End-to-end Learnable Clustering for Intent Learning in Recommendation
Ant Group（蚂蚁集团）；National University of Singapore（新加坡国立大学）；Westlake University（西湖大学）；Alibaba Group（阿里巴巴集团）；National University of Defense Technology（国防科技大学）；Zhejiang University（浙江大学）
提出ELCRec，一种端到端可学习聚类框架，通过将行为表示学习与聚类统一优化，解决推荐中意图学习的复杂交替优化问题，显著提升性能并降低计算成本。
2024-11-09 cs.AI cs.IR
Learning to Personalize Recommendation based on Customers' Shopping Intents
本文介绍亚马逊基于顾客高层购物意图（如露营、派对）的个性化推荐系统，通过自动识别意图、深度学习映射行为及实时排序，实现意图感知推荐，离线分析显示业务指标提升10%。
2023-05-10 cs.AI 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
Coarse-to-Fine Sparse Sequential Recommendation
University of California, San Diego（加州大学圣地亚哥分校）；Amazon（亚马逊）
顺序推荐的目的是从历史交互中建模动态用户行为。事实证明，自我关注的方法可以有效地捕捉短期动态和长期偏好。尽管取得了成功，但这些方法仍然难以对稀疏数据进行建模，难以在稀疏数据上学习高质量的项目表示。我们建议同时从购物意图和交互项目中建模用户动态。学习的意图是粗粒度的，并作为项目推荐的先验知识。为此，我们提出了一个从粗到细的自注意框架，即CaFe，它明确地学习粗粒度和细粒度的顺序动态。具体来说，CaFe首先从密集的粗粒度序列中学习意图，从而提供高质量的用户意图表示。然后，CaFe将意图表示融合到项目编码器输出中以获得改进的项目表示。最后，我们推断推荐项目的表示和相应的意图的基础上。在稀疏数据集上的实验表明，CaFe比最先进的自注意分类器平均高出44.03%NDCG@5。
2022-04-04 cs.AI cs.IR
A Framework for Elastic Adaptation of User Multiple Intents in Sequential Recommendation
本文提出增量学习框架IMA及升级版EMA，通过保留现有意图、检测新意图和修剪机制解决序列推荐中用户意图动态增长与遗忘问题，并在内存限制下弹性压缩意图。
2025-04-30 cs.IR
Deep Interest Mining for Intent-Enriched Semantic IDs in Multimodal Generative Recommendation
Amazon（亚马逊）
提出DeepInterestGR框架，通过视觉线索和意图描述符丰富量化前的物品表示，并结合相关性门控语义奖励，提升基于语义ID的生成式推荐性能。
2026-06-01 cs.AI cs.IR
Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents
University of Electronic Science and Technology of China（电子科技大学）
针对会话推荐中长尾分布导致准确性与多样性冲突的跷跷板问题，提出混合意图双重约束框架HID，通过属性感知谱聚类重构意图映射并区分噪声意图，结合多样性与准确性约束损失，实现长尾与准确性的双赢。
2026-06-19 cs.AI cs.IR
Unified Dual-Intent Translation for Joint Modeling of Search and Recommendation
本文提出统一双意图翻译模型UDITSR，利用搜索查询监督推荐中的需求意图生成，并通过双意图翻译传播机制在同一语义空间建模内在意图、需求意图与交互物品的关系，在搜索和推荐任务上均超越SOTA基线。
2024-07-01 cs.IR
Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations
The Hong Kong Polytechnic University（香港理工大学）；Kuaishou Technology（快手科技）
提出AIR框架，通过离线LLM推理与在线高效检索组合，实现工业级跨域推荐，在快手电商中GMV提升3.446%。
2026-06-09 cs.AI cs.IR
Enhancing and Scaling Search Query Datasets for Recommendation Systems
JPMorganChase（摩根大通）
本文提出一个面向数字银行推荐系统的生产级数据增强系统，通过合成查询生成、意图消歧和意图缺口分析三个模块缓解冷启动问题并提升推荐精度，在真实环境中验证了显著效果。
