Conquering the rating bound problem in neighborhood-based collaborative filtering: a function recovery approach
作为社会化网络时代信息过滤的重要工具，推荐系统在近十年来得到了迅速的发展。基于邻域的协同过滤技术，如Amazon采用的基于项目的协同过滤，由于具有更好的可解释性，在许多实用的推荐系统中获得了巨大的成功。然而，基于邻域的协同过滤方法遭受评级界限问题，即，该方法估计的目标项目的评级受其所有相邻项目的观察评级的限制。因此，如果目标项目的真实评分实际上高于（低于）其邻域中所有项目的最高（最低）评分，则无法准确估计目标项目的未观察评分。在本文中，我们解决这个问题，通过正式的评级估计作为一个任务，恢复一个标量评级函数。在线性假设下，我们通过优化低阶范数来推断所有评级，例如，目标标量函数的二阶导数的$l_1/2$范数，同时保持其观察到的评级不变。在豆瓣、Goodreads和MovieLens三个真实数据集上的实验结果表明，该方法能够很好地克服评分界限问题.特别是，它可以显着提高收视率估计的准确性37%，比传统的基于邻域的方法。
2012-09-05 cs.AI cs.HC cs.IR
Echo Chambers in Collaborative Filtering Based Recommendation Systems
Stanford University（斯坦福大学）；University of Washington（华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Berkeley（加州大学伯克利分校）
推荐系统支撑着现代几乎所有在线内容的服务。从Youtube和Netflix推荐，到Facebook订阅和谷歌搜索，这些系统旨在根据用户的预测偏好过滤内容。最近，这些系统面临着越来越多的批评，就其对内容多样性，社会两极分化和健康的公共话语的影响。在这项工作中，我们模拟了协同过滤算法在MovieLens数据集中对用户的推荐。我们发现，长期接触系统生成的建议大大减少了内容多样性，移动个人用户进入“回声室”的特点是一个狭窄的内容范围。此外，我们的工作表明，一旦这些回声室已经建立，这是很难为个人用户突破单独操纵自己的评级向量。
2020-11-08 cs.AI cs.IR cs.LG
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering
Ariel University（阿里尔大学）；Tel Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）
在推荐系统中，两个主要的挑战是对具有不同品味的用户进行建模，并提供可解释的推荐。在本文中，我们提出了一个统一的解决方案，这两个问题的神经注意力多角色协作过滤（AMP-CF）模型。AMP-CF将用户分解为几个潜在的“人物角色”（配置文件），以识别和辨别用户的不同品味和倾向。然后，揭示的人物角色用于为用户生成和解释最终的推荐列表。AMP-CF将用户建模为一个有注意力的人物角色混合体，支持基于所考虑的项目而变化的动态用户表示。我们展示了AMP-CF上的五个协同过滤数据集的域的电影，音乐，视频游戏和社交网络。作为一个额外的贡献，我们提出了一种新的评价方案，用于比较不同的项目在推荐列表中的基础上的距离从底层分布的“口味”在用户的历史项目。实验结果表明，AMP-CF是竞争力与其他国家的最先进的模型。最后，我们提供了定性的结果来展示AMP-CF解释其建议的能力。
2020-09-26 cs.AI cs.IR cs.LG
Personalized Neural Embeddings for Collaborative Filtering with Text
Hong Kong University of Science and Technology（香港科技大学）；Department of Computer Science and Engineering（计算机科学与工程系）
协同过滤是推荐系统的核心技术。传统的CF方法利用用户-项目关系（例如，点击、喜欢和观看），因此它们遭受数据稀疏性问题。项目通常与非结构化文本相关联，例如文章摘要和产品评论。我们开发了一个个性化神经嵌入（PNE）框架，以无缝地利用交互和单词。我们学习这样的嵌入用户，项目和单词联合，并预测用户的喜好项目的基础上，这些学习的表示。PNE通过行为因素和语义因素两个方面来估计用户喜欢某个项目的概率。在两个真实世界的数据集上，PNE在三个指标方面表现出比四个最先进的基线更好的性能。我们还表明，PNE学习有意义的词嵌入的可视化。
