RADio -- Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
University of Amsterdam（阿姆斯特丹大学）；RTL Nederland B.V.（RTL荷兰有限公司）
在传统的推荐系统文献中，多样性通常被视为相似性的对立面，通常被定义为所识别的主题、类别或词模型之间的距离。然而，这并不能表达社会科学对多样性的解释，多样性解释了新闻机构的规范和价值观，我们在这里称之为规范多样性。我们介绍RADio，一个多功能的指标框架，以评估建议，根据这些规范的目标。RADio引入了秩感知的Jensen Shannon（JS）发散。这种组合说明了（i）用户观察列表中更下方的项目的倾向降低，以及（ii）与点估计相反的完全分布偏移。我们评估RADio的能力，以反映五个规范的概念，在微软新闻数据集和六个（神经）推荐算法的新闻推荐，我们的元数据丰富管道的帮助下。我们发现，RADio提供了有见地的估计，可以潜在地用于通知新闻推荐系统的设计。
2022-10-13 cs.IR cs.LG
Simultaneous Relevance and Diversity: A New Recommendation Inference Approach
Smule（Smule公司）；Virginia Tech（弗吉尼亚理工大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
相关性和多样性对于推荐系统的成功都很重要，因为它们可以帮助用户从大量的项目中发现一组紧凑的候选人，这些候选人不仅有趣，而且具有探索性。挑战在于，在传统的推荐系统中，相关性和多样性通常是两个相互竞争的目标，这需要在开发和探索之间进行经典的权衡。传统上，更高的多样性往往意味着牺牲相关性，反之亦然。我们提出了一种新的方法，异构推理，它扩展了一般的协同过滤（CF）通过引入一种新的方式CF推理，否定到肯定。异构推理实现发散相关性，其中相关性和多样性作为一个推荐模型中的两个合作目标相互支持，并且其中推荐多样性是相关性推理过程的固有结果。受益于其简洁性和灵活性，我们的方法适用于各种复杂程度的各种推荐场景/用例。我们对公共数据集和真实生产数据的分析和实验表明，我们的方法在相关性和多样性方面同时优于现有方法。
2020-09-27 cs.IR cs.LG cs.SI
Fast Dual-Regularized Autoencoder for Sparse Biological Data
University of Northern Iowa（北爱荷华大学）
本文提出一种基于线性模型扩展的浅层自编码器，用于双邻域正则化矩阵补全，在药物-靶点相互作用和药物-疾病关联预测中展现出速度和准确性优势。
2024-03-13 cs.LG
Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation
Delft University of Technology（代尔夫特理工大学）；Norwegian University of Science and Technology（挪威科技大学）；Radboud University（拉德堡德大学）
本文研究了用户属性在推荐系统社区目前关注的问题：多样性，覆盖率，校准和数据最小化。在传统的上下文感知推荐系统，利用边信息的实验中，我们表明，用户属性并不总是提高推荐。然后，我们证明用户属性会对多样性和覆盖范围产生负面影响。最后，我们调查的信息量的用户“生存”的训练数据到推荐器产生的推荐列表。这些信息是一个微弱的信号，将来可能会被用于校准或作为隐私泄露进一步研究。
2022-07-28 cs.LG
Continual Low-Rank Adapters for LLM-based Generative Recommender Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（韩国大学）；Amazon（亚马逊）
本文提出PESO方法，通过引入近端正则化器，在推荐系统中实现连续学习，平衡适应与保留，提升对近期用户行为的捕捉能力。
2026-03-17 cs.IR cs.LG
Normative Alignment of Recommender Systems via Internal Label Shift
Technical University of Denmark（技术大学）；University of California San Diego（加州大学圣地亚哥分校）；Inria, Université Côte d'Azur（Inria与普罗旺斯大学）；Copenhagen Business School（哥本哈根商学院）；ZOZO Research（ZOZO研究）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
研究如何使推荐系统输出与目标分布对齐，提出NAILS方法，通过修改用户条件项目分布，在保留原偏好且无需重训模型的情况下，将问题转化为层次分类框架内的标签转移，实现与全局规范目标对齐，且对用户参与度影响小。
2026-07-14 cs.IR cs.LG
Robust portfolio optimization for recommender systems considering uncertainty of estimated statistics
