Crank up the volume: preference bias amplification in collaborative recommendation
DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
推荐系统是个性化的：我们期望给特定用户的结果反映该用户的偏好。一些研究人员研究了校准的概念，推荐与用户陈述的偏好匹配的程度，以及偏差差异，即错误校准影响不同用户组的程度。在本文中，我们研究了偏见的差距在一系列不同的算法和不同的项目类别，并证明基于模型和基于内存的算法之间的显着差异。
2019-09-13 cs.IR cs.LG stat.ML
Exploiting Preferences in Loss Functions for Sequential Recommendation via Weak Transitivity
Omnious AI（奥米纽斯人工智能公司）；University of Pittsburgh（匹兹堡大学）
针对序列推荐损失函数将下一物品视为唯一正样本、忽略未观察物品间偏好结构的问题，提出利用弱传递性把偏好层级转化为分数相对顺序的扩展目标，并验证其优于基线。
2024-08-01 cs.IR cs.LG
SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems
Tencent Inc.（腾讯公司）；Hong Kong University of Science and Technology（香港科技大学）
在社交网络平台上，用户的行为基于他/她的个人兴趣，或者受到他/她的朋友的影响。在文献中，通常对用户的个人偏好或他们的社会影响偏好进行建模。在本文中，我们提出了一种新的深度学习模型SocialTrans，用于整合这两种类型的偏好。SocialTrans由三个模块组成。第一个模块是基于一个多层的Transformer模型的用户的个人喜好。第二个模块是一个多层图注意力神经网络（GAT），它被用来建模的社会影响力之间的社交网络的朋友。最后一个模块融合用户的个人偏好和社会影响的偏好，以产生推荐。我们的模型可以有效地适应大规模的数据，我们部署了SocialTrans在中国的一个主要的文章推荐系统。在三个数据集上的实验验证了该模型的有效性，并表明它优于最先进的社会推荐方法。
2020-05-09 cs.IR cs.LG cs.SI
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich（苏黎世大学）
负面用户偏好是一个重要的背景，没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下，此上下文特别有用。在这项工作中，我们描述了一个新的推荐算法，明确地模型消极的用户偏好，以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型，将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估，我们证明了我们的方法能够提高推荐质量：通过提高准确性，同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值，也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning
City University of Hong Kong（香港城市大学）；BOSS Zhipin（BOSS直聘）；University of Science and Technology of China（中国科学技术大学）
针对用户求职偏好频繁漂移问题，本文提出基于会话的 BISTRO 框架，通过语义聚类、超图小波学习和自适应滤波融合行为与语义信息，实现个性化职位推荐。
2024-06-24 cs.AI cs.IR cs.LG
Active Learning in Recommendation Systems with Multi-level User Preferences
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon Inc.（亚马逊公司）
虽然推荐系统通常被动地观察用户行为，但人们对直接询问用户以了解其特定偏好的兴趣越来越大。在这样的设置中，考虑不同粒度级别的查询以优化用户信息获取对于有效地提供良好的用户体验至关重要。在这项工作中，我们研究了集体矩阵分解（CMF）框架内的多层次用户偏好的主动学习问题。CMF联合捕获关于项目和项目之间的关系的多级用户偏好（例如，书籍类型、烹饪类型），通常导致改进的预测。基于CMF模型的有限样本分析，提出了一种基于Fisher信息矩阵的理论上最优的主动学习策略，并利用该策略推导出了一种可实现的近似算法，用于实际推荐。实验直接使用Yelp数据集和说明性的合成数据集在个性化主动学习，冷启动建议和噪声数据的三个设置-展示了几个广泛使用的主动学习方法的强大改进。
2018-11-30 cs.LG stat.ML
