SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
University of Antwerp（安特卫普大学）；University of Helsinki（赫尔辛基大学）
提出SPADE指标，通过二维帕累托前沿距离同时衡量相似度、流行度与用户相关性，在五个数据集上验证其能有效识别真正的惊喜推荐。
2026-09-28 cs.AI cs.IR cs.LG
How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective
Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）
本研究从谱视角分析推荐模型放大流行度偏差的根本原因，发现物品流行度被记忆在得分矩阵主谱且维度坍缩会加剧该偏差，进而提出基于谱范数正则化的去偏策略并通过实验验证其优越性。
2025-04-14 cs.AI cs.IR
Exploring Popularity Bias in Music Recommendation Models and Commercial Steaming Services
Ithaca College（伊萨卡学院）；Cornell University（康奈尔大学）
流行性偏见是指推荐系统在向用户推荐艺术家时会过度偏袒受欢迎的艺术家。因此，他们可能会促成一个赢家通吃的市场，在这个市场中，少数艺术家几乎获得了所有的关注，而类似的优秀艺术家则不太可能被发现。在本文中，我们试图衡量流行偏见在三个国家的最先进的推荐系统模型（例如，SLIM，Multi-VAE，WRMF）和三个商业音乐流媒体服务（Spotify，Amazon Music，YouTube）。我们发现，最准确的模型（SLIM）也有最流行的偏见，而不太准确的模型有较少的流行偏见。我们也没有发现任何证据的流行偏见的商业建议的基础上模拟用户实验。
2022-08-19 cs.IR cs.LG cs.MM
Exploring Popularity Bias in Session-based Recommendation
Alipay AntGroup（支付宝蚂蚁集团）
本研究将推荐系统流行度偏差的倾向分析拓展至基于会话的推荐场景，调整倾向计算方法，经多领域多模型实验发现倾向特性具有数据集特异性，利用分层效应可提升模型效果。
2023-12-13 cs.AI cs.IR cs.LG
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）；University of Guilan（吉兰大学）；University of Southern California（南加州大学）
兴趣点（POI）推荐系统为用户提供个性化推荐，帮助企业吸引潜在客户。尽管它们取得了成功，但最近的研究表明，高度数据驱动的建议可能会受到数据偏见的影响，导致对不同利益相关者（主要是消费者（用户）和提供者（物品））的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理，而忽略了推荐系统是在双边市场中工作的。本文研究了（i）活跃用户的不公平性，（ii）热门项目的不公平性，（iii）推荐的准确性（个性化）之间的相互作用，作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别，以根据他们的活动水平来衡量用户公平性。对于项目公平性，我们将项目分为短头、中尾和长尾组，并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型（例如，在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文（CF）表明，大多数表现良好的模型严重遭受流行偏见的不公平性（提供商不公平性）。此外，我们的研究表明，大多数推荐模型不能同时满足消费者和生产者的公平性，这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而，这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
A Recommendation Approach based on Similarity-Popularity Models of Complex Networks
King Saud University（沙特国王大学）；College of Computer and Information Sciences（计算机与信息科学学院）
推荐系统已经成为在线服务和商品的提供者和用户的重要工具，特别是随着越来越多地使用互联网来访问信息和购买产品和服务。提出了一种基于相似度-流行度模型的复杂网络推荐方法。我们首先从观察到的评级中构建一个以用户和项目为节点的网络模型，然后用它来预测看不见的评级。使用隐藏度量空间和点积相似性的相似性流行模型产生准确的收视率预测的前景进行了探讨。该方法的实施和实验比较基线和国家的最先进的推荐方法对21个数据集从不同的领域。实验结果表明，该方法产生准确的预测和优于现有的方法。我们还表明，所提出的方法在低维产生优越的结果，证明其有效性的数据可视化和探索。
2022-09-29 cs.IR cs.LG
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville（路易斯维尔大学）；Microsoft（微软）
本文研究了ChatGPT作为top-n对话式推荐系统的有效性，通过构建带反馈的重新提示流水线来精炼推荐结果，发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University（东北大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