2025-08-22 cs.AI cs.IR
Basket Recommendation with Multi-Intent Translation Graph Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Walmart Labs（沃尔玛实验室）
购物篮推荐（BR）的问题是向当前购物篮推荐一个物品的排名列表。现有的方法通过假设同一篮子中的项目由一个语义关系相关来解决这个问题，从而优化项目嵌入。然而，当一个篮子中存在多个意图时，这个假设就被打破了。例如，假设一个购物篮包含\{ \textit{bread, cereal, yogurt, soap, detergent} \}，其中\{ \textit{bread, cereal, yogurt} \}通过“早餐”意图相关，而\{ \textit{soap, detergent} \}具有“清洁”意图，忽略项目之间的多个关系会破坏模型学习嵌入的能力。为了解决这个问题，需要发现篮子中的意图。然而，检索多意图模式是相当具有挑战性的，因为意图是隐藏在篮子里的。另外，篮子内的意图也可以是相关的。此外，发现多意图模式需要对高阶交互进行建模，因为不同篮子中的意图也是相关的。为此，我们提出了一个新的框架--\textbf{M}多功能\textbf{I}功能\textbf{T}翻译\textbf{G}--\textbf{N}功能\textbf{N}网络~（{ \textbf{MITGNN} }）. MITGNN将$T$意图建模为通过$T$关系向量从一个对应的篮子嵌入转换的尾实体。通过多头聚合器学习关系向量来处理用户和项目信息。此外，MITGNN在我们定义的篮子图中传播多个意图，通过聚合邻居来学…
2020-10-22 cs.AI cs.IR
Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement
College of Computer, Qinghai Normal University（青海师范大学计算机学院）；The State Key Laboratory of Tibetan Intelligent Information Processing and Application（藏语智能信息处理及应用国家重点实验室）；Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province（青海省藏文信息处理与机器翻译重点实验室）；Key Laboratory of Tibetan Information Processing, Ministry of Education（藏文信息处理教育部重点实验室）
针对序列推荐中用户多重意图难以区分的问题，提出MIDCL，利用VAE解耦多意图并设计两类对比学习范式，提升推荐性能与可解释性。
2024-05-08 cs.AI cs.HC cs.IR
SPRINT: Scalable and Predictive Intent Refinement for LLM-Enhanced Session-based Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（高丽大学）
本文提出SPRINT框架，通过全局意图池约束LLM生成可靠意图，并在推理时使用轻量级意图预测器提升可扩展性，实验证明其在推荐效果和可解释性上优于现有方法。
2026-04-15 cs.IR
On-Device User Intent Prediction for Context and Sequence Aware Recommendation
Samsung Research Institute（三星研究院）
为了提高推荐系统的准确性，引入了用户上下文。上下文感知推荐系统通常处理大量数据，这些数据必须上传并存储在云上，从而使用户的个人信息处于危险之中。虽然之前已经有关于隐私敏感和上下文感知推荐系统的研究，但还没有一个完整的系统部署在孤立的移动环境中。我们提出了一种安全有效的设备上机制来预测用户的下一个意图。用户的实时意图的知识可以帮助推荐系统在正确的时刻提供更相关的推荐。我们提出的算法是上下文和序列感知。我们将用户意图作为加权节点嵌入到n维向量空间中，其中每个维度代表特定的用户上下文因素。通过邻域搜索方法和序列匹配算法，寻找最相关的节点进行预测。我们的方法的评估是在一个不同的现实世界的数据集上完成的，在这个数据集上，它能够有效和鲁棒地解决行为漂移和序列模式等实际场景。我们的系统在标准数据集上针对类似问题域进行评估时，也优于大多数最先进的方法。
2019-09-18 cs.AI cs.IR
Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表，这已经证明了它们在提高推荐质量方面的有效性。然而，大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型，这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中，我们提出了一种新的意图感知重排序模型与动态Transformer编码器（RAISE），旨在执行用户特定的预测，为每个单独的用户的基础上，她的意图。具体来说，我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块（IDM）。通过区分评论信息的重要性与共同注意力网络，潜在的用户意图可以显式地建模为每个用户项目对。然后，我们引入了一个动态的Transformer编码器（DTE），以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此，人们不仅可以实现更个性化的推荐，而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明，本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation
针对现有序列推荐中意图建模的三大局限，该研究提出IDCLRec方法，通过意图-兴趣解耦、重要性加权注意力及物品感知对比学习提升推荐效果，经真实数据集实验验证了有效性。
2025-01-13 cs.IR
Dynamic Intention-Aware Recommendation System
推荐系统在过去的几十年里得到了广泛的研究。与此同时，大数据的繁荣正在推动推荐系统发展的根本性变化。在本文中，我们提出了一个动态的意图感知推荐系统，以更好地促进用户找到所需的产品和服务。与以往的工作相比，我们的建议具有以下优点：（1）它考虑到用户的意图和需求，通过意图挖掘技术。通过从历史用户-项目交互中挖掘用户意图，以及从社交媒体和物联网中收集的各种用户数字痕迹，能够利用丰富的在线和离线用户数据提供更满意的推荐;（2）它包含嵌入异构源信息和多个域的共享表示的好处，以全面提供准确有效的推荐;（3）通过捕捉动态影响力，主动及时地推荐产品或服务，可以显著减少用户的参与和努力。
2017-03-10 cs.IR
LLMDiRec: LLM-Enhanced Intent Diffusion for Sequential Recommendation
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Centrum Wiskunde & Informatica（数学与计算机科学中心）
LLMDiRec通过整合大语言模型与意图感知扩散模型，提升序列推荐中复杂用户意图捕捉和长尾项推荐效果。
2025-10-20 cs.IR
Intent Representation Learning with Large Language Model for Recommendation
本文提出IRLLRec框架，利用大语言模型构建多模态意图，通过双塔架构、成对与翻译对齐及动量蒸馏，缓解交互意图稀疏和模态差异问题，提升推荐性能。
2025-04-09 cs.IR
Intent Contrastive Learning with Cross Subsequences for Sequential Recommendation
本文提出ICSRec模型，通过动态滑动操作分割序列并利用粗细粒度意图对比学习建模用户潜在意图，在四个数据集上显著提升了序列推荐性能。
2023-11-25 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
Knowledge Enhanced Multi-intent Transformer Network for Recommendation
针对知识图谱融入推荐系统带来的多意图和知识噪声问题，提出知识增强多意图Transformer网络（KGTN），通过全局意图建模和知识对比去噪模块学习意图感知表示，在基准数据集和阿里在线A/B测试中均取得优于现有方法的效果。
2024-05-31 cs.IR
Multi-view Intent Learning and Alignment with Large Language Models for Session-based Recommendation
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件学院）；BNRist, Tsinghua University（清华大学BNRist）；Tencent Inc.（腾讯公司）
针对会话式推荐（SBR）中数据稀疏、LLM应用受限等问题，提出两阶段LLM增强框架，通过多视角意图学习与对齐融合语义和行为信号，在真实数据集上提升性能并发布代码。
2025-04-14 cs.AI cs.IR
Learning Multi-granularity User Intent Unit for Session-based Recommendation
