Neural Contextual Bandits for Personalized Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本教程探讨上下文赌博机在个性化推荐中的应用，重点研究神经上下文赌博机及其协作变体，以缓解马太效应并处理用户异质性，同时展望大型神经模型带来的新挑战。
2023-12-21 cs.AI cs.IR cs.LG
Navigating the Future of Federated Recommendation Systems with Foundation Models
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文系统探讨联邦推荐系统与基础模型的融合，分析其在个性化、通信效率和聚合上的提升，并提出应对隐私、非IID数据和资源约束的研究方向。
2025-04-11 cs.AI cs.IR cs.LG
A Survey on Federated Recommendation Systems
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR)（山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR））；Software School, Shandong University（山东大学软件学院）；Shandong University（山东大学）；Sino-Singapore International Joint Research Institute（中新国际联合研究院）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究学院）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）
联邦学习最近被应用于推荐系统以保护用户隐私。在联邦学习环境下，推荐系统只需要收集中间参数而不需要收集真实的用户数据就可以训练推荐模型，大大增强了用户隐私保护。此外，联合推荐系统能够与其他数据平台协作，以提高推荐模型的性能，同时满足监管和隐私约束。然而，联邦推荐系统面临着许多新的挑战，如隐私，安全性，异构性和通信成本。虽然在这些领域进行了大量研究，但调查文献中仍然存在空白。在本文中，我们-（1）总结了联邦推荐系统中常用的一些隐私机制，并讨论了每种机制的优点和局限性;（2）回顾了一些鲁棒的聚合策略和一些新的安全攻击;（3）总结了一些解决异构性和通信成本问题的方法;（4）介绍了一些可用于构建联邦推荐系统的开源平台;（5）提出了未来的研究方向。该调查可以指导研究者和实践者了解这些领域的研究进展。
2023-03-09 cs.AI cs.CR 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
Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches
University of Klagenfurt（克拉根福大学）
深度学习技术已经成为研究推荐系统算法方面的研究人员的首选方法。随着一般对机器学习的兴趣的强烈增加，因此，很难跟踪目前代表最先进技术的东西，例如，用于top-n推荐任务。与此同时，最近的一些出版物指出了当今应用机器学习研究实践中的问题，例如，在提出新模型时，在结果的可重复性或基线的选择方面。在这项工作中，我们报告了一个系统的分析结果的算法建议前n推荐任务。具体来说，我们考虑了过去几年在顶级研究会议上提出的18种算法。其中只有7个可以通过合理的努力复制。然而，对于这些方法，事实证明，其中6种方法通常可以优于非常简单的探试法，例如，基于最近邻或基于图的技术。剩下的一个明显优于基线，但并没有一贯优于一个良好的调整非神经线性排名方法。总的来说，我们的工作揭示了当今机器学习奖学金中的一些潜在问题，并呼吁改进这一领域的科学实践。我们实验的源代码和完整结果可在https://github.com/MaurizioFD/RecSys2019_DeepLearning_Evaluation上获得。
2019-08-16 cs.IR cs.LG cs.NE
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
The emergence of Explainability of Intelligent Systems: Delivering Explainable and Personalised Recommendations for Energy Efficiency
Harokopio University of Athens（雅典哈洛克皮奥大学）；Qatar University（卡塔尔大学）；De Montfort University（德蒙福特大学）