2019-03-19 cs.AI cs.CL cs.IR
A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems
Center for Artificial Intelligence and Technology（人工智能与技术中心）；Faculty of Information Science and Technology（信息科学与技术学院）；The National University of Malaysia（马来西亚国立大学）
本文综述DNN在协同过滤推荐中的应用，梳理基础原理、模型类别、评估协议、辅助信息及未来挑战。
2024-12-02 cs.AI cs.LG
Graph DNA: Deep Neighborhood Aware Graph Encoding for Collaborative Filtering
University of California, Davis（加州大学戴维斯分校）；Amazon（亚马逊）
在本文中，我们考虑推荐系统的边信息的形式图。现有的协同过滤算法主要利用直接的邻域信息，并有很难利用超过1-2跳的更深的邻域。利用更深层次的图形信息的主要警告是，当合并来自这些邻域的信息时，时间和空间复杂度快速增长。在本文中，我们提出了使用图DNA，一种新的深度邻域感知图编码算法，用于开发更深层次的邻域信息。DNA编码使用布隆过滤器（一种空间高效的概率数据结构）在线性时间内计算近似的深度邻域信息，并导致图中节点数量为对数的每节点编码。它可以与基于特征和基于图正则化的协同过滤算法结合使用。与直接使用高阶图信息相比，图DNA具有内存和时间效率高的优点，并提供额外的正则化。我们在真实世界的数据集上进行了实验，表明图DNA可以很容易地与4种流行的协同过滤算法一起使用，并始终导致性能提升，而计算和内存开销很少。
2019-05-29 cs.AI cs.LG stat.ML
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine（加州大学欧文分校）；Brown University（布朗大学）；Southwest Jiaotong University（西南交通大学）
本文提出融合协同过滤与大语言模型的增强推荐方法，利用LLMs增强文本理解以缓解冷启动和数据稀疏问题，实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
Multi-Domain Collaborative Filtering
Hong Kong University of Science and Technology（香港科技大学）
协同过滤是一种有效的推荐方法，其中用户对某一项的偏好是基于具有相似兴趣的其他用户的偏好来预测的。使用协同过滤方法的一个大挑战是数据稀疏性问题，这通常是因为每个用户通常只对很少的项目进行评级，因此评级矩阵非常稀疏。在本文中，我们解决这个问题，同时考虑多个协同过滤任务在不同的领域，并利用域之间的关系。我们称之为多域协同过滤（MCF）问题。为了解决MCF问题，我们提出了一个概率框架，它使用概率矩阵分解来模拟每个域中的评级问题，并允许通过自动学习域之间的相关性来自适应地跨不同域传输知识。我们还引入了不同领域的链接函数，以纠正他们的偏见。几个现实世界的应用程序进行的实验表明，我们的方法相比，一些代表性的方法的有效性。
2012-03-15 cs.AI cs.IR
CF4CF: Recommending Collaborative Filtering algorithms using Collaborative Filtering
自动解决方案，使选择最好的算法为一个新的问题是常见的文献。一个研究领域，最近收到了相当大的努力是协同过滤。现有的工作包括使用元学习的几种方法，这些方法将数据集的特性与算法的性能联系起来。这项工作探讨了解决这一问题的另一种方法。由于两者本质上都是推荐问题，因此本文采用协同过滤算法来选择协同过滤算法。我们的方法集成了子采样landmarks，这是一种数据表征方法，通常用于元学习，与标准的协同过滤方法。实验结果表明，CF4CF在协同过滤算法选择问题上与标准元学习策略竞争。
2018-03-06 cs.IR
CFW: A Collaborative Filtering System Using Posteriors Over Weights Of Evidence
Microsoft Research（微软研究院）