基于会话的推荐旨在根据用户在当前会话中的先前动作来预测用户的下一个动作。主要的挑战是在整个会话中捕获真实和完整的用户偏好。最近的工作利用图结构来表示整个会话，并采用图神经网络来编码会话信息。实践证明，这种模式选择是有效的，取得了显著的效果。然而，大多数现有的研究只考虑会话中的每个项目独立，并没有捕捉会话语义从一个高层次的角度。这种限制通常会导致严重的信息丢失，并增加了在会话中捕获长期依赖关系的难度。直观地，与单个项目相比，会话片段，即，一组局部连续的项目能够提供现有方法难以捕获的补充用户意图。在这项工作中，我们提出学习多粒度连续的用户意图单元，以提高推荐性能。具体来说，我们创造性地提出了多粒度意图异构会话图，它捕获了不同粒度意图单元之间的交互，减轻了长依赖的负担。此外，我们提出的意图融合排名模块组成的推荐结果，从各种粒度的用户意图。与目前仅利用单个项目的意图的方法相比，IFR受益于不同粒度的用户意图，以生成更准确和全面的会话表示，从而最终提高推荐性能。我们在五个基于会话的推荐数据集上进行了大量的实验，结果证明了我们的方法的有效性。
2022-01-10 cs.IR cs.SI
Enhancing User Intent for Recommendation Systems via Large Language Models
本文提出DUIP框架，结合LSTM与大型语言模型动态捕捉用户意图，在三个数据集上优于基线，有效解决冷启动问题并实现实时意图适应，为下一代推荐系统提供新思路。
2025-01-18 cs.IR
Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化所）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）；School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（信息与通信技术大学计算机科学学院）；The State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室）；Central South University（中南大学）；National University of Singapore（新加坡国立大学）；Jinan University（暨南大学）；Beijing University of Posts and Telecommunications（信息与通信技术大学）；TravelSky Technology Limited（旅行天空技术有限公司）
本文提出HIPHOP方法，通过可插拔LLM语义嵌入、动态多意图捕捉、层次化会话间相似性学习及意图引导去噪，结合对比学习优化会话表示，显著提升会话推荐性能。
2025-07-07 cs.AI cs.IR
Modeling User Intent Beyond Trigger: Incorporating Uncertainty for Trigger-Induced Recommendation
本文针对触发诱导推荐中过度依赖触发项导致用户意图理解收敛的问题，提出深度不确定性意图网络 DUIN，通过显式意图利用、潜在意图探索和意图不确定性测量三个模块提升推荐性能，并在三个真实数据集及在线 A/B 测试中验证了其优越性。
2024-08-07 cs.IR
Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation
Tianjin University（天津大学）；Monash University（莫纳什大学）；Peking University（北京大学）；Meituan（美团）；Griffith University（格里菲斯大学）
针对基于会话的图神经网络无法推荐新物品的问题，提出双意图增强图神经网络，利用注意力机制和数据分布学习用户意图，并结合零样本学习推断新物品表示，在两个真实数据集上验证了有效性。
2023-05-10 cs.AI 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
Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation
针对异构图中用户-项目交互受潜在意图支配但现有方法忽略此点的问题，提出IHGCL框架，通过基于元路径的双对比学习整合意图，并利用BAE减少元路径噪声，在六个数据集上表现优于基线。
2024-07-28 cs.IR
Intent-Guided Reasoning for Sequential Recommendation
本文提出IGR-SR框架，通过提取高层意图来提升序列推荐的推理稳定性与鲁棒性，实验表明其在噪声环境下表现优于现有方法。
2025-12-16 cs.IR
Intent-aware Diffusion with Contrastive Learning for Sequential Recommendation
针对现有对比学习方法在序列推荐中因随机增强引入噪声而破坏用户意图的问题，提出意图感知扩散模型InDiRec，通过K-means聚类和条件扩散生成意图对齐视图，增强对比学习，在五个数据集上表现优于基线。
2025-04-22 cs.IR
Intent-aware Recommendation via Disentangled Graph Contrastive Learning
针对用户行为不足下的复杂意图学习及不同行为意图分布关联问题，提出基于解耦图对比学习的意图感知推荐方法IDCL，通过行为解耦模块、意图级对比学习和编码率降低正则化实现可解释推荐，实验验证其性能提升显著。