Harm Mitigation in Recommender Systems under User Preference Dynamics
Cornell University（康奈尔大学）；Meta；Northeastern University（东北大学）
本文研究用户偏好动态下推荐系统中的危害缓解问题，建模推荐对有害内容消费倾向的影响，提出在平稳状态下求解最优策略的算法，并在半合成电影推荐实验中验证其同时提升CTR与降低危害的效果。
2024-06-14 cs.CY cs.IR cs.LG
Influence of Recommender Systems on Users: A Dynamical Systems Analysis
Center for Machine Intelligence and Data science, Indian Institute of Technology Bombay（智能信息与数据科学中心，印度理工学院班加罗尔）；Department of Electrical Engineering, Indian Institute of Technology Bombay（电气工程系，印度理工学院班加罗尔）
本文研究推荐系统对用户偏好的影响，通过动态系统分析揭示模型假设与实际环境的不匹配问题，并探讨探索-利用权衡对长期用户偏好的影响。
2026-02-02 cs.AI cs.CY cs.LG
Online certification of preference-based fairness for personalized recommender systems
Meta AI
推荐系统正面临审查，因为它们对我们所能获得的机会的影响越来越大。目前对公平性的审计仅限于敏感群体级别的粗粒度奇偶性评估。我们建议审计无嫉妒性，这是一个与个人偏好相一致的更细粒度的标准：每个用户都应该喜欢他们的推荐。由于审计嫉妒需要估计用户的偏好超出他们现有的建议，我们投审计作为一个新的纯探索多武装土匪的问题。我们提出了一个样本效率的算法，理论上保证它不会恶化用户体验。我们还研究了在现实世界的推荐数据集上实现的权衡。
2023-03-06 cs.AI cs.CY cs.LG
Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Seoul National University（首尔国立大学）
随着机器学习的发展，先进的音乐推荐系统正在被引入。然而，设计一个音乐推荐系统，能够通过理解用户的音乐品味来提高用户满意度，而不是通过模型的复杂性来提高用户满意度是至关重要的。尽管一些与利用负面偏好的音乐推荐系统相关的研究表明了性能的改善，但缺乏对它们如何导致更好的推荐的解释。在这项工作中，我们分析了用户的音乐品味的负面偏好的作用，通过比较音乐推荐模型与对比学习利用偏好（CLEP），但有三种不同的训练策略-利用偏好的积极和消极的（CLEP-PN），积极的（CLEP-P），和消极的（CLEP-N）。我们评估的有效性，通过验证每个系统与少量的个性化数据，通过调查获得的负面偏好，并进一步阐明利用负面偏好的音乐推荐的可能性。实验结果表明，CLEP-N在准确率和误报率方面优于其他两种方法。此外，所提出的训练策略产生了一致的趋势，无论不同类型的前端音乐特征提取器，证明了所提出的方法的稳定性。
2022-07-28 cs.IR cs.LG
Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）；Fudan University（复旦大学）
捕捉用户偏好的动态对于更好地预测用户未来的行为至关重要，因为用户偏好通常会随着时间的推移而漂移。许多现有的推荐算法--包括浅层和深层推荐算法--通常独立地对这种动态进行建模，即，用户静态和动态偏好没有在同一潜在空间下建模，这使得很难将它们融合以进行推荐。本文考虑将用户的序列行为嵌入到用户偏好的潜在空间中，即将序列转化为偏好的问题。为此，我们将顺序推荐任务表述为字典学习问题，其学习：1）共享字典矩阵，其每行表示跨用户共享的用户动态偏好的部分信号;以及2）使用与门控递归单元（GRU）集成的深度自回归模型的后验分布估计器，其可以选择字典的相关行来表示以他/她的过去行为为条件的用户的动态偏好。Netflix数据集上的定性研究表明，该方法可以捕获用户偏好随时间的漂移，多个真实世界数据集上的定量研究表明，与最先进的因子分解和神经顺序推荐方法相比，该方法可以实现更高的准确性。该代码可在https://github.com/cchao0116/S2PNM-TKDE2021上获得。
2022-04-02 cs.IR cs.LG
Modeling the Dynamics of User Preferences for Sequence-Aware Recommendation Using Hidden Markov Models
DePaul University（德保罗大学）