我们描述CFW，一个计算效率高的算法，使用后验的证据权重的协同过滤。在真实数据的实验中，我们表明，这种方法预测以及或优于其他方法的情况下，用户查询的大小是小的。新方法在用户查询包含低频（不受欢迎）项目时特别有效。该方法补充了依赖网络在查询规模较大时表现良好的方法。在本文中，我们还认为使用后验比证据权重更重要是推荐相似项目协同过滤任务的一种自然方法。
2015-05-16 cs.AI cs.IR
Optimization and Scalability of Collaborative Filtering Algorithms in Large Language Models
University of Houston（休斯顿大学）；University of California San Diego（加州大学圣地亚哥分校）；San Francisco State University（旧金山州立大学）；Brown University（布朗大学）
本文针对大型语言模型中协同过滤算法面临的计算成本高、数据稀疏、冷启动和可扩展性差等问题，提出矩阵分解、近似最近邻搜索、并行计算、分布式架构和模型压缩等优化策略，以提升推荐系统的效率、精度和可扩展性。
2024-12-25 cs.AI cs.IR
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
针对LLM序列推荐缺乏协同过滤信息的问题，提出多模态框架Molar，通过统一多模态物品表示与后对齐协同信号，显著提升序列推荐准确性。
2024-12-30 cs.AI cs.IR
Using content features to enhance performance of user-based collaborative filtering performance of user-based collaborative filtering
基于内容的推荐方法和协同过滤方法是推荐系统中最成功的解决方案。基于内容的方法是基于项目属性。该方法首先检查用户最喜欢的项目的特征，然后提出与这些项目具有最相似特征的项目。协同过滤方法是基于相似项目或相似用户的确定，分别称为基于项目的协同过滤和基于用户的协同过滤，本文提出了一种融合协同过滤和基于内容的协同过滤的混合方法。该方法可以看作是基于用户的协同过滤技术。然而，为了找到与活跃用户具有相似品味的用户，我们使用了被调查项目的内容特征，以更加强调用户对相似项目的评分。换句话说，如果两个用户对具有相似上下文的项目的评级相似，则他们是相似的。这是通过在计算两个用户的相似度时为每个评分分配一个权重来实现的。我们使用movielens数据集来评估所提出的方法与基本的基于用户的协同过滤和其他流行方法相比的性能。
2014-02-13 cs.IR
Boolean kernels for collaborative filtering in top-N item recommendation
University of Padova（帕多瓦大学）
在许多个性化推荐问题中，可用数据仅由用户和项目之间的积极交互（隐式反馈）组成。这个问题也被称为单类协同过滤（OC-CF）。线性模型通常在OC-CF问题上实现最先进的性能，并且已经投入了许多努力来构建能够改进推荐的更具表达力和复杂的表示。最近的分析表明，协同过滤（CF）数据集具有独特的特点，如高稀疏性和长尾分布的评级。在本文中，我们提出了一个布尔内核，称为析取内核，这是表达比线性的，但它能够减轻稀疏CF上下文中的问题。该核的嵌入由输入变量的某个元数d的所有组合组成，并且这些组合特征在语义上被解释为输入变量的析取。在多个CF数据集上的实验表明了该核函数的有效性和高效性。
2017-07-18 cs.AI cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Alleviating Behavior Data Imbalance for Multi-Behavior Graph Collaborative Filtering
Jinan University（暨南大学）；Zhejiang University（浙江大学）；The Hong Kong Polytechnic University（香港理工大学）；South China Agricultural University（华南农业大学）；Guangdong University of Finance（广东金融学院）
提出IMGCF模型，利用多任务学习框架，通过丰富行为域表示增强稀疏行为学习，缓解多行为图协同过滤中的数据不平衡，提升推荐性能。
2023-11-12 cs.AI cs.IR
