Bridging the User-side Knowledge Gap in Knowledge-aware Recommendations with Large Language Models
University of Electronic Science and Technology of China（电子科技大学）；University of Tokyo（东京大学）
提出基于LLM的用户侧知识推断方法与CIKG推荐框架，通过构建协同兴趣知识图谱并结合用户兴趣重构与跨域对比学习模块，有效缓解噪声并促进知识转移，在三个数据集上达到SOTA，尤其适用于交互稀疏用户。
2024-12-18 cs.AI cs.IR
Proactive Guiding Strategy for Item-side Fairness in Interactive Recommendation
Chinese Academy of Sciences（中国科学院）；University of Technology Sydney（悉尼科技大学）；University of Science and Technology of China（中国科学技术大学）
HRL4PFG通过分层强化学习引导用户偏好向长尾物品倾斜，提升交互推荐的公平性和用户参与度。
2026-03-03 cs.AI cs.IR
Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的，涵盖各种音乐流派以及非音乐音频内容，如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此，相关建议对于良好的用户体验至关重要。在这里，我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上，这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的，可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
Item-side Fairness of Large Language Model-based Recommendation System
本文针对基于大语言模型的推荐系统在物品侧公平性方面研究不足的问题，提出IFairLRS框架，通过在LLaMA上的微调实验验证其能显著提升物品侧公平性。
2024-02-23 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
A Collective Variational Autoencoder for Top-$N$ Recommendation with Side Information
推荐系统由于其在许多现实世界中的实际应用而得到了广泛的研究。尽管如此，用稀疏的用户评级生成有效的推荐仍然是一个挑战。与项目相关联的边信息已被广泛用于解决评级稀疏性。现有的推荐模型，使用边信息是线性的，因此，有限制的表达。深度学习已经被用于通过从辅助信息学习深度项表示来捕获非线性，但是由于辅助信息是高维的，现有的深度模型往往具有大的输入维度，这支配了它们的整体大小。这使他们难以训练，特别是投入少的情况下。在本文中，我们建议通过边信息的深度学习来学习特征表示，而不是学习高维边信息的项目表示。另一方面，学习特征表示确保了足够数量的输入来训练深度网络。为了实现这一点，我们建议同时恢复用户评级和边信息，通过使用变分自编码器（VAE）。具体地，用户评级和边信息通过相同的推理网络和生成网络被共同编码和解码。这是可能的，因为用户评级和辅助信息都是与项目相关联的数据。为了考虑用户评级和边信息的异质性，生成网络的最后一层根据信息的类型遵循不同的分布。该模型易于实现和有效的优化，并表现出优于国家的最先进的顶级$N$推荐方法，使用边信息。
2018-07-16 cs.IR
Graph Neural Pre-training for Enhancing Recommendations using Side Information
利用与实体（即用户和项目）相关联的边信息来增强推荐系统的性能已被广泛认为是一个重要的建模维度。虽然许多现有的方法集中在集成方案，将实体边信息-通过结合的建议损失函数与额外的边信息感知损失-在本文中，我们提出了一种新的预训练方案，而不是利用边信息。特别是，我们首先使用实体的边信息预训练表示模型，然后使用现有的基于一般表示的推荐模型对其进行微调。具体来说，我们提出了两个预训练模型，命名为GCN-P和COM-P，通过考虑从边信息构建的实体和它们的关系分别作为两种不同类型的图，预训练实体嵌入。对于GCN-P模型，分别从所有用户和项目的边信息构造两个单关系图，利用图卷积网络对实体表示进行预训练。对于COM-P模型，构造两个多关系图，使用基于组合的图卷积网络对实体表示进行预训练。对我们的预训练模型进行了广泛的评估，这些模型在四种基于一般表示的推荐模型（即MF，NCF，NGCF和LightGCN）下进行了微调，结果表明，有效地使用用户和项目的边信息进行预训练嵌入可以显着提高这些原始模型的有效性和稳定性。