该研究提出基于文本匹配的序列推荐模型TASTE，结合注意力稀疏方法建模长用户交互，在常用数据集上优于现有最优方法，可缓解冷启动、降低流行度偏差，提升推荐准确率。
2023-08-27 cs.AI cs.IR
ProactivePIM: Accelerating Weight-Sharing Embedding Layer with PIM for Scalable Recommendation System
ProactivePIM通过PIM技术加速权重共享算法，提升推荐系统性能。
2025-11-25 cs.AI cs.AR
Accelerating Communication in Deep Learning Recommendation Model Training with Dual-Level Adaptive Lossy Compression
Indiana University（印第安纳大学）；Meta；University of Rochester（罗切斯特大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文针对DLRM训练中全对全通信瓶颈，提出基于误差有界有损压缩的双层自适应方法，在表级和迭代级动态调整误差界，并针对GPU优化压缩器，最终实现1.38倍训练加速且精度损失极小。
2024-10-01 cs.DC cs.LG
Advancing Cultural Inclusivity: Optimizing Embedding Spaces for Balanced Music Recommendations
Mila Quebec AI Institute（米拉魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）
本研究针对音乐推荐系统中的流行度偏差，通过可解释的原型矩阵分解方法，提出过滤不相关原型和正则化技术优化嵌入空间，以增强文化公平性并保持推荐性能。
2024-05-27 cs.AI cs.IR cs.LG
Exploring Diversity, Novelty, and Popularity Bias in ChatGPT's Recommendations
Politecnico di Bari（巴里理工学院）
本研究评估ChatGPT-3.5和ChatGPT-4在多样性、新颖性和流行度偏差方面的推荐能力，发现其在Top-N推荐和冷启动场景中表现优异，尤其在提升新用户体验方面具有潜力。
2026-01-05 cs.AI cs.CL cs.IR
A Survey on Popularity Bias in Recommender Systems
MediaFutures: Research Centre for Responsible Media Technology & Innovation, University of Bergen（MediaFutures：负责任媒体技术与创新研究中心，卑尔根大学）；AAU Klagenfurt（克拉根福应用科技大学（AAU））
本文综述了推荐系统中流行度偏差的成因、检测与量化指标及缓解方法，并批判性地指出当前研究过度依赖计算实验和特定假设。
2024-07-02 cs.AI cs.IR cs.LG
Multi-Task Learning For Reduced Popularity Bias In Multi-Territory Video Recommendations
Amazon Prime Video（亚马逊Prime Video）
针对多地区推荐系统的全球物品流行度偏差问题，提出结合自适应上采样的多任务学习框架，学习地域化用户嵌入，在多地区实验中PR-AUC最高提升65.27%，有效缓解偏差。
2023-09-25 cs.IR cs.LG
Causal Intervention for Fairness in Multi-behavior Recommendation
Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）
针对多行为推荐中流行度偏差导致的两类不公平问题，提出基于后门调整的因果框架，通过阻断混杂因素路径、平衡流行度与质量影响，在不损失准确率的前提下提升推荐公平性。
2024-04-17 cs.AI cs.IR
Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants
Burger King Corporation（汉堡王公司）；Intel Corporation（英特尔公司）；Brown University（布朗大学）
得来速是快餐业中流行的销售渠道，消费者可以在不离开汽车的情况下购买食品。得来速推荐系统允许餐馆在客人点菜时在数字菜单板上显示食物推荐。电子商务场景中流行的推荐模型依赖于用户属性（如用户简档或购买历史）来生成推荐，而在得来速用例中很难获得此类信息。因此，在本文中，我们提出了一个新的推荐模型Transformer交叉Transformer（TxT），利用客人的订单行为和上下文功能（如位置，时间和天气）使用Transformer编码器的驱动器通过建议。实证结果表明，我们的TxT模型在汉堡王的得来速生产环境相比，现有的推荐解决方案取得了优异的成绩。此外，我们还实现了一个统一的系统，在同一个集群上运行端到端的大数据分析和深度学习工作负载。我们发现，在实践中，为整个管道维护单个大数据集群更有效，更节省成本。我们的推荐系统不仅对得来速场景有益，而且还可以推广到其他客户交互渠道。
2020-10-13 cs.AI cs.IR cs.LG
Heterogeneous Acceleration Pipeline for Recommendation System Training