Graduate School of Science and Technology, University of Tsukuba（筑波大学科学技术研究科）；Institute of Systems and Information Engineering, University of Tsukuba（筑波大学系统与信息工程研究所）
针对推荐系统中评分统计量存在估计误差的问题，本文提出基于基数型不确定集的鲁棒投资组合优化模型，将其归约为混合整数线性优化问题，实验证明该方法能同时提升推荐准确性与多样性。
2024-09-29 cs.IR cs.LG math.OC
What are you optimizing for? Aligning Recommender Systems with Human Values
Partnership on Artificial Intelligence（人工智能伙伴关系）；UC Berkeley（加州大学伯克利分校）；Center for Human-Compatible Artificial Intelligence（人类兼容人工智能中心）
我们描述的情况下，真正的推荐系统进行了修改，在服务的各种人类价值观，如多样性，公平性，福祉，时间花得好，和事实的准确性。从这一点上，我们确定了当前的价值工程实践：从人类创造的数据中创建分类器，并带有基于价值的标签。这在实践中对各种问题都有效，但问题是一个一个地解决，用户和其他利益攸关方很少参与。相反，我们期待人工智能调整工作的方法，可以直接从利益相关者那里学习复杂的价值观，并确定四个主要方向：有用的调整措施，参与式设计和操作，交互式价值学习和知情的审慎判断。
2021-07-22 cs.CY cs.IR cs.LG
Evaluation of Synthetic Datasets for Conversational Recommender Systems
Google Research（谷歌研究院）
对于利用大语言模型（LLM）生成训练数据集的研究人员来说，特别是对于会话推荐系统来说，缺乏强大的评估框架一直是一个长期存在的问题。LLM在数据生成阶段带来的效率在生成数据的评估过程中受到阻碍，因为它通常需要人工评估人员来确保生成的数据具有高质量和足够的多样性。由于训练数据的质量对于下游应用程序至关重要，因此开发全面评估质量并识别偏差的指标非常重要。在本文中，我们提出了一个框架，采取多方面的方法来评估生成模型产生的数据集，并讨论了各种评估方法的优点和局限性。
2022-12-12 cs.AI cs.CL cs.IR
SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress
Alibaba International Digital Commercial Group（阿里巴巴国际数字商业集团）
SIGMA通过语义引导和指令驱动方法，解决传统推荐系统在多任务和实时业务需求中的局限，提升推荐准确性和多样性。
2026-04-19 cs.IR cs.LG
Scalable LinUCB: Low-Rank Design Matrix Updates for Recommenders with Large Action Spaces
HSE University（俄罗斯伏尔加格勒国立大学）
本文提出PSI-LinUCB算法，通过低秩设计矩阵更新方法，实现高效训练和推理，适用于具有大动作空间的推荐系统。
2026-02-09 cs.LG stat.ML
Representation Online Matters: Practical End-to-End Diversification in Search and Recommender Systems
Pinterest, Inc.（Pinterest公司）
本文提出端到端多样化机制，在 Pinterest 搜索与推荐系统中通过分桶检索和行列式点过程多目标优化，在改善肤色表征的同时平衡多样性与效用。
2023-05-26 cs.CY cs.IR cs.LG
Recommender Systems Notation: Proposed Common Notation for Teaching and Research
Boise State University（博伊西州立大学）；University of Minnesota（明尼苏达大学）
随着推荐系统领域的发展，作者已经使用了无数的符号来描述推荐算法的数学工作。这些符号出现在研究论文、书籍、课堂笔记、博客文章和软件文档中。该领域的学科多样性并没有促进符号的一致性;以信息检索为基础的学者与机器学习或人机交互的学者有不同的习惯和期望。在推荐系统多年的教学和研究过程中，我们已经看到了在我们的工作中采用一致的符号的价值。这一点在我们开发Coursera上的推荐系统MOOC（Konstan et al. 2015）时特别突出，因为我们需要解释各种各样的算法，而我们的学习者不能通过改变算法之间的符号来很好地服务。在本文中，我们描述了我们在工作中采用的符号，以及它的理由和一些考虑的替代品的讨论。我们提出这一点，希望它将是有用的其他人写和教学有关推荐系统。这种符号在研究、在线教育和传统课堂教学中已经很好地服务了我们一段时间。我们认为它可以广泛使用。
2019-02-04 cs.HC cs.IR cs.LG
CADMR: Cross-Attention and Disentangled Learning for Multimodal Recommender Systems
ALTECA（阿尔泰卡公司）；CY Cergy Paris University（塞尔吉-巴黎大学）；Sorbonne Paris Nord University（巴黎北索邦大学）