2021-07-09 cs.IR
FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms
本文提出 FairSort 重排序模型，以跑道机制替代背包约束，并用二分搜索保障最小效用，从而在双边公平与个性化推荐质量间取得平衡。
2024-12-08 cs.GT cs.IR
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
GENET: Unleashing the Power of Side Information for Recommendation via Hypergraph Pre-training
针对推荐系统中辅助信息格式、语义和关联多样性导致的泛化难题，提出GENET框架，通过超图预训练与微调结合的方式学习用户和物品表示，在TOP-N和序列推荐任务中性能最高超越SOTA方法38%。
2025-03-04 cs.IR
Understanding and Mitigating Multi-Sided Exposure Bias in Recommender Systems
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。这在多边推荐平台中尤其重要，在多边推荐平台中，优化效用不仅对于最终用户至关重要，而且对于其他参与者（例如希望公平表示其物品的物品卖家或生产者）也至关重要。现有的解决方案没有适当地解决建议中的多边公平性的各个方面，因为它们可能仅仅具有片面的观点（即，仅改善一方的公平性），或者没有适当地测量系统中涉及的每个参与者的公平性。在这篇论文中，我的目的是首先调查不公平的建议对系统的影响，以及这些不公平的建议如何对系统中的主要参与者产生负面影响。然后，我试图提出解决建议不公平的方法。我提出了一种评级转换技术，该技术作为构建推荐模型之前的预处理步骤，以减轻输入数据中固有的受欢迎程度偏差，从而减轻推荐列表中商品和供应商的暴露不公平性。此外，作为另一种解决方案，我提出了一个通用的基于图的解决方案，作为推荐生成后的后处理方法，以减轻推荐结果中的多边暴露偏差。对于评估，我介绍了几个度量的项目和供应商的曝光公平性，并表明这些指标更好地捕捉公平性的推荐结果。我进行了大量的实验，以评估所提出的解决方案的有效性。在不同公开数据集上的实验以及与各种基线的比较证实了所提出的解决方案在提高物品和供应商的曝光公平性方面的优越性。
2021-11-10 cs.IR
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模，这可能无法完全建模项目和它们的边信息之间的关系。此外，在现实世界的系统中，并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文，并且用通用或特殊值填充它们，例如，未知，这可能导致次优性能。为了解决边信息顺序排序器的局限性，我们定义了一种方法来融合边信息，并通过提出一个统一的任务来缓解边信息缺失的问题，即缺失信息填补（MII），它随机屏蔽给定序列中的一些特征字段，包括项目ID，然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段，顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型，称为缺失信息填补推荐（MIIR），建立在MII的思想，同时填补缺失项目的特征值，并预测下一个项目。我们设计了一个密集融合自注意（DFSA）机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明，MIIR，由MII监督，实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
Equity by Design? On the Trade-Offs in Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets
University of Amsterdam（阿姆斯特丹大学）；Vinted
本文提出一个离线优化框架，统一分析多物品推荐、异质用户群体和业务约束下的公平性权衡，发现多推荐场景下“免费公平”消失，适度的生产者公平约束可通过多样化曝光改善业务指标。
2026-07-03 cs.GT cs.IR
Non-invasive Self-attention for Side Information Fusion in Sequential Recommendation
