Systems: A Comprehensive Review and Future Directions
本文综述模糊逻辑与自适应视频流内容推荐系统的融合，分析其应对偏好与情境不确定性的机制、案例效果、挑战及未来方向。
2024-04-10 cs.IR
Causal Intervention for Leveraging Popularity Bias in Recommendation
推荐系统通常会面临流行性偏差问题：从数据角度看，项目交互频率呈现不均匀（长尾）分布;从方法角度看，协同过滤方法容易通过过度推荐流行项目而放大偏差。在推荐系统中考虑人气偏差无疑是至关重要的，现有的工作主要是消除偏差效应。然而，我们认为，并非所有的数据偏见都是坏的-有些项目表现出更高的受欢迎程度，因为它们更好的内在质量。盲目追求无偏学习可能会删除数据中的有益模式，降低推荐准确性和用户满意度。本文研究了推荐中一个尚未被探索的问题--如何利用人气偏差来提高推荐的准确率。关键在于两个方面：如何在训练过程中消除流行度偏差的不良影响，以及如何在生成top-K推荐的推理阶段注入所需的流行度偏差。这对推荐生成过程的因果机制提出了质疑。沿着这条线，我们发现，项目的流行度之间的暴露项目和观察到的相互作用，造成偏见放大的不良影响的混淆的作用。为了实现我们的目标，我们提出了一个新的训练和推理模式推荐命名为流行偏见去混淆和调整（PDA）。它消除了模型训练中的混杂流行度偏差，并通过因果干预调整推荐分数与期望的流行度偏差。我们展示了潜在因素模型的新范式，并在三个真实世界的数据集上进行了广泛的实验。实证研究表明，去基训练有助于发现用户的真实兴趣，而引入流行度偏差的推理调整可以进一步提高推荐准确率。
2021-05-13 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology（大连理工大学）；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RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。
2026-06-16 cs.IR
Content Recommendation through Semantic Annotation of User Reviews and Linked Data - An Extended Technical Report
目前，大多数推荐系统利用用户提供的评级来推断他们的偏好。然而，社交和电子商务网站的日益普及也鼓励用户通过文本评论分享评论和意见。在本文中，我们介绍了一种新的推荐方法，它利用用户评论的语义注释，以提取有用的和非平凡的信息，推荐项目。它还依赖于Web of Data中免费提供的知识，特别是DBpedia和Wikidata，以发现与注释实体相关的其他资源。我们在三个领域评估了我们的方法，使用DBpedia和Wikidata。结果表明，我们的解决方案提供了一个更好的排名比另一种基于Web的数据推荐方法，而它提高了新颖性，相对于传统的基于评级的技术。此外，我们的方法实现了更好的性能与维基百科比DBpedia。
2017-10-28 cs.IR
Attentive Aspect Modeling for Review-aware Recommendation
近年来，许多研究从用户评论中提取方面，并将其与评级相结合，以提高推荐性能。用户评论和产品评论中提到的共同点表明了用户和产品之间的间接联系。然而，这些基于方面的方法存在两个问题。首先，共同的方面通常是非常稀疏的，这是由用户-产品交互的稀疏性和单个用户词汇的多样性造成的。第二，用户对方面的兴趣可能会因产品的不同而不同，而现有方法通常假设这些方面是静态的。在本文中，我们提出了一个基于注意力的推荐模型（AARM）来解决这些挑战。对于第一个问题，为了丰富用户和产品之间的方面联系，除了共同的方面之外，AARM还对同义和相似方面之间的交互进行建模。对于第二个问题，神经注意力网络，同时考虑用户，产品和方面的信息被构造为捕捉用户的注意力方面时，检查不同的产品。大量的定量和定性实验表明，AARM可以有效地缓解上述两个问题，并显着优于几个国家的最先进的推荐方法在前N推荐任务。
2019-04-17 cs.IR
Leveraging the Dynamics of Leadership in Group Recommendation Systems
针对传统群体推荐忽视成员互动的问题，本文提出基于图论建模成员关系与信任动态的餐厅推荐算法，以促进共识并提升群体满意度。
2025-03-17 cs.HC cs.IR
"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
ProEx: A Unified Framework Leveraging Large Language Model with Profile Extrapolation for Recommendation
ProEx通过多维度资料外推提升推荐系统性能，利用链式推理构建多样化的用户和物品资料，以增强推荐效果。
2025-12-12 cs.IR
Highly Relevant Routing Recommendation Systems for Handling Few Data Using MDL Principle and Embedded Relevance Boosting Factors
如果路线推荐系统还考虑收集的用户评论，则它可以提供更好的推荐，例如，通常获得正面评论的地方可能是优选的。然而，为了对情感进行分类，当今存在的许多分类算法在处理诸如简短的书面评论之类的小数据项时受到影响。在本文中，我们提出了一个强相关的路线推荐系统，是基于一个基于MDL（最小描述长度）的情感分类模型，并表明这样的系统是能够处理小数据项（短用户评论）。该模型的另一个亮点是在相关性计算中包含一组提升因子，以提高实现该模型的任何推荐系统中的相关性。
2018-06-13 cs.IR
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
针对短视频推荐中现有方法直接用观看时长作标签存在语义利用不足、引入偏差的问题，提出去偏多语义提取标注框架DML，通过分位数构建多语义标签并结合因果调整去偏，经实验验证可有效挖掘用户真实兴趣、提升参与度。