针对高维稀疏评分矩阵重构难题，提出基于自编码器的 CADMR 框架，通过解耦学习与多头交叉注意力融合多模态特征，在三个基准上显著优于现有方法。
2024-12-03 cs.AI cs.IR cs.LG
What Are We Optimizing For? A Human-centric Evaluation of Deep Learning-based Movie Recommenders
Grouplens Research, University of Minnesota（明尼苏达大学GroupLens研究组）；Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所）；School of Computing, Clemson University（克莱姆森大学计算学院）
本文通过445名真实用户的调查评估四种深度学习电影推荐模型，发现其在多样性和用户满意度上弱于经典协同过滤，并提出以人为中心的设计与优化策略。
2024-05-01 cs.HC cs.IR cs.LG
MUSS: Multilevel Subset Selection for Relevance and Diversity
Equal contribution（共同贡献）
MUSS通过多级方法在推荐系统中提升精确度4个百分点并加快20-80倍，同时在RAG问题回答中优于基线方法。
2026-08-04 cs.LG
Determinantal Point Process Likelihoods for Sequential Recommendation
Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
顺序推荐是学术研究中的热门任务，并且接近现实世界的应用场景，其中目标是基于他/她先前的动作序列来预测用户的下一个动作。在推荐系统的训练过程中，损失函数在指导推荐模型的优化，为用户提供准确的推荐方面起着至关重要的作用。然而，大多数现有的顺序推荐技术的重点是设计算法或神经网络架构，并没有努力定制损失函数，自然适合顺序推荐系统的实际应用场景。基于排序的损失，如交叉熵和贝叶斯个性化排序（BPR）被广泛应用于顺序推荐领域。我们认为，这样的目标函数有两个固有的缺点：i）在这些损失公式中忽略了序列元素之间的依赖关系; ii）而不是平衡准确性（质量）和多样性，只生成准确的结果被过度强调。因此，我们提出了两个新的损失函数的基础上的决定点过程（DPP）的可能性，可以自适应地应用于估计后续项目或项目。DPP分布的项目集捕获时间动作之间的自然依赖关系，DPP内核的质量与多样性分解推动我们超越面向精度的损失函数。在三个真实数据集上使用所提出的损失函数的实验结果表明，在质量和多样性度量方面，与最先进的顺序推荐方法相比，有明显的改进。
2022-04-25 cs.IR cs.LG
Modeling and Counteracting Exposure Bias in Recommender Systems
University of Louisville（路易斯维尔大学）
我们在网上发现和看到的东西，以及我们的观点和决定，越来越多地受到自动化机器学习预测的影响。同样，学习机器的预测准确性在很大程度上取决于我们提供给它们的反馈数据。这种相互影响可能导致闭环交互，这可能导致未知的偏差，在机器学习预测和用户反馈的多次迭代之后，这种偏差可能会加剧。机器造成的偏见有可能导致不良的社会影响，从两极分化到不公平和过滤泡沫。在本文中，我们研究了广泛使用的推荐策略，如矩阵分解固有的偏见。然后，我们模型的曝光，从用户和推荐系统之间的互动承担，并提出新的去偏置这些系统的策略。最后，我们试图减轻推荐系统的偏见工程解决方案的几个国家的最先进的推荐系统模型。我们的研究结果表明，推荐系统是有偏见的，并依赖于用户的事先曝光。我们还表明，研究的偏见迭代减少多样性的输出建议。我们的去偏置方法表明，需要考虑到曝光过程，以减少偏见的替代推荐策略。我们的研究结果表明，理解机器学习模型（如直接与人类交互的推荐系统）的性质并处理其中的偏见非常重要，因此对人类的发现和决策产生了越来越大的影响
2020-01-01 cs.IR cs.LG stat.ML
Representer Point Selection for Explaining Regularized High-dimensional Models
Carnegie Mellon University（卡内基梅隆大学）；Amazon Search（亚马逊搜索）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出高维代表器，通过新颖的代表器定理将正则化高维模型预测分解为训练样本的贡献，并在稀疏模型、低秩模型及协同过滤中验证其解释效力。
2023-07-01 cs.LG
FedeRank: User Controlled Feedback with Federated Recommender Systems
Politecnico di Bari（巴里理工大学）
