AutoField: Automating Feature Selection in Deep Recommender Systems
City University of Hong Kong（香港城市大学）；University of Science and Technology of China（中国科学技术大学）；Tencent Inc（腾讯公司）
特征质量对推荐性能有重要影响。因此，特征选择是开发基于深度学习的推荐系统的关键过程。然而，大多数现有的深度推荐系统专注于设计复杂的神经网络，而忽略了特征选择过程。通常情况下，他们只是将所有可能的功能输入到他们提出的深度架构中，或者由人类专家手动选择重要功能。前者会导致非平凡的嵌入参数和额外的推理时间，而后者需要大量的专家知识和人力劳动。在这项工作中，我们提出了一个AutoML框架，可以自适应地选择必要的特征字段，以自动的方式。具体来说，我们首先设计了一个可微分控制器网络，它能够自动调整选择特定特征字段的概率;然后，只使用选定的特征字段来重新训练深度推荐模型。在三个基准数据集上的实验证明了该框架的有效性。我们进行进一步的实验，以研究其属性，包括可转移性，关键组件，和参数的敏感性。
2022-04-19 cs.AI cs.IR
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息，从而解决信息过载的问题。经过几年的研究和工业发现，寻找更好的算法来提高准确性和多样性指标，推荐的解释服务作为一种工具正在获得动力，在大多数情况下，通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上，解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中，我们评估如何不同的信息编码在知识图谱被认为是由用户时，他们被采用，以显示他们的解释。更确切地说，我们比较如何使用分类信息，事实的一个或两者的混合物在建设的解释，影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证，该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件，这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
Autonomous Information Seeking: A Roadmap for Agentic Recommender Systems
National University of Singapore（新加坡国立大学）；Polytechnic University of Bari（巴里理工大学）；Renmin University of China（中国人民大学）；University of Science and Technology of China（中国科学技术大学）
综述基于大语言模型的智能体融入推荐系统带来的转变，介绍基于自主性水平的分类法及三种核心范式，分析各范式采用的架构和智能体对关键组件的增强，探讨评估方法及未解决问题，指出开放挑战。
2026-07-07 cs.CL cs.IR
ACT: Automated Constraint Targeting for Multi-Objective Recommender Systems
Google Inc（谷歌公司）
针对多目标推荐系统中需手动调参保障次要目标阈值的问题，提出ACT框架，通过无偏数据离线成对评估找最小超参数变更集并持续重训练适配变化，已验证有效且部署于大规模生产环境。
2025-09-03 cs.IR cs.LG
Personalized Federated Recommender Systems with Private and Partially Federated AutoEncoders
推荐系统（RS）在许多应用领域（如数字营销）中变得越来越重要。传统的RS通常需要收集用户数据，将其集中在服务器端，并形成全局模型以生成可靠的推荐。然而，他们遭受两个关键的限制：个性化的问题，传统训练的RS可能不是为个人用户定制的，和隐私问题，直接共享用户数据不鼓励。我们提出了个性化的联合推荐系统（PersonalFR），它引入了一个个性化的自动编码器为基础的推荐模型与联邦学习（FL），以解决这些挑战。PersonalFR保证每个用户都可以从本地数据集和其他参与用户的数据中学习个人模型，而无需共享本地数据，数据嵌入或模型。PersonalFR由三个主要组件组成，包括基于AutoEncoder的RS（ARS），用于学习用户-项目交互，部分联邦学习（PFL），用于在本地更新编码器并在服务器端聚合解码器，以及部分压缩（PC），仅计算和传输活动模型参数。在两个真实世界数据集上进行的广泛实验表明，PersonalFR可以实现与通过集中所有用户数据训练的性能相当的私有和个性化性能。此外，PersonalFR需要比标准FL基线少得多的计算和通信开销。
2022-12-17 cs.IR
RSAttAE: An Information-Aware Attention-based Autoencoder Recommender System
Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高级研究所）
针对提升娱乐行业客户满意度的用户-电影评分预测问题，提出基于信息感知注意力的自动编码器与XGBoost结合的方法，在MovieLens 100K数据集上优于多数现有最先进方法。
2025-02-10 cs.IR cs.LG