Collaborative Filtering vs. Content-Based Filtering: differences and similarities
推荐系统（SR）建议探索用户偏好的项目，帮助他们解决信息过载问题。SR的两种方法得到了更多的重视，协同过滤和基于内容的过滤。此外，即使研究表明它们的优点和缺点，很少有结果实证证明它们的特点，相似性和差异。在这项工作中，提出了一种实验方法来执行推荐算法的不同方法之间的比较超出了“精度的预测”。对于实验，三个算法的建议进行了测试：一个基线的协同过滤和两个算法的基于内容的过滤，开发了这个评估。实验展示了这些系统在不同数据集的行为，其主要特点，特别是两种主要方法的互补方面。
2019-12-18 cs.IR
Parallel and Distributed Collaborative Filtering: A Survey
协同过滤是实现推荐系统时最优选的技术之一。最近，极大的兴趣已经转向并行和分布式实现的协同过滤算法。这项工作是一个调查的并行和分布式协同过滤的实现，旨在不仅提供一个全面的介绍该领域的发展，但也提供了未来的研究方向，突出的问题，需要进一步发展。
2014-09-09 cs.DC cs.IR
Memory Based Collaborative Filtering with Lucene
本文提出一种在 Apache Lucene 等传统全文搜索引擎之上构建可扩展且有效的协同过滤系统的方法，解决了定制化方案丧失通用性与灵活性的问题。
2024-11-18 cs.IR
Hybrid Collaborative Filtering with Autoencoders
Univ. Lille, CNRS, Centrale Lille UMR 9189 - CRIStAL（里尔大学、法国国家科学研究中心、中央理工学院里尔分校 UMR 9189 - CRIStAL）
协同过滤旨在利用用户的反馈来提供个性化的推荐。这种算法在一个大型稀疏的评级矩阵中寻找潜在变量。它们可以通过添加辅助信息来增强，以解决众所周知的冷启动问题。虽然神经网络在图像和语音识别方面取得了巨大的成功，但在协同过滤方面却没有得到足够的重视。更令人惊讶的是，神经网络能够发现大型异构数据集中的潜在变量。在本文中，我们介绍了一个协同过滤神经网络架构，又名CFN计算一个非线性矩阵分解稀疏评级输入和边信息。我们在MovieLens和豆瓣数据集上的实验表明，CFN超越了最先进的技术水平，并受益于边信息。我们提供了一个可重用的火炬，一个流行的神经网络框架插件的算法的实现。
2016-07-19 cs.AI cs.IR cs.NE
Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
该研究提出神经树协同过滤（NTCF）框架，将图协同过滤重新建模为树结构并基于曲率分配节点特定传播深度，其性能优于多数GCF模型，可作为骨干集成到自监督模型中，经多数据集实验验证了优越性。
2026-08-12 cs.IR
Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning
School of Information, Renmin University of China（中国人民大学信息学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）
最近，图协同过滤方法已被提出作为一种有效的推荐方法，它可以捕捉用户的偏好，通过建模的用户项目交互图。为了降低数据稀疏性的影响，将对比学习引入到图协同过滤中以提高性能。然而，这些方法通常通过随机抽样来构造对比对，忽略了用户（或项目）之间的相邻关系，未能充分利用对比学习的潜力进行推荐。为了解决上述问题，我们提出了一种新的对比学习方法，命名为邻居丰富的对比学习，命名为NCL，显式地将潜在的邻居到对比对。具体来说，我们分别从图结构和语义空间引入用户（或项目）的邻居。对于交互图上的结构邻居，我们开发了一种新的结构对比目标，将用户（或项目）及其结构邻居视为正对比对。在实现中，用户（或项目）和邻居的表示对应于不同GNN层的输出。此外，为了挖掘语义空间中潜在的邻居关系，我们假设具有相似表征的用户都在语义邻居中，并将这些语义邻居纳入原型对比目标。提出的NCL可以用EM算法优化，并推广到图协同过滤方法。在5个公共数据集上的实验结果表明了该方法的有效性，在Yelp和Amazon-book数据集上的性能分别比基于竞争图的协同过滤模型提高了26%和17%。我们的代码可在https://github.com/RUCAIBox/NCL上获得。