顺序推荐系统的目标是从用户的历史行为中建模用户不断变化的兴趣，从而定制时间相关的推荐。与传统模型相比，CNN和RNN等深度学习方法在推荐任务方面取得了显着进步。最近，BERT框架也成为一种很有前途的方法，得益于其在处理序列数据时的自注意力机制。然而，原始BERT框架的一个限制是它只考虑自然语言标记的一个输入源。在BERT框架下如何利用各种类型的信息仍然是一个悬而未决的问题。尽管如此，利用其他辅助信息（例如项目类别或标签）来进行更全面的提示和更好的推荐在直觉上是有吸引力的。在我们的试点实验中，我们发现直接将副信息类型融合到项目嵌入中的天真方法通常带来很少甚至负面的影响。因此，在本文中，我们在BERT框架下，提出了一种有效利用边信息的非虚自注意力机制（NOVA）. NOVA利用边信息来产生更好的注意分配，而不是直接改变项目嵌入，这可能会导致信息压倒性。我们在公共和商业数据集上验证了NOVA-BERT模型，我们的方法可以稳定地优于最先进的模型，计算开销可以忽略不计。
2021-03-05 cs.IR
Application of Knowledge Graphs to Provide Side Information for Improved Recommendation Accuracy
Concordia University（康考迪亚大学）
个性化推荐在互联网驱动的活动中很受欢迎，特别是购物。推荐方法可以分为三大类，基于内容的过滤，协同过滤和机器学习增强。关于不同用户的产品和偏好的信息主要用于推断特定用户的偏好。不充分的信息显然会导致这些方法失败或性能不佳。我们为这些方法提供的信息越多，这些方法就越有可能表现得更好。知识图谱代表了以实体之间的关系形式记录信息的当前趋势，并可以提供有关产品和用户的附加（侧面）信息。这些信息可以用于改进最近邻搜索，聚类用户和产品，或者在使用神经网络时训练神经网络。在这项工作中，我们提出了一个新的通用推荐系统框架，集成知识图谱到推荐管道。我们描述了它的软件设计和实现，然后通过实验表明，这样的框架可以专门为一个域，说电影推荐，并可能由于侧信息从知识图谱表示这样的信息得到的建议结果的改进。我们的框架支持不同的知识图谱表示格式，并方便格式转换，合并和信息抽取所需的训练推荐方法。
2021-01-07 cs.IR cs.LG
A Survey on Side Information-driven Session-based Recommendation: From a Data-centric Perspective
本文从数据中心视角全面综述辅助信息驱动的会话推荐，涵盖任务定义、相关基准、辅助信息的类型与使用方式、研究进展分类，最后总结局限并展望未来方向。
2025-05-18 cs.IR
DEKGCI: A double-sided recommendation model for integrating knowledge graph and user-item interaction graph
Faculty of Artificial Intelligence in Education, Central China Normal University（华中师范大学教育人工智能学院）
本文提出双侧推荐模型 DEKGCI，通过分别利用用户-项目交互图的高阶协同信号和知识图谱的高阶结构与语义信息来丰富用户与项目表示，在三个真实数据集上的 AUC 和 ACC 指标优于七个基线。
2023-06-24 cs.AI cs.IR
Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家级试点软件工程学院））；The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学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）
针对跨域推荐中多模态数据利用不足和侧用户被忽视的问题，提出MuSiC模型，通过多模态与大语言模型提取特征，并利用跨域扩散模块为冷启动用户生成目标域特征向量，在Amazon数据集上取得最优性能。
2025-07-05 cs.AI cs.IR
A Reproducibility Study of Product-side Fairness in Bundle Recommendation
Delft University of Technology（代尔夫特理工大学）；University of Amsterdam（阿姆斯特丹大学）
本文通过三个数据集和四种先进捆绑推荐方法复现研究产品侧公平性，发现捆绑与商品层面曝光模式差异显著，且用户行为会显著影响公平性，为构建更公平的捆绑推荐系统提供依据。
2025-07-18 cs.AI cs.IR