Hybrid Recommender System based on Autoencoders
Univ. Lille, CNRS, Centrale Lille, Inria（里尔大学、法国国家科学研究中心、里尔中央理工学院、法国国家信息与自动化研究所）
推荐系统的一个标准模型是矩阵完成设置：给定部分已知的用户（行）对项目（列）的评分矩阵，推断未知的评分。在过去的几十年里，很少有人尝试用神经网络来处理这个目标，但最近基于自动编码器的架构被证明是一种很有前途的方法。在本文中，我们增强了该架构（i）通过使用一个损失函数适用于输入数据与缺失值，（ii）通过纳入边信息。实验表明，虽然边信息只是稍微改善测试误差平均对所有用户/项目，它有更多的影响冷用户/项目。
2017-12-29 cs.IR cs.LG
Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems
Declic AI Research（Declic人工智能研究院）；CESI LINEACT Laboratory（CESI LINEACT实验室）；Université Paris-Est（巴黎东部大学）；UPEC（巴黎第十二大学）
本文提出一种集成生成式自监督学习（SSL）与残差图Transformer的前沿方法，通过理性感知SSL自动化数据增强、拓扑感知Transformer捕捉全局上下文及自动蒸馏优化信号，在多数据集上持续优于基线方法，增强推荐系统性能。
2025-04-08 cs.AI cs.IR cs.LG
Learning the Structure of Auto-Encoding Recommenders
The Hong Kong University of Science and Technology（香港科技大学）；The Education University of Hong Kong（香港教育大学）
Autoencoder最近在推荐任务中表现出了最先进的性能，因为它们能够有效地对非线性项关系进行建模。然而，现有的自动编码器解码器使用完全连接的神经网络层，并且不采用结构学习。这可能导致低效的训练，特别是当数据稀疏时，这在协同过滤中很常见。上述结果导致较低的泛化能力和降低的性能。在本文中，我们介绍了结构学习的自动编码器的过滤器利用固有的项目组中存在的协同过滤域。由于一般项目的性质，我们知道某些项目彼此之间的关系比其他项目更密切。基于此，我们提出了一种方法，首先学习相关项组，然后使用这些信息来确定自动编码神经网络的连接结构。这导致网络连接稀疏。这种稀疏结构可以被视为指导网络训练的先验知识。经验上，我们表明，建议的结构学习，使自动编码器收敛到一个更小的频谱范数和泛化误差界比完全连接的网络的局部最优。即使使用相同数量的参数和触发器，所得到的稀疏网络在多个基准数据集上的性能也大大优于\textsc{Mult-vae/Mult-dae}等最先进的方法。它还具有更好的冷启动性能。
2020-08-18 cs.IR cs.LG stat.ML
Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems
针对序列推荐系统均匀对待历史行为导致次优性能的问题，提出基于强化学习的自动采样框架AutoSAM，通过非均匀采样构建更具泛化能力的模型，实验证明其有效性。
2025-05-30 cs.IR
AutoDenoise: Automatic Data Instance Denoising for Recommendations
历史用户-项目交互数据集在训练现代推荐系统以预测用户偏好方面是必不可少的。然而，在大多数推荐场景中，用户的任意行为导致大量的噪声数据实例被记录，这不能完全代表他们的真实兴趣。虽然在推荐系统社区中出现了大量的去噪研究，但所有这些研究都受到高度动态数据分布的影响。在本文中，我们提出了一种基于深度强化学习（DRL）的框架AutoDenoise，带有实例去噪策略网络，用于在深度推荐系统中以实例选择方式对数据实例进行去噪。具体来说，AutoDenoise作为DRL中的代理，自适应地选择无噪声和预测性数据实例，然后可以直接用于训练代表性推荐模型。此外，我们设计了一个交替的两阶段优化策略，训练和验证AutoDenoise正确。在搜索阶段，训练具有实例去噪能力的策略网络;在验证阶段，通过对训练好的策略网络选取的数据实例进行去噪子集的查找和评价，验证其去噪能力。我们进行了大量的实验，以验证AutoDenoise结合多个代表性的推荐系统模型的有效性。
2023-03-12 cs.IR
Automatic playlist continuation using a hybrid recommender system combining features from text and audio
ACM RecSys Challenge 2018专注于自动播放列表延续背景下的音乐推荐。在本文中，我们描述了我们的方法的问题和最终的混合动力系统，提交给我们的团队Cocoplaya的挑战。该系统包括使用排名融合由两个不同的模型产生的建议相结合。第一个模型是基于矩阵分解，它结合了来自曲目音频和播放列表标题的信息。第二个模型基于典型曲目同现并考虑其在播放列表中的接近度来生成推荐。所提出的方法是有效的，并实现了良好的整体性能，我们的模型在挑战排行榜的创意轨道上排名第四。
2019-01-02 cs.IR cs.MM
Evaluating Conversational Recommender Systems via User Simulation