The University of British Columbia（不列颠哥伦比亚大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出异构加速流水线 Hotline，通过数据与模型感知调度，将流行与非流行 embedding 分别置于 GPU 和 CPU 执行，相比 Intel 优化的 CPU-GPU DLRM 基准将端到端训练时间减少 2.2 倍。
2024-04-28 cs.AI cs.AR cs.LG
Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
本文提出ICPNS框架，通过利用用户社区结构识别可靠负样本，提升推荐系统中隐式反馈的学习效果。
2026-02-21 cs.AI cs.IR
PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems
Department of Computer Engineering（计算机工程系）；Amirkabir University of Technology (Tehran Polytechnic)（阿美里克大学（德黑兰理工大学））
本文提出PBiLoss，一种基于正则化的损失函数，通过惩罚模型对流行项的倾向来提升基于图的推荐系统的公平性，实验表明其能有效减少推荐的流行度和多样性指标，同时保持准确性。
2026-04-29 cs.AI cs.IR cs.NE
Bypassing the Popularity Bias: Repurposing Models for Better Long-Tail Recommendation
Seznam.cz, a.s.（塞兹纳姆股份公司）
针对推荐系统中长尾内容发布者曝光不足的流行度偏差问题，提出重新利用工业推荐系统现有组件的方法，在保障推荐质量的同时提升弱势发布者曝光，经大规模AB实验验证有效并分享了生产应用洞见。
2024-09-17 cs.IR cs.LG
Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders
Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学）；School of Computer Science and Engineering, Central South University（计算机科学与工程学院，中南大学）；National Super Computing Center, Tianjin, China（国家超算中心，天津，中国）；Faculty of Data Science, City University of Macau（数据科学学院，澳门城市大学）；School of Information and Communication Technology, Griffith University（信息与通信技术学院，格里菲斯大学）
本文通过理论分析发现生成式推荐系统中的流行度偏差源于令牌级优化缺陷和物品分词的无差别性，并设计了非对称不相似度优化和基于骨架的分词方法（Ghost系统）来缓解偏差。
2026-05-28 cs.AI cs.IR
Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
imec（校际微电子中心）；KU Leuven（荷语鲁汶大学）
推荐系统通常被设计为满足最终用户的需求。然而，在某些领域，用户并不是系统中唯一的利益相关者。例如，在新闻聚合网站中，用户、作者、杂志以及平台本身都是潜在的利益攸关方。大多数协同过滤推荐系统都存在受欢迎度偏差的问题。因此，如果推荐系统只考虑用户的偏好，大概它会过度代表受欢迎的提供商，而不代表不太受欢迎的提供商。为了解决这个问题，我们应该在生成的排名列表中考虑其他利益相关者。在本文中，我们证明了超图学习具有处理多利益相关者推荐任务的自然能力。超图可以对不同类型的对象之间的高阶关系进行建模，因此自然倾向于生成考虑多个利益相关者的推荐列表。我们在时间轮中形成建议，并学习调整利益相关者的权重，以随着时间的推移增加低覆盖利益相关者的覆盖率。实验结果表明，该方法能有效地克服流行度偏差，在较低的准确率下，对两个新闻数据集的作者给出更公平的推荐。
2021-02-09 cs.IR cs.LG
Trend-Aware Fashion Recommendation with Visual Segmentation and Semantic Similarity
University of Luxembourg（卢森堡大学）
本文提出融合视觉分割、语义相似度、流行度匹配与用户行为模拟的趋势感知时尚推荐框架，并在 DeepFashion 上验证其类别相关性与流行度预测效果。
2025-06-09 cs.CV cs.LG
Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation
City University of Hong Kong（香港城市大学）；Dalian University of Technology（大连理工大学）
本文提出CAGED方法，通过理性建模图聚合过程缓解Top-K推荐中的流行度偏差，采用编码器-解码器架构优化交互可能性的证据下界，并设计动量更新策略提升早期训练效果。
2025-10-06 cs.IR cs.LG
Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure
Meta Platforms, Inc.（Meta平台公司）
针对推荐闭环中的流行度偏差，本文提出曝光感知检索评分方法，在推理时建模物品曝光并解耦曝光与互动，在线实验中提升检索多样性且不损失参与度。
2025-06-08 cs.AI cs.IR
GAN-based Recommendation with Positive-Unlabeled Sampling
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Walmart Labs（沃尔玛实验室）