在涉及与最终用户交互的各种在线设置中，系统适应用户偏好的变化至关重要。用户对项目的偏好往往会随着时间的推移而改变，这是由于各种因素，如上下文的变化、正在执行的任务或其他短期或长期的外部因素。推荐系统需要能够捕获用户偏好中的这些动态，以便保持对用户最新兴趣的调整。在这项工作中，我们提出了一个建议框架，考虑到用户偏好的动态。我们提出了一种基于隐马尔可夫模型（HMM）的方法来识别用户交互序列中的变点，根据数据中所有用户的顺序行为来反映偏好的显着变化。所提出的框架利用所确定的变化点，使用序列感知的非负矩阵分解模型生成建议。我们经验证明了基于HMM的变化检测方法的有效性相比，标准的基线方法。此外，我们评估了所提出的推荐方法的性能，并表明它相比有利的最先进的序列感知推荐模型。
2019-05-14 cs.IR cs.LG
Preference-based learning for news headline recommendation
Université Laval（拉瓦尔大学）；Mila – Quebec AI Institute（魁北克AI研究所）
该研究在上下文赌博机框架下利用法语新闻互动数据训练标题推荐智能体，发现噪声上下文场景中无需显式探索即可获得简单高效的推荐策略。
2025-05-31 cs.IR cs.LG
SPMF: A Social Trust and Preference Segmentation-based Matrix Factorization Recommendation Algorithm
College of Economics and Management, Shandong University of Science and Technology（山东科技大学经济管理学院）
传统的社会化推荐算法忽略了以下事实：具有信任关系的用户的偏好不一定相似，对用户偏好相似性的考虑应局限于特定领域。针对上述问题，提出了一种基于社会信任和偏好分割的矩阵分解推荐系统。基于Ciao和Epperly数据集的实验结果表明，SPMF算法的推荐准确率明显高于现有的推荐算法。SPMF算法是一种基于区分信任关系和偏好域差异的更准确、更有效的推荐算法，可以支持产品营销等商业活动。
2019-03-11 cs.IR cs.LG stat.ML
Listwise Preference Alignment Optimization for Tail Item Recommendation
Australian Artificial Intelligence Institute (AAII) and School of Compute Sicence, Faculty of Engineering and Information Technology, University of Technology Sydney（澳大利亚人工智能研究所（AAII）和计算机科学学院，工程与信息技术学院，新南威尔士大学）
本文提出 LPO4Rec，将 Bradley-Terry 模型扩展为列表式比较并推导闭式最优策略，结合自适应负采样与重加权优先尾部物品，在三个数据集上相比 10 个基线最高提升 50% 性能并减少 17.9% GPU 内存。
2025-07-03 cs.IR cs.LG
Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation
National Taiwan University（国立台湾大学）
针对现有评论模型在Top-N推荐中表现不佳且数据受限的问题，提出AGTM模型，通过结合图卷积网络的高阶连通性与物品文本内容，有效提升了Top-N推荐性能。
2023-05-22 cs.IR cs.LG
MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对跨域推荐中用户偏好捕捉难、易出现负迁移的问题，提出多视图解耦自适应偏好学习框架MDAP，通过多视图编码、门控解码自适应融合表征，实验证明其性能优于现有最优跨域及单域推荐模型。
2024-10-08 cs.IR cs.LG
From Agnostic to Specific: Latent Preference Diffusion for Multi-Behavior Sequential Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, UCAS（UCAS网络安全学院）
FatsMB通过潜在空间中的偏好生成，实现从无偏到特定的多行为序列推荐，提升推荐的多样性和准确性。
2026-02-26 cs.IR cs.LG
DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations
Taobao & Tmall Group（淘宝天猫集团）；Nanjing University of Posts and Telecommunications（南京邮电大学）
针对电商相关推荐中用户对相似性多样性偏好动态变化、商品级多样性粒度过粗的问题，提出DPAN模型，通过BCR获取细粒度表示、SDUF捕捉动态偏好，CTR提升7.62%并已上线部署。
2023-08-21 cs.IR cs.LG
Personalized TV Recommendation: Fusing User Behavior and Preferences
Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）；KKStream Limited（KKStream有限公司）
