FORCE: A Framework of Rule-Based Conversational Recommender System
Microsoft（微软）
会话式推荐系统（CRS）近年来受到了广泛的关注。然而，现有的工作大多集中在各种深度学习模型，这在很大程度上受到大规模人工标注数据集的要求的限制。这种方法不能处理工业产品中的冷启动情况。为了缓解这个问题，我们提出了FORCE，一个基于规则的会话推荐系统框架，帮助开发人员通过简单的配置快速构建CRS机器人。我们在两个不同语言和领域的数据集上进行实验，以验证其有效性和可用性。
2022-03-18 cs.AI cs.CL cs.IR
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University（莫纳什大学）
提出多目标框架自动优化LLM提示，以生成更真实、多样化的用户模拟行为，缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL cs.IR
Developing an NLP-based Recommender System for the Ethical, Legal, and Social Implications of Synthetic Biology
NORC at the University of Chicago（芝加哥大学NORC研究所）
合成生物学是一个新兴领域，涉及生物体的工程和重新设计，用于食品安全，健康和环境保护等目的。因此，它对研究人员和政策制定者提出了许多伦理，法律和社会影响（ELSI）。正在进行各种努力，以确保对社会负责的合成生物学。政策制定是一种监管途径，其他举措也试图将社会科学家和伦理学家纳入合成生物学项目。然而，考虑到合成生物学的新生，它跨越的异质领域的数量，以及许多伦理问题的开放性，建立广泛的具体政策已被证明具有挑战性，并且将社会科学家和伦理学家纳入合成生物学团队已经取得了好坏参半的成功。本文提出了一种不同的方法，而是问是否有可能开发一个性能良好的推荐模型的基础上自然语言处理（NLP）连接合成生物学家与信息的ELSI他们的具体研究？这个推荐器是作为一个更大的项目的一部分开发的，该项目建立了一个合成生物学知识系统（SBKS），以加速合成生物学设计空间的发现和探索。我们的方法旨在为合成生物学家提取相关的伦理和社会科学信息，并将其嵌入合成生物学研究工作流程中。
2022-07-10 cs.AI cs.CY cs.IR
PrefRec: Recommender Systems with Human Preferences for Reinforcing Long-term User Engagement
Nanyang Technological University（南洋理工大学）；Kuaishou Technology（快手科技）
针对推荐系统中长期参与度奖励难以设计的问题，本文提出PrefRec，利用用户历史行为偏好端到端训练奖励函数并优化RL推荐策略，在多项任务上显著超越现有方法。
2023-06-02 cs.AI cs.IR cs.LG
ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
University of Delaware（德克萨斯大学）
针对对话式推荐系统，提出互惠检索-生成协同框架ReGeS，通过生成增强检索提炼用户意图和检索增强生成区分物品细微特征，无需额外标注，在多个基准上取得最先进推荐准确性。
2025-09-22 cs.AI cs.CL cs.IR
Eval4DiRec: A Unified and Systematic Evaluation Framework for Diffusion-based Recommender Systems
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））；University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Shandong Academy of Artificial Intelligence（山东省人工智能研究院）
针对基于扩散的推荐系统缺乏统一评估基准的问题，提出Eval4DiRec框架，支持14个模型、5种场景，通过实证研究揭示关键因素，促进公平评估与未来研究。
2026-10-14 cs.AI cs.IR
$τ$-Rec: A Verifiable Benchmark for Agentic Recommender Systems
Independent Researcher（独立研究员）；Princeton University（普林斯顿大学）
针对多轮对话式智能推荐系统评估中主观性强、成本高的问题，提出$τ$-Rec基准，通过可验证奖励和揭示标记引导机制，结合pass^k可靠性指标，系统评估模型推理一致性，发现当前最佳模型可靠性仅约57%。
2026-07-28 cs.AI cs.CL cs.IR
AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale
The Walt Disney Company（华特迪士尼公司）；Intuit（Intuit公司）
针对生产推荐系统难以从聚合指标识别用户失败模式的问题，提出端到端智能体系统AURA，通过读取大规模日志进行定性诊断并生成代码级改进，已在流媒体平台验证并具跨领域迁移性。
2026-09-16 cs.AI cs.IR cs.LG
Requirements Engineering for General Recommender Systems
在推荐系统的需求工程中，软件工程师必须确定驱动推荐的数据。这是一项劳动密集型任务，容易出错且成本高昂。一个可能的解决方案是采用基于通用推荐框架的自动推荐系统开发方法。创建这样一个框架的一个步骤是确定推荐系统中使用的数据类型。在本文中，一个系统的审查已经进行了识别类型的用户和推荐数据项所需的一般推荐系统。提出了一个用户和项目模型，并解释了算法特定参数的一些考虑。另一个目标是研究大数据和物联网领域对推荐系统发展的影响。
