Towards Question-based Recommender Systems
近年来，基于对话和问题的推荐系统越来越受到关注，用户能够与系统对话并更好地控制推荐。然而，与传统的推荐系统相比，该领域的研究仍然有限。在这项工作中，我们提出了一种新的基于Web的推荐方法，Qrec，以帮助用户找到项目交互式，通过回答自动构建和算法选择的问题。以前的会话推荐系统要求用户表达他们对项目或项目方面的偏好。相反，我们的模型要求用户表达他们对描述性项目特征的偏好。该模型首先通过一种新的矩阵分解算法进行离线训练，然后根据用户的回答，通过一个封闭形式的解决方案在线迭代更新用户和项目的潜在因素。同时，我们的模型推断出潜在的用户的信念和偏好的项目，学习一个最佳的提问策略，通过使用广义二叉搜索，从而问一系列的问题给用户。我们的实验结果表明，我们提出的矩阵分解模型优于传统的概率矩阵分解模型。此外，我们提出的Qrec模型可以大大提高最先进的基线的性能，并且在冷启动用户和项目推荐的情况下也是有效的。
2020-05-28 cs.IR
Why Not Together? A Multiple-Round Recommender System for Queries and Items
针对查询和物品推荐中用户反馈稀疏的问题，提出MAGUS多轮递归框架，融合两类信息提升推荐效率，实验验证其有效性。
2024-12-14 cs.IR
Multi-faceted Trust-based Collaborative Filtering
University of Torino（都灵大学）
许多协同推荐系统利用社会相关理论来提高推荐性能。然而，它们专注于用户之间的显式关系，而忽略了其他类型的信息，这些信息有助于确定用户的全球声誉;例如，公众对审稿人质量的认可。我们有兴趣了解这些额外类型的反馈是否以及何时改善Top-N推荐。为此，我们提出了一个多方面的信任模型，整合本地的信任，代表社会联系，与各种类型的全球信任证据提供的社交网络。我们的目标是确定一般类别的数据，以使我们的模型适用于不同的案例研究。然后，我们测试的模型，将其应用到一个变种的用户到用户的协同过滤（U2 UCF），支持融合的评级相似性，本地信任来自社会关系，多方面的声誉评级预测。我们在两个数据集上测试了我们的模型：Yelp发布了用户之间的一般朋友关系，但提供了不同类型的信任反馈，包括用户简档认可。LibraryThing数据集提供的反馈类型较少，但它提供了更多针对内容共享的选择性好友关系。我们的实验结果表明，在Yelp数据集上，我们的模型优于U2 UCF和仅使用评级相似性和社会关系的最先进的基于信任的分类器。显然，在LibraryThing数据集中，社会关系和评级相似性的组合达到了最佳效果。我们学到的教训是，多方面的信任可以是一种有价值的推荐信息。然而，在应用程序域中使用它之前，必须对可用信任证据的类型和数量进行分析，以评估其对推荐性能的实际影响。
2020-03-25 cs.IR cs.LG
Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering
University of Toronto（多伦多大学）
大多数现有的一类协同过滤（OC-CF）算法估计用户的偏好作为一个潜在的向量，通过编码他们的历史互动。然而，用户往往表现出不同的兴趣，这大大增加了学习的难度。为了捕捉多方面的用户偏好，现有的推荐系统要么增加编码的复杂性或扩展潜在的表示维度。不幸的是，这些变化不可避免地导致训练难度增加，并加剧了可扩展性问题。在本文中，我们提出了一种新颖而高效的CF框架，称为Attentive Multi-modal AutoRec（AMA），它明确地跟踪用户偏好的多个方面。具体来说，我们扩展了基于Autoencoding的推荐AutoRec来学习用户的偏好与多模态的潜在表示，其中每个模式捕捉用户的偏好的一个方面。通过利用注意力机制，每个观察到的交互可以对偏好方面具有不同的贡献。通过在三个真实世界数据集上的广泛实验，我们表明，AMA在OC-CF设置下与最先进的模型具有竞争力。此外，我们还展示了所提出的模型如何通过使用注意力机制提供解释来提高可解释性。
2020-10-24 cs.IR cs.LG
Personalized Communication Skills for Agentic Recommender Systems
Chongqing University（重庆大学）；The University of Queensland（昆士兰大学）
针对现有智能体推荐系统用户智能体视角狭窄的问题，提出AgentCom个性化沟通技能框架，通过「为什么-是什么-如何-谁」技能库及两种机制提升推荐性能，在三类推荐器中均有效。
2026-08-11 cs.IR
Asymmetric Generative Recommendation via Kronecker Residual Bridge and Multi-Faceted Hierarchical Quantization
DCST, Tsinghua University（清华大学直流系统研究所）；DCST, BNRist, Tsinghua University（清华大学直流系统研究所）；Tencent（腾讯）
