DGRec: Graph Neural Network for Recommendation with Diversified Embedding Generation
基于图神经网络（GNN）的推荐系统由于其良好的准确性，近年来受到了越来越多的关注。GNN模型将用户-项目交互表示为二分图，通过聚合其邻居的嵌入来生成用户和项目表示。然而，这样的聚合过程通常纯粹基于图结构来积累信息，忽略了聚合邻居的冗余，导致推荐列表的差的多样性。在本文中，我们提出了多样化的GNN为基础的推荐系统，直接改进嵌入生成过程。特别地，我们利用以下三个模块：子模块邻居选择，以找到不同邻居的子集，为每个GNN节点进行聚合，层注意力为每个层分配注意力权重，以及损失重新加权，以专注于学习属于长尾类别的项目。将这三个模块融合到GNN网络中，提出了DGRec（DiversifiedGNN-basedRecommenderSystem）来实现多样化的推荐。在真实数据集上的实验表明，该方法可以实现最佳的多样性，同时保持与最先进的基于GNN的推荐系统相当的准确性。
2022-11-27 cs.IR
DGCN: Diversified Recommendation with Graph Convolutional Networks
这些年来，人们一直致力于提高推荐系统的准确性或相关性。多样性是衡量所推荐项目之间差异的一个关键因素，但几乎没有得到详细审查。与用户满意度直接相关，通常在生成候选项之后考虑多样化。然而，这种多样化和候选生成的解耦设计使得整个系统次优。在本文中，我们的目标是推动多元化的上游候选生成阶段，借助图卷积网络（GCN）。虽然基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了很大的能力，但这些先进的工作忽略了多样性的变化。我们建议在GCN之上执行重新平衡的邻居发现，类别提升的负采样和对抗学习。我们在真实世界的数据集上进行了广泛的实验。实验结果验证了该方法在多样化问题上的有效性。进一步的消融研究验证了我们提出的方法显着地消除了准确性多样性的困境。
2021-08-16 cs.IR
Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation
Seoul National University（首尔国立大学）
在向用户推荐个性化的热门$k$商品时，我们如何在满足用户需求的同时向用户推荐个性化的商品？聚合多样性推荐系统的目标是在不牺牲推荐准确性的情况下向所有用户推荐各种项目。它们增加了各种物品的曝光机会，这反过来又增加了卖家的潜在收入和用户满意度。然而，它是具有挑战性的，以解决聚合级的多样性与矩阵分解（MF），最常见的推荐模型之一，因为倾斜的真实世界数据导致倾斜的MF推荐结果。在这项工作中，我们提出了DivMF（DifferentialRegularized Matrix Factorization），一种新的矩阵分解方法，用于聚合多样化推荐。DivMF正则化MF模型的得分矩阵以最大化前$k$推荐列表的覆盖率和熵，从而使推荐结果聚合地多样化。我们还提出了一个unmasking机制和精心设计的多批次学习技术，以实现准确和高效的训练。在真实数据集上的大量实验表明，DivMF在聚合多样性推荐方面达到了最先进的性能。
2022-10-19 cs.IR cs.LG
Bandit Learning for Diversified Interactive Recommendation
Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）
交互式推荐系统使用户和推荐系统之间的互动吸引了越来越多的研究关注。以前的方法主要集中在优化推荐精度。然而，它们往往忽略了推荐结果的多样性，从而往往导致不满意的用户体验。本文提出了一种新的基于用户隐式反馈的交互式推荐模型DC $^2$ B（DiversifiedContextualCombinatorialBandit）。具体地说，DC $^2$ B在推荐过程中采用决定点过程，以促进推荐结果的多样性。为了学习模型参数，提出了一种基于变分贝叶斯推理的Thompson采样型算法。此外，还对DC $^2$ B的性能进行了理论分析.在真实数据集上进行了大量的实验，以证明所提出的方法的有效性。
2019-07-01 cs.IR cs.LG stat.ML
Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation
针对推荐数据稀疏及正样本增强难以兼顾准确性与多样性的问题，提出模型无关的 DivSPA，通过多视角候选检索与自蒸馏重排序获得高质量正样本，并经离线、在线验证且已上线部署。
2023-08-15 cs.IR
Understanding Diversity in Session-Based Recommendation