推荐系统已被证明是数据可用性如何缓解我们日常数字生活的成功代表。然而，数据隐私是数字时代最突出的问题之一。在几次数据泄露和隐私丑闻之后，用户现在担心共享他们的数据。在过去的十年中，联邦学习已经成为一种新的隐私保护分布式机器学习范式。它的工作原理是处理用户设备上的数据，而无需在中央存储库中收集数据。我们提出了Federank（https：//split.to/federank），一个联邦推荐算法。该系统在每个设备上学习个人因子分解模型。模型的训练是中央服务器和联邦客户端之间的同步过程。FedeRank以分布式的方式计算推荐，并允许用户控制他们想要共享的数据部分。通过与最先进的算法进行比较，大量的实验表明，FedeRank在推荐准确率方面的有效性，即使只有一小部分共享的用户数据。进一步分析了推荐列表的多样性和新颖性，保证了算法在实际生产环境中的适用性。
2021-01-20 cs.DC cs.IR cs.LG
Revisiting Adversarially Learned Injection Attacks Against Recommender Systems
Simon Fraser University（西蒙弗雷泽大学）；Cornell Tech, Cornell University（康奈尔科技学院，康奈尔大学）
推荐系统在现代信息和电子商务应用中扮演着重要的角色。虽然越来越多的研究致力于提高推荐的相关性和多样性，但最先进的推荐模型的潜在风险尚未得到充分探讨，即这些模型可能会受到恶意第三方的攻击，通过注入虚假的用户交互来实现其目的。本文重新审视了adversarially-learned注入攻击问题，其中注入的假用户“行为”是由攻击者用自己的模型在本地学习的-一个可能与受攻击的模型不同，但共享类似的属性，以允许攻击转移。我们发现，大多数现有的工作在文献中遭受两个主要的局限性：（1）他们没有精确地解决优化问题，使攻击的危害小于它可能是，（2）他们假设完美的知识的攻击，导致缺乏对现实的攻击能力的理解。我们证明了生成假用户作为优化问题的确切解决方案可能会产生更大的影响。我们在真实数据集上的实验揭示了攻击的重要特性，包括攻击的可转移性及其局限性。这些发现可以启发有用的防御方法来对抗这种可能存在的攻击。
2020-08-28 cs.IR cs.LG stat.ML
An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems
UNIST（蔚山科学技术院）；Department of Computer Science and Engineering（计算机科学与工程学院）
所有用于推荐的学习算法都面临着在利用用户偏好的部分知识以获得短期满意度和探索其他用户偏好以获得长期覆盖之间不可避免的关键权衡。虽然探索是必不可少的推荐系统的长期成功，探索已被认为是降低用户满意度的风险。风险的原因是，选择用于探索的项目经常与用户的兴趣不匹配。为了减轻这种风险，推荐系统将选择用于探索的项目混合到推荐列表中，将项目伪装为推荐以引起对项目的反馈，从而发现用户的其他口味。这种混合方法已被广泛应用于许多广告商，但很少有研究，评估混合方法的有效性或提出一种新的方法来获得用户反馈而不欺骗用户。在这项工作中，我们的目标是提出一种新的方法，没有任何欺骗的反馈启发，并比较我们的方法与传统的混合方法进行评估。为此，我们设计了一个推荐界面，揭示了哪些项目是探索，并进行了主题内的研究与94 MTurk工人。我们的研究结果表明，用户留下了显着更多的反馈项目选择探索与我们的界面。此外，用户评价我们的新界面在新颖性，多样性，透明度，信任和满意度方面优于传统的混合界面。最后，路径分析表明，只有在我们的新界面，探索导致增加以用户为中心的评价指标。我们的工作为如何设计界面铺平了道路，该界面利用基于用户反馈信号的学习算法，提供更好的用户体验并收集更多反馈数据。
2021-08-12 cs.HC cs.IR cs.LG
Two-level monotonic multistage recommender systems
University of Minnesota（明尼苏达大学）；The Chinese University of Hong Kong（香港中文大学）
推荐系统学习同时为所有用户预测用户对许多项目的特定偏好或意图，基于相对少量的观察做出个性化推荐。一个核心问题是如何利用三向交互，称为单调事件链上的用户-项目-阶段依赖关系，以提高预测准确性。例如，在文章共享数据集中发生了一个单调的事件链，其中“关注”动作意味着“喜欢”动作，而“喜欢”动作又意味着“查看”动作。在这篇文章中，我们开发了一个多级推荐系统，利用两级单调属性表征的单调链的个性化预测的事件。特别是，我们推导出一个大的利润分类器的基础上，非负的添加剂的潜在因素模型的存在下，一个高比例的缺失观测，特别是在阶段之间，减少个性化预测的模型参数的数量，同时保证预测的一致性。在此基础上，我们推导出一个正则化的成本函数来学习用户在不同阶段的特定行为，将决策函数与数值和分类协变量联系起来，以模拟用户-项目-阶段的交互。在计算上，我们推导出一个算法的基础上分块坐标下降。从理论上讲，我们表明，两级单调性提高了学习的准确性相比，一个标准的方法单独对待每个阶段和一个有序的方法，只利用一级单调性。最后，该方法与现有的方法相比，在模拟和文章共享数据集。
2021-10-06 cs.IR cs.LG math.ST
Real-time Attention Based Look-alike Model for Recommender System
WeiXin Group, Tencent Inc.（腾讯公司微信事业群）