在本文中，我们提出了一个两阶段的排名方法推荐线性电视节目。所提出的方法首先利用关于时间和TV频道的用户观看模式来识别用于推荐的潜在候选者，然后进一步利用用户偏好来对给定关于节目的文本信息的这些候选者进行排名。为了评估该方法，我们对真实世界的电视数据集进行了实证研究，结果表明我们的模型在推荐准确性和时间效率方面都具有优越的性能。
2020-08-30 cs.IR cs.LG stat.ML
MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation
NCSOFT Co.（NCsoft公司）
本文提出了一个推荐系统，以减轻冷启动问题，可以估计用户的喜好，只有少量的项目。为了在冷态下识别用户的偏好，现有的推荐系统，如Netflix，最初向用户提供项目;我们称这些项目为证据候选人。然后根据用户选择的项目进行推荐。以前的推荐研究有两个局限性：（1）消费了几个项目的用户推荐效果不佳;（2）用于识别用户偏好的候选证据不足。我们提出了一个基于元学习的推荐系统MeLU来克服这两个限制。从元学习，它可以快速采用新的任务与几个例子，MeLU可以估计新用户的偏好与一些消费项目。此外，我们提供了一个证据候选人选择策略，确定定制的偏好估计区分项目。我们用两个基准数据集对MeLU进行了验证，所提出的模型比两个比较模型在数据集上的平均绝对误差减少了至少5.92%。我们还进行了一个用户研究实验，以验证证据选择策略。
2019-07-31 cs.AI cs.IR cs.LG
Vague Preference Policy Learning for Conversational Recommendation
针对对话式推荐中用户偏好模糊问题，提出VPPL框架，通过软估计与动态策略学习减少过度过滤，实验验证其优于现有方法。
2025-05-27 cs.IR
Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning
跨域推荐（CDR）由于能够有效地解决推荐系统中的数据稀疏性问题而受到越来越多的研究者关注。然而，现有的单目标或双目标CDR方法往往遭受两个缺点，假设至少一个丰富的域和严重依赖于域不变的偏好，这是不切实际的，在现实世界中稀疏性是无处不在的，可能会降低用户偏好学习。为了克服这些问题，我们提出了一个多稀疏域协同推荐（MSDCR）模型的多目标跨域推荐。与传统的CDR方法不同，MSDCR将多个相关领域视为稀疏的，并且可以同时提高每个领域的推荐性能。我们提出了一个多域分离网络（MDSN）和一个门控方面偏好增强（GAPE）模块MSDCR增强用户的领域特定的方面的偏好在一个领域通过转移在其他领域的互补方面的偏好，在此期间，特定领域的偏好的唯一性可以通过MDSN提供的对抗性训练和互补性可以自适应地确定由GAPE。同时，我们提出了一个多领域自适应网络（MDAN）的MSDCR捕捉用户的领域不变的方面的喜好。通过结合增强的领域特定方面偏好和领域不变方面偏好，MSDCR可以全面了解用户在每个稀疏域中的偏好。最后，在真实数据集上进行的大量实验表明，MSDCR相对于现有的单域推荐模型和CDR模型具有显著的优越性。
2022-01-16 cs.IR
Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
该研究利用 LLM 生成对话摘要与物品推荐信息，并采用 DPO 精炼文本，以提升对话推荐的自然性与真实性。
2025-08-29 cs.IR
Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks
推荐系统根据用户过去的偏好帮助用户找到感兴趣的相关项目。然而，在许多领域中，由于各种因素，用户的品味和偏好随着时间的推移而变化，推荐系统应该在用户偏好中捕获这些动态，以便保持对用户最当前兴趣的调谐。在这项工作中，我们提出了一个基于隐马尔可夫模型（HMM），考虑到用户偏好的动态推荐框架。我们提出了一种基于HMM的方法来检测用户交互序列中的变化点，该方法根据数据中所有用户的顺序行为来反映偏好的显着变化。拟议的框架利用已确定的变化点，以两种方式提出建议。在一种方法中，使用变化点来创建序列感知的非负矩阵分解模型，以生成与用户的当前品味一致的推荐。在第二种方法中，HMM直接用于生成考虑到所识别的变化点的建议。这些模型在变化点检测的准确性以及使用真实音乐流数据集的推荐的有效性方面进行了评估。
2018-09-29 cs.IR
Modeling Dual Period-Varying Preferences for Takeaway Recommendation
针对外卖推荐中店铺-餐食双重偏好与日内时段偏好变化的挑战，提出DPVP模型，通过双重交互感知模块、时间分解模块及时序门控机制建模偏好，实验效果优于SOTA，已在美团上线提升GMV 0.70%。
2023-06-16 cs.IR
User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出SMTPO框架，通过多任务监督微调和强化学习优化多轮对话推荐，提升推荐准确性与泛化能力。