会话信息获取是一个新兴的研究领域。目前，端到端的系统评估主要采用人工评估，这种评估方式在大规模上耗费大量时间和资源，成为系统评估的瓶颈。作为替代方案，我们提出了通过模拟用户的自动化评估。我们的用户模拟器的目的是生成一个真正的人会考虑个人偏好和一般流程的互动系统给出的反应。我们评估我们的模拟方法的项目推荐任务，比较现有的会话推荐系统。我们表明，偏好建模和特定于任务的交互模型都有助于更逼真的模拟，并可以帮助实现自动评估措施和人工评估之间的高度相关性。
2020-06-15 cs.IR
AutoLossGen: Automatic Loss Function Generation for Recommender Systems
Rutgers University（罗格斯大学）
在推荐系统中，损失函数的选择是至关重要的，因为良好的损失可以显著提高模型性能。然而，由于问题的复杂性，手动设计良好的损失是一个很大的挑战。以前的工作很大一部分集中在手工制作的损失函数，这需要大量的专业知识和人力。在本文中，自动机器学习的最新发展的启发，我们提出了一个自动的损失函数生成框架，AutoLossGen，它能够生成损失函数直接从基本的数学运算符构造的损失结构没有先验知识。更具体地说，我们开发了一个由强化学习驱动的控制器模型来生成损失函数，并开发了迭代和交替优化时间表来更新控制器模型和推荐器模型的参数。推荐系统中自动损失生成的一个挑战是推荐数据集的极端稀疏性，这导致了损失生成和搜索的稀疏奖励问题。为了解决这个问题，我们进一步开发了一个奖励过滤机制，以实现高效和有效的损失生成。实验结果表明，我们的框架管理创建定制的损失函数为不同的推荐模型和数据集，和产生的损失给出了更好的推荐性能比常用的基线损失。此外，所产生的大部分损失是可转移的，即，基于一个模型和数据集生成的损失对于另一个模型或数据集也很有效。该工作的源代码可在https://github.com/rutgerswiselab/AutoLossGen上获得。
2022-04-27 cs.AI cs.IR cs.LG
UserSimCRS: A User Simulation Toolkit for Evaluating Conversational Recommender Systems
我们提出了一个可扩展的用户模拟工具包，以促进自动评价会话式推荐系统。它建立在一个既定的基于XML的方法，并扩展了几个新的元素，包括用户满意度预测，人物和上下文建模，并有条件的自然语言生成。我们展示了一个预先存在的电影推荐系统的工具包，并展示了它的能力，模拟真实的对话，同时只需要少量的手动注释的对话作为训练数据。
2023-01-24 cs.IR
Digital Nudging with Recommender Systems: Survey and Future Directions
推荐系统如今是我们在线用户体验中普遍存在的一部分，它们要么充当信息过滤器，要么为我们提供额外相关内容的建议。因此，这些系统会影响我们容易访问哪些信息，从而通过对所呈现内容的自动选择和排名来影响我们的决策过程。因此，自动推荐可以被视为数字推动，因为它们决定了用户选择架构的不同方面。在这项工作中，我们研究了数字轻推和推荐系统之间的关系，主题，到目前为止，大多是孤立的研究。通过系统的文献检索，我们首先确定了87轻推机制，我们在一个新的分类法进行分类。随后的分析表明，只有一小部分，这些轻推机制，以前调查的背景下，推荐系统。这表明，有一个巨大的潜力，开发未来的推荐系统，利用数字轻推的力量，以影响用户的决策。因此，在这项工作中，我们概述了潜在的方法，将推动机制到推荐系统。
2021-01-13 cs.HC cs.IR
AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University（北京大学）；HULU LLC（HULU有限责任公司）；Alibaba Group（阿里巴巴集团）
近年来，深度学习模型在工业推荐系统中得到了广泛的应用，并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功，但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力，我们探索神经结构搜索（NAS）的潜力，并介绍AMEIR的自动行为建模，交互探索和多层感知器（MLP）调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段，并引入了一个新的搜索空间，其中包含三个定制的子空间，覆盖了现有的大多数方法，从而可以搜索到更好的模型。为了高效地找到理想的体系结构，AMEIR在三个阶段逐步实现推荐中的一次随机搜索，并将搜索结果汇总为最终结果。进一步的分析表明，AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型，这证明了我们设计的通用性。在各种场景下的大量实验表明，AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法，具有较低的模型复杂度和可比的时间成本，表明所提出的方法的有效性，效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统，可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同，集合推荐系统输出项目的集合，使得集合中的项目与用户相关，并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中，在现实世界的音乐推荐环境中测试这些想法。我们发现，当推荐收藏品时，消费量增加了2.3倍。此外，它导致房地产的有效利用，并导致推荐更多和更多样化的项目集。据我们所知，这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