2024-03-06 cs.IR
Hierarchical User Intent Graph Network forMultimedia Recommendation
在这项工作中，我们的目标是学习多层次的用户意图，从项目的共同互动模式，从而获得高质量的表示用户和项目，进一步提高推荐性能。为此，我们开发了一个新的框架，分层用户意图图网络，它展示了用户意图的分层图结构，从细粒度到粗粒度的意图。特别地，我们通过递归地执行两个操作来获得多层用户意图：1）层内聚合，其从共同交互的项目图中提取与用户意图相关的信号;以及2）层间聚合，其通过收集较低层中的节点表示来构成较高层中的超级节点以建模粗粒度的用户意图。然后，我们将用户和项目表示细化为所发现意图的分布，而不是简单的预先存在的特征。为了证明我们模型的有效性，我们在三个公共数据集上进行了广泛的实验。我们的模型比最先进的方法，包括MMGCN和DisenGCN实现了显着的改进。此外，通过可视化的项目表示，我们提供了语义的用户意图。
2021-10-28 cs.IR cs.MM
RecToolBench: Benchmarking Recommendation-Specific Tool Orchestration under Fuzzy User Intent
Jilin University（吉林大学）；Squirrel AI Learning（松鼠AI学习）；The Hong Kong Polytechnic University（香港理工大学）
针对现有推荐基准忽视模糊意图和复杂工具编排的问题，提出RecToolBench基准，包含超1200个任务、13个MCP服务器和32个工具，并采用合成-模糊化-评判流水线构建，实验揭示LLM在语义参数接地和证据整合上的瓶颈。
2026-10-09 cs.IR
Intent Disentanglement and Feature Self-supervision for Novel Recommendation
推荐系统中的一个关键特性是用户-项目交互中的长尾分布，其中大多数项目只有很少的用户反馈。改进尾项推荐可以提高推荐的新颖性，并给用户和提供者带来积极的影响，因此是推荐系统的一个理想属性。现有的推荐研究过于强调尾项的重要性，而没有区分用户对受欢迎程度的意图，往往导致准确率急剧下降。此外，现有的方法都没有采取尾项的极端情况，即，冷启动项目没有任何相互作用，考虑。在这项工作中，我们首先披露的机制，推动用户的互动对流行或利基项目解开她的意图成一致性的影响（流行）和个人利益（偏好）。然后，我们提出了一个统一的端到端的框架，同时优化准确性和新颖性目标的基础上解开的流行和偏好的意图。我们进一步开发了一个新的范例，利用自监督学习技术的合作功能和内容功能之间的相关性，新的推荐冷启动项目。我们在三个真实世界的数据集上进行了广泛的实验结果。结果表明，我们提出的模型在准确性，新颖性，覆盖范围和权衡方面比最先进的基线有了显着的改进。
2021-06-28 cs.IR
IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation
随着网络嵌入技术的飞速发展，推荐算法也随之发展。然而，用户-项目交互的稀疏性（即，明确的偏好）仍然是预测用户行为的一大挑战。尽管已经在利用一些辅助信息（例如，用户之间的社会关系）来解决该问题，现有的丰富的异构辅助关系仍然没有被充分利用。此外，以前的工作依赖于线性组合正则化和遭受参数调整。在这项工作中，我们收集了丰富的关系，从共同的用户行为和项目信息，并提出了一个新的框架命名为IntentGC利用显式偏好和异构关系的图卷积网络。除了对异质性建模的能力之外，IntentGC还可以通过非线性意义上的神经模型自动学习不同关系的重要性。为了将IntentGC应用于Web规模的应用程序，我们设计了一个更快的图卷积模型IntentNet，避免了不必要的特征交互。在两个大规模真实数据集和阿里巴巴在线A/B测试上的实验表明，该方法优于现有算法。
2019-07-24 cs.IR
USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
针对首页推荐中曝光偏差导致的伪负样本和伪正样本问题，提出用户意图驱动的采样与双重去偏统一框架，在淘宝首页营销板块使UCTR提升35.4%和14.5%。
2025-07-10 cs.IR
Intent-Aware Contextual Recommendation System
University of Southern California（南加州大学）；Adobe Research（Adobe 研究院）；Adobe（Adobe 公司）