2026-04-04 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络（LBSNs）（如Foursquare）提供的数据，为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐（CAVR），其另外考虑用户的周围上下文（例如，用户的位置和一天中的时间），以便提供更相关的场所建议。为了解决CAVR的挑战，我们描述了两种方法，利用词嵌入技术来推断矢量空间表示的场地，用户的现有偏好，和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明，我们可以显着提高最先进的场馆推荐方法的有效性，以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Robust Preference-Guided Denoising for Graph based Social Recommendation
基于图神经网络（GNN）的社会推荐模型通过利用GNN挖掘社会关系中包含的偏好相似性来提高用户偏好的预测精度。然而，就推荐的有效性和效率而言，很大一部分社会关系可能是冗余的甚至是嘈杂的，例如，朋友在某个领域没有共同的偏好是很正常的。现有的模型不能完全解决关系冗余和噪音的问题，因为它们直接表征了整个社交网络的社会影响力。在本文中，我们提出通过仅保留信息社会关系来改进基于图的社会推荐，以确保高效和有效的影响力扩散，即，图去噪我们设计的去噪方法是偏好引导的，以建立社会关系信心模型，并通过为推荐模型提供一个去噪但信息量更大的社交图来帮助用户偏好学习。此外，为了避免噪声社会关系的干扰，它设计了一个自校正课程学习模块和自适应去噪策略，都有利于高置信度的样本。在三个公开数据集上的实验结果表明，该算法通过鲁棒地删除10-40%的原始关系，对两种最先进的社会推荐模型具有一致的改进能力。我们在https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec上发布源代码。
2023-03-15 cs.IR
User Invariant Preference Learning for Multi-Behavior Recommendation
本文提出 UIPL 方法，利用不变风险最小化和变分自编码器从多行为交互中提取用户不变偏好，以抑制辅助行为噪声，从而提升目标行为推荐性能。
2025-07-20 cs.IR
Coherence-guided Preference Disentanglement for Cross-domain Recommendations
针对跨域推荐中共享用户与共享物品稀缺的问题，提出CoPD方法，通过一致性约束提取共享物品属性，并以流行度加权损失将用户偏好解耦为兴趣与从众性嵌入，实验证明其优于竞争基线。
2025-06-09 cs.IR
Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation
本文提出BCIPM方法，通过行为上下文化物品偏好网络学习用户在各行为中的特定偏好，仅利用与目标行为相关的偏好进行推荐以减少噪声，并采用预训练策略缓解数据稀疏，在四个数据集上表现优于现有模型。
2024-04-28 cs.IR
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题，提出BiPNet，利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好，实验验证其优越性。
2023-11-02 cs.IR
FairSR: Fairness-aware Sequential Recommendation through Multi-Task Learning with Preference Graph Embeddings
National Cheng Kung University（国立成功大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
顺序推荐（SR）从用户-项目交互的时间动态中学习，以预测下一个。公平性感知推荐减轻了用户偏好学习中的各种算法偏差。本文旨在将SR和算法公平性结合起来。我们提出了一种新的公平性感知的顺序推荐任务，在其中定义了一个新的度量，交互公平性，以估计如何推荐项目公平地与不同的保护属性组的用户进行交互。我们提出了一个基于多任务学习的深度端到端模型FairSR，它由两部分组成。一种是从给定的用户及其项目序列中学习和提取个性化的序列特征，用于SR。另一种是公平感知偏好图嵌入（FPGE）。FPGE的目标是双重的：将用户和项目的属性及其相关性的知识纳入实体表示，并减轻用户属性在项目上的不公平分布。在三个数据集上进行的大量实验表明，FairSR在推荐性能上优于最先进的SR模型。此外，FairSR推荐的项目也表现出良好的交互公平性。
2022-04-30 cs.IR cs.LG cs.SI
Minimalist and High-performance Conversational Recommendation with Uncertainty Estimation for User Preference