2023-08-28 cs.IR
Mathematical Modeling of Competitive Group Recommendation Systems with Application to Peer Review Systems
在本文中，我们提出了一个数学模型来捕捉各种因素，可能会影响竞争群体推荐系统的准确性。我们将此模型应用于同行评审系统，即，会议或研究资助审查，这是我们科学界的一个重要组成部分。我们探讨了一些重要的问题，即，每篇论文的评论数量如何影响整体推荐的准确性？评分汇总政策是否会影响最终推荐？评审员的偏好如何影响最终推荐的准确性？为了回答这些重要的问题，我们正式分析我们的模型。通过这些分析，我们获得的见解如何设计一个随机算法，这是计算效率和渐近准确的竞争群体推荐系统的准确性评估。我们得到了一些有趣的观察结果：即，对于中等级别的会议，每篇论文三篇评论足以获得高准确度的推荐。对于著名的会议，一篇论文可能需要至少7篇评论才能达到高准确性。我们还提出了一个异构的审查策略，需要相等或更少的审查工作量，但可以提高超过一个同质的审查策略的建议准确性高达30%。我们相信我们的模型和方法是研究竞争性群体推荐系统的重要基石。
2012-04-12 cs.IR cs.PF
Factorization Machines Leveraging Lightweight Linked Open Data-enabled Features for Top-N Recommendations
随着链接开放数据（LOD）的普及和相关的增长，可以通过LOD访问的免费访问的知识，利用LOD的推荐系统已被广泛研究基于各种方法，如基于图或使用不同的机器学习模型与LOD启用功能。许多先前的方法需要构造附加图以运行基于图的算法或通过组合用户-项目交互（例如，喜欢、不喜欢）和来自LOD的背景知识。在本文中，我们研究了基于特别轻量级的LOD功能的因子分解机（FM），这些功能可以通过公共SPARQL端点直接获得，而无需任何额外的努力来构建图。首先，我们的目标是研究使用FM与这些轻量级的LOD功能相比，是否可以提供有竞争力的性能学习排名的方法，利用LOD以及其他成熟的方法，如kNN项目和BPRMF。其次，我们感兴趣的是找出在多大程度上每一组LOD功能的推荐性能的贡献。标准数据集上的实验评估表明，我们提出的方法使用FM与轻量级的LOD功能提供了最好的性能相比，其他方法在五个评估指标。此外，基于不同的LOD功能集的推荐性能的研究表明，属性对象列表和项目的PageRank分数是有用的，以提高性能，并可以提供最佳的性能，通过使用它们一起FM。我们观察到，主题属性列表的项目并没有贡献的推荐性能，而是降低了性能。
2017-07-28 cs.IR
Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
本文提出基于认知不确定性的冷启动推荐框架 CREU，借助 PaiDEs 高效度量模型对训练知识的利用效率，从而优化冷启动场景下的用户-物品交互推荐性能。
2025-08-08 cs.IR
Disentangled Graph Contrastive Learning for Review-based Recommendation
用户评论数据有助于缓解许多推荐系统中的数据稀疏问题。在基于评论的推荐方法中，评论数据被认为是辅助信息，其可以提高用于用户评级预测任务的所学习的用户/项目或交互表示的质量。然而，这些方法通常以整体的方式对用户-项目交互进行建模，而忽略了它们背后的潜在因素的纠缠，例如，价格，质量或外观，导致次优表示和降低可解释性。本文提出了一种基于文本评论数据的基于评论推荐的解纠缠图对比学习（DiscentralGraphContrasiveLearning，DGARCH）框架，分别对基于不同潜在因素的用户-项目交互进行建模。为此，我们首先从评论数据中的语义信息和用户项图数据中的结构信息对潜在因素的交互分布进行建模，形成几个因素图。然后设计了一个因子分解的消息传递机制来学习因子图上的用户/项目表示，这使我们能够进一步表征交互，并通过设计的注意力机制自适应地组合来自多个因子的预测评级。最后，我们设置两个因素明智的对比学习目标，以减轻稀疏性问题和模型的用户/项目和交互功能相关的每个因素更准确。五个基准数据集的实证结果验证了DGCLR相对于最先进方法的优越性。进一步的分析提供了解释学习的意图因素和评级预测在DGRENT。
2022-09-04 cs.IR
Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation
Nanyang Technological University（南洋理工大学）
本文针对推荐系统中用户生成内容的稀疏与不完整问题，提出MOSAIC模型，通过聚合邻居用户评论的属性-情感证据构建元评审，结合MMoE与注意力模块提升推荐准确率与解释质量，在多数据集上优于现有基线。
2026-08-28 cs.IR
SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation
SymCERE通过结构几何对齐和对称NCE损失，提升推荐系统在处理假负样本和流行偏见方面的鲁棒性，实验显示NDCG@10提升达43.6%。
2025-12-16 cs.IR
Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
Emory University（埃默里大学）
针对双边平台序列推荐中评论反馈的非随机性与溢出效应问题，提出TS-SSM模型，经多数据集实验较现有基准模型在Recall@20上有显著提升。
2026-10-01 cs.IR
Leveraging Opposite Gender Interaction Ratio as a Path towards Fairness in Online Dating Recommendations Based on User Sexual Orientation
针对在线约会推荐中用户性取向公平性研究不足的问题，提出异性交互比例（OGIR）指标量化群体不公平，并设计基于重新加权和重新排序的公平推荐系统，有效缓解群体数量与校准不平衡，在维持模型效用的同时显著提升公平性。