Requirements Engineering for General Recommender Systems
在推荐系统的需求工程中，软件工程师必须确定驱动推荐的数据。这是一项劳动密集型任务，容易出错且成本高昂。一个可能的解决方案是采用基于通用推荐框架的自动推荐系统开发方法。创建这样一个框架的一个步骤是确定推荐系统中使用的数据类型。在本文中，一个系统的审查已经进行了识别类型的用户和推荐数据项所需的一般推荐系统。提出了一个用户和项目模型，并解释了算法特定参数的一些考虑。另一个目标是研究大数据和物联网领域对推荐系统发展的影响。
2016-02-24 cs.IR cs.SE
Dataset-Agnostic Recommender Systems
Huawei Ireland Research Centre（华为爱尔兰研究中心）
提出数据集无关推荐系统（DAReS），利用数据集描述语言（DsDL）实现无需微调的跨数据集自适应，减少人工干预，提升可重用性与可复现性。
2025-04-23 cs.IR cs.LG
Detecting Beneficial Feature Interactions for Recommender Systems
University of Melbourne（墨尔本大学）；Tsinghua University（清华大学）；Hebei University of Technology（河北工业大学）
特征交互是实现推荐系统高准确性的关键。许多研究考虑到每对特征之间的相互作用。然而，这是次优的，因为一些特征交互可能与推荐结果不相关，并且考虑它们可能会引入噪声并降低推荐准确性。为了充分利用特征交互，我们提出了一种图神经网络方法来有效地对它们进行建模，并提出了一种新的技术来自动检测那些在推荐准确性方面有益的特征交互。通过L0激活正则化的边缘预测实现自动特征交互检测。通过信息瓶颈原理和统计交互作用理论证明了该模型的有效性。实验结果表明，我们的模型（i）在准确性方面优于现有的基线，（ii）自动识别有益的特征交互。
2021-05-18 cs.IR cs.LG stat.ML
On the effectiveness of convolutional autoencoders on image-based personalized recommender systems
Universidade da Coruña（科鲁尼亚大学）；Universidad de Oviedo（奥维耶多大学）；CESGA（CESGA（无常见中文名，按原文））；NVIDIA Corporation（英伟达公司（NVIDIA Corporation））
推荐系统（RS）越来越多地出现在我们的日常生活中，特别是大数据的出现，它允许存储有关用户偏好的各种信息。个性化RS已成功应用于Netflix、Amazon或YouTube等平台。然而，它们在TripAdvisor等美食平台上却不见了，在那里我们可以找到数百万张标有用户口味的图片。本文探讨了使用这些图像作为建模用户口味的信息源的潜力，并提出了一个基于图像的分类系统，以获得个性化的建议，使用卷积自动编码器作为特征提取器。所提出的架构将应用于TripAdvisor数据，使用用户的评论，可以定义为由用户，餐厅和用户拍摄的图像组成的三元组。由于数据集是高度不平衡的，在实验中还考虑了对少数类使用数据增强。来自三个不同规模城市（圣地亚哥德孔波斯特拉，巴塞罗那和纽约）的数据结果证明了使用卷积自动编码器作为特征提取器的有效性，而不是使用卷积神经网络计算的标准深度特征。
2020-03-13 cs.CV cs.IR cs.LG
A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems
提出LCDR框架，利用可辨识变分自编码器作为因果约束对齐潜在表示，以缓解推荐系统中的混杂偏差，并在三个真实数据集上优于现有方法。
2025-05-22 cs.IR
Partially Observable Markov Decision Process for Recommender Systems
Hong Kong University of Science and Technology（香港科技大学）
我们报告的“经常性恶化”（RD）现象观察到在线推荐系统。当推荐模型总是基于用户对先前推荐的反馈进行训练时，RD现象表现为性能下降的趋势。有几个原因的推荐系统遇到RD现象，包括缺乏负训练数据和用户的兴趣的演变，等等。出于解决问题，导致RD现象，我们提出了POMDP-Rec框架，这是一个神经优化的部分可观察马尔可夫决策过程算法的推荐系统。我们证明了POMDP-Rec框架有效地使用了来自真实世界推荐系统的累积历史数据，并自动实现了与那些通过公共数据集上的域导出进行彻底微调的模型相当的结果。
2016-09-01 cs.AI cs.IR
Monosemanticity in Recommender Systems
School of Industrial & Intelligent Systems Engineering, Tel Aviv University（特拉维夫大学工业与智能系统工程学院）
研究矩阵分解嵌入的层次稀疏表示，用Matryoshka稀疏自编码器提取可解释特征，通过元数据对齐和LLM标注验证语义一致性，并干预性别相关神经元。
2026-07-03 cs.IR
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith；NBC Universal Peacock（NBC环球孔雀）