会话式推荐系统（CRS）是一种用户友好的方式来捕捉用户对候选项目和属性的动态偏好。Multi-shot CRS旨在多次提出建议，直到用户接受建议或在耐心结束时离开。现有的工作是用强化学习（RL）训练的，这可能会受到不稳定的学习和过高的计算要求的影响。在这项工作中，我们提出了一个简单而有效的CRS，Minimalist非增强交互式concilional推荐网络（MINICORN）。MINICORN模型的估计用户偏好的认知不确定性和查询用户的属性具有最高的不确定性。该系统采用了一个简单的网络架构，并使用一个单一的规则进行查询与推荐的决定。令人惊讶的是，这种最低限度的方法在三个真实世界数据集上的表现远远优于最先进的RL方法。我们希望MINICORN将成为未来研究的宝贵基线。
2022-07-01 cs.IR
Beyond Static Calibration: The Impact of User Preference Dynamics on Calibrated Recommendation
针对传统静态校准方法可能扭曲用户真实偏好的问题，本文通过分析不同大小的训练时间窗口，初步探究了动态演化的用户偏好对推荐校准的影响，并在多领域数据集上验证了该影响的领域差异性。
2024-05-16 cs.IR
Enhancing LLM-based Recommendation with Preference Hint Discovery from Knowledge Graph
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）
本文提出基于知识图谱的偏好提示发现模型，通过提取关键属性作为提示，提升大语言模型在推荐任务中的表现。
2026-01-26 cs.IR
PEN4Rec: Preference Evolution Networks for Session-based Recommendation
National Computer System Engineering Research Institute of China（国家计算机系统工程研究所）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
基于会话的推荐旨在根据用户在匿名会话中的历史行为预测用户的下一个动作。为了获得更好的推荐，捕获用户偏好及其动态至关重要。此外，用户偏好随时间动态演化，每个偏好都有自己的演化轨迹。然而，以往的研究大多忽略了偏好的演化趋势，容易受到偏好漂移效应的干扰。在本文中，我们提出了一种新的基于会话的推荐偏好进化网络（PEN4Rec）模型的偏好进化过程中的两个阶段的检索历史的背景。具体而言，第一阶段过程根据最近的项目整合相关行为。然后，第二阶段的过程模型的偏好演变轨迹随时间的动态和推断丰富的偏好。该过程可以增强相关序列行为在偏好演化中的作用，减弱偏好漂移对偏好演化的干扰。在三个公开数据集上的实验证明了该模型的有效性和优越性。
2021-06-17 cs.AI cs.IR
Learning Preferences and Demands in Visual Recommendation
视觉信息是推荐系统中的一个重要因素，在推荐系统中，用户的选择由两部分组成：\emph{preferences}和\emph{demands}。在视觉推荐中，用户偏好模型的研究已经取得了一定的进展。然而，常规方法在公共视觉特征空间中对项目进行建模，这可能无法捕获项目的\emph{styles}。我们提出了一种DeepStyle方法来学习项目的风格特征。DeepStyle基于卷积神经网络（CNN）架构，消除了在原始视觉特征空间中占主导地位的项目分类信息。对于建模用户对不同类别的项目的需求，该问题可以被公式化为具有上下文和顺序信息的推荐。为了解决这个问题，我们提出了一个上下文感知门控递归单元（CA-GRU）的方法，它可以同时捕获序列和上下文信息。此外，对偏好和需求的预测的聚合，即，由DeepStyle和CA-GRU生成的预测，可以更完整地建模用户的选择行为。在真实数据集上进行的实验表明了本文方法在视觉推荐中的有效性。
2019-11-11 cs.IR
Prospective Preference Enhanced Mixed Attentive Model for Session-based Recommendation
针对会话推荐任务，提出融合时间模式与用户预期偏好的P2MAM模型，采用位置敏感注意力机制，在6个基准数据集上性能最高提升19.2%，测试效率较最佳基线平均提升47.7倍。
2022-06-04 cs.IR
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
End-to-End Personalized Next Location Recommendation via Contrastive User Preference Modeling