2024-02-19 cs.IR
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST（韩国科学技术院计算机学院）
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而，以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一：无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性，当他们被排名，自回归方法未能考虑到无序，因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法，其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明，我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
Recommendations by Concise User Profiles from Review Text
针对交互稀疏但评论丰富的用户，提出CUP框架，通过构建简洁用户画像并微调小型语言模型，在图书评论数据上取得优于LLM排序的性能。
2025-02-27 cs.IR
Leveraging Code-Mixed Product Metadata and User Feedback for Personalized Recommendation on Daraz Bangladesh
East West University（东西大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
针对孟加拉国电商平台代码混合评论，通过k-core阈值消融实验评估六类模型，发现Banglish词汇碎片化导致NDCG@10下降46.8%，为低资源代码混合环境下的推荐研究建立可复现评估基础。
2026-06-16 cs.IR
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络（LBSN）（例如，Facebook）有很多因素（例如，评级，签到时间等）。这对兴趣点（POI）建议起着至关重要的作用。与评级不同，评论可以帮助用户详细阐述他们的意见，并根据相关的感兴趣因素（方面）分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论，但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知，这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中，我们提出了一个模型称为PERS（个性化可解释POI推荐系统），模型的评论方面类别的相关性，通过利用深度神经网络，制定了用户方面类别二分关系作为一个二分图，和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是：（i）基于用户通过评论发布的方面对用户和位置进行建模，（ii）利用深度神经网络对评论-方面类别相关性进行建模，（iii）提供多个上下文（例如，分类、空间等）在兴趣点推荐模型中，（iv）将用户对方面类别的偏好表示为二分关系，将其表示为位置-方面类别二分图，并使用基于二分核心和基于排名的方法，利用有序稠密子图提取的概念对可解释推荐进行建模，（v）使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
Are Representation Disentanglement and Interpretability Linked in Recommendation Models? A Critical Review and Reproducibility Study
本文在四个数据集上复现了五种推荐模型，量化并研究了解耦与推荐有效性和表征可解释性的联系，发现解耦与有效性无关，但与可解释性密切相关。
2025-01-30 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
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题，提出将媒体框架作为可控维度的推荐多样化方法，首次用三类规范性指标评估，实现未接触框架曝光度最高提升50%，同时提升类别与情感层面的多样性。
2025-09-02 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
Leveraging Two Types of Global Graph for Sequential Fashion Recommendation
随着服装零售业和在线电子商务的发展，在线服装购物越来越受到人们的重视，服装序列推荐在其中具有重要的意义。建立一个有效的序列式时尚推荐模型的关键在于捕捉两类模式：用户的个人时尚偏好和相邻商品之间的过渡关系。这两类模式通常分别与用户-项交互和项-项转换建模相关。然而，由于大量的用户和项目以及稀疏的历史交互，这是很难训练一个有效的和高效的顺序时尚推荐模型。为了解决这些问题，我们建议利用两种类型的全局图，即，用户-项目交互图和项目-项目转换图，以通过在图上合并高阶连接来获得增强的用户和项目表示。此外，我们采用了LightGCN的图核在两个图中的信息传播，并提出了一种新的设计项目-项目转移图。在两个已建立的序列时尚推荐数据集上的实验验证了该方法的有效性和效率。
2021-05-30 cs.IR cs.MM
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology（佐治亚理工学院）；TU Wien（维也纳工业大学）
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题，提出可嵌入多种深度架构的对比学习损失，用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
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