2016-02-24 cs.IR cs.SE
AutoLR: Automating the Path from Research to Launch Review in Industrial Recommender Systems
NetEase, Inc.（网易公司）
该研究针对工业推荐系统从研究到上线流程依赖人力的问题，提出AutoLR系统，结合多专家委员会等三种机制，实现从研究到上线的自主管控。
2026-09-07 cs.AI
Lightweight Ranking Heads: Accelerating Multi-Task Experimentation in Production Recommender Systems
Google LLC（谷歌有限责任公司）
针对生产推荐系统多任务实验迭代慢的问题，提出轻量级排序头框架，通过动态注入新任务、停止梯度和无状态训练，避免重训练，将迭代周期从数周缩短至数天。
2026-09-23 cs.AI cs.LG
Related Pins at Pinterest: The Evolution of a Real-World Recommender System
Related Pins是一个网络规模的推荐系统，为Pinterest上超过40%的用户参与提供支持。本文是一个纵向研究的三年的发展，探索系统及其组件的演变，从原型到现在的状态。每个组件最初都是在工程工作和计算资源方面受到许多限制的情况下构建的，因此我们优先考虑最简单和最高利用率的解决方案。我们展示了有机增长如何导致一个复杂的系统，以及我们如何管理这种复杂性。在构建这个系统的过程中出现了许多挑战，例如避免反馈循环，评估性能，激活内容以及消除遗留的错误。最后，我们提供了解决这些挑战时，工程Web规模的推荐系统的建议。
2017-02-26 cs.IR
AI for Better UX in Computer-Aided Engineering: Is Academia Catching Up with Industry Demands? A Multivocal Literature Review
Siemens AG（西门子公司）；Chalmers University of Technology（查尔姆斯理工大学）；Eindhoven University of Technology（埃因霍温理工大学）；Malmö University（马尔默大学）
本文通过多来源文献综述揭示AI提升CAE用户体验方面学术界与行业实践之间的显著差距，指出AI引导、自适应界面和工作流自动化是未来研究的关键机遇。
2025-07-22 cs.AI cs.HC cs.SE
Bridging the Gap: Unpacking the Hidden Challenges in Knowledge Distillation for Online Ranking Systems
Google LLC（谷歌有限责任公司）；Google DeepMind（谷歌DeepMind）；University of California, Davis（加州大学戴维斯分校）
本文针对推荐系统中知识蒸馏被忽视的数据分布偏移、教师配置寻优及标签共享等挑战，提出并在Google多个大规模视频推荐系统上评估了稳健的KD系统，在线实验证明其显著提升了学生模型性能并保障了高质量教师标签的持续生成。
2024-08-26 cs.AI cs.IR cs.LG
FINALLY: A Dataset Recommender System for Recommender-Systems Research
University of Siegen（锡根大学）
针对推荐系统研究中数据集选择缺乏系统工具的问题，提出FINALLY数据集推荐系统，通过多种策略和配置生成满足约束的数据集集合，实验验证了其技术一致性与策略有效性。
2026-09-09 cs.IR
A Unified Knowledge Representation and Context-aware Recommender System in Internet of Things
在快速发展的物联网（IoT）中，大量不同的物理设备、边缘设备、云基础设施及其服务质量要求（QoS）需要在统一的规范中表示，以便实现快速的IoT应用开发、监控和动态重新配置。但是，不同配置知识表示模型之间的异质性对协调物联网应用的配置知识的获取、发现和管理造成了限制。提出了一种统一的数据模型来表示物联网资源配置知识工件。它还提出了IoT-CANE（上下文感知的知识推荐系统），以促进增量式知识获取和声明式上下文驱动的知识推荐。
2018-05-24 cs.AI cs.DC cs.IR
On the challenges of studying bias in Recommender Systems: A UserKNN case study
该研究以UserKNN为案例，通过合成数据与不同算法配置的对比实验，揭示了数据属性和实现配置会影响推荐系统流行度偏差的测量结论，强调偏差研究需明确说明算法配置与数据特性。
2024-09-12 cs.IR
Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
Abstract Intelligent Systems Group University of Siegen（摘要智能系统组 柏林西格恩大学）
本研究通过为推荐算法构建深度特征集，结合元学习进行算法选择，发现算法特征虽提升Top-1选择准确率，但整体性能仍受限于用户特征主导，NDCG@10未显著提升。
2025-09-24 cs.IR cs.LG
Exploring Approaches for Detecting Memorization of Recommender System Data in Large Language Models