Multi-sided Exposure Bias in Recommendation
学术界对推荐系统的研究主要集中在与推荐准确性相关的度量上。即使在研究诸如流行性偏差、多样性和新颖性等非准确性度量时，它通常也仅从用户的角度进行研究。然而，许多现实世界的决策者通常是多利益相关者的环境，在这种环境中，应该在推荐过程中解决几个利益相关者的需求和利益。在本文中，我们专注于流行的偏见问题，这是一个众所周知的属性，许多推荐算法，很少流行的项目被过度推荐，而大多数其他项目没有得到比例的关注，并解决其对不同的利益相关者的影响。使用几种推荐算法和两个公开的数据集在音乐和电影领域，我们经验性地显示了固有的流行偏见的算法，以及这种偏见如何影响不同的利益相关者，如用户和供应商的项目。我们还提出了度量标准，从不同利益相关者的角度来衡量推荐算法的曝光偏差。
2020-07-01 cs.IR
Stream-aware Side Adaptation for Large Pre-trained Multimodal Embedding Models in Sequential Recommendation
University of Glasgow（格拉斯哥大学）；Telefónica Scientific Research, Telefónica Innovación Digital（Telefónica科学研究，Telefónica数字创新）；Shandong University（山东大学）
针对大型预训练多模态嵌入模型用于序列推荐时因域不对准性能不佳的问题，提出Stresa框架，通过流感知隐藏适配器融合和残差流适配器，有效解锁模型潜力，实验证明其性能优于标准侧适配器和基线。
2026-07-14 cs.IR
Pre-training Graph Transformer with Multimodal Side Information for Recommendation
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）；Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
项目的辅助信息，例如，图像和文本描述，已被证明是有效的，有助于准确的建议。受最近自然语言和图像预训练模型的成功启发，我们提出了一种预训练策略，通过考虑项目侧信息及其关系来学习项目表示。我们通过常见的用户活动来关联项目，例如，共同购买，并构建一个同质项目图。该图提供了多模态中项目关系及其关联边信息的统一视图。我们开发了一种新的采样算法MCNSampling为每个项目选择上下文邻居。提出的预训练多模态图Transformer（PMGT）学习项目表示有两个目标：1）图结构重建，和2）掩蔽节点特征重建。在真实数据集上的实验结果表明，PMGT模型有效地利用了多模态边信息，在项目推荐、项目分类和点击率预测等下游任务中实现了更高的准确率。我们还报告了一个案例研究，在60万用户的在线设置中测试所提出的PMGT模型。
2021-01-07 cs.IR cs.LG
Overhead-free User-side Recommender Systems
National Institute of Informatics（情报学研究所）
针对用户侧推荐系统通信开销过高的问题，提出无开销框架RecCycle，通过回收提供商的历史推荐结果，在保持与先进算法同等性能的同时显著降低成本。
2024-11-12 cs.AI cs.DB cs.DL
Who to Watch Next: Two-side Interactive Networks for Live Broadcast Recommendation
随着直播业务的盛行，一种新型的推荐服务--直播推荐在众多移动电商App中得到广泛应用。与经典的项目推荐不同，直播推荐是考虑三重对象之间的交互（即，用户、锚、项）而不是用户和项之间的二元交互。基于二进制对象的现有方法，从早期的矩阵分解到最近出现的深度学习，通过从预先存在的特征映射来获得对象的嵌入。直接应用这些技术将导致有限的性能，因为它们无法编码三重对象之间的协作信号。本文提出了一种新的双向交互网络TWO-SIDE（TWO-Side Interactive NetworkS，TWO-Side）用于直播推荐。为了充分利用用户和锚点端的静态和动态信息，我们将基于产品的神经网络与递归神经网络相结合，以学习每个对象的嵌入。此外，而不是直接测量的相似性，有效地注入到嵌入过程中的显式的方式，通过建模用户的浏览历史和锚点的广播历史之间的交互模式，在项目和锚点方面的协作效果。此外，我们设计了一种新的协同检索技术，以有效地选择关键项目中的大量历史记录。在真实大规模数据上进行的离线实验表明，与典型方法相比，该方法具有更好的性能;在点淘App上进行的在线实验结果表明，该方法在ACTR、UCTR和UCVR指标上的平均性能提升分别约为8%、3%和3.5%。