A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
本文系统综述了哈希标签推荐方法，从传统频率模型到基于Transformer的深度学习，分析了多模态、评估范式及数据稀疏等挑战，并提出了未来研究方向。
2025-03-25 cs.IR
An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation
提出面向方面性能的超图神经网络APH，利用评论情感极性推断商品性能，提升基于评论推荐的准确性，在六个数据集上平均提升MSE、Precision@5和Recall@5分别2.30%、4.89%和1.60%。
2025-01-26 cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Enhancing Hotel Recommendations with AI: LLM-Based Review Summarization and Query-Driven Insights
针对预订平台评论繁多、用户筛选效率低的问题，本研究开发instaGuide网页应用，利用LLM总结Booking.com房源评论并支持定向查询，显著缩短用户找房时间、优化决策。
2025-10-21 cs.IR
Leveraging LLMs for Influence Path Planning in Proactive Recommendation
针对主动推荐中影响路径缺乏目标物品包含性和连贯性的问题，提出基于 LLM 的 LLM-IPP 方法，通过捕捉用户兴趣变化和物品特征生成连贯路径，显著提升了用户可接受性和路径连贯性。
2025-04-30 cs.IR
Given Users Recommendations Based on Reviews on Yelp
在我们的项目中，我们专注于基于NLP的混合推荐系统。数据来自Yelp Data。对于我们的混合推荐系统，我们有两个主要组成部分：第一部分是嵌入与BERT模型和word 2 vec模型的评论;第二部分是实现一个基于项目的协同过滤算法，以计算不同类别的餐厅下的每个评论的相似度。最后，在相似度分数的帮助下，我们能够根据用户记录的评论向他们推荐最匹配的餐厅。编码工作分为几个部分：选择样本和数据清洗，处理，嵌入，计算相似性，计算预测和误差。由于数据的大小，每个部分将生成一个或多个JSON文件作为里程碑，以减少内存压力和每个部分之间的通信。
2021-12-03 cs.CL cs.IR
News Recommender System: A review of recent progress, challenges, and opportunities
如今，越来越多的新闻读者倾向于在线阅读新闻，他们可以从多个来源获得数百万条新闻文章。为了帮助用户找到正确的和相关的内容，新闻推荐系统（NRS）的开发，以缓解信息过载的问题，并建议用户可能感兴趣的新闻项目。在本文中，我们强调了新闻推荐领域所面临的主要挑战，并从最先进的技术中找出了可能的解决方案。由于使用深度学习模型构建推荐系统的快速增长，我们将讨论分为两个部分。在第一部分中，我们概述了NRS中使用的传统推荐解决方案，数据集，准确性之外的评估标准和推荐平台。在第二部分中，我们解释了NRS中应用的基于深度学习的推荐解决方案。不同于以往的调查，我们还研究了新闻推荐对用户行为的影响，并试图提出可能的补救措施，以减轻这些影响。通过提供最先进的知识，这项调查可以帮助研究人员和实际专业人员了解新闻推荐算法的发展。它还揭示了潜在的新方向
2021-07-09 cs.IR
Network-based recommendation algorithms: A review
推荐系统是帮助我们克服信息过载问题的重要工具。它们被大多数电子商务网站所使用，并吸引了广大科学界的兴趣。推荐系统使用用户过去偏好的数据来选择可能被给定个体用户欣赏的新项目。虽然存在许多推荐方法，但是基于输入数据的网络表示的方法在过去已经获得了相当大的关注。我们在这里回顾了广泛的基于网络的推荐算法，并首次比较了它们在三个不同的真实数据集上的性能。我们提出的建议的主题，超越了单纯的问题，使用哪种算法-如可能的影响，使用它的系统的发展建议-最后讨论开放的研究方向和挑战。
2015-11-19 cs.IR physics.soc-ph
Recent Advances in Diversified Recommendation
随着推荐系统的快速发展，准确率不再是评价推荐结果是否令人满意的唯一黄金标准。近年来，多样性在推荐系统的研究中得到了极大的关注，它被认为是提高用户满意度的一个重要因素。一方面，多样化的推荐有助于增加满足短暂用户需求的机会。另一方面，多样化的推荐结果可以帮助企业提高产品知名度，挖掘潜在的用户兴趣。本文将对多元化推荐的最新研究进展进行综述。具体来说，我们首先审查多样性的各种定义，并产生一个分类，以阐明多样性如何在推荐系统中建模或测量。在此基础上，从分类学的角度总结了多样化推荐的主要优化方法。最后，我们展望了未来，并指出了这一主题的研究方向。
2019-05-16 cs.IR
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras（帕特雷大学）
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视，尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型，用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络（DeepCoNN）是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为，而另一个网络则从用户评论中学习物品属性。在顶部，添加了一个共享层来连接这两个网络。与因子分解机器方法类似，共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果，在许多数据集上，DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