Politecnico di Bari（巴里理工大学）
本文提出三种方法探索大型语言模型中推荐系统数据记忆的检测，发现自动优化提示是提取记忆样本最有效的方法。
2026-01-05 cs.AI cs.CL cs.IR
Comprehending Knowledge Graphs with Large Language Models for Recommender Systems
City University of Hong Kong（香港城市大学）；Tencent（腾讯）；McGill University（麦吉尔大学）；Shenzhen University（深圳大学）；Shenzhen Technology University（深圳技术大学）
针对现有基于知识图谱的推荐系统存在的事实缺失、语义丢失和高阶连接捕捉困难等问题，提出利用大型语言模型补充事实、提取语义信息的CoLaKG方法，在四个真实数据集上验证了其优越性。
2025-04-17 cs.AI cs.IR
How Can Recommender Systems Benefit from Large Language Models: A Survey
Shanghai Jiao Tong University（上海交通大学）
该综述从推荐系统全流程视角，梳理了大语言模型适配推荐系统的位置与方式，分析了效率、效果、伦理等关键挑战，并展望了未来研究方向。
2024-07-09 cs.AI cs.IR
Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Recommender Systems
Stanford University（斯坦福大学）；Meituan-Dianping Group（美团点评集团）；Hong Kong Polytechnic University（香港理工大学）
知识图谱捕获一组实体或项目之间的结构化信息和关系。因此，知识图谱代表了一个有吸引力的信息源，可以帮助改善推荐系统。然而，该领域中的现有方法依赖于手动特征工程，并且不允许端到端训练。在这里，我们提出了知识感知的图神经网络与标签平滑正则化（KGNN-LS），以提供更好的建议。从概念上讲，我们的方法计算用户特定的项目嵌入，首先应用一个可训练的功能，确定重要的知识图谱的关系，为给定的用户。通过这种方式，我们将知识图谱转换为用户特定的加权图，然后应用图神经网络来计算个性化的项目嵌入。为了提供更好的归纳偏差，我们依赖于标签平滑性假设，该假设假定知识图谱中的相邻项可能具有相似的用户相关性标签/分数。标签平滑提供了正则化的边缘权重，我们证明了它是等价于一个标签传播计划的图。我们还开发了一个高效的实现，表现出强大的可扩展性方面的知识图谱的大小。在四个数据集上的实验表明，我们的方法优于最先进的基线。KGNN-LS还在用户-项目交互稀疏的冷启动场景中实现了强大的性能。
2019-06-14 cs.IR cs.LG stat.ML
LEADRE: Multi-Faceted Knowledge Enhanced LLM Empowered Display Advertisement Recommender System
针对传统展示广告检索未能充分利用广告内容信息的问题，提出基于LLM的框架LEADRE，通过意图感知提示工程、广告特定知识对齐和高效系统部署三个模块，有效捕捉用户兴趣并提升推荐多样性，在微信视频号和朋友圈分别实现1.57%和1.17%的GMV提升。
2025-07-16 cs.IR
Evaluating recommender systems for AI-driven biomedical informatics
Institute for Biomedical Informatics（生物医学信息学研究所）；University of Pennsylvania（宾夕法尼亚大学）
动机：由于缺乏机器学习和/或编码专业知识，许多具有领域专业知识的研究人员无法轻松地将机器学习应用于其生物信息学数据。到目前为止，已经提出的自动化机器学习的方法大多需要编程经验以及正确调整和应用算法的专家知识。在这里，我们研究了一种使用基于Web的平台来自动化生物医学数据科学的方法，该平台使用AI来推荐模型选择并进行实验。我们有两个目标：第一，使构建生物医学过程的复杂模型变得容易;第二，提供一个完全自动化的人工智能智能体，它可以根据用户的实验以及先验知识为用户选择和进行有希望的实验。为了验证这个框架，我们对数百个分类问题进行了实验，并与最先进的自动化方法进行了比较。最后，我们使用这个工具来开发重症监护患者感染性休克的预测模型。结果：我们发现基于矩阵分解的推荐系统在自动化机器学习方面优于元学习方法。这一结果反映了早期推荐系统在其他领域的研究结果。在为数据集选择最佳算法配置方面，所提出的AI与最先进的自动化机器学习方法具有竞争力。在我们预测感染性休克的应用中，人工智能驱动的分析产生了一个有能力的机器学习模型（AUROC 0.85 +/- 0.02），该模型的性能与最先进的深度学习结果相当，并且计算量要少得多。
2020-04-28 cs.IR cs.LG
Reverse Engineering Configurations of Neural Text Generation Models
Google Research（谷歌研究院）
本文旨在更深入地了解神经文本生成模型的基本特性。对机器生成文本中由于建模选择而出现的伪影的研究是一个新兴的研究领域。以前，这些工件在生成的文本中出现的程度和程度还没有得到很好的研究。本着更好地理解生成文本模型及其工件的精神，我们提出了区分给定模型的几个变体中的哪一个生成了一段文本的新任务，并且我们进行了一系列广泛的诊断测试来观察建模选择（例如，采样方法、前$k$概率、模型架构等）在它们生成的文本中留下可检测的伪像。我们的关键发现，这是由一组严格的实验支持，是这样的工件存在，不同的建模选择可以通过观察生成的文本单独推断。这表明神经文本生成器可能对各种建模选择比以前认为的更敏感。
2020-04-13 cs.CL cs.IR cs.LG