推荐系统从用户历史中获取输入，使用内部排名算法来生成结果，并可能基于反馈优化此排名。然而，推荐系统通常不知道用户的实际意图，并且简单地动态地提供推荐，而没有正确地理解用户的思维过程。智能推荐系统不仅对用户有用，而且对想要了解用户倾向的企业也有用。找出用户的倾向或意图是一个难以解决的问题。考虑到这一点，我们试图创建一个智能系统，它将跟踪用户在Web应用程序上的活动，并确定用户在每个会话中的意图。我们设计了一种通过会话对用户活动进行编码的方法。然后，我们已经表示了用户看到的信息在一个高维格式，这是减少到较低的维度，使用张量分解技术。意图意识（或评分）方面在此阶段处理。最后，将用户活动数据与上下文信息相结合给出推荐分数。然后，使用过滤和协作推荐技术对最终推荐进行排名，以向用户显示前k个推荐。在当前系统中还设想提供反馈，其通知模型更新推荐系统中的各种权重。我们的整体模型旨在结合基于频率和基于上下文的推荐系统，并量化用户的意图，以提供更好的推荐。我们对真实世界的时间戳用户活动数据进行了实验，在向业务分析工具的用户推荐报告的设置中，结果优于基线。我们还调整了模型的某些方面，以获得优化的结果。
2017-11-28 cs.AI cs.IR cs.LG
Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation
针对基于 GNN 的会话推荐忽视语义信息的问题，提出 LLM-DMsRec，利用 LLM 从候选物品推断多语义意图，并通过对齐机制与 GNN 结构意图融合，显著提升推荐性能。
2025-07-27 cs.IR
Modeling Multi-aspect Preferences and Intents for Multi-behavioral Sequential Recommendation
针对多行为序列推荐中偏好意图的多方面建模及行为噪声问题，提出 MAINT 模型，通过多方面投影、行为增强 LSTM、精炼注意力和门控融合提升推荐效果。
2023-09-26 cs.IR
Multi-intent-aware Session-based Recommendation
针对现有会话推荐模型忽视会话内多样化用户意图的问题，本文提出MiaSRec模型，利用频率嵌入和以项目为中心的多会话表示动态选择重要意图，在多个数据集上显著优于现有方法。
2024-05-02 cs.IR
Out-of-Town Recommendation with Travel Intention Modeling
Baidu Research（百度研究院）
外地推荐是为那些离开家乡地区，访问他们以前从未去过的地区的用户而设计的。为外地用户推荐兴趣点（POI）是具有挑战性的，因为外地签到行为不仅取决于用户的家乡偏好，而且还取决于用户的旅行意图。此外，用户的旅游意图是复杂的和动态的，这导致了很大的困难，准确地理解这样的意图。在本文中，我们提出了一个旅行意图感知的外地推荐框架，名为TRAINOR。拟议的TRAINOR框架在三个方面有别于现有的外地培训员。首先，利用图神经网络来表征用户的家乡签到偏好和外地签到行为中的地理约束。其次，用户特定的旅行意图被制定为一个聚合相结合的家乡偏好和一般的旅行意图在一起，其中一般的旅行意图被认为是一个混合的固有意图，可以学习的神经主题模型（NTM）。第三，一个非线性映射函数，以及一个矩阵分解的方法，分别用于转移用户的家乡偏好和估计外地POI的表示。在真实数据集上进行的大量实验验证了TRAINOR框架的有效性。此外，所学习的旅行意图可以提供有意义的解释，以理解用户的旅行目的。
2021-02-06 cs.IR cs.LG
CROWN: A Novel Approach to Comprehending Users' Preferences for Accurate Personalized News Recommendation
Chung-Ang University（中央大学）；Hanyang University（汉阳大学）
针对个性化新闻推荐中多意图理解、读后偏好区分及冷启动用户问题，提出CROWN框架，通过类别引导意图解耦、一致性新闻表示和GNN增强混合用户表示，结合类别预测辅助任务，在真实数据集上相比现有方法实现性能提升。
2025-02-11 cs.AI cs.IR
Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation
School of Information Science and Engineering, Yanshan University（燕山大学信息科学与工程学院）；School of Information Science and Engineering, Xinjiang College Of Science & Technology（新疆科学技术学院信息科学与工程学院）
提出知识感知多意图对比学习模型，利用知识图谱构建意图并采用双对比学习缓解数据稀疏，提升多行为推荐的准确性。
2024-04-18 cs.IR cs.LG
Anatomy of a Decision: Uncertainty-aware Hierarchical Intent Learning via Flow Matching for Multimodal Recommendation