本文系统评估了基于会话的推荐系统在准确性与多样性上的表现，发现非多样化方法在多样性上也可能表现优异，且准确性与多样性关系复杂，并识别出影响多样性的三个关键因素。
2023-05-31 cs.IR
A Simple Yet Effective Approach for Diversified Session-Based Recommendation
Shanghai University of Finance and Economics（上海财经大学）；Institute of High Performance Computing（高性能计算研究所）；Centre for Frontier AI Research, A*STAR（新加坡科技研究局前沿人工智能研究中心）；Nanyang Technological University（南洋理工大学）
本文提出DCA-SBRS框架，通过模型无关的多样性损失函数和类别感知注意力机制，以插件形式提升现有会话推荐系统的多样性，同时保持推荐准确性。
2024-03-30 cs.AI cs.IR
Contextual Distillation Model for Diversified Recommendation
针对现有多样化推荐方法复杂度高、仅适用于重排序阶段的问题，提出可适配全推荐流水线的上下文蒸馏模型CDM，通过对比上下文编码与知识蒸馏学习MMR策略，经离线与快手在线实验验证其在效率与多样性上的优势。
2024-08-14 cs.IR
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran（德黑兰大学）
近年来，基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程，并根据用户的即时反馈来更新推荐模型，而传统的推荐方法忽略了这一点，因此受到了研究者的关注。现有的工程有两个明显的缺点。首先，低效的排名功能产生Top-N推荐列表。第二，关注推荐准确性，而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统，该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模，并最大化期望的长期回报。此外，我们建议利用Spotify的ANNoy算法来找到最相似的项目，以生成演员网络的动作。在此基础上，使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外，我们应用位置编码来计算表示用户的交互序列，而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明，我们提出的模型能够根据用户的偏好生成一个多样化的，而相关的推荐列表。
2021-10-29 cs.AI cs.IR
Tree of Preferences for Diversified Recommendation
Zhejiang University（浙江大学）；Fudan University（复旦大学）；Hangzhou City University（杭州市大学）；Nanyang Technological University（南洋理工大学）
本文提出基于偏好树的多样化推荐方法，利用LLMs揭示用户未探索偏好，提升推荐多样性与相关性。
2025-12-24 cs.AI cs.IR
On Practical Diversified Recommendation with Controllable Category Diversity Framework
针对推荐系统回声室效应，提出可控类别多样性框架CCDF，通过两阶段匹配同时提升用户显式与非交互多样性，离线与在线实验验证其有效性。
2024-02-06 cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.（字节跳动公司）；University of Virginia（弗吉尼亚大学）
长期以来，准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而，我们指出，由于多样性通常是通过某些预先选择的项目属性来衡量的，例如，类别作为最普遍采用的一种，只要多样化尊重用户对预选属性的偏好，就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解，其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中，我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件，以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明，该方法在提高推荐准确率和多样性方面是有效的。深入分析表明，这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