本文提出AsymRec框架，通过分离输入输出表示解决生成推荐中的信息瓶颈问题，采用多专家投影和多维层次量化提升推荐性能，实验表明在推荐任务中平均提升15.8%。
2026-08-04 cs.AI cs.IR
A systematic review and taxonomy of explanations in decision support and recommender systems
Universidade Federal do Rio Grande do Sul (UFRGS)（南里奥格兰德联邦大学）；TU Dortmund（多特蒙德工业大学）
随着人工智能领域的最新进展，越来越多的决策任务被委托给软件系统。成功和采用此类系统的关键要求是用户必须信任系统选择，甚至完全自动化的决策。为了实现这一点，解释设施已被广泛调查，作为一种手段，建立信任这些系统，因为早期的专家系统。随着当今日益复杂的机器学习算法，在解释、问责制和对此类系统的信任方面的新挑战不断出现。在这项工作中，我们系统地回顾了文献中的建议给出系统的解释。这是一个包括推荐系统的系统家族，推荐系统是实践中最成功的一类建议软件。我们调查解释的目的，以及它们是如何产生的，呈现给用户，并评估。因此，我们得出一个新的全面分类的方面时，要考虑到当前和未来的决策支持系统设计的解释设施。分类法包括各种不同的方面，如解释目标，响应性，内容和呈现。此外，我们确定了一些迄今为止尚未解决的挑战，例如与解释的呈现以及如何评估解释设施相关的细粒度问题。
2020-06-15 cs.AI cs.IR
Unbiased Pairwise Learning to Rank in Recommender Systems
Tencent（腾讯）
如今，推荐系统已经影响到人们生活的方方面面。为了提供个性化的高质量推荐结果，常规系统通常训练逐点排序器以预测目标的绝对值并利用明显的浅塔来估计和减轻位置偏差的影响。然而，对于这样的训练范例，优化目标与排名度量有很大不同，排名度量重视排名靠前的项目的相对顺序，而不是每个项目的预测精度。此外，由于现有系统倾向于在较高位置推荐更相关的项目，因此基于浅塔的方法难以将用户反馈精确地归因于位置或相关性的影响。因此，如果我们设法解决上述问题，我们将有一个令人兴奋的机会来提高性能。无偏的学习排序算法，这是验证模型的相对相关性准确的基础上嘈杂的反馈，是有吸引力的候选人，并已被应用在许多应用程序与单一的分类标签，如用户点击信号。然而，现有的无偏LTR方法不能正确地处理包含分类标签和连续标签的多个反馈。因此，我们设计了一种新的无偏LTR算法来解决这些挑战，该算法创新性地以成对的方式对位置偏差进行建模，并引入成对的信任偏差来明确地分离位置偏差，信任偏差和用户相关性。在公共基准数据集和内部实时流量上的实验结果表明，该方法对分类标签和连续标签都有较好的效果。
2021-11-30 cs.AI cs.IR
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors
Amazon（亚马逊）；Google Research（谷歌研究院）；Anthropic（Anthropic公司）；Meta AI
本文提出基于概念激活向量（CAV）的推荐框架，用于学习软属性的个性化语义、区分主客观属性，并通过交互式物品批评提升推荐效果。
2023-06-03 cs.AI cs.IR cs.LG
EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation
Carleton University（卡尔顿大学）
EviSnap通过证据引用生成可信解释，提升冷启动跨领域推荐系统的可解释性与准确性，实验显示其优于现有基线方法。
2026-01-09 cs.AI cs.IR
Hierarchical Attention Network for Visually-aware Food Recommendation
食物推荐系统在帮助用户确定想要吃的食物方面起着重要的作用。决定吃什么食物是一个复杂而多方面的过程，它受到许多因素的影响，如成分，食谱的外观，用户对食物的个人偏好，以及各种背景，如在过去的饭菜中吃了什么。在这项工作中，我们制定的食物推荐问题，预测用户偏好的食谱上的三个关键因素，确定用户的选择上的食物，即：1）用户的（和其他用户的）历史; 2）配方的成分;和3）的描述性图像的食谱。为了解决这个具有挑战性的问题，我们开发了一个专用的基于神经网络的解决方案层次注意力的食物推荐（HAFR），它能够：1）捕捉协同过滤效果，如类似的用户倾向于吃什么; 2）推断用户的偏好在成分水平;和3）学习用户偏好从食谱的视觉图像。为了评估我们提出的方法，我们构建了一个由AllRecipes.com的数百万评级组成的大规模数据集。大量的实验表明，我们的方法优于几个竞争的推荐解决方案，如因子分解机和视觉贝叶斯个性化排名的平均提高了12%，在预测用户对食物的偏好提供了有希望的结果。代码和数据集将在验收后发布。
2019-01-06 cs.IR