2022-02-15 cs.AI cs.IR
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
Transformer-Empowered Content-Aware Collaborative Filtering
基于知识图谱（KG）的协同过滤是一种有效的个性化推荐系统的方法，相对静态的领域，如电影和书籍，通过利用KG的结构化信息来丰富项目和用户表示。出于使用Transformers理解富文本在基于内容的过滤推荐系统，我们提出了内容感知KG增强元偏好网络作为一种方式来增强协同过滤推荐的基础上，结构化的信息从KG以及非结构化的内容功能的基础上，变压器授权的基于内容的过滤。为了实现这一目标，我们采用了一种新的训练方案，跨系统对比学习，以解决这两个非常不同的系统的不一致性，并提出了一个强大的协同过滤模型和一个变种的知名NRMS系统在这个建模框架。我们还通过创建一个大规模的电影知识图谱数据集，并通过整合从外部来源抓取的文本描述来扩展已经公开的Amazon-Book数据集，从而为公共领域资源做出贡献。我们目前的实验结果表明，增强协同过滤与变压器为基础的功能来自基于内容的过滤优于强大的基线系统，提高能力的知识图为基础的协同过滤系统，利用项目内容信息。
2022-04-02 cs.IR
A Distributional Representation Model For Collaborative Filtering
在本文中，我们提出了一种非常简洁的深度学习方法，用于协同过滤，联合建模用户和项目的分布表示。该框架获得了更好的性能相比，目前的最先进的算法，使分布式表示模型在协同过滤的进一步研究的一个有前途的方向。
2015-02-14 cs.IR cs.NE
Co-Factorization Model for Collaborative Filtering with Session-based Data
矩阵分解（MF）是一种常用的协同过滤方法。MF通过潜在因子来表征用户偏好和项目属性。尽管MF是一种强大的方法，但它无法识别密切相关项目的强关联。在这项工作中，我们提出了一种矩阵分解的方法，可以反映强相关项目到项目的潜在表示的本地化关系。我们通过结合两个世界来做到这一点：MF用于协同过滤，item2vec用于项目嵌入。所提出的方法是能够利用项目的关系。我们在几个数据集上的实验表明，与以前的工作有更好的性能。
2021-05-12 cs.IR
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning
East China Normal University（华东师范大学）；The University of Queensland（昆士兰大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出ASPIRE框架，通过双层优化解决传统推荐目标的偏差问题，提升图滤波学习效果和稳定性，实验表明其性能接近定制设计，并在大模型协同过滤中同样有效。
2026-04-24 cs.IR
A Comparative Study of Collaborative Filtering Algorithms
协同过滤是一个快速发展的研究领域。每年都有一些新的技术被提出来，但目前还不清楚哪种技术最有效，在什么条件下最有效。在本文中，我们进行了一项研究，比较了几个协同过滤技术-经典和最近的国家的最先进的-在各种实验环境。具体来说，我们报告的结论控制的项目数，用户数，稀疏水平，性能标准，和计算复杂性。我们的结论确定了什么样的算法工作良好，在什么条件下，并有助于工业部署协同过滤算法和研究社区。
2012-05-14 cs.IR stat.ML
Collaborative Filtering with Graph-based Implicit Feedback
SVD++在矩阵分解（MF）方法中引入用户的消费项目作为用户的隐式反馈，是个性化推荐系统中最有效的协同过滤方法之一。虽然功能强大，SVD++有两个限制：（i）。仅利用用户侧隐式反馈，而不利用也可以丰富项表示的项侧隐式反馈;（ii）.在SVD++中，隐式反馈组合时交互项的权重相等，不能准确反映用户的真实偏好。针对上述局限性，本文提出了基于图的协同过滤（GCF）模型、基于加权图的协同过滤（W-GCF）模型和基于注意图的协同过滤（A-GCF）模型。基于用户-项目二分图将隐式反馈推广到项目侧;（ii）.在隐式反馈中灵活地学习个体的权重，从而提高模型的性能。综合实验结果表明，该模型的性能优于现有模型;对于稀疏隐式反馈场景，通过利用第二步隐式反馈信息，进一步提高了模型的性能.