预测下一个位置是许多基于位置的服务（如目的地预测和路线规划）中非常有价值和常见的需求。下一个位置推荐的目标是基于用户的历史轨迹来预测用户可能去的下一个兴趣点。现有的模型大多只从用户的历史签到序列中学习移动模式，而忽略了用户偏好建模的重要性。在这项工作中，一个新的点的兴趣Transformer（POIFormer）与对比用户偏好建模开发的端到端的下一个位置推荐。该模型由三个主要模块组成：历史编码器、查询生成器和偏好解码器。历史编码器被设计成从历史登记序列中建模移动模式，而查询生成器显式地学习用户偏好以生成用户特定的意图查询。最后，偏好解码器结合意图查询和历史信息来预测用户的下一个位置。广泛的比较与代表性的计划和消融研究的四个真实世界的数据集证明了所提出的计划在各种设置下的有效性和优越性。
2023-03-22 cs.IR
Deep Cross Networks with Aesthetic Preference for Cross-domain Recommendation
当购买外观第一的产品时，例如，服装，产品外观美学在决定过程中起着重要的作用。此外，用户的审美偏好可以被视为一种个性特征和基本需求，是领域无关的，可以作为知识转移的领域之间的桥梁。然而，现有的工作很少考虑产品照片中的美学信息进行跨域推荐。为此，在本文中，我们提出了一个新的深度审美偏好跨域网络（ACDN），其中表征个人审美偏好的参数在网络之间共享，以在域之间传递知识。具体来说，我们首先利用美学网络来提取相关特征。然后，我们将美学特征整合到跨领域网络中，以传递用户与领域无关的美学偏好。此外，网络交叉连接，使跨领域的双重知识转移。最后，在真实数据上的实验结果表明，我们提出的ACDN优于其他基准方法的推荐精度。研究结果还表明，用户的审美偏好可以有效地缓解跨域推荐中的数据稀疏问题。
2019-05-29 cs.IR
LISRec: Modeling User Preferences with Learned Item Shortcuts for Sequential Recommendation
LISRec通过学习用户历史交互中的语义快捷方式，提升序列推荐系统对稳定用户偏好的捕捉能力，实验表明其在Yelp和Amazon数据集上优于基线模型13%。
2025-11-26 cs.IR
A First Look at Selection Bias in Preference Elicitation for Recommendation
本文首次研究推荐系统偏好引导中的选择偏差问题，提出基于主题的偏好引导模拟方法，实验表明忽略选择偏差会加剧过度代表现象，而去偏方法能显著提升后续推荐性能。
2024-05-01 cs.IR
GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Visa Research（Visa研究院）
我们研究的问题，使项目的建议，短暂的群体，其中包括用户有限或没有历史活动在一起。现有的研究针对具有大量活动历史的持久组，而短暂组缺乏历史相互作用。为了克服群体交互稀疏性，我们提出了数据驱动的正则化策略，以利用同一群体中用户之间的偏好协方差，以及用户个人偏好与每个群体的上下文相关性。我们做了两个贡献。首先，我们提出了一个推荐架构不可知的框架GroupIM，可以集成任意的神经偏好编码器和聚合器的短暂的组推荐。其次，我们规范化的用户组的潜在空间，以克服组交互稀疏：最大限度地提高互信息之间的代表性的群体和群体成员，并动态优先级的偏好，通过上下文偏好加权的高度信息化的成员。我们在几个真实世界数据集上的实验结果表明，与最先进的组推荐技术相比，性能有显着提高（相对NDCG@20为31-62%）。
2020-06-09 cs.IR cs.LG cs.SI
Multimodal Recommendation via Self-Corrective Preference Alignmen
针对直播场景中用户动态偏好与主播多模态特征难以对齐的问题，本文提出 MSPA 框架，通过多模态偏好组合器与自校正偏好对齐推荐器提升推荐准确性、可解释性及文本质量，并在动态直播场景中显著优于基线方法。
2025-08-13 cs.IR
Oracle-guided Dynamic User Preference Modeling for Sequential Recommendation
针对现有序列推荐仅用历史信息导致用户偏好建模偏差的问题，提出Oracle4Rec方法，利用未来oracle信息引导模型训练，通过双编码器提取信息并以两阶段策略优化，实验证明其性能更优且可作为通用模块提升其他方法效果。
2024-12-01 cs.IR
When and How to Ask: Dynamic Preference Elicitation Strategies for Conversational Recommendation
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博）
研究对话推荐中偏好引出策略，发现最优策略具阶段依赖性与上下文敏感性。引入InPE数据集，提出COPE架构。离线评估表明上下文感知策略有益，分析预测策略揭示对话阶段趋势，为交互模式提供证据。
2026-07-09 cs.IR
IRF: Interactive Recommendation through Dialogue