Diversified recommendations of cultural activities with personalized determinantal point processes
pass Culture Soda Team, Inria Saclay（pass文化Soda团队，Inria萨克利实验室）
本研究利用个性化行列式点过程（DPP）采样实现文化活动推荐多样化，通过相似性核分解加权用户偏好，结合离线与在线指标评估相关性与多样性的权衡，并开源完整代码。
2025-09-12 cs.AI cs.IR
Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning
Business School, Sichuan University（四川大学商学院）；School of Computer Science and Software Engineering, Southwest Petroleum University（西南石油大学计算机科学与工程学院）；The Hong Kong Polytechnic University（香港理工大学）；University of Illinois at Chicago（芝加哥大学伊利诺伊分校）
本文提出基于加权超图嵌入的多样化音乐推荐算法DWHRec，通过超图随机游走学习用户潜在偏好，在保持准确性的同时提升推荐多样性，并在两个真实数据集上验证其优于七种现有算法。
2024-02-26 cs.IR cs.LG
Knowledge Graph Context-Enhanced Diversified Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce人工智能研究院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间科学与技术学院）；Kunming University of Science and Technology（昆明理工大学）
本研究针对推荐系统中的“回音室”现象，提出在知识图谱背景下通过引入 Entity Coverage 和 Relation Coverage 指标量化多样性，并结合 DEL 模块与 CAU 技术构建多样性感知的用户表示并保持上下文完整性，从而有效增强推荐多样性。
2024-04-22 cs.IR cs.LG
A Hybrid Bandit Framework for Diversified Recommendation
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学新加坡联合研究院）；Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY)（新加坡南洋理工大学-英属哥伦比亚大学老年人积极生活联合卓越研究中心（LILY））；School of Computer Science and Engineering, Nanyang Technological University（新加坡南洋理工大学计算机科学与工程学院）；Alibaba Group（阿里巴巴集团）
交互式推荐系统通过及时接收用户反馈来更新推荐策略，从而使用户参与到推荐过程中。因此，它们被广泛应用于实际应用场景。以往的交互式推荐方法主要关注于学习用户对项目集相关性的个性化偏好。然而，用户的个性化偏好对项目集多样性的影响往往被忽略。为了克服这个问题，我们提出了线性模色散Bandit（LMDB）框架，这是一个在线学习设置，用于优化模函数和色散函数的组合。具体地说，LMDB采用模块化函数来建模每个项目的相关性属性，和分散函数来描述项目集的多样性属性。此外，我们还开发了一个学习算法，称为线性模色散混合（LMDH）来解决LMDB问题，并推导出其n步遗憾的无间隙界。在真实数据集上进行了大量的实验，以证明所提出的LMDB框架在平衡推荐准确性和多样性方面的有效性。
2020-12-24 cs.IR cs.LG
Sliding Spectrum Decomposition for Diversified Recommendation
Xiaohongshu Inc.（小红书公司）