2022-02-09 cs.IR
Online Dating Recommendations: Matching Markets and Learning Preferences
在线约会推荐系统最近引起了研究界的广泛关注。本文提出了一个双边匹配的网络约会推荐框架，并设计了一个LDA模型，从观察到的用户消息传递行为和用户简档特征来学习用户偏好。使用大型在线约会网站的数据进行的实验结果表明，双边匹配显著提高了45%的成功匹配率。最后，使用模拟匹配，我们表明，LDA模型可以正确地捕捉用户的喜好。
2014-01-31 cs.IR cs.SI physics.soc-ph
A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern University（西北大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。公平性的一种具体形式是供应商暴露公平性，其目标是确保在向用户提供的建议中公平地覆盖所有供应商的项目。这在多利益相关者推荐场景中尤其重要，在这些场景中，不仅为最终用户优化效用，而且为其他利益相关者（例如希望公平表示其物品的物品销售商或生产商）优化效用也很重要。这种类型的供应商公平性有时是通过尝试增加聚合多样性来实现的，以减轻受欢迎的偏见，并提高推荐中长尾项目的覆盖率。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为推荐生成后的后处理方法，以提高项目和供应商的曝光公平性。该算法迭代地将具有低可见性的高质量项目或来自具有低曝光度的供应商的项目添加到用户的最终推荐列表。在两个数据集上进行的一组全面的实验以及与最先进基线的比较表明，FairMatch在显着提高曝光公平性和总体多样性的同时，保持了可接受的建议相关性水平。
2021-07-07 cs.AI cs.IR
LBR: Towards Mitigating Length Bias in Large Language Models for Recommendation
Zhejiang University（浙江大学）；The Chinese University of Hong Kong（香港中文大学）；University of Science and Technology of China（中国科学技术大学）；Bangsun Technology（Bangsun科技）
研究大语言模型用于推荐时的长度偏差问题，提出LBR框架。通过长度感知注意力校准减轻输入偏差，引入有效信息长度归一化处理输出偏差，实验证明该框架能减轻偏差并提升推荐准确性和公平性。
2026-07-07 cs.AI cs.IR
SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework
本文提出隐私保护知识图谱框架 SAppKG，利用交互数据与应用属性辅助信息进行移动应用推荐，并在 Google Play 真实数据上验证其四项指标均优于基线。
2023-09-29 cs.IR cs.SI
Intersectional Two-sided Fairness in Recommendation
Quan Cheng Laboratory（泉城实验室）；DCST, Tsinghua University（清华大学信息科学技术学院）；AIR, Tsinghua University（清华大学人工智能国际研究院）；Kuaishou Technology（快手科技）
本文提出ITFR方法，利用锐度感知损失、协同损失平衡和预测分数归一化，有效缓解推荐系统中交叉双侧不公平性，持续优于现有方法。
2024-02-15 cs.CY cs.IR cs.LG
DIFF: Dual Side-Information Filtering and Fusion for Sequential Recommendation
针对现有辅助信息融合序列推荐存在的序列噪声难去除、辅助信息利用不充分问题，提出基于频域过滤与双路融合的DIFF模型，在四个基准数据集上Recall@20和NDCG@20最高提升14.1%和12.5%。
2025-05-20 cs.IR
SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation
Northeastern University, China（中国东北大学）
针对LLM推荐系统中协同嵌入利用不足的问题，提出SAILRec模型，通过双端语义对齐和层次注意力引导，平衡内部语义知识与外部协同知识，在MovieLens-1M和Amazon-Book上优于基线。
2026-06-03 cs.IR
Interpolating Item and User Fairness in Multi-Sided Recommendations