近年来，深度学习模型在内容推荐系统中发挥着越来越重要的作用。然而，尽管推荐的性能大大提高，但“马太效应”也越来越明显。在头部内容越来越受欢迎的同时，很多竞争激烈的长尾内容却因为缺乏行为特征而难以实现及时曝光。这一问题严重影响了建议的质量和多样性。为了解决这个问题，相似度算法是一个很好的选择，以扩大观众的高质量长尾内容。但是传统的相似度模型在网络广告中得到了广泛的应用，由于推荐系统对实时的【形】和有效性的要求很高，因此不适用于推荐系统。针对推荐系统中实时的【形】性和有效性之间的矛盾，提出了一种基于实时的【形】注意力的相似度模型（RALM）。RALM利用种子到用户的相似性预测，实现实时的【形】相似受众扩展，并通过优化用户表示学习和相似学习建模，提高扩展效果。在用户表示学习方面，提出了一种新的神经网络结构--注意力合并层来代替连接层，显著提高了多领域特征学习的表达能力。另一方面，考虑到种子的成员多样性，设计了全局注意单元和局部注意单元，以学习针对特定目标用户的鲁棒性和自适应性种子表示。最后，我们引入了种子聚类机制，不仅降低了注意力单元预测的时间复杂度，同时还最大限度地减少了种子信息的损失。根据我们的实验，RALM表现出优越的有效性和性能比流行的外观相似的模型。
2019-06-12 cs.IR cs.LG stat.ML
Diversity Preference-Aware Link Recommendation for Online Social Networks
University of Delaware（特拉华大学）；The University of Utah（犹他大学）
链接推荐（Link recommendation）是一个基本的社交网络分析问题，具有广泛的商业意义，它推荐链接以连接未链接的在线社交网络用户。现有的链接推荐方法倾向于向用户推荐相似的朋友，而忽略了用户的多样性偏好，尽管社会心理学理论表明多样性偏好对链接推荐性能的关键性。在推荐系统中，一个与链接推荐相关的领域，已经提出了许多多样化方法来提高推荐项目的多样性。然而，多样性偏好不同于多元化方法研究的多样性。为了解决这些研究空白，我们定义和操作的链接推荐的多样性偏好的概念，并提出了一个新的链接推荐问题：多样性偏好感知的链接推荐问题。然后，我们分析了新的链接推荐问题的关键属性，并开发了一种新的链接推荐方法来解决这个问题。使用两个大规模的在线社交网络数据集，我们进行了广泛的实证评估，以证明我们的方法的优越性能超过代表性的多样化的方法适用于链接推荐，以及国家的最先进的链接推荐方法。
2022-10-18 cs.LG
Shilling Black-box Review-based Recommender Systems through Fake Review Generation
National Tsing Hua University（国立清华大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
本文提出首个针对RBRSs的生成式shilling攻击模型，通过强化学习生成高保真虚假评论强制预测偏移以恶意推广物品，并证明配备ARGs的对抗训练能显著提升系统鲁棒性。
2023-06-27 cs.IR cs.LG cs.SI
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
Web应用程序中信息的丰富性使得推荐对于用户和应用程序都是必不可少的。尽管现有的推荐系统的有效性，我们发现两个主要的限制，降低其整体性能：（1）无法提供及时的建议，为新的和现有的用户考虑用户偏好的动态性质，（2）没有完全优化的排名任务时，使用隐式反馈。因此，本文提出了一种基于深度学习的统一跨网络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的推荐。此外，本文将隐式反馈下的排序问题视为分类任务，并提出了一种通用的隐式数据个性化列表优化准则，以有效地对项目列表进行排序。我们说明了我们的跨网络模型使用Twitter的辅助信息的建议在YouTube的目标网络。与多个时间感知和跨网络基线的广泛比较表明，所提出的解决方案在准确性，新颖性和多样性方面是优越的。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的最先进的排序技术。
2020-08-25 cs.AI cs.IR cs.LG
How public datasets constrain the development of diversity-aware news recommender systems, and what law could do about it
本文指出公共数据集制约多样性感知新闻推荐系统发展，提出数据集应包含的信息要求，并分析欧洲法律政策如何为研究人员提供数据访问途径。
2025-10-07 cs.IR
Diversity of What? On the Different Conceptualizations of Diversity in Recommender Systems
本文通过访谈荷兰三家公共服务媒体组织，揭示推荐系统中多样性概念化存在显著差异，主张放弃标准化定义，转而关注特定领域内多样性含义的有效传达与可操作化。
2024-05-03 cs.IR
Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations
本文提出基于Cornac的Informfully Recommenders框架，首次为规范驱动的多样性感知推荐提供覆盖预处理、模型、会话内重排序和多样性评估的端到端可复现实验方案，并在新闻领域离线实验中验证其有效性。
2025-08-18 cs.IR
Recommenders with a mission: assessing diversity in newsrecommendations