本文提出增强型 EASE 推荐模型，通过融合用户与物品辅助特征获得闭式解，在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
Modurec: Recommender Systems with Feature and Time Modulation
EPFL（洛桑联邦理工学院）
目前推荐系统的算法主要是基于协同过滤，它利用用户评分来发现数据中的潜在因素。不幸的是，这些算法没有有效地利用其他功能，这些功能可以帮助解决协同过滤的两个很好的识别问题：冷启动（没有足够的数据可用于新用户或产品）和概念转移（评级的分布随时间变化）。为了解决这些问题，我们提出了Modurec：一种基于自动编码器的方法，它使用特征调制机制结合了所有可用的信息，该机制已在多个领域证明了其有效性。虽然时间信息有助于减轻概念转移的影响，但当数据很少时，用户和项目特征的组合可以提高预测性能。我们在Movielens数据集上显示，与标准的基于自动编码器的方法和其他协同过滤方法相比，这些修改在大多数评估设置中产生了最先进的结果。
2020-10-13 cs.IR cs.LG
Think before Recommendation: Autonomous Reasoning-enhanced Recommender
Taobao & Tmall Group of Alibaba, China（阿里巴巴集团淘宝与天猫事业部）；National University of Singapore（新加坡国立大学）；Institute of Dataspace, Hefei Comprehensive National Science Center（合肥综合国家科学中心数据空间研究院）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
本文提出RecZero，一种基于纯强化学习的推荐范式，通过“思考前推荐”提示和GRPO奖励建模训练单个LLM自主推理评分预测，显著优于现有基线方法。
2025-10-27 cs.AI cs.IR
Providing Previously Unseen Users Fair Recommendations Using Variational Autoencoders
Norwegian University of Science and Technology（挪威科技大学）
针对推荐系统因用户建模而违反公平性且无法服务新用户的问题，提出限制变分自编码器中人口信息编码的方法，实现为未见用户提供公平推荐。
2023-08-29 cs.AI cs.IR cs.LG
Solutions to preference manipulation in recommender systems require knowledge of meta-preferences
University College London（伦敦大学学院）
用于推荐系统的迭代机器学习算法经常通过尝试学习来改变人们的偏好。此外，推荐器可以通过使其用户更可预测来更好地预测用户将做什么。用户的某些偏好变化是自我诱导的，并且是期望的，无论推荐者是否引起它们。本文提出，在推荐系统中的偏好操纵的解决方案必须考虑到某些元偏好（偏好超过另一个偏好），以尊重用户的自主性，而不是操纵。
2022-09-14 cs.AI cs.CY cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep（FD媒体集团）；Talpa Network（Talpa网络）；Randstad Groep Nederland（任仕达荷兰集团）
随着算法个性化在新闻领域的应用，新闻机构越来越信任具有先前考虑的编辑责任的自动化系统，例如，优先向读者提供新闻。在本文中，我们研究了自动新闻推荐系统的背景下，新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究，历时一个半月，涉及1,200多名用户。在我们的第一项研究中，我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为，如偶然性，活力，多样性和覆盖范围。接下来，我们提出了一个干预研究，我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现，（i）我们的推荐系统产生更多样化的阅读行为，并产生更高的覆盖率的文章相比，非个性化的编辑排名，（ii）我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法，有效地引导我们的读者更动态的文章，而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
Accelerating Recommender Model Training by Dynamically Skipping Stale Embeddings
The University of British Columbia（不列颠哥伦比亚大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出 Slipstream 框架，通过运行时动态识别并跳过已饱和的陈旧 embedding 更新，减少 CPU-GPU 带宽与内存开销，在真实数据集上相较多个基线最高实现 2.4 倍训练加速。
2024-03-22 cs.IR cs.LG
A Survey on Reinforcement Learning for Recommender Systems