内容提要是一种推荐一系列项目供用户浏览和参与的产品，在社交媒体平台中非常受欢迎。在本文中，我们建议研究的多样性问题，在这样的情况下，从项目序列的角度来看，使用时间序列分析技术。我们推导出一种称为滑动谱分解（SSD）的方法，捕捉用户的多样性浏览长项目序列的看法。我们还分享了设计和实现合适的项目嵌入方法以在长尾效应下进行准确相似性测量的经验。结合在一起，它们现在已经完全实现并部署在小红书App的生产推荐系统中，该系统每天为数千万用户提供主要的Explore Feed产品。通过理论分析、离线实验和在线A/B测试，验证了该方法的有效性和高效性。
2021-07-12 cs.IR cs.LG
NR4DER: Neural Re-ranking for Diversified Exercise Recommendation
Jinan University（济南大学）；South China Normal University（华南师范大学）；University of Macau（澳门大学）
针对在线学习中习题推荐准确性与多样性不足、难以适应不活跃学生和个性化节奏的问题，提出 NR4DER，通过 mLSTM 过滤、序列增强与神经重排序生成多样化习题推荐。
2025-06-01 cs.AI cs.CY cs.IR
Recommending Accurate and Diverse Items Using Bilateral Branch Network
推荐系统由于能够结合用户的个人喜好而在在线平台中发挥着至关重要的作用。除了准确性之外，多样性也被认为是扩大用户视野和促进企业销售的关键因素。然而，准确性和多样性之间的权衡仍然是一个巨大的挑战，数据和用户偏见尚未被探索。在本文中，我们开发了一个自适应学习框架，准确和多样化的推荐。我们将计算机视觉领域最近提出的双向分支网络从图像分类推广到项目推荐。具体来说，我们编码域水平的多样性，自适应平衡准确的建议在常规分支和多样化的建议在双边分支网络的自适应分支。我们还捕获用户级的多样性，使用双向自适应度量学习骨干网络在每个分支。我们在三个真实世界的数据集上进行了广泛的实验。结果表明，我们提出的方法始终优于最先进的基线。
2021-01-04 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
Leave No One Behind: Enhancing Diversity While Maintaining Accuracy in Social Recommendation
针对社交推荐模型提升准确性但降低多样性的问题，提出轻量模型无关框架DivSR，通过关系知识蒸馏迁移非社交推荐的高多样性知识，在三个基准数据集上实现更优的准确性-多样性权衡。
2025-02-22 cs.IR
Future-Aware Diverse Trends Framework for Recommendation
在推荐系统中，用户-项目行为建模是用户表示学习的基础。现有的顺序排序器考虑历史交互项目之间的顺序相关性，以捕获用户的历史偏好。然而，由于用户的偏好本质上是随时间演变的和多样化的，因此仅对历史偏好进行建模（而不知道偏好的随时间演变的趋势）对于推荐补充或新鲜项目可能是较差的，从而损害推荐系统的有效性。在本文中，我们通过提出未来感知的多样化趋势（FAT）框架，弥合了过去偏好和潜在未来偏好之间的差距。通过未来感知，对于每个被检查的用户，我们构建未来序列从其他类似的用户，其中包括发生在被检查的用户的最后一个行为之后的行为，基于建议的邻居行为提取器。通过多样化的趋势，假设未来的偏好是多样化的，我们提出了多样化的趋势提取器和时间感知机制来表示一个给定的用户与多个向量的偏好的可能趋势。我们利用历史偏好和可能的未来趋势的表示来获得最终的建议。在真实世界数据集上进行的大量实验的定量和定性结果表明，该框架不仅在各种指标上优于最先进的顺序推荐方法，而且还提供了补充和新鲜的推荐。
2021-05-03 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
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
Do you MIND? Reflections on the MIND dataset for research on diversity in news recommendations
该研究分析了MIND数据集在多样化新闻推荐研究中的适用性，考察推荐流程步骤对文章类别分布的影响及数据对复杂多样性分析的支撑性，指出该数据集虽有进步但仍有改进空间。
2023-05-03 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