新闻发布者帮助用户找到相关的在线内容，并有可能在民主社会中发挥关键作用，将公民稀缺的注意力引导到对他们最重要的信息上。与此同时，最近对所谓的过滤泡沫、错误信息和选择性曝光的担忧，是这些数字新闻传播者破坏性潜力的症状。推荐系统可以制造或打破过滤气泡，因此可以帮助创建一个更封闭或更开放的互联网。目前评估推荐系统的方法通常集中在测量用户点击和短期参与的增加，而不是测量用户对各种重要信息的长期兴趣。本文的目的是弥合规范的多样性概念，植根于民主理论，和定量指标评估推荐系统之间的差距。我们提出了一套基于社会科学的多样性解释的指标，并提出了实际实施的方法。
2020-12-18 cs.IR
Fairness and Diversity in Recommender Systems: A Survey
该综述系统梳理推荐系统中的公平性与多样性研究，提出用户级与物品级多样性视角，并从多样性角度重新解读公平性，揭示二者联系及未来方向。
2024-03-01 cs.IR
D-RDW: Diversity-Driven Random Walks for News Recommender Systems
本文提出D-RDW算法，通过多样性驱动随机游走与可定制目标分布相结合，为新闻推荐提供透明且计算高效的多样化重排序方案。
2025-08-18 cs.IR
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说，很少有项目经常被推荐，而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低（即聚合多样性较低）以及推荐项目的不公平分布。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为一个后处理的方法后，推荐生成，以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目，并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目，该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明，FairMatch在显着提高聚合多样性的同时，提供了相当的推荐准确性。
2020-05-03 cs.IR
Beyond-Accuracy: A Review on Diversity, Serendipity and Fairness in Recommender Systems Based on Graph Neural Networks
该综述突破以准确率为中心的视角，系统梳理基于图神经网络的推荐系统在多样性、意外发现性与公平性维度的研究进展，分析各模型开发阶段的相关方法与实际挑战，并提出未来研究方向。
2023-10-03 cs.IR
A News Recommender System Considering Temporal Dynamics and Diversity
Ryerson University（瑞尔森大学）
在新闻推荐系统中，读者的偏好会随着时间的推移而改变。有些偏好的变化非常突然（短期偏好），而另一些偏好的变化则需要较长的时间（长期偏好）。虽然现有的新闻推荐系统考虑了读者的完整历史，但它们往往忽略了读者行为的动态性。因此，它们不能满足新闻读者对随时间变化的偏好的需求。此外，最先进的新闻推荐模型通常专注于提供准确的预测，这在传统的推荐场景中可以很好地工作。然而，在新闻推荐系统中，多样性是必不可少的，不仅要保持新闻读者的参与，而且要在民主社会中发挥关键作用。在这篇博士论文中，我们的目标是建立一个新闻推荐系统来解决这两个挑战。我们的系统应该能够：（i）适应读者行为的动态;（ii）在推荐模型的设计中考虑准确性和多样性。我们的新闻推荐系统也可以为未配置文件，匿名和短期的读者，通过利用丰富的新闻项目的边信息，并包括在我们的模型中的隐式反馈。我们用多个评估指标（准确性和多样性指标）来评估我们的模型，以证明我们的方法的有效性。
2021-03-23 cs.AI cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下，这种列表式的解释应该为用户提供多样化和相关的选项。然而，在实践中，列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成，该排名函数从标记数据中学习以优化准确性。然而，top-N推荐可能会导致次优，因为它单独关注每个项目的准确性，而忽略了项目之间的相互影响。因此，我们提出了一个个性化的重新排序模型，以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后，任何现有的排名功能。重排序模型采用个性化的决定点过程（DPP），提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度，但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制，我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明，我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
Unified Representation Learning for Multi-Intent Diversity and Behavioral Uncertainty in Recommender Systems