Sydney Smart Technology College, Northeastern University（悉尼智能科技学院，东北大学）；School of Computer and Communication Engineering and Hebei Key Laboratory of Marine Perception Network and Data Processing, Northeastern University at Qinhuangdao（秦皇岛东北大学计算机与通信工程学院及河北省海洋感知网络与数据处理重点实验室）；Shijiazhuang Innovation Research Institute of Northeastern University（东北大学石家庄创新研究院）
针对现有推荐方法忽视多模态不确定性和静态扁平意图结构的问题，提出UHIFlow框架，通过流匹配量化不确定性并动态构建分层意图，实验证明其显著优于基线。
2026-09-25 cs.IR
HiFIRec Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation
HiFIRec通过差异行为建模纠正高频但低意图行为的影响，提升多行为推荐的性能。
2025-12-01 cs.IR cs.SI
DIAURec: Dual-Intent Space Representation Optimization for Recommendation
Anhui University（安徽大学）
DIAURec通过统一意图和语言模型优化推荐表示，提升用户与物品在特征空间中的亲和力，实验表明其优于现有方法。
2026-04-13 cs.IR
BIPCL: Bilateral Intent-Enhanced Sequential Recommendation via Embedding Perturbation Contrastive Learning
School of software Engineering, Xi’an Jiaotong University（西安交通大学软件学院）；School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）
本文提出BIPCL框架，通过双向意图增强机制整合多意图信号，提升推荐系统对用户演化偏好建模的准确性与鲁棒性。
2026-04-19 cs.IR
Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering
针对现有意图建模方法捕捉粗粒度意图、受隐式反馈稀疏性限制的问题，提出融合个体与集体意图的BIGCF图协同过滤框架，结合高斯图生成、双边意图引导重采样及图对比正则化，在三个真实数据集上取得更优推荐效果。
2024-05-15 cs.IR
MOSAIC: Multi-Domain Orthogonal Session Adaptive Intent Capture for Prescient Recommendations
Computer Science and Applied Mathematics Laboratory (LIMA), Faculty of Science and Technology, Chadli Bendjedid University（计算机科学与应用数学实验室（LIMA），科学与技术学院，查德利·本杰迪德大学）；Electro-Mechanical Systems Laboratory (LSEM), Faculty of Technology, Badji Mokhtar University（机电系统实验室（LSEM），技术学院，巴吉·莫赫塔尔大学）；Mathematical Modeling and Numerical Simulation Laboratory (LAM2SIN), Faculty of Technology, Badji Mokhtar University（数学建模与数值模拟实验室（LAM2SIN），技术学院，巴吉·莫赫塔尔大学）
本文提出MOSAIC框架，通过正交分解用户偏好为领域特定、领域共性和跨序列专属表示，提升多领域推荐系统性能。
2026-04-11 cs.AI cs.IR
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Learning to Structure Long-term Dependence for Sequential Recommendation
顺序推荐基于用户的历史动作的顺序推荐项目。它的关键挑战是如何有效地建模从远距离动作到要预测的动作的影响，即，承认长期依赖结构;这仍然是一个未充分探讨的问题。为了更好地模拟长期依赖结构，我们在这项工作中提出了一个GatedLongRec解决方案。为了考虑长期依赖性，GatedLongRec利用顶部$k$门控网络提取顶部$k$相关类别与用户的持续意图的距离动作，并利用长期编码器来编码这些识别的动作之间的转换模式。由于用户意图无法直接观察到，因此我们利用了有关操作的可用边信息，即，其相关项目的类别，以推断意图。端到端训练被执行以估计意图表示并预测用于顺序推荐的下一个动作。在两个大数据集上的实验表明，该方法能够识别长期依赖的结构，从而大大提高了顺序推荐的性能。
2020-01-30 cs.IR
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