2018-03-09 cs.IR
Dependency Networks for Collaborative Filtering and Data Visualization
Microsoft Research（微软研究院）
我们描述了一个概率关系的图形模型-贝叶斯网络的一种替代方案-称为依赖网络。与贝叶斯网络不同，依赖网络的图可能是循环的。与贝叶斯网络一样，依赖网络的概率分量是一组条件分布，每个节点都有一个条件分布。我们确定了这种表示的几个基本属性，并描述了一个计算效率高的程序，从数据中学习的图形和概率分量。我们描述了这种表示的应用概率推理，协同过滤（预测偏好的任务），和因果预测关系的可视化。
2013-01-16 cs.AI cs.IR cs.LG
Collaborative Filtering with Recurrent Neural Networks
IRIDIA（IRIDIA实验室）；Université Libre de Bruxelles（布鲁塞尔自由大学）
我们表明，协同过滤可以被看作是一个序列预测问题，并给予这种解释，循环神经网络提供了非常有竞争力的方法。特别是，我们研究了如何将长短期记忆（LSTM）应用于协同过滤，以及如何将其与电影推荐的标准最近邻和矩阵分解方法进行比较。我们证明了LSTM在各个方面都具有竞争力，并且在项目覆盖率和短期预测方面大大优于其他方法。
2017-01-03 cs.IR cs.LG
Embedded Collaborative Filtering for "Cold Start" Prediction
仅使用隐式数据，许多推荐系统通常无法向具有有限交互历史的用户提供精确的推荐集。此问题被视为“冷启动”问题，通常通过切换到需要额外昂贵信息的基于内容的方法来解决。在本文中，我们使用的降维算法，Word2Vec（W2V），最初应用于自然语言处理问题的框架下的协同过滤（CF），以解决“冷启动”问题，只使用隐式数据。这种组合方法被称为嵌入式协同过滤（ECF）。在两个不同的隐式数据集上进行了实验，以确定ECF的性能。我们表明，ECF的方法优于其他流行的和国家的最先进的方法在“冷启动”的情况下。
2017-04-09 cs.IR
An Explainable Autoencoder For Collaborative Filtering Recommendation
University of Louisville（路易斯维尔大学）
自编码器是深度学习架构的常见构建块，它们主要用于表示学习。它们也被成功地用于协同过滤（CF）推荐系统，以预测缺失的评级。不幸的是，像所有黑盒机器学习模型一样，它们无法解释它们的输出。因此，虽然基于Autoencoder的推荐系统的预测可能是准确的，但用户可能不清楚为什么会生成推荐。在这项工作中，我们设计了一个可解释的推荐系统，使用Autoencoder模型，其预测可以解释使用基于邻域的解释风格。我们的初步工作可以被认为是迈向基于自动编码器的可解释深度学习架构的第一步。
2019-12-23 cs.AI cs.IR cs.LG
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
Boosting Simple Collaborative Filtering Models Using Ensemble Methods
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在本文中，我们将研究集成学习的协同过滤方法的性能的影响。我们提出了几个系统的方法来生成一个合奏的协同过滤模型的基础上，一个单一的协同过滤算法（单模型或同质合奏）。我们提出了一个适应机器学习中的几个流行的集成技术的协同过滤域，包括装袋，助推，融合和随机注入。我们评估所提出的方法上的几种类型的协同过滤基础模型：k- NN，矩阵分解和邻域矩阵分解模型。经验评估表明，预测的改善相比，所有的基础CF算法。特别是，我们表明，与单个强CF模型（如矩阵分解）相比，简单（弱）CF模型（如k-NN）的集合的性能具有竞争力，同时需要一个数量级的计算成本。
2012-11-13 cs.IR cs.LG stat.ML
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
Handling Cold-Start Collaborative Filtering with Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
推荐系统中的一个主要挑战是处理新用户，他们也被称为$\textit{cold-start}$用户。在本文中，我们提出了一种新的方法来学习一系列最佳的问题，以访问冷启动用户的电影推荐系统。我们建议使用Deep Q Networks来学习面试问题，以创建用户简档，从而为冷启动用户提供更好的推荐。虽然我们提出的系统是使用电影推荐系统进行训练的，但我们的Deep Q Network模型应该可以推广到各种类型的推荐系统。
2018-06-16 cs.AI cs.IR cs.LG
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中，我们研究了个性化推荐模型，利用用户，对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算，通过使用一个基于扩散的过程，然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标：排名分数，召回率和精度，并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Large Language Models Enhanced Collaborative Filtering