Is a Single Vector Enough? Exploring Node Polysemy for Network Embedding
Texas A&M University（得克萨斯农工大学）；Alibaba Group（阿里巴巴集团）
网络已经被广泛地用作用于抽象现实世界系统以及组织实体之间的关系的数据结构。网络嵌入模型是将网络中的节点映射到连续向量空间表示中的强大工具，以便于后续任务，例如分类和链接预测。现有的网络嵌入模型综合了每个节点的所有信息，如链接和属性，向一个单一的嵌入向量来表示节点在网络中的一般角色。然而，现实世界的实体可能是多方面的，由于不同的动机或不一定相关的自我特征，它连接到不同的社区。例如，在电影推荐系统中，用户可能同时喜欢喜剧或恐怖电影，但是这两种类型的电影在嵌入空间中不太可能相互接近，用户嵌入向量也不可能同时充分接近它们。在本文中，我们提出了一个多义嵌入方法建模节点的多个方面，作为语言建模中的单词多义现象的动机。节点的每个面被映射为一个嵌入向量，同时我们还保持每对节点和面之间的关联度。所提出的方法是适应各种现有的嵌入模型，而不会显着复杂的优化过程。我们还讨论了如何将不同方面的嵌入向量用于推理任务，包括分类和链接预测。在真实数据集上的实验有助于全面评估所提出的方法的性能。
2019-05-25 cs.IR cs.LG cs.SI
Bridging Items and Language: A Transition Paradigm for Large Language Model-Based Recommendation
提出TransRec转换范式，通过多面标识符（ID、标题、属性）和专用数据结构解决LLM推荐中物品索引与生成接地的局限，实现高效排序。
2024-07-25 cs.IR
On Generative Agents in Recommendation
National University of Singapore（新加坡国立大学）；Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）
针对推荐系统离线与在线性能脱节问题，提出基于大语言模型的生成式智能体用户模拟器Agent4Rec，通过画像、记忆和动作模块模拟用户行为，实验验证其模拟能力并探索过滤气泡等因果现象。
2024-11-08 cs.AI cs.IR
A multi-theoretical kernel-based approach to social network-based recommendation
City University of Hong Kong（香港城市大学）；National Chengchi University（国立政治大学）
本研究提出一种基于多理论核方法的社会网络推荐模型，通过整合多种社交网络理论并采用非线性多核学习，在真实电影数据集上取得了优于信任方法和协同过滤的推荐精度。
2024-12-15 cs.IR cs.LG cs.SI
HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation
针对基于LLM的序列推荐存在的长期兴趣丢失、多样性不足问题，提出混合多兴趣框架HyMiRec，结合轻量推荐器与LLM分别提取粗细粒度兴趣，通过残差码本降开销、解耦多兴趣模块建模多样偏好，在基准与工业数据集及线上A/B测试中均取得更优效果。
2025-10-29 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
Enhancing Social Recommendation with Adversarial Graph Convolutional Networks
社会化推荐系统被期望通过在用户-项目交互数据很少的情况下引入社会化信息来提高推荐质量。然而，最近的行业报告表明，社会推荐系统在实践中一直失败。根据负面的研究结果，失败的原因是：（1）大多数用户在社交网络中只有非常有限的邻居，很难从社交关系中受益：（2）社交关系是嘈杂的，但它们被不加选择地使用;（3）社会关系被假设为普遍适用于多种场景，但实际上是多场景的。在不同的情况下，表现出不同的优势。现有的社会化推荐模型大多只考虑了社交网络中的同质性，而忽略了这些缺陷。在本文中，我们提出了一个基于图卷积网络（GCN）的深度对抗框架来解决这些问题。具体而言，对于（1）和（2），开发了一种基于GCN的自动编码器，通过编码高阶和复杂的连接模式来增强关系数据，同时在重构社会轮廓的约束下进行优化，以保证识别的邻域的有效性。在为每个用户获得足够的纯化社会关系后，设计了一个基于GCN的关注社会推荐模块，通过捕获社会关系的异质性优势来解决（3）。最后，我们采用对抗训练，通过玩Minimax游戏来统一所有组件，并确保协调努力以提高推荐性能。在多个开放数据集上的大量实验证明了我们框架的优越性，消融研究证实了每个组件的重要性和有效性。
2020-10-23 cs.IR cs.SI
Thinking inside The Box: Learning Hypercube Representations for Group Recommendation