Northwestern University（西北大学）；University of Toronto（多伦多大学）；The University of Utah（犹他大学）；Shanghai Jiao Tong University（上海交通大学）
针对推荐系统中用户意图多样性与行为不确定性联合建模难题，提出含多意图表示与不确定性建模的统一学习框架，经实验验证在多指标及冷启动等场景下表现更优，具实用价值。
2025-09-04 cs.IR cs.LG
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay（法国萨克利实验室）；Soda Team（Soda团队）
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架，通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性，同时保持用户相关性。
2025-06-22 cs.AI cs.IR
Solving the apparent diversity-accuracy dilemma of recommender systems
推荐系统使用过去用户偏好的数据来预测未来可能的喜好和兴趣。一个关键的挑战是，虽然最有用的个人推荐是在不同的利基对象中找到的，最可靠的准确结果是通过基于用户或对象相似性推荐对象的方法获得的。在本文中，我们介绍了一种新的算法，专门解决多样性的挑战，并展示了它如何可以用来解决这个明显的困境时，结合在一个优雅的混合与精度为重点的算法。通过适当地调整混合，我们能够获得，而不依赖于任何语义或上下文特定的信息，同时增益的准确性和多样性的建议。
2010-03-12 cs.IR physics.soc-ph
A Simulation Framework for Studying Systemic Effects of Feedback Loops in Recommender Systems
本文提出模拟框架，基于亚马逊数据研究推荐系统反馈循环，发现其提升个体多样性但降低集体多样性并加剧用户同质化，强调平衡个性化与长期多样性。
2025-10-16 cs.CY cs.IR
The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems
Scuola Normale Superiore and Università di Pisa（诺莱规范大学和比萨大学）；Scuola Normale Superiore（诺莱规范大学）；Sciences Po Paris（巴黎社会科学高等研究院）；Università di Pisa（比萨大学）；CNR and Scuola Normale Superiore（意大利国家研究委员会和诺莱规范大学）
本文研究推荐系统中反馈环的系统性影响，发现增加推荐采纳可能促进个体消费多样化，但时间推移下个体多样性会下降，强调需考虑反馈动态以改进推荐系统设计。
2026-02-18 cs.AI cs.IR
Controlling Diversity at Inference: Guiding Diffusion Recommender Models with Targeted Category Preferences
本文提出D3Rec解耦扩散推荐模型，通过在推理阶段控制目标类别偏好，灵活调节推荐的准确性与多样性权衡，并在真实与合成数据集上验证其有效性。
2024-11-21 cs.IR
Post Processing Recommender Systems with Knowledge Graphs for Recency, Popularity, and Diversity of Explanations
现有的可解释推荐系统主要对推荐产品和已经体验过的产品之间的关系进行建模，并相应地形成解释类型（例如，向用户推荐由女演员“Y”主演的电影“X”，因为该用户观看了以“Y”作为女演员的其他电影）。然而，这些系统都没有研究过单一解释的性质（例如，与该女演员的交互的新近度）以及对推荐列表的一组解释（例如，解释类型的多样性）会影响感知解释质量。在本文中，我们概念化了三个新的属性，模型的解释质量（链接交互近度，共享实体的流行程度和解释类型的多样性），并提出了重新排名的方法，能够优化这些属性。在两个公共数据集上的实验表明，我们的方法可以根据所提出的属性提高解释质量，公平地跨越人口统计学群体，同时保持推荐效用。源代码和数据可在https://github.com/giacoballoccu/explanation-quality-recsys上获得。
2022-04-24 cs.IR
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems
本文提出DLCRec框架，通过将推荐过程分解为类型预测、类型填充和物品预测三个子任务，并结合数据增强技术，实现对基于大语言模型推荐系统中多样性的细粒度控制，在多个场景中优于现有基线。
2025-01-06 cs.IR
Interactive Content Diversity and User Exploration in Online Movie Recommenders: A Field Experiment
本研究通过访谈、调研及在线现场实验，探究电影推荐系统的推荐广度与用户满意度的关系，发现探索控制权和界面对满意度的预测作用更强。
2023-09-23 cs.HC cs.IR