提出LLM-CF框架，通过上下文学习和思维链推理将大语言模型的世界知识与推理能力蒸馏到协同过滤中，并采用高效指令微调在保持通用性的同时提升推荐性能，实验证明其显著优于竞争基线。
2024-07-24 cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤，它建立在学习用户和歌曲之间的相似性，从可用的收听数据。这些方法固有地面临冷启动问题，因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而，属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中，我们介绍了神经内容感知协同过滤，一个统一的框架，它体现了这些限制，并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型，它利用深度学习从低级声学特征中提取内容信息，并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入，也可以作为正则化先验，产生我们模型的两个变体（严格和放松）。实验结果表明，该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到，利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
When Product Search Meets Collaborative Filtering: A Hierarchical Heterogeneous Graph Neural Network Approach
个性化是提高产品搜索系统性能的核心。以往的研究主要是依靠文本查询和用户/产品相关文档之间的语义匹配，离开用户的合作行为尚未开发。事实上，用户之间的协同过滤信号直观地为语义匹配提供了补充信息。为了缩小协同过滤和产品搜索之间的差距，本文提出了一种层次异构图神经网络（HHGNN）方法。具体来说，我们组织HHGNN与层次图结构，根据三个边缘类型。序列边负责从单词节点到句子节点的语法公式化;组合边将语义特征聚合到用户和产品节点;顶部的交互边执行用户和产品节点之间的图卷积操作。最后，为了更好地进行表示学习，我们将高阶相邻协作特征和语义特征相结合。我们在六个亚马逊评论数据集上进行了广泛的实验。结果表明，我们提出的方法可以优于国家的最先进的基线有很大的利润。此外，我们实证证明，协同过滤和语义匹配是相辅相成的产品搜索性能的提高。
2021-09-26 cs.IR
Deep Latent Factor Model for Collaborative Filtering
University of Paris-Est（巴黎东部大学）
潜在因素模型在基于协同过滤的推荐系统中得到了广泛的应用。近年来，深度学习已经成功地解决了各种各样的机器学习问题。受深度学习成功的启发，我们提出了一个更深版本的潜在因素模型。基准数据集上的实验表明，我们提出的技术显着优于所有国家的最先进的协同过滤技术。
2019-12-10 cs.IR cs.LG stat.ML
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的，并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发，本文提出了一种新的协同过滤算法：蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制，即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发，我们捕捉到用户偏好随时间的演变。同时，算法的计算复杂度较小，并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验，分别是电影推荐、书籍推荐和音乐推荐，分别覆盖了显式和隐式的评分数据。实验结果表明，该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
Item2Vec: Neural Item Embedding for Collaborative Filtering
Tel Aviv University（特拉维夫大学）；Microsoft（微软）
许多协同过滤（CF）算法是基于项目的，因为它们分析项目之间的关系，以产生项目的相似性。最近，在自然语言处理（NLP）领域中的一些工作建议使用神经嵌入算法来学习单词的潜在表示。其中，具有负采样的跳过语法（SGNS），也被称为word 2 vec，被证明在各种语言学任务上提供了最先进的结果。在本文中，我们表明，基于项目的CF可以在神经词嵌入相同的框架。受SGNS的启发，我们描述了一种方法，我们命名为item 2 vec的基于项目的CF，产生嵌入的潜在空间中的项目。该方法即使在用户信息不可用时也能够推断项目-项目关系。我们目前的实验结果表明，item 2 vec方法的有效性，并显示它是具有竞争力的SVD。
2017-02-20 cs.AI cs.IR cs.LG
Graph-less Collaborative Filtering
图神经网络（GNN）已经显示出在协同过滤（CF）任务中对图结构的用户-项目交互数据进行表示学习的能力。然而，由于其固有的递归消息在相邻节点之间传播，现有的基于GNN的CF模型可能会生成不可区分的和不准确的用户（项目）表示，由于低通拉普拉斯平滑算子的过度平滑和噪声效应。此外，在整个图结构中使用堆叠聚合器的递归信息传播可能导致实际应用中的可扩展性差。出于这些限制，我们提出了一个简单而有效的协同过滤模型（SimRec），结合了知识蒸馏和对比学习的力量。在SimRec中，教师GNN模型和轻量级学生网络之间实现了自适应知识转移，不仅可以保留全局协作信号，还可以解决表示重新校准的过度平滑问题。在公共数据集上的实证结果表明，与各种强基线相比，SimRec具有更好的效率，同时保持了卓越的推荐性能。我们的实现可在https://github.com/HKUDS/SimRec上公开获得。