群组推荐是对传统个性化推荐的一种超越，它是向一组用户推荐满意的推荐项目。在群体推荐中，核心是设计偏好聚合函数，以获得群体成员偏好的高质量汇总。这样的用户和组偏好通常被表示为向量空间中的点（即，嵌入），其中多个用户嵌入被压缩成一个，以便于对组项对进行排名。然而，所得到的组表示，作为点，缺乏足够的灵活性和能力来考虑多方面的用户偏好。此外，基于点嵌入的偏好聚合是一个群体的决策过程，其中所有用户必须同意在每个嵌入维的某个值，而不是一个可协商的间隔不太忠实的反映。在本文中，我们提出了一种新的表示群通过概念的超立方体，这是子空间包含无数的点在向量空间。具体来说，我们设计的超立方体推荐（CubeRec）自适应学习组超立方体从用户嵌入在偏好聚合过程中的信息损失最小，并利用一个改进的距离度量来衡量组超立方体和项目点之间的亲和力。此外，针对群组推荐中数据稀疏性的长期问题，我们充分利用超立方体的几何表达能力，并创新性地通过交叉两个群组来引入自我监督。在四个真实世界数据集上的实验验证了CubeRec相对于最先进基线的优越性。
2022-12-05 cs.IR
Item Recommendation with Evolving User Preferences and Experience
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Carnegie Mellon University（卡内基梅隆大学）
目前的推荐系统利用协同过滤的用户和项目的相似性。一些先进的方法也考虑项目评分的时间演变作为一个全球背景过程。然而，所有现有方法都忽略了用户体验水平的个体演变以及这在评论社区中的用户写作中是如何表达的。在本文中，我们建立了用户体验、对特定项目方面的兴趣、写作风格和评级行为的联合演化模型。通过这种方式，我们可以生成考虑用户成熟度级别的个人建议（例如，向电影摄影专家推荐艺术电影而不是大片）。由于只有项目评级和评论文本是可观察的，我们捕捉用户的经验和兴趣的潜在模型，从她的评论，词汇和写作风格。我们开发了一个生成的HMM-LDA模型来跟踪用户的演变，其中隐马尔可夫模型（HMM）跟踪她的潜在体验随着时间的推移而进展-随着时间的推移，用户的评论和评级仅作为可观察的。用户的兴趣的方面是从潜在的Dirichlet分配（LDA）模型从她的评论，作为她的（再次潜在的）经验水平的函数。在五个真实世界数据集的实验中，我们表明我们的模型在最先进的基线上大幅提高了评级预测。我们还表明，在用例研究中，我们的模型在评估用户体验水平方面表现良好。
2017-05-06 cs.AI cs.CL cs.IR
User Validation of Recommendation Serendipity Metrics
虽然已经认识到推荐偶然的（即，令人惊讶的和相关的）项目可以有助于增加用户的满意度和行为意图，如何在离线环境中测量偶然性仍然是一个悬而未决的问题。近年来，人们提出了许多度量方法，但由于偶然性的主观性，大多数方法都是基于研究者的假设。为了验证这些指标的实际性能，我们收集了超过10，000个用户的真实反馈数据，并与指标结果进行了比较。事实证明，基于用户简档的指标，特别是基于内容的指标，在估计推荐的意外方面比基于项目流行度的指标表现得更好。此外，涉及意外性组件、相关性、及时性和用户好奇心的完整指标可以更准确地指示推荐的偶然性程度，相对于那些仅涉及其中一些的指标。将这些度量应用于几种推荐算法中，进一步巩固了它们的实际应用，因为比较结果与用户评价结果是一致的。因此，这项工作是建设性的，填补了离线测量和用户研究之间的差距推荐偶然性。
2020-04-21 cs.HC cs.IR
Social Recommendation with Self-Supervised Metagraph Informax Network
South China University of Technology（华南理工大学）；University of Hong Kong（香港大学）；JD Finance America Corporation（京东金融美国公司）
近年来，研究人员试图利用在线社会信息，以减轻数据稀疏的协同过滤的基础上，社交网络提供的见解，以了解行为模式。然而，由于忽略了跨项目的相互依赖的知识（例如，产品类别），现有的社交推荐系统不足以从用户和项目侧提取异构的协作信号。在这项工作中，我们提出了一个自我监督元信息最大网络（SMIN），调查的潜力，共同将社会和知识感知的关系结构到用户的偏好表示推荐。为了对关系异构性进行建模，我们设计了一个元路径引导的异构图神经网络来聚合来自不同类型的跨用户和项目的元关系的特征嵌入，使SMIN能够维护多方面的用户和项目依赖的专用表示。此外，为了注入高阶协同信号，我们推广了自监督图协同过滤下的互信息学习范式。通过探索全局级协作关系和图拓扑的同构变换特性，赋予了用户-项目交互模式的表达建模。几个真实世界的数据集上的实验结果表明，我们的SMIN模型的有效性，在各种国家的最先进的推荐方法。我们在https://github.com/SocialRecsys/SMIN上发布源代码。
2021-10-08 cs.AI cs.IR