Massachusetts Institute of Technology（麻省理工学院）；IBM Research（IBM研究院）
本文提出公平推荐框架FAIR及低遗憾算法FORM，通过约束优化平衡平台、物品和用户利益，在动态在线环境中实现实时学习与公平推荐，兼顾收入与公平。
2024-05-25 cs.CY cs.GT cs.IR
UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
该研究针对生成式推荐中目标侧特征缺失的问题，提出 TacGR 模型，通过预测并交叉目标侧特征解决挑战，在 Lazada 数据集及线上测试中均取得显著性能提升。
2026-10-30 cs.IR
Time-Aware Adaptive Side Information Fusion for Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；Singapore Management University Singapore（新加坡管理大学）
TASIF通过时间感知自适应融合框架提升序列推荐性能，解决时间动态、噪声敏感和计算效率问题。
2025-12-30 cs.IR
CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework
针对POI推荐中不活跃用户推荐不准、小众POI曝光不足的多视角公平性问题，本文提出纳入供需双方公平性的后过滤方法，实验验证了线性打分模型的平衡效果及公平性权衡对模型与数据集的依赖性。
2024-08-14 cs.IR
FaiRIR: Mitigating Exposure Bias from Related Item Recommendations in Two-Sided Platforms
相关项目推荐（RIR）在当今大多数在线平台中无处不在，包括电子商务和内容流媒体网站。这些推荐不仅可以帮助用户比较与给定项目相关的项目，还可以在为单个项目带来流量方面发挥重要作用，从而决定不同项目获得的曝光度。随着越来越多的人依靠这些平台谋生，重要的是要了解不同的项目是否得到了他们想要的曝光。为此，我们在多个真实世界的RIR数据集上的实验表明，现有的RIR算法往往会导致项目的暴露分布非常偏斜，项目的质量并不能合理解释这种暴露的偏斜。为了减轻这种暴露偏倚，我们在RIR管道中引入了多种灵活干预（FaiRIR）。我们实例化这些机制与两个著名的算法构建相关的项目建议-评级SVD和item 2 vec-和现实世界的数据显示，我们的机制允许一个细粒度的控制上的曝光分布，通常在一个小的或没有成本的推荐质量，相关性和用户满意度方面进行衡量。
2022-04-01 cs.CY cs.IR
Two-Sided State-Space Models for Sequential Recommendation with Non-Random Multimodal Review Feedback
Emory University（埃默里大学）
针对双边平台序列推荐中评论反馈的非随机性与溢出效应问题，提出TS-SSM模型，经多数据集实验较现有基准模型在Recall@20上有显著提升。
2026-10-01 cs.IR
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
Shenzhen University（深圳大学）；Kuaishou Technology（快手科技）
针对视频推荐中上游多任务模型输出的用户偏好预测含噪导致的排序不稳定问题，提出双侧鲁棒集成排序框架DrEM，通过风险去噪鲁棒损失与排序一致性正则化提升性能，经实验验证有效。
2026-08-14 cs.IR
Gated Rotary-Enhanced Linear Attention with Rank Modulation for Long-term Sequential Recommendation
organization= School of Big Data \& Software Engineering, Chongqing University , city= Chongqing , postcode= 401331 , country= China
本文提出RecGRELA模型，通过门控旋转增强线性注意力模块和自适应秩调制模块，解决长尾序列推荐中长距离依赖建模、低秩缺陷和短期兴趣与长期兴趣区分的问题，实现高效推荐。
2026-03-24 cs.IR
Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information
Microsoft Research（微软研究院）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