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说，很少有项目经常被推荐，而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低（即聚合多样性较低）以及推荐项目的不公平分布。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为一个后处理的方法后，推荐生成，以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目，并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目，该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明，FairMatch在显着提高聚合多样性的同时，提供了相当的推荐准确性。
2020-05-03 cs.IR
Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
大多数电子商务应用程序上的主页推荐以分层方式放置项目，其中不同的频道以不同的风格显示项目。现有的算法通常优化单个通道的性能。因此，设计一个推荐模型来获得最大化整个网页点击率的最优推荐列表是一个具有挑战性的问题。除了准确性目标之外，主页上的显示多样性也很重要，因为均匀的显示通常会损害用户体验。在本文中，我们提出了一个两阶段的主页推荐系统的架构。在第一阶段中，我们开发了有效的算法，用于在保持多样性的同时向适当的渠道推荐项目。这两种方法可以结合起来：具有多样性约束的用户-渠道-项目预测模型。在第二阶段，我们提供每个通道中的项目的有序列表。现有的重排序模型难以描述渠道内和渠道间项目之间的相互影响。因此，我们提出了一个深度和层次的注意力网络重新排名（DHANR）模型的网页推荐系统。分层注意力网络由项目编码器、项目级注意力层、通道编码器和通道级注意力层组成。我们的方法在离线实验中的精度，列表内平均距离（ILAD）和通道精度@k方面以及在线系统中的CTR和ILAD方面取得了显着的改善。
2021-12-12 cs.IR cs.LG
A new system-wide diversity measure for recommendations with efficient algorithms
推荐系统通常对按类型聚类的项目目录和按人口统计学或心理学属性自然聚类为用户类型的用户库进行操作。以前关于全系统多样性的工作主要集中在定义这些类别之间的意图感知指标，并最大限度地提高所产生的建议的相关性，但没有从项目和用户两个角度结合多样性的概念。在这项工作中，（1）我们引入了两个新的系统范围内的多样性度量，同时解决多样化的问题，每个用户看到的项目的类别，多样化的用户类型，每个项目显示，并保持高推荐质量。我们将其建模为用户和项目之间候选推荐的二分图上的子图选择问题。(2)在不相交的项目类别和用户类型的情况下，我们表明，由此产生的问题可以在多项式时间内精确地解决，通过减少到最小成本流问题。(3)在非不相交的类别和用户类型的情况下，我们证明了NP-完全的目标，并提出了有效的近似算法使用的子模块的目标。(4)最后，我们在MovieLens-1 m和Netflix数据集上验证了我们的算法的有效性，并表明为我们的目标设计的算法在销售多样性指标上也表现良好，甚至在一些意图感知的多样性指标上也表现良好。我们的实验结果证明了我们的新的复合多样性指标的有效性。
2019-08-27 cs.IR
ReFRS: Resource-efficient Federated Recommender System for Dynamic and Diversified User Preferences
由于其设计的可扩展性和隐私性，联邦学习（FL）在分散式深度学习中受到越来越多的关注。FL还促进了最近关于升级和私有化个性化推荐服务的研究，使用设备上的数据在本地学习推荐模型。然后，这些模型将在全球范围内进行聚合，以获得更高性能的模型，同时保持数据隐私。通常，联合推荐系统（FRS）不考虑终端设备处的资源和数据可用性的缺乏。此外，他们假设用户和物品之间的交互数据是i. i. d。并且在终端设备上是固定的，并且可以直接对所有本地推荐器模型进行平均，而不考虑用户的行为多样性。然而，在实际场景中，必须在具有稀疏交互数据和有限资源的终端设备上进行推荐。此外，用户的偏好是异构的，他们经常访问新的项目。这使得他们的个人偏好高度倾斜，因此直接聚合模型对于这种非独立同分布是不适定的。数据在本文中，我们提出了资源高效的联合推荐系统（ReFRS），使分散式推荐与动态和多样化的用户偏好。在设备端，ReFRS由一个轻量级的自监督局部模型组成，该模型建立在变分自编码器上，用于从一系列交互项中学习用户的时间偏好。在服务器端，ReFRS利用语义采样器在每个识别的用户集群内自适应地执行模型聚合。聚类模块以异步和动态的方式操作，以支持高效的全局模型更新并应对不断变化的用户兴趣。因此，ReFRS在准确性和可扩展性方面都实现了卓越的性能，正如比较实验所证明的那样。
2022-07-28 cs.DC cs.IR