推荐系统是在各种各样的web应用和个性化产品上用于信息检索任务的流行工具。在这项工作中，我们提出了一个基于生成对抗网络的推荐框架，使用一个积极的未标记的抽样策略。具体来说，我们利用生成器来学习用户-项目元组的连续分布，并将其设计为一个二元分类器，输出每个用户和每个项目之间的相关性得分。同时，在神经网络的学习过程中采用了正无标记采样。理论界关于积极的未标记的采样和最优收敛的鉴别器和发电机。我们展示了我们的框架的有效性和效率在三个公开访问的数据集与8个基于排名的评估指标相比，与13个流行的基线。
2020-12-12 cs.AI cs.IR
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Stay or Stray - A Dynamical Systems Viewpoint of Popularity Bias
Georgia Institute of Technology（佐治亚理工学院）；Amazon Music（亚马逊音乐）
本研究从动力学系统视角探究推荐系统流行度偏差的产生机制，构建随机过程与ODE框架推导相关条件，并通过合成数据和真实音乐推荐日志验证理论结果。
2026-08-12 cs.HC cs.LG
Preventing the Popular Item Embedding Based Attack in Federated Recommendations
Zhejiang University（浙江大学）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Aalborg University（奥尔堡大学）
针对联邦推荐系统的投毒风险，本文提出模型无关、无需先验知识的PIECK攻击及双变体，并设计正则化防御，在多模型、数据集和攻防对比中验证有效性。
2025-02-18 cs.CR cs.DB cs.LG
HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）；South China Agricultural University（华南农业大学）；Guangdong University of Technology（广东工业大学）；Jinan University（暨南大学）
针对推荐系统中马太效应问题，提出HyCoRec范式，通过学习物品、实体等多方面偏好，在用户与系统长期交互时有效缓解马太效应，在对话推荐任务中生成回复并预测物品，实验验证其性能优越。
2026-07-21 cs.AI cs.HC cs.IR
Estimating Probabilities in Recommendation Systems
Georgia Institute of Technology（佐治亚理工学院）；Lawrence Livermore National Lab（劳伦斯利弗莫尔国家实验室）
推荐系统正在成为一个重要的商业应用，具有重大的经济影响。目前流行的系统包括亚马逊的图书推荐，Netflix的电影推荐和Pandora的音乐推荐。在本文中，我们解决的问题，估计概率与推荐系统数据使用非参数核平滑。在我们的估计中，我们将缺失项解释为随机截尾观测，并利用生成函数的组合性质获得有效的计算方案。我们展示了我们的方法与几个案例研究，涉及现实世界的电影推荐数据。结果是与国家的最先进的技术，同时也提供了传统的推荐系统的范围之外的概率偏好估计。
2010-12-02 cs.LG
Accelerating Generative Recommendation via Simple Categorical User Sequence Compression
The HK PolyU（香港理工大学）；Huawei（华为）
本文提出一种基于类别特征的用户序列压缩方法，有效降低生成推荐系统的计算成本并提升准确性。
2026-01-27 cs.IR
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology（快手科技）
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 cs.IR
Popularity Degradation Bias in Local Music Recommendation
Ithaca College（伊萨卡学院）
本文研究了本地音乐推荐中的流行度退化偏差，比较 WRMF 和 Mult-VAE 后发现两者均偏向流行艺术家，但 Mult-VAE 对长尾艺术家表现更好，更适合本地音乐推荐。
2023-09-20 cs.IR cs.LG
The Unfairness of Popularity Bias in Recommendation
众所周知，推荐系统会受到受欢迎程度偏差问题的困扰：受欢迎的（即经常评级的）项目会得到大量的曝光，而不太受欢迎的项目在推荐中的代表性不足。这一领域的研究主要集中在通过增加推荐长尾项目的数量或整体目录覆盖率来解决这个问题。然而，在本文中，我们从用户的角度来看这个问题：我们想看看流行偏见如何导致推荐偏离用户期望从推荐系统。我们定义了三个不同的用户组，根据他们的兴趣流行的项目（利基，多样化和大片为重点），并显示在每个组的用户的流行偏见的影响。我们在电影数据集上的实验结果表明，在许多推荐算法中，即使用户对长尾和非热门项目感兴趣，但用户获得的推荐也极其集中在热门项目上，表现出极端的偏差差异。
2019-09-19 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
The Impact of Differential Privacy on Recommendation Accuracy and Popularity Bias
研究差分隐私应用于推荐模型训练数据时对推荐准确度和流行度偏差的影响，发现其导致几乎所有用户推荐变化、准确度大幅下降且流行度偏差加剧，尤其对偏好非流行物品的用户影响更严重。