在本文中，我们研究的推荐系统中的用户和项目被推荐的是丰富的数据结构，具有多个实体类型和多个来源的边信息的图形形式的问题。我们提供了一个通用的配方的问题，捕捉现代现实世界的复杂性的建议，并概括了许多现有的配方。在我们的公式中，每个需要推荐的用户/文档和每个要推荐的项目或标签都由一组静态实体和一个动态组件建模。实体之间的关系由几个加权二部图来捕获。为了有效地利用这些复杂的交互并学习推荐模型，我们提出了MEDRES-一种基于多重图CNN的新型深度学习架构。MEDRES使用AL-GCN，这是一种新的图卷积网络块，它利用了底层图的强大代表性特征。此外，为了捕捉高度异构的参与不同的用户与系统和限制的项目数量被推荐，我们提出了一种新的排名度量pAp@k以及一种方法来优化度量直接。我们证明了我们的方法在两个基准上的有效性：a）引用数据，b）Flickr数据。此外，我们提出了两个现实世界的案例研究，我们的配方和MEDRES架构。我们展示了如何使用我们的技术来自然地模拟消息推荐问题和Microsoft Teams（MSTeams）产品中的团队推荐问题，并证明它比生产级模型准确5 - 6%。
2020-07-26 cs.IR cs.LG stat.ML
Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
Alibaba Group（阿里巴巴集团）；Hong Kong University of Science and Technology（香港科技大学）
在中国最大的在线C2C平台淘宝网上，推荐系统（RS）一直是增加业务的最重要技术。淘宝上亿级规模的数据对淘宝的RS提出了三大挑战：可扩展性、稀疏性和冷启动。在本文中，我们提出了解决这三个挑战的技术解决方案。这些方法是基于图嵌入框架。我们首先从用户的行为历史中构建一个项目图。然后使用图形嵌入将每个项表示为向量。项目嵌入用于计算所有项目之间的成对相似度，然后将其用于推荐过程。为了缓解稀疏性和冷启动问题，边信息被纳入嵌入框架。我们提出了两种聚合方法来整合项目的嵌入和相应的边信息。离线实验的结果表明，加入边信息的方法优于那些没有。此外，我们描述了平台上部署的嵌入方法和工作流程，以处理淘宝上的亿级数据。通过在线A/B测试，对比淘宝网上广泛使用的推荐方法，在线点击率（CTR）得到了提高，进一步证明了本文所提方法在淘宝网直播生产环境中的有效性和可行性。
2018-05-24 cs.AI cs.IR
Fair Reciprocal Recommendation in Matching Markets
本文研究双边匹配市场中的互惠推荐公平性问题，提出基于纳什社会福利函数的方法寻找接近无嫉妒的推荐策略，以在期望匹配数量与机会公平之间取得平衡。
2024-09-01 cs.IR
Ripple Knowledge Graph Convolutional Networks For Recommendation Systems
Nagoya University（名古屋大学）；Deakin University（迪肯大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对推荐系统的效果提升问题，提出结合用户端与物品端知识图的RKGCN模型，动态分析用户偏好以丰富表征，在三个真实数据集上优于5个基线模型。
2024-04-10 cs.AI cs.IR cs.LG
The item selection problem for user cold-start recommendation
The Chinese University of Hong Kong（香港中文大学）
当一个新用户刚刚在网站上注册时，我们通常没有关于他/她的信息，即没有与项目的交互，没有用户简档，也没有与其他用户的社交链接。在这种情况下，我们仍然期望我们的推荐系统能够在第一时间吸引用户，使用户决定留在网站上，成为活跃用户。这个问题属于新用户冷启动的范畴，对企业的发展乃至生存至关重要。关于用户冷启动推荐的现有工作需要额外的用户努力，例如设置面试过程，或者利用诸如用户人口统计，位置，社会关系等的边信息[10]。因此，我们考虑一个纯冷启动的情况下，既没有互动，也没有边信息是可用的，不需要用户的努力。研究此设置对于其他冷启动解决方案的初始化也很重要，例如初始化面试的前几个问题。
2020-10-27 cs.IR cs.LG cs.SI
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
Knowledge-aware Dual-side Attribute-enhanced Recommendation
针对现有知识感知推荐方法无法建模细粒度用户偏好及利用偏好-属性连接的问题，提出KDAR方法，通过构建用户偏好和属性融合表示增强协同过滤，并引入多级协同对齐对比机制区分属性贡献，在四个基准数据集上优于基线。