Result Diversification in Search and Recommendation: A Survey
本综述首次提出统一分类体系，系统梳理搜索与推荐中的多样化度量标准与方法，总结多样性关注点并探讨开放性研究问题。
2024-02-19 cs.IR
Diversified Recommendations for Agents with Adaptive Preferences
Columbia University（哥伦比亚大学）
当一个代理访问一个平台，推荐一个内容菜单供选择时，他们对项目的选择不仅取决于固定的偏好，还取决于他们与平台的先前约定。推荐器的主要目标通常是鼓励内容消费，从而优化某些奖励，例如广告收入，但它们通常也旨在确保代理随着时间的推移消费各种各样的内容。我们把这个问题形式化为一个对抗性的强盗任务。在每一步中，推荐器向代理呈现$k$（来自$n$）项的菜单，代理根据其未知偏好模型选择菜单中的一个项，该偏好模型将其过去项的历史映射到相对选择概率。然后，推荐者观察代理人选择的物品，并接收物品奖励的强盗反馈。除了优化所选项目的奖励外，推荐器还必须确保所选项目的总分布具有足够高的熵。我们定义了一类局部可学习的偏好模型，即整个域上的行为可以通过仅观察小区域中的行为来估计;这包括由有界次数多项式表示的模型以及具有稀疏傅立叶基的函数。对于这个类，我们给出了一个算法的推荐，获得$\tilde{O}(T^{3/4})$遗憾对所有项目分布满足两个条件：他们是足够多样化的，他们是瞬间实现在任何历史上的一些分布菜单。我们表明，这些条件是紧密相连的：所有足够高的熵分布是瞬间实现在任何项目的历史。我们还给出了一组否定的结果证明我们的假设，在非本地学习的运行时下限和替代基准的线性遗憾下限的形式。
2022-10-25 cs.GT cs.IR cs.LG
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems
本文提出DLCRec框架，通过将推荐过程分解为类型预测、类型填充和物品预测三个子任务，并结合数据增强技术，实现对基于大语言模型推荐系统中多样性的细粒度控制，在多个场景中优于现有基线。
2025-01-06 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
Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity
决定点过程（DPP）是一个优雅的排斥概率模型，应用于各种机器学习任务，包括总结和搜索。然而，在许多应用中起着重要作用的DPP的最大后验概率（MAP）推理是NP难的，即使是流行的贪心算法也可能计算量太大而不能用于大规模实时场景。为了克服计算的挑战，在本文中，我们提出了一种新的算法，大大加快贪婪MAP推理DPP。此外，我们的算法还适应的情况下，排斥只需要在附近的几个项目的结果序列。我们应用所提出的算法来生成相关的和多样化的建议。实验结果表明，我们提出的算法是显着快于国家的最先进的竞争对手，并提供了一个更好的相关性多样性权衡在几个公共数据集，这也证实了在线A/B测试。
2018-05-26 cs.IR
Counterfactual Multi-player Bandits for Explainable Recommendation Diversification
针对推荐多样性方法缺乏可解释性且难以优化不可微指标的问题，提出反事实多玩家老虎机 CMB，通过反事实因素识别与多玩家老虎机优化实现跨指标的可解释推荐多样化。
2025-06-11 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
Diversity-aware Dual-promotion Poisoning Attack on Sequential Recommendation
本文提出多样性感知双目标提升投毒攻击方法DDSP，通过改进攻击目标并引入多样性约束的自回归序列生成器，在提升目标物品排名的同时维持用户偏好相关性，以增强攻击隐蔽性与有效性。
2025-04-09 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
Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations
本文提出基于Cornac的Informfully Recommenders框架，首次为规范驱动的多样性感知推荐提供覆盖预处理、模型、会话内重排序和多样性评估的端到端可复现实验方案，并在新闻领域离线实验中验证其有效性。
2025-08-18 cs.IR
Is News Recommendation a Sequential Recommendation Task?