2024-01-15 cs.IR
Debiasing Recommendation with Personal Popularity
本文提出个人流行度（PP）概念，通过相似兴趣用户为每个用户识别不同热门物品，并设计PPAC反事实框架以缓解全局流行度偏差，提升个性化推荐准确性。
2024-02-21 cs.IR
Personalized recommendation against crowd's popular selection
海量数据中的个性化推荐问题越来越受到人们的关注。传统的研究大多忽略了推荐对象的受欢迎程度，导致推荐的个性化程度和准确性不高。本文提出了一种基于加权对象网络的个性化推荐方法，对推荐对象进行惩罚，即反人气指数（Anti-popularity index，AP），该方法与主流推荐方法相比，具有较低的计算复杂性，提高了推荐的个性化、准确性和多样性。
2014-05-13 cs.IR cs.SI physics.soc-ph
Potential Factors Leading to Popularity Unfairness in Recommender Systems: A User-Centered Analysis
该研究从用户视角出发，探究推荐系统流行度偏差导致用户侧不公平的潜在因素，验证了用户类别兴趣、画像流行度多样性与不公平程度显著相关，为理解推荐公平性提供了用户层面的新依据。
2023-10-04 cs.IR
Mitigating Popularity Bias in Recommendation with Unbalanced Interactions: A Gradient Perspective
推荐系统从历史用户-项目交互中学习，以识别目标用户的首选项目。这些观察到的相互作用通常是不平衡的长尾分布。这样的长尾数据会导致流行度偏差，从而向用户推荐流行但不个性化的物品。我们提出了一个梯度的角度来理解两个负面影响的流行偏见在推荐模型优化：（i）流行项目嵌入的梯度方向更接近于积极的相互作用，（ii）流行项目的正梯度的幅度远大于不流行的项目。为了解决这些问题，我们提出了一个简单而有效的框架，从梯度的角度来减轻流行偏见。具体来说，我们首先规范化每个用户嵌入，并通过模型训练中的流行度偏差度量记录用户和项目的累积梯度。为了解决流行偏见的问题，我们开发了一个基于梯度的嵌入调整方法用于模型测试。这种策略是通用的，模型不可知的，可以无缝地集成到大多数现有的推荐系统。我们在两个经典推荐模型和四个真实数据集上的广泛实验证明了我们的方法在最先进的去偏基线上的有效性。
2022-10-31 cs.IR
Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering
以前的高度可扩展的一类协同过滤方法，如投影线性推荐（PLRec），主张使用快速随机SVD将项目嵌入到潜在空间中，然后使用线性回归方法来学习每个用户的个性化推荐模型。不幸的是，朴素SVD嵌入方法通常表现出流行性偏差，这会影响准确嵌入利基项的能力。为了解决这个问题，我们利用噪声对比估计（NCE）的见解，以获得一个封闭的形式，有效地可计算的“大众化”嵌入。虽然这种方法对于使用PureSVD等方法的直接推荐并不理想，因为流行度仍然在推荐中起着重要作用，但我们发现，在我们称为NCE-PLRec的新方法中，嵌入之后进行线性回归来学习个性化用户模型，利用了NCE的改进项嵌入，同时在最终推荐中校正其流行度无偏。推荐流行度分布的分析表明，NCE-PLRec均匀地分布在流行度频谱上的建议，而其他方法对特定的流行度子范围表现出明显的偏见，从而人为地限制了他们的建议。从经验上讲，NCE-PLRec在各种大规模推荐数据集上的表现优于最先进的方法以及各种消融。
2018-11-02 cs.IR
Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning
本文提出流行度感知元学习算法PAM，通过按流行度划分元学习任务、区分特征作用并引入数据增强与自监督损失，解决在线流式数据中的物品冷启动问题。
2025-05-06 cs.IR
Accelerating Matrix Factorization by Dynamic Pruning for Fast Recommendation
School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）；College of Integrated Circuits and Optoelectronic Chips, School of Computer Engineering and Science, Shenzhen Technology University（深圳科技大学集成电路与光电芯片学院、计算机工程与科学学院）
本文提出通过动态剪枝减少矩阵分解计算量，提升推荐系统效率，实验显示在速度提升1.2-1.65倍的同时误差增加不超过20.08%。
2026-03-25 cs.IR cs.LG
Correcting Popularity Bias in Recommender Systems via Item Loss Equalization
本文提出一种在训练过程中通过最小化不同物品组间损失差异的干预方法，以纠正推荐系统的流行度偏差，在保持推荐准确性的同时提升用户公平性。
2025-05-26 cs.IR
Allowing for equal opportunities for artists in music recommendation
促进音乐部门的多样性在媒体上得到广泛讨论。虽然主要问题可能存在于我们的社会深处，但音乐信息检索有助于促进多样性，也可能给艺术家带来不平等的机会。例如，考虑到音乐推荐中的流行偏见的已知问题，重要的是要调查流行音乐艺术家的短头和不太受欢迎的长尾是否显示出相似的多样性模式-例如，年龄，性别或种族起源-或者流行偏见放大了积极或消极的影响。我主张在音乐推荐系统中为艺术家提供合理的机会--（目前）流行的艺术家和长尾艺术家。在这项工作中，我代表的立场是，我们需要发展的偏见和不平等的深刻理解，因为它是必要的基础上，设计方法的音乐推荐，提供合理的机会。因此，研究需要调查阻碍音乐推荐机会均等和多样性的各种原因。