本文针对基于强化学习的推荐系统领域，梳理四类典型场景下的强化学习方法，分析现存挑战与解决方案，并提出未来潜在研究方向，为相关研究者与从业者提供参考。
2023-06-11 cs.IR
LensKit-Auto
University of Siegen（锡根大学）
本文改进了LensKit-Auto框架，使其能自动寻找适合数据集的推荐算法和超参数组合，增强了易用性和可视化功能，并适配了最新版本的LensKit框架。
2026-06-18 cs.IR
Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization
Rakuten Institute of Technology, Rakuten, Inc.（乐天株式会社乐天技术研究院）
基于自动编码器的混合推荐系统最近变得流行，因为它们能够通过重构各种信息源来学习用户和项目表示，包括用户对项目的反馈（例如，评级）以及用户和项目的辅助信息（例如，用户的职业和项目的标题）。然而，现有的系统仍然使用通过矩阵分解（MF）学习的表示来预测评级，同时使用通过神经网络学习的表示作为正则化器。在本文中，我们定义了神经表示预测（NRP）框架，并将其应用于自动编码器为基础的推荐系统。我们从理论上分析了我们的目标函数与以前的MF和基于自动编码器的方法的关系，并解释了使用神经表示作为正则化器意味着什么。我们还将NRP框架应用到一个直接的神经网络结构中，该结构可以在不重建用户和项目信息的情况下预测评级。我们在两个MovieLens数据集和两个真实世界的电子商务数据集上进行了广泛的实验。结果证实，神经表示比正则化更适合预测，并显示NRP框架与直接神经网络结构相结合，在预测任务中优于最先进的方法，具有更少的训练时间和记忆。
2020-10-12 cs.IR cs.LG
Latent User Intent Modeling for Sequential Recommenders
Google, Inc.（谷歌公司）
顺序推荐模型是现代工业推荐系统的重要组成部分。这些模型学习基于用户在平台上的交互历史来预测用户可能与之交互的下一个项目。然而，大多数顺序浏览器缺乏对用户意图的更高层次的理解，这通常会驱动用户的在线行为。因此，意图建模对于理解用户和优化长期用户体验至关重要。我们提出了一种概率建模方法，并制定用户的意图作为潜在变量，这是推断的基础上，使用变分自编码器（VAE）的用户行为信号。然后，在给定推断出的用户意图的情况下，相应地调整推荐策略。我们通过离线分析以及在大型工业推荐平台上的现场实验证明了潜在用户意图建模的有效性。
2023-03-27 cs.IR cs.LG
AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems
Renmin University of China（中国人民大学）；UC San Diego（加州大学圣地亚哥分校）；Tencent（腾讯）
提出AgentCF，将用户与物品均建模为自主语言代理，通过协同学习优化交互模拟，实现个性化行为建模，推动推荐系统用户行为模拟发展。
2023-10-13 cs.CL cs.IR
Memory-efficient Embedding for Recommendations
实际的大规模推荐系统通常包含来自用户、项目、上下文信息及其交互的数千个特征字段。他们中的大多数经验分配一个统一的维度，所有的特征字段，这是内存效率低下。因此，它是非常希望分配不同的嵌入维度不同的特征字段根据其重要性和可预测性。由于大量的特征字段和嵌入维数与特征分布和神经网络架构之间的微妙关系，在实际推荐系统中手动分配嵌入维数可能非常困难。为此，我们提出了一个AutoML为基础的框架（AutoDim）在本文中，它可以自动选择尺寸为不同的特征字段中的数据驱动的方式。具体来说，我们首先提出了一个端到端的可微框架，可以计算的权重在各种维度的特征字段在软和连续的方式与AutoML为基础的优化算法;然后，我们推导出一个硬和离散嵌入组件架构根据最大的权重和重新训练整个推荐框架。我们在基准数据集上进行了大量的实验，以验证AutoDim框架的有效性。
2020-10-21 cs.IR
Recommender systems in industrial contexts
本论文由四个部分组成：-在工业背景下推荐系统的核心功能和先决条件的分析：我们确定了四个核心功能的推荐系统：帮助做决定，帮助比较，帮助探索，帮助发现。这些功能的实现对算法推荐系统的核心选择有影响。- 介绍了自动推荐系统中的主要技术：两种最常用的算法：K-近邻方法（KNN）和快速因子分解方法。现有技术还提出了纯粹基于内容的方法，杂交技术，和经典的性能指标，用于评估推荐系统。这种最先进的技术然后给出了几个系统的概述，无论是从学术界和工业界（亚马逊，谷歌.）。- 分析了在本论文中开发的推荐系统的性能和意义：该系统Reperio是一个使用KNN方法的混合推荐引擎。我们研究了KNN方法的性能，包括所使用的相似性函数的影响。然后，我们研究了KNN方法在冷启动情况下的关键用例中的性能。- 一种分析工业环境中推荐系统性能的方法：该方法根据其核心功能评估算法策略和推荐系统的附加值。
2012-05-14 cs.IR
SARDINE: A Simulator for Automated Recommendation in Dynamic and Interactive Environments
本文提出灵活可解释的推荐模拟器 SARDINE，通过建模推荐对用户及有偏数据对系统迭代等动态交互机制，支持在九个环境中评估交互式与数据驱动推荐方法。
2024-04-08 cs.IR