User Fairness in Recommender Systems
推荐系统中最近的工作集中在推荐的多样性作为推荐质量的一个重要方面。在这项工作中，我们认为，后处理算法的目的只是提高多样性的建议导致歧视的用户之间。我们引入了用户公平性的概念，这在文献中被忽视了，到目前为止，并提出了措施来量化它。我们的实验上的两个多样化算法表明，增加聚合多样性的结果在用户之间的差距增加。
2018-07-17 cs.CY cs.IR
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台，以基于用户偏好提供个性化服务。在新闻网站中，大多数用户是匿名的，唯一可用的数据是匿名会话中的项目序列。由于这一点，典型的协同过滤方法，这是高度应用在许多应用中，是不是有效的新闻推荐。在这种情况下，基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比，基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中，我们提出的方案，使这些基于会话的推荐系统的多样性意识，并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题，它发生在系统缩小信息范围，剥夺用户多样性信息的时候。应用所提出的方案的结果表明，这些多样化的情况下，这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 cs.IR
HiMARS: Hybrid multi-objective algorithms for recommender systems
University of Antwerp（安特卫普大学）
本文提出四种混合多目标算法，通过多目标优化提升推荐系统的准确性和多样性，采用三阶段流程生成推荐列表并评估性能。
2026-04-08 cs.IR
Measuring Commonality in Recommendation of Cultural Content: Recommender Systems to Enhance Cultural Citizenship
推荐系统已成为文化内容策划的主要手段，显著影响个人文化体验的性质。虽然大多数关于推荐系统的研究都是针对个性化用户体验进行优化，但这种模式并没有捕捉到推荐系统在总体上、在用户群体中影响文化体验的方式。尽管现有的新颖性、多样性和公平性研究探讨了系统如何与文化内容的更广泛的社会作用相关联，但它们并没有充分地将文化作为核心概念和挑战。在这项工作中，我们引入共性作为一个新的措施，反映了在何种程度上推荐熟悉特定类别的文化内容的用户群体。我们提出的共性度量响应一组参数开发通过跨学科的对话研究人员在计算机科学和社会科学和人文科学。参考的原则，支持非营利，公共服务媒体系统在民主社会中，我们确定的地址和内容多样性的普遍性，在加强文化公民的服务，特别是相关的目标，推荐系统提供文化内容。以电影推荐中的多样性为案例研究，在增强多元文化体验，我们实证比较系统的性能使用共性和现有的效用，多样性和公平性指标。我们的研究结果表明，共性捕获系统行为的属性补充现有的指标，并建议需要替代的，非个性化的干预措施，在推荐系统面向加强跨人群的用户的文化公民身份。通过这种方式，共性有助于越来越多的学术机构为数字媒体和ML系统开发“公共利益”理论。
2022-08-02 cs.CY cs.IR
A probabilistic model to resolve diversity-accuracy challenge of recommendation systems
推荐系统在学术界和工业界都有广泛的应用。传统上，推荐系统的性能是通过其精确度来衡量的。通过引入新颖性和多样性作为推荐系统的关键质量，最近越来越多的关注已经集中在这个话题上。推荐的精确性和新颖性不是一个方向，实际系统应该在这两个数量之间做出权衡。因此，推荐系统的一个重要特征是通过调整模型来调整推荐的多样性和准确性。在本文中，我们引入了一个概率结构，以解决在推荐系统的多样性和准确性的困境。我们提出了一个混合模型，可调水平的多样性和精度，这样就可以通过调整一个单一的参数来执行。建议的推荐模型包括两个模型：一个是最大化的准确性和其他一个规范的推荐列表，以用户的口味。我们在两个真实数据集上的实验表明，该模型在解决准确性和多样性的困境和优于其他经典模型的模型的功能。该方法具有较低的计算复杂性和较好的性能，可广泛应用于实际商用系统。
2015-01-08 cs.IR
TailSpec-EASE: Knowledge-Graph-Regularized Linear Recommendation for Web Long-Tail Discovery
University of Montana（蒙大拿大学）
TailSpec-EASE提出将关系感知谱知识图谱先验注入局部闭式线性推荐，自适应长尾项目，在四个基准上以极低训练成本提升长尾与整体推荐性能。
2026-09-23 cs.IR cs.LG
RAGSys: Item-Cold-Start Recommender as RAG System
Crossing Minds Inc（Crossing Minds公司）
本文针对大语言模型上下文学习的示例检索需求，提出将其类比为物品冷启动推荐问题，设计了基于下游NLP任务表现的评估方法，验证了示例多样性与质量偏差的关键作用，拓展了推荐技术的应用场景。
2024-08-15 cs.CL cs.IR cs.LG