2019-11-13 cs.CY cs.IR
Accurate and Diverse Recommendations via Propensity-Weighted Linear Autoencoders
本文提出一种基于sigmoid函数的倾向评分方法，用于改善推荐系统中推荐的准确性和多样性。
2025-12-24 cs.IR
AgentCF++: Memory-enhanced LLM-based Agents for Popularity-aware Cross-domain Recommendations
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
针对现有基于LLM的用户智能体在跨域推荐中引入无关信息且无法感知流行度影响的问题，提出双层记忆架构与两步融合机制，结合兴趣组和组共享记忆，有效整合跨域偏好并提升推荐性能。
2025-04-18 cs.AI cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差：受欢迎的产品会被频繁推荐，而不太受欢迎的小众产品则很少推荐或根本不推荐。然而，推荐“长尾”中被忽视的产品对企业至关重要，因为它们不太可能被发现。在本文中，我们引入了一个个性化的多样化重新排名的方法，以增加不太受欢迎的项目的建议，同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤，可以应用于任何推荐系统的输出。我们表明，我们的方法是能够更有效地管理流行的偏见，与现有的方法相比，基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
From Insight to Intervention: Interpretable Neuron Steering for Controlling Popularity Bias in Recommender Systems
Delft University of Technology（代尔夫特理工大学）
本文提出PopSteer方法，通过稀疏自编码器实现推荐系统中流行偏差的可解释性缓解，提升公平性的同时保持准确性。
2026-01-28 cs.IR
Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems
针对推荐系统流行度偏差导致推荐质量下降和物品曝光不公且现有缓解技术缺乏透明度的问题，提出基于稀疏自编码器（SAE）的事后方法，通过识别并调整编码流行度信号的神经元激活，在保证准确性的同时显著提升公平性，还具备可解释性与细粒度控制能力。
2025-08-24 cs.IR
VoteGCL: Enhancing Graph-based Recommendations with Majority-Voting LLM-Rerank Augmentation
Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心）；The Chinese University of Hong Kong（香港中文大学）；RMIT University（皇家墨尔本理工大学）；VNU University of Engineering and Technology（越南工程与技术大学）
本文提出利用LLM和物品文本描述增强交互数据，通过多数投票生成高置信度合成用户-物品交互，结合图对比学习框架缓解分布偏移和流行度偏差，实验显示提升准确率并减少流行度偏差。
2026-04-21 cs.IR cs.LG
Accelerating Recommender Model Training by Dynamically Skipping Stale Embeddings
The University of British Columbia（不列颠哥伦比亚大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出 Slipstream 框架，通过运行时动态识别并跳过已饱和的陈旧 embedding 更新，减少 CPU-GPU 带宽与内存开销，在真实数据集上相较多个基线最高实现 2.4 倍训练加速。
2024-03-22 cs.IR cs.LG
BoostJet: Towards Combining Statistical Aggregates with Neural Embeddings for Recommendations
EPFL（洛桑联邦理工学院）；Yandex
推荐器由于其在许多电子商务应用中的广泛适用性而在近年来变得广泛流行。这些应用程序依赖于广告服务器为各种优惠生成广告或提供内容推荐。然而，生成的推荐的质量取决于用户特征（如人口统计学，时间性），提供特征（如流行度，价格）和用户提供特征（如隐式或显式反馈）。当前最先进的浏览器在生成推荐的同时不同时探索这些不同的特征。在本文中，我们首先介绍了跟踪器的概念，它使我们能够捕捉上述功能，从而通过不同功能（人口统计，时间性，流行度，价格）的统计聚合，将用户的在线行为。我们还展示了如何根据他们的消费序列来捕获报价关系，在我们的Offer2Vec算法中利用神经嵌入来提供报价。然后，我们介绍了BoostJet，一种新的推荐器，它集成了跟踪器以及使用MatrixNet的神经嵌入，这是一种高效的梯度提升决策树的分布式实现，以显着提高推荐质量。我们在Yandex的数据集上对BoostJet进行了深入的评估，收集了数千万在线用户的在线行为，以证明BoostJet在推荐质量和可扩展性方面的实用性。
2017-12-07 cs.IR cs.LG stat.ML