Civic Ground Truth in News Recommenders: A Method for Public Value Scoring
RMIT University（皇家墨尔本理工大学）
本文提出一种通过全国性调查和自动化元数据增强生成价值标签的方法，将公民价值嵌入新闻推荐系统，以实现公共价值评分。
2025-10-26 cs.IR
Mitigating Dual Latent Confounding Biases in Recommender Systems
针对推荐系统中双重潜在混杂因素导致的偏差问题，提出IViDR方法，联合工具变量和可识别变分自编码器进行去偏表示学习，有效重构物品嵌入并推断潜在混杂因素，在合成与真实数据集上显著优于现有模型。
2024-10-16 cs.IR
From PARIS to LE-PARIS: Toward Patent Response Automation with Recommender Systems and Collaborative Large Language Models
JCIPRNET；National Taiwan University（台湾大学）
本研究针对专利审查意见答复自动化研究空白，提出PARIS及LLM增强的LE-PARIS系统，融合主题数据库、模板、推荐系统与LLM生成功能，经多范式验证可有效提升专利律师工作绩效。
2024-03-05 cs.CL cs.HC cs.IR
Deep Variational Models for Collaborative Filtering-based Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
深度学习提供了精确的协同过滤模型来改善推荐系统的结果。深度矩阵分解及其相关的协作神经网络是该领域的最新技术;然而，这两种模型都缺乏必要的随机性来创建变分自编码器所展示的鲁棒、连续和结构化的潜在空间。另一方面，由于推荐系统的高稀疏性，通过变分自编码器的数据增强在协同过滤领域中不提供准确的结果。我们提出的模型应用变分的概念，注入随机性的深层架构的潜在空间，引入变分技术在神经协同过滤领域。该方法不依赖于用于生成潜在表示的特定模型。通过这种方式，这种方法可以作为插件应用于任何当前和未来的特定模型。所提出的模型已经使用四个代表性的开放数据集，三种不同的质量指标和最先进的基线进行了测试。结果表明，所提出的方法的优越性的情况下，变分富集超过注入噪声的影响。此外，提供了一个框架，使进行的实验的再现性。
2021-07-27 cs.IR cs.LG cs.NE
Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations
针对社交媒体推荐系统影响评估因算法不透明等面临的挑战，提出基于图神经网络（GNNs）的自动推荐系统识别方法，通过训练推荐系统中性用户模型生成合成数据集并对比模型，实现隐藏推荐系统的准确检测，助力减少极化与错误信息。
2025-04-15 cs.IR cs.SI
Route What Remains: A Meta-Modal Agent for Missing-Modality Candidate Reranking in Recommender Systems
GridAIX Pty Ltd（GridAIX有限公司）；Singapore University of Technology and Design（新加坡科技设计大学）
提出元模态智能体（MMA），将缺失模态问题转化为序列证据路由任务，通过基于大语言模型的候选池重排序器，结合平衡缺失任务强化学习，在冷启动场景下显著提升推荐性能。
2026-10-02 cs.IR
CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems
University of Southern California（南加州大学）；University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）
最近，人们越来越意识到，当机器学习（ML）算法用于自动选择时，它们可能会不公平地对待/影响个人，并带来法律，道德或经济后果。推荐系统是这种ML系统的突出例子，它帮助用户做出高风险的判断。在以往的文献中，推荐系统的公平性研究的一个共同趋势是，大多数作品分别对待用户和项目的公平性问题，忽略了一个事实，即推荐系统在双边市场中运行。在这项工作中，我们提出了一个基于优化的重新排名的方法，无缝集成的公平性约束，从消费者和生产者双方在一个联合目标框架。我们通过在8个数据集上的大规模实验证明，我们提出的方法能够在不降低整体推荐质量的情况下提高消费者和生产者的公平性，从而证明算法在最大限度地减少数据偏差方面可能发挥的作用。
2022-04-17 cs.AI cs.IR
Evaluating the Robustness of Conversational Recommender Systems by Adversarial Examples
Center for Intelligent Information Retrieval（智能信息检索中心）；Manning College of Information and Computer Sciences（曼宁信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