2023-03-21 cs.IR
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University（武汉大学）
在众多的推荐技术中，协同过滤（CF）是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户（一个项目）作为一个向量的潜在因素（又名。\textit{embedding}），然后根据表示对用户和项之间的交互进行建模。尽管它的有效性，我们认为，这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发，我们提出了一个通用的协同过滤框架DNCF，简称基于双嵌入的神经协同过滤，以利用历史交互来增强表示。除了学习用户（项目）的原始嵌入之外，我们还从交互项目（用户）的角度引入了额外的嵌入，以增强用户（项目）表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性，通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR cs.LG
AFDGCF: Adaptive Feature De-correlation Graph Collaborative Filtering for Recommendations
针对图神经网络推荐系统中被忽视的嵌入过相关问题，本文建立其与过平滑的关联，提出AFDGCF框架动态施加特征相关性惩罚，经多模型多数据集实验验证可同时缓解两类问题、提升推荐效果。
2024-04-15 cs.IR
Kernel-CF: Collaborative filtering done right with social network analysis and kernel smoothing
协同过滤是推荐系统领域最简单但最古老的机器学习算法。尽管它的历史悠久，但它仍然是研究场所的讨论主题。通常人们使用与目标客户的相似度得分大于0的用户/项目来计算算法。然而，经过仔细审查，这可能不是最佳解决方案。在本文中，我们将推荐系统的输入数据转换成一个2-D的社会网络，并应用核平滑计算用户项目评分矩阵中的未知值的偏好。本文将推荐系统的理论框架与非参数统计相结合，给出了一个实现该目标的算法流程和最优参数选择方法。
2023-03-08 cs.IR
Feedback Reciprocal Graph Collaborative Filtering
针对交互图中着迷与不着迷反馈造成的跷跷板问题，本文提出FRGCF，通过双图分离、反馈互惠对比学习和宏观反馈建模提升推荐效果。
2024-08-05 cs.IR
cf2vec: Collaborative Filtering algorithm selection using graph distributed representations
使用元学习的算法选择旨在找到问题特征（即元特征）与相对算法性能之间的映射，以预测新数据集的最佳算法。因此，最重要的是所使用的元特征是信息性的。在协同过滤中，最近的研究已经创建了一个广泛的集合，这样的元特征。然而，由于这些是基于从业者对问题的理解而创建的，因此它们可能无法捕获正确描述问题所需的最相关的方面。我们建议克服这个问题，利用表示学习，这是能够创建一个替代问题的表征，通过数据指导的设计表示，而不是从业者的意见。我们的假设指出，这种替代表示可以用来取代标准的元特征，从而导致一个更强大的方法元学习。我们提出了一个新的过程，专门设计的协同过滤算法的选择。该过程模型协同过滤的图形和提取分布式表示使用graph2vec。实验结果表明，所提出的程序创建的表示，具有竞争力的国家的最先进的元特征，同时需要显着更少的数据，几乎没有任何人工输入。
2018-09-17 cs.IR
Geometric Interaction Augmented Graph Collaborative Filtering
基于图的协同过滤能够从高阶交互中捕捉到本质的、丰富的协同信号，因而受到越来越多的研究兴趣。传统上，用户和项目的嵌入被定义在欧几里得空间中，以及交互图上的传播。同时，近年来的研究表明，高阶相互作用自然形成了双曲模型赖以生存的树状结构，但相互作用图本身具有混合和嵌套的几何特征，而现有的单一几何模型不足以完全捕捉这种复杂的拓扑模式.在本文中，我们提出了一个混合几何空间中的用户-项目交互建模，其中的优点，欧几里德和双曲空间同时享有学习表达表示。在公开数据集上的实验结果验证了该方法的有效性。
2022-08-02 cs.IR
Data Poisoning Attacks on Factorization-Based Collaborative Filtering
Vanderbilt University（范德堡大学）；Carnegie Mellon University（卡内基梅隆大学）
推荐和协同过滤系统在现代信息和电子商务应用中非常重要。随着这些系统在行业中越来越受欢迎，它们的输出可能会影响业务决策，从而促使敌对方损害这些系统的可用性或完整性。我们介绍了一个数据投毒攻击的协同过滤系统。我们展示了一个强大的攻击者如何充分了解学习者可以生成恶意数据，以最大限度地提高他/她的恶意目标，同时模仿正常的用户行为，以避免被检测到。虽然完整的知识假设似乎是极端的，它使一个强大的评估的脆弱性的协同过滤方案，以高度动机的攻击。我们提出了有效的解决方案，两个流行的基于因子分解的协同过滤算法：\emph{alternative minimization}制定和\emph{nuclear norm minimization}方法。最后，我们测试了我们提出的算法对真实世界的数据的有效性，并讨论了潜在的防御策略。
2016-10-05 cs.CR cs.IR cs.LG