2024-03-24 cs.IR
Side Information Fusion for Recommender Systems over Heterogeneous Information Network
协同过滤（CF）是目前最重要和最流行的推荐方法之一，其目的是根据用户过去的行为来预测用户的偏好（评分）。最近，各种类型的边信息以外的显式评级用户给的项目，如用户之间的社会联系和元数据的项目，已被引入CF和被证明是有用的，以提高推荐性能。然而，以前的作品分别处理不同类型的信息，因此未能捕捉到它们之间可能存在的相关性。为了解决这个问题，在这项工作中，我们研究了异构信息网络（HIN）的应用，以提高CF为基础的推荐方法。然而，我们在基于HIN的推荐中面临挑战性的问题，即，如何在HIN中捕捉用户和项目之间复杂语义的相似性，以及如何有效地融合这些相似性以提高最终的推荐性能。为了解决这些问题，我们将元数据应用到相似度计算中，并使用“矩阵分解（MF）+分解机（FM）”框架解决信息融合问题。对于MF部分，我们从每个元数据中获得用户-项目相似性矩阵，然后应用低秩矩阵近似来获得用户和项目的潜在特征。对于FM部分，我们将FM与Group Lasso（FMG）应用于从MF部分获得的特征上，以训练推荐模型，同时识别有用的元图。除了FMG，一个两阶段的方法，我们进一步提出了一个端到端的方法，层次注意力融合（HAF），融合元语义的相似性，最终的推荐。在四个大型真实数据集上的实验结果表明，这两个框架在推荐性能方面明显优于现有的最先进的方法。
2020-12-28 cs.IR
Quick Lists: Enriched Playlist Embeddings for Future Playlist Recommendation
iHeart（iHeart公司）
在数字音乐服务的上下文中向用户推荐播放列表是一项困难的任务，因为播放列表通常不仅仅是其部分的总和。我们提出了一种新的方法来生成播放列表嵌入，是不变的播放列表长度和敏感的本地和全球的轨道排序。嵌入还捕获关于播放列表排序的信息，并且用关于播放列表用户的辅助信息来丰富。我们表明，这些嵌入是有用的生成下一个最好的播放列表的建议，和边信息可以用于冷启动问题。
2020-06-17 cs.IR cs.LG cs.SD
Network Flow Based Post Processing for Sales Diversity
协同过滤是一个广泛而强大的框架，用于构建已被广泛采用的推荐系统。在过去的十年中，已经观察到这种系统倾向于偏爱流行产品，从而产生回音室。这引起了一个活跃的研究领域，该领域试图使这些算法生成的推荐多样化。我们解决的问题，越来越多的多样性推荐系统，是基于协同过滤，使用过去的评级预测潜在的建议的评级质量。在我们早期的工作之后，我们将推荐系统设计制定为从潜在推荐的候选超图中选择子图的问题，其中多样性和评级质量都被显式优化：（1）在建模方面，我们定义了一个新的灵活的多样性概念，允许系统设计者规定每个项目应该接收的推荐数量，并平滑地惩罚偏离此分布的情况。(2)在算法方面，我们表明，最小成本的网络流方法产生快速的算法在理论和实践中设计的推荐子图，优化这一概念的多样性。(3)在实证方面，我们展示了我们的新模型和方法的有效性，以增加多样性，同时保持高评级质量的标准评级数据集从Netflix和MovieLens。
2017-02-17 cs.DS cs.IR
A Knowledge Graph based Approach for Mobile Application Recommendation
针对移动应用推荐中的稀疏性问题，提出基于知识图谱的端到端卷积嵌入传播模型KGEP，利用侧信息建模并捕获一阶与高阶结构语义，实验验证其有效性。
2020-09-18 cs.IR cs.LG
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
Efficient Multimodal Streaming Recommendation via Expandable Side Mixture-of-Experts
针对流式推荐中多模态编码器微调成本高及偏好漂移问题，提出可扩展侧混合专家框架XSMoE，通过冻结编码器附加可扩展专家网络并动态路由，兼顾冷启动与漂移偏好，在三个数据集上超越现有基线。
2025-10-23 cs.IR
Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations
本文通过129名参与者的在线实验，比较了热门电影推荐中纯正面与含负面信息的解释风格，发现单面正面解释在信任、透明度、有效性和满意度上均更优，为低风险娱乐场景的解释设计提供了实践启示。
2025-05-06 cs.HC cs.IR