本文提出了一个通用的交互式推荐系统框架，该框架利用对话系统与用户进行交互，并设计了一个中间件层来提供交互功能，例如提供对推荐的解释、管理从对话中获知的用户偏好、偏好引出以及基于获知的偏好来改进推荐。
2019-10-03 cs.IR
Double-Wing Mixture of Experts for Streaming Recommendations
流推荐系统（SRS）通常仅在新接收的数据上训练推荐模型以解决用户偏好漂移，即，改变用户对物品的偏好。然而，这种做法忽略了历史数据中嵌入的长期用户偏好。更重要的是，数据流中常见的异构性大大降低了流推荐的准确性。原因是不同类型的用户（或项目）的不同偏好（或特征）无法通过统一模型很好地学习。为了解决这两个问题，我们提出了一个变量和水库增强采样的双翼混合专家模型框架，称为VRS-DWMoE，以提高流媒体推荐的准确性。在VRS-DWMoE中，我们首先设计了变分和随机增强的采样，以明智地用历史数据补充新数据，从而在捕获长期用户偏好的同时解决用户偏好漂移问题。在此基础上，我们提出了一个双翼混合专家模型（DWMoE）模型，首先有效地学习异构用户的偏好和项目的特点，然后提出建议的基础上。具体而言，DWMoE包含两混合专家模型（MoE，一个有效的集成学习模型），分别学习用户偏好和项目特征。此外，每个MoE中的多个专家学习不同类型的用户（或项目）的偏好（或特性），其中每个专家专门研究一个基础类型。大量的实验表明，VRS-DWMoE始终优于最先进的SRS。
2020-09-14 cs.IR
Towards Unified Modeling for Positive and Negative Preferences in Sign-Aware Recommendation
Software College, Northeastern University（东北大学软件学院）；Center for Research on Intelligent Perception and Computing, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所智能感知与计算研究中心）；Northeastern University（东北大学）
提出LSGRec，一种统一建模符号图中用户高阶正负偏好的轻量级图卷积网络，通过沿正边传播高阶负偏好并优化推荐，在三个数据集上超越基线。
2024-03-13 cs.IR cs.LG cs.SI
Coupling User Preference with External Rewards to Enable Driver-centered and Resource-aware EV Charging Recommendation
Wayne State University（韦恩州立大学）
电动汽车（EV）充电建议，既适应用户偏好，又适应不断变化的外部环境，是一种具有成本效益的策略，以减轻私人电动汽车驾驶员的里程焦虑。以往的研究集中在集中的策略，以实现最佳的资源分配，特别是有用的隐私无关的出租车车队和固定路线的公共交通。然而，私人EV驾驶员寻求更加个性化和资源感知的充电推荐，该充电推荐是量身定制的，以适应用户偏好（何时以及在何处充电），同时充分适应充电供应和需求之间的时空失配。在这里，我们提出了一种新的规则化演员-评论家（RAC）充电推荐方法，该方法允许每个EV驱动程序在用户偏好（历史充电模式）和外部奖励（驾驶距离和等待时间）之间取得最佳平衡。在两个真实数据集上的实验结果表明，我们的方法具有独特的功能和优越的性能。
2022-10-23 cs.AI cs.HC cs.IR
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来，真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本，在整个语料库上进行复杂的端到端算法是极具挑战性的。因此，传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率，旨在从大型语料库中高效地检索数百个条目，而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性，而匹配模块应该对多样性承担更多责任。在本文中，我们提出了一种新的异构图神经网络框架的多样化推荐（GraphDR）匹配，以提高推荐精度和多样性。具体来说，GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好，并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失，以平衡多样化匹配任务的推荐准确性和多样性。在实验中，我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标，并取得了显着的改善。为了更好地理解我们的模型，我们还进行了模型分析和案例研究。此外，GraphDR已经部署在一个知名的推荐系统上，影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