会话式推荐系统（CRS）正在迅速改善，根据标准的推荐准确性指标。然而，必须确保这些系统在与用户（包括想要通过向系统馈送修改的输入数据来攻击系统的常规和恶意用户）交互时是鲁棒的。在本文中，我们提出了一个对抗性的评估计划，包括两个类别的四个场景，并自动生成对抗性的例子，以评估这些系统在面对不同的输入数据的鲁棒性。通过执行这些对抗性示例，我们可以比较不同会话推荐系统满足用户偏好的能力。我们通过两个数据集上的对抗性示例评估了三个CRS。我们的研究结果表明，这些系统都是强大的和可靠的对抗性的例子。
2023-03-09 cs.AI cs.IR
A cross-domain recommender system using deep coupled autoencoders
Patras University（帕特雷大学）
针对跨域推荐中的稀疏与冷启动问题，提出两种基于耦合自动编码器的深度学习方法，在保护用户隐私的同时实现物品潜在表示的非线性域间迁移，并在基准数据集上验证了优越性能。
2022-09-12 cs.IR cs.LG
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
Consistence beats causality in recommender systems
信息的爆炸性增长挑战了人们寻找符合自己兴趣的项目的能力。推荐系统提供了一个有效的解决方案，自动推可能相关的项目，根据用户过去的喜好。推荐算法通常体现了从已经收集到什么到应该推荐什么之间的因果关系。在这篇文章中，我们认为，在许多情况下，用户的兴趣是稳定的，因此以前和未来的偏好是高度一致的。因此，收集的时间顺序并不一定意味着因果关系。我们进一步提出了一个基于一致性的算法，优于国家的最先进的推荐算法在不同的真实数据集，包括\textit{Netflix}，\textit{MovieLens}，\textit{Amazon}和\textit{Rate Your Music}。
2015-01-15 cs.IR physics.data-an
RecSim NG: Toward Principled Uncertainty Modeling for Recommender Ecosystems
Google Research（谷歌研究院）
开发推荐系统，优化与用户的多轮交互，并对不同代理的交互进行建模（例如，用户、内容提供方、销售商）近年来引起了越来越多的关注。使用静态数据集开发和训练用于此类决策者的模型和算法可能特别困难，因为静态数据集通常无法提供在扩展范围内评估政策所需的反事实预测类型。为了解决这个问题，我们开发了RecSim NG，一个概率平台，用于模拟多代理推荐系统。RecSim NG是一个可扩展的，模块化的，可区分的模拟器，在Edward 2和TensorFlow中实现。它提供：一种功能强大的通用概率程序设计语言，用于代理行为规范;用于概率推理和潜变量模型学习的工具，由自动微分和跟踪支持;以及基于TensorFlow的运行时，用于在加速硬件上运行模拟。我们描述了RecSim NG，并说明了如何使用它来创建透明的，可配置的，端到端的推荐生态系统模型，辅以一小部分简单的用例，演示了RecSim NG如何帮助研究人员和从业人员轻松开发和训练推荐系统的新算法。
2021-03-14 cs.AI cs.IR cs.LG
GLocal-K: Global and Local Kernels for Recommender Systems
The University of Sydney（悉尼大学）；Yonsei University（延世大学）
推荐系统通常在高维稀疏用户项矩阵上操作。矩阵补全是一项非常具有挑战性的任务，它基于数百万其他用户每个人都看到了数千个项目的一个小子集来预测一个人的兴趣。我们提出了一个全球本地内核为基础的矩阵完成框架，名为GLocal-K，其目的是概括和表示一个高维稀疏的用户项矩阵进入低维空间的少量重要功能。我们的GLocal-K可以分为两个主要阶段。首先，我们用局部核化权重矩阵预训练自动编码器，它通过使用2d-RBF核将数据从一个空间转换到特征空间。然后，预先训练的自动编码器使用评级矩阵进行微调，评级矩阵由基于卷积的全局内核产生，该内核捕获每个项目的特征。我们应用我们的GLocal-K模型下的极端低资源设置，其中只包括一个用户项目的评级矩阵，没有边信息。我们的模型在ML-100 K、ML-1 M和豆瓣三个协同过滤基准上的性能优于最先进的基线。
2021-08-27 cs.AI cs.IR
A Correlative Denoising Autoencoder to Model Social Influence for Top-N Recommender System
Wuhan University（武汉大学）
近年来，有许多工作被提出来利用深度学习的技术来提高社交感知推荐性能。在大多数情况下，需要更大量的数据来训练鲁棒的深度学习模型，该模型包含大量参数来拟合训练数据。然而，用户评分和社交网络的数据都面临着严重的稀疏问题，这使得训练鲁棒的深度神经网络模型并不容易。针对这个问题，我们提出了一种新的相关去噪自动编码器（CoDAE）的方法，考虑到用户之间的相关性与多个角色，学习强大的表示稀疏输入的评级和社交网络的建议。我们开发的CoDAE模型，利用三个独立的自动编码器来学习用户的功能与角色的评价者，信任者和受托人，分别。特别地，考虑到具有信任者和受信者角色的用户向量的每个输入设备都对应于一个特定的用户，我们提出利用共享参数来学习对应于相同用户的单元的公共信息。此外，我们提出了一个相关的正则化项来学习用户特征之间的相关性，这些用户特征是通过CoDAE模型的三个子网络学习的。我们进一步进行了一系列的实验，以评估所提出的方法在两个公共数据集上的Top-N推荐任务。实验结果表明，该模型优于国家的最先进的算法的排名敏感的度量MAP和NDCG。
2019-12-05 cs.IR cs.LG cs.SI