新闻推荐通常被建模为一个顺序推荐任务，它假设历史点击新闻具有丰富的短期依赖性。然而，在新闻推荐场景中，用户通常对新闻信息的时间多样性有很强的偏好，并且可能不倾向于连续点击类似的新闻，这与电子商务推荐等许多顺序推荐场景有很大不同。在本文中，我们研究新闻推荐是否可以被视为一个标准的顺序推荐问题。通过在两个真实数据集上的大量实验，我们发现将新闻推荐建模为顺序推荐问题是次优的。为了应对这一挑战，我们进一步提出了一个时间多样性感知的新闻推荐方法，可以促进候选新闻是从最近点击的新闻，这可以帮助预测未来的点击更准确。实验表明，我们的方法可以不断提高各种新闻推荐方法。
2021-08-26 cs.IR
Promotional effect on cold start problem and diversity in a data characteristic based recommendation method
纯方法通常在推荐准确度和多样性方面表现优异，而混合方法通常在推荐准确度和多样性方面优于纯方法，但遇到了针对不同推荐焦点的最佳混合参数选择的困境。本文基于一个用户-项目二分网络，提出了一种基于数据特征的算法，将杂交参数与数据特征联系起来。与以往的混合算法不同，该算法根据算法与项目度之间的相关性，自适应地为每个项目分配最优参数。与高准确度的纯方法和在推荐准确度和多样性方面都很突出的混合方法相比，该方法在保持较高的整体推荐准确度的同时，对冷启动这一长期存在的挑战性问题以及推荐多样性方面都有显著的促进作用。与一种高效的改进混合推荐方法相比，该方法不仅进一步提高了冷启动项目的推荐准确率，而且增强了推荐的多样性。我们的工作可能会提供一个有前途的方法，更好地解决个人推荐的角度与数据集属性的算法。
2012-07-24 cs.IR physics.soc-ph
A Critical Reexamination of Intra-List Distance and Dispersion
本研究批判性重新审视了多样化推荐中的ILD和离散度目标，揭示了它们在项目选择上的潜在缺陷，并提出了可通过带宽参数在两者间插值的Gaussian ILD目标，通过真实数据实验验证了理论与极端行为。
2023-05-23 cs.IR
Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations
提出自适应探索推荐框架，通过句子嵌入聚类和用户控制采样平衡多样性与相关性，实验显示降低列表内相似度并提升意外性，优于基线。
2025-03-25 cs.IR
Improving Recommendation Diversity by Highlighting the ExTrA Fabricated Experts
如今，推荐系统（RSes）对个人用户和企业营销变得越来越重要，特别是在在线电子商务场景中。然而，虽然在文献中提出的大多数推荐算法都集中在提高预测精度的努力，推荐质量的其他重要方面，如多样性的建议，已或多或少被忽视。近十年来，推荐多样性引起了越来越多的研究关注，特别是在基于用户-项目二分网络的推荐模型中。在本文中，我们介绍了一个家庭的方法来提取制造的专家从用户的RSes，命名为专家跟踪方法（ExTrA的简称），并探讨这些制造的专家在提高推荐多样性的能力，突出他们在一个著名的二分网络为基础的方法，称为质量扩散（MD的简称）模型。这些ExTrA为基础的模型进行了比较，两个国家的最先进的MD改进模型HHP和BHC，在推荐的准确性和多样性。在三个真实世界数据集MovieLens，Netflix和RYM上的综合实证结果表明，我们提出的基于ExTrA的模型可以实现显着的多样性增益，同时保持相当的推荐准确性水平。
2020-04-24 cs.IR cs.SI
GANPrompt: Enhancing Robustness in LLM-Based Recommendations with GAN-Enhanced Diversity Prompts
针对大语言模型推荐系统的提示敏感性问题，提出基于GAN的多维提示多样性框架GANPrompt，通过生成多样化提示训练模型并引入多样性约束，有效提升推荐的准确性与鲁棒性。
2024-12-12 cs.IR
Generating Pertinent and Diversified Comments with Topic-aware Pointer-Generator Networks
Baidu, Inc.（百度公司）；NJUPT（南京邮电大学）
注释生成是自然语言生成中一个新的、具有挑战性的课题，近年来引起了人们的广泛关注。然而，以往工作产生的评论往往缺乏针对性和多样性。本文提出了一种基于话题感知指针生成器网络（TPGN）的新的生成模型，该模型能够利用文章中隐藏的话题信息来指导针对性和多样性的评论生成。首先，我们设计了一个关键词级和主题级的编码器注意力机制来捕获文章中的主题信息。接下来，我们将主题信息集成到指针生成器网络中，以指导评论生成。在大规模评论生成数据集上的实验表明，该模型能够生成有价值的评论，并且显著优于竞争对手的基线模型。