人工智能的最新进展，即机器学习和深度学习，在几个方面提高了智能系统的性能。这引起了人类的期望，但也产生了对智能系统如何思考和决策的更深入理解的需求。可解释性概念的出现，是指用人类的语言来解释系统内部的力学现象。推荐系统是支持人类决策的智能系统，因此，它们必须是可解释的，以增加用户信任并提高推荐的接受度。在这项工作中，我们专注于一个上下文感知的推荐系统的能源效率和开发一个机制，可解释的和有说服力的建议，这是个性化的用户偏好和习惯。有说服力的事实要么强调经济节约前景（Econ），要么强调积极的生态影响（Eco），解释提供了推荐节能行动的理由。基于使用Telegram机器人进行的研究，不同的场景已经通过实际数据和人类反馈进行了验证。目前的研究结果表明，当采用经济和生态说服性事实时，推荐接受率总共增加了19%。这种革命性的推荐系统方法展示了智能推荐如何有效地鼓励节能行为。
2020-10-26 cs.AI
The Art of Drafting: A Team-Oriented Hero Recommendation System for Multiplayer Online Battle Arena Games
Northeastern University（东北大学）；Fordham University（福特汉姆大学）；University of California, Los Angeles（加州大学洛杉矶分校）
多人在线对战竞技场（MOBA）游戏最近越来越受欢迎。在这类游戏的比赛中，玩家分成两队，每队五人，每队控制一个游戏中的化身，称为英雄，从100多个名单中选出。英雄的选择，也被称为挑选或选秀，在比赛开始前进行，并在两队之间交替进行，直到每个玩家都选择了一个英雄。英雄被设计成具有不同的优势和劣势，以促进游戏中的团队合作。直觉上，强队中的英雄应该是优势互补，压制对手。因此，由于英雄与英雄之间的复杂关系需要考虑，英雄起草是一个具有挑战性的问题。在本文中，我们提出了一种新的英雄推荐系统，建议英雄添加到现有的团队，同时最大限度地提高团队的胜利前景。为此，我们将两支球队之间的选秀作为一个组合游戏进行建模，并使用蒙特卡罗树搜索（MCTS）来估计英雄组合的价值。我们的实证评估表明，我们的推荐算法起草的英雄队有显着更高的胜率对其他基线和国家的最先进的战略构建的团队。
2018-06-26 cs.AI cs.HC cs.SI
DK-PRACTICE: An Intelligent Educational Platform for Personalized Learning Content Recommendations Based on Students Knowledge State
International Hellenic University（国际希腊大学）
本文提出DK-PRACTICE智能教育平台，通过自适应问答评估学生知识状态，利用机器学习动态选题并推荐学习材料，支持教学前后测试与进度可视化，促进个性化学习。
2024-12-13 cs.AI cs.CY
A Comprehensive Survey on Cross-Domain Recommendation: Taxonomy, Progress, and Prospects
本文围绕跨域推荐的核心流程系统梳理相关方法、应用、资源、挑战与未来方向，为研究者提供全面的分类体系和研究进展综述。
2025-03-18 cs.IR
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
Tsinghua University（清华大学）；Tencent（腾讯）
推荐系统旨在为用户提供项目推荐，并且通常面临数据稀疏问题（例如，冷启动）。最近，预训练的模型已经显示出它们在领域和任务之间的知识传递的有效性，这可能会缓解推荐系统中的数据稀疏性问题。在这项调查中，我们首先提供了一个审查的推荐系统与预训练。此外，我们通过实验展示了预训练对推荐系统的好处。最后，我们讨论了几个有前途的方向，为未来的研究推荐系统与预训练。
2020-09-19 cs.CL cs.IR
Multi-Objective Recommendation in the Era of Generative AI: A Survey of Recent Progress and Future Prospects
本综述系统梳理了生成式AI（特别是大语言模型）在多目标推荐系统中的研究，按目标分类总结方法、评估指标与数据集，并指出挑战与未来方向。
2025-06-20 cs.IR
Prospect Personalized Recommendation on Large Language Model-based Agent Platform
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Yuanshi Technology Inc.（元氏科技公司）
本研究面向基于大语言模型的智能体平台，提出Rec4Agentverse新型推荐范式，强调智能体物品与智能体推荐器协作，将其分为三演进阶段，初步案例验证其应用潜力，并探讨未来研究方向。
2024-03-05 cs.CL cs.IR
Research Progress of News Recommendation Methods
Northeastern University（东北大学）