2020-05-09 cs.CL cs.IR cs.LG
Assessing the Impact of Music Recommendation Diversity on Listeners: A Longitudinal Study
我们提出了一个为期12周的纵向用户研究的结果，其中的参与者，110名受试者来自南欧，每天收到电子音乐（EM）多样化的建议。通过分析他们的显式和隐式反馈，我们发现，暴露于特定水平的音乐推荐多样性可能是负责对听众的态度的长期影响。特别是，我们强调多样性的功能，在听EM，音乐流派不是特别知道或喜欢的参与者之前，他们参与研究的开放性。此外，我们表明，建议可能有助于听众在消除积极和消极的附件对EM，解构预先存在的隐式协会，但也与这种音乐的刻板印象。此外，我们的研究结果表明，推荐的多样性在产生好奇心的听众显着的影响力。
2022-12-01 cs.HC cs.IR
Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation
Nanyang Technological University（南洋理工大学）；Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）
交互式推荐是对用户与推荐系统之间的显式交互进行建模的一种方法，近年来受到了广泛的关注。以往的交互式推荐系统大多只关注推荐准确率的优化，而忽略了推荐质量的其他重要方面，如推荐结果的多样性。本文提出了一种新的推荐模型，称为\underline{D}多样性促进\underline{D} eep \underline{R} \underline{L} earning（D $^2$ RL），它鼓励交互推荐中推荐结果的多样性.更具体地说，我们采用了一个决定性点过程（DPP）模型来生成不同的，而相关的项目建议。为每个用户维护个性化的DPP核矩阵，该矩阵由两部分构成：固定的相似度矩阵，捕获项目之间的相似性，以及通过演员-评论家强化学习框架动态学习的项目的相关性。我们进行了大量的离线实验以及模拟在线实验与现实世界的数据集，以证明所提出的模型的有效性。
2019-03-19 cs.AI 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
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
Augmenting Sequential Recommendation with Balanced Relevance and Diversity
本文提出序列推荐的平衡数据增强插件BASRec，通过单序列增强与跨序列增强模块平衡数据的相关性与多样性，有效缓解语义漂移并显著提升模型性能。
2024-12-21 cs.IR
Contrastive Cross-domain Recommendation in Matching
跨域推荐（Cross-Domain Recommendation，CDR）是一种在目标域中借助源域提供更好的推荐结果的方法，在现实系统中得到了广泛的应用和探索。然而，匹配中的CDR（即，候选生成）模块在表示学习和知识转移中都要与数据稀疏性和流行性偏差问题作斗争。在这项工作中，我们提出了一个新的对比跨域推荐（CCDR）框架中的CDR匹配。具体而言，我们构建了一个巨大的多样化偏好网络，以获取反映用户不同兴趣的多种信息，并设计了一个域内对比学习（intra-CL）和三个跨域对比学习（inter-CL）任务，以实现更好的表示学习和知识转移。内部CL通过图形增强在目标域内实现更有效和平衡的训练，而内部CL从用户，分类和邻居方面构建不同类型的跨域交互。在实验中，CCDR在现实世界的系统中实现了离线和在线评估的显着改进。目前，我们已在微信看一看”上部署了CCDR，影响了大量用户。源代码在https://github.com/lqfarmer/CCDR中。
2022-06-21 cs.IR
Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；City University of Hong Kong（香港城市大学）；Centre for Frontier AI Research, A*STAR（新加坡国立研究局前沿人工智能研究中心）；Institute of High-Performance Computing, A*STAR（新加坡国立研究局高性能计算研究所）
本文提出CPGRec框架，通过准确性驱动、多样性驱动和综合模块平衡视频游戏推荐的准确性和多样性，实验表明在Steam数据集上提升了推荐效果。
2026-08-28 cs.IR