由于研究者的研究目的是针对不同的业务领域进行个性化推荐，因此总结特定领域的推荐方法具有一定的现实意义。新闻推荐系统是推荐系统最早的研究领域，也是最早应用协同过滤方法的推荐领域。此外，新闻具有实时性和内容丰富性，这使得新闻推荐方法比其他领域更具挑战性。因此，本文综述了新闻推荐方法的研究进展。从2018年到2020年，开发的新闻推荐方法主要是基于深度学习、基于注意力和基于知识图谱。截至2020年，结合了注意力机制和知识图谱的新闻推荐方法很多。然而，这些方法都是基于基本方法（协同过滤方法、基于内容的推荐方法以及结合两者的混合推荐方法）开发的。为了让研究者对新闻推荐方法的发展过程有一个详细的了解，本文将所调研的近10年的新闻推荐方法按照上述基本方法分为三类。首先介绍了每类方法的基本思想，然后根据研究成果的时间顺序，总结了基于每类方法与其他方法相结合的推荐方法。最后，本文还总结了新闻推荐系统面临的挑战。
2021-03-08 cs.AI cs.CL cs.IR
Are We Really Making Progress in Group Recommendation? Unmasking the Tie-Breaking Illusion
National Taiwan University（国立台湾大学）
本文揭示群组推荐领域存在训练时分数压缩与评估时确定性平局打破导致的评估偏差，经感知平局评估后，多数方法的改进大幅缩减，凸显该领域采用感知平局评估的必要性。
2026-08-12 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
Diffusion Recommender Models and the Illusion of Progress: A Concerning Study of Reproducibility and a Conceptual Mismatch
Politecnico di Milano（米兰理工大学）；University of Klagenfurt（克拉根福大学）
研究评估了九篇SIGIR 2023和2024推荐算法的可重复性，发现仅25%的结果可复现，且扩散模型在传统推荐任务中存在概念不匹配，质疑其适用性。
2026-03-26 cs.IR cs.LG cs.NE
Side Information-Driven Session-based Recommendation: A Survey
本文从数据为中心视角系统综述了侧信息驱动的会话推荐，梳理了富含侧信息的基准数据集、侧信息增强SBR的机制及代表性研究进展，并展望了未来方向。
2024-02-27 cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Content Filtering Enriched GNN Framework for News Recommendation
了解准确的用户和新闻表征是新闻推荐的关键。尽管取得了很大的进步，现有的方法似乎有很强的偏见，内容表示或只是捕捉协同过滤关系。然而，这些方法可能会受到数据稀疏性问题（用户-新闻交互行为稀疏性问题）的影响，或者可能会受到高流行度新闻（或用户）的影响。在本文中，为了解决这些限制，我们提出了内容过滤丰富的GNN框架的新闻推荐，ConFRec在短。它与现有的基于GNN的新闻推荐方法兼容，可以同时捕获协作和内容过滤信息。在真实新闻推荐数据集上进行了全面的实验，以证明ConFRec在新闻推荐基线模型上的有效性。
2021-10-25 cs.IR
A survey of recommender systems for energy efficiency in buildings: Principles, challenges and prospects
近年来，随着物联网（IoT）和人工智能（AI）技术的发展，推荐系统得到了显着发展。因此，作为物联网和人工智能的结果，这些系统中包含多种形式的数据，例如社交，隐式，本地和个人信息，这可以帮助提高推荐系统的性能并扩大其适用性以跨越不同的学科。另一方面，建筑领域的节能正在成为一个热门的研究课题，其中推荐系统在促进节能行为和减少碳排放方面发挥着重要作用。然而，在建筑物中部署建议框架仍然需要更多的调查，以确定当前的挑战和问题，其中他们的解决方案是使研究结果普及的关键，因此，确保大规模采用这项技术。因此，本文提出，尽作者所知，第一次及时和全面的参考能源效率推荐系统，通过（i）调查现有的推荐系统，节能建筑，（ii）讨论他们的演变，（iii）基于指定的标准提供这些系统的原始分类，包括推荐引擎的性质、其目标、计算平台，评价指标和激励措施;以及㈣进行深入的批判性分析，以确定其局限性和未解决的问题。由此产生的挑战和未来的实施领域可以有效地指导能源研究界，以提高建筑物的能源效率，并降低开发的基于推荐系统的解决方案的成本。
2021-02-09 cs.IR
Multi-Interest Recommendation: A Survey
本综述系统梳理多兴趣推荐的研究进展，回答其重要性、建模关注点及应用技术细节，为研究者提供基础框架与未来方向指引。
2025-06-18 cs.IR
