Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems
经典的面向准确性的推荐系统（RS）通常面临着冷启动问题和过滤气泡问题，当用户遭受熟悉的，重复的，甚至是可预测的推荐时，使他们变得无聊和不满意。为了解决上述问题，偶然性导向的RS被提出来推荐吸引人的和有价值的项目显着偏离用户的历史交互，从而满足他们通过引入未探索的，但相关的候选项目给他们。在本文中，我们设计了一个新的偶然性为导向的推荐系统（\textbf{G}生成\textbf{S} elf- \textbf{S} erendipity \textbf{R} commender \textbf{S} elf，\textbf{GS$^2$-RS}），产生用户的自我偶然性偏好，以提高推荐性能。具体地说，该模型提取用户的兴趣和满意度偏好，生成虚拟的，但conventionally邻居从自己的偏好，并实现他们的自我意外的偏好。然后，这些偏好被注入到评级矩阵作为RS模型的附加信息。请注意，GS $^2$ -RS不仅可以解决冷启动问题，还可以提供各种相关建议，以缓解过滤器气泡问题。在基准数据集上的大量实验表明，所提出的GS $^2$ -RS模型在偶然性度量方面可以显著优于现有的基线方法，并且具有稳定的精度性能。
2022-04-27 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
Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations
近年来，有一系列关于排名和推荐系统中公平性概念的研究，特别是关于如何评估推荐系统是否在相关项目组之间平等分配曝光（也称为提供者公平性）。虽然这项研究奠定了一个重要的基础，但它产生了不同的方法，这取决于相关项目是按用户/按查询进行比较还是跨用户进行聚合。尽管这两个概念都是既定的和直观的，但我们发现这两个概念可以导致相反的结论，这是辛普森悖论的一种形式。我们调和这些概念，并表明，紧张局势是由于项目相关的用户分布的差异，并打破了用户的建议的重要因素。基于这种新的理解，从业者可能会对这两个概念感兴趣，但由于相关性和用户满意度的部分可观察性，可能会面临每用户度量的挑战，这在现实世界中是典型的。我们描述了一种基于分布匹配的技术来估计它在这样的情况下。我们在模拟和真实世界的推荐数据上证明了这种方法的有效性和实用性。
2022-10-14 cs.AI 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
Personalized Reward Learning with Interaction-Grounded Learning (IGL)
Stony Brook University（石溪大学）；Microsoft Research NYC（微软研究院纽约分院）；Texas A&M University（德州农工大学）；University of Virginia（弗吉尼亚大学）
在一个提供无数内容的时代，推荐系统通过向用户提供个性化的内容建议来减轻信息过载。由于显式用户反馈的稀缺性，现代推荐系统通常针对所有用户的隐式反馈信号的相同固定组合进行优化。然而，这种方法忽视了越来越多的工作，强调（i）用户可以以不同的方式使用隐式信号，发出从满意到主动厌恶的任何信号，以及（ii）不同的用户以不同的方式传达偏好。我们建议应用最近的互动接地学习（IGL）范式，以解决不同的用户通信方式的学习表征的挑战。IGL不需要一个固定的、人为设计的奖励函数，而是能够为不同的用户学习个性化的奖励函数，然后直接优化潜在的用户满意度。我们证明了IGL的成功与使用模拟实验，以及与现实世界的生产痕迹。
2023-03-03 cs.AI cs.IR cs.LG
Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Calgary（卡尔加里大学）
本研究对伊朗约70个网站的大规模推荐系统进行离线与在线评估，比较基于内容、协同过滤、趋势及混合方法，并分析冷启动与流行度偏差。
2024-11-02 cs.AI cs.CL cs.IR
ChatGPT and Persuasive Technologies for the Management and Delivery of Personalized Recommendations in Hotel Hospitality
Upsell；University of the Aegean（爱琴海大学）
本文探讨了将ChatGPT与说服技术集成以自动化改进酒店推荐系统，通过案例研究验证其在提升用户参与度、满意度、转化率及酒店收入方面的潜力。
2023-07-26 cs.AI cs.CL cs.IR
Influential Recommender System
Hong Kong University of Science and Technology（香港科技大学）；Shanghai Jiao Tong University（上海交通大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
传统的推荐系统通常是被动的，因为它们试图使它们的推荐适应用户的历史兴趣。然而，对于诸如电子商务、广告投放和新闻门户之类的商业应用，非常期望能够扩展用户的兴趣，使得他们将接受他们最初不知道或不感兴趣的项目，以增加客户交互。在本文中，我们提出了有影响力的推荐系统（IRS），一个新的推荐模式，旨在积极主动地引导用户喜欢一个给定的目标项目，逐步推荐给用户一系列精心挑选的项目（称为影响路径）。我们提出了有影响力的推荐网络（IRN），这是一个基于转换器的顺序模型来编码项目的顺序依赖性。由于不同的人对外部影响的反应不同，我们引入了个性化印象面具（PIM）来模拟用户对外部影响的接受程度，从而为用户生成最有效的影响路径。为了评估IRN，我们设计了几个性能指标来衡量是否影响路径可以顺利扩大用户的兴趣，包括客观的项目，同时保持用户的满意度的建议。实验结果表明，IRN显著优于基准分类器，并展示了其影响用户兴趣的能力。
2022-11-23 cs.AI cs.IR cs.LG
Don't Waste It: Guiding Generative Recommenders with Structured Human Priors via Multi-Head Decoding
Meta AI
通过多头解码引导生成推荐系统，利用结构化人类先验提升推荐准确性与多样性
2026-01-26 cs.IR cs.LG
Reward Shaping for User Satisfaction in a REINFORCE Recommender
Google, Inc（谷歌公司）
我们如何设计基于强化学习（RL）的决策器，以鼓励将用户轨迹与潜在的用户满意度保持一致？三个研究问题是关键：（1）测量用户满意度，（2）打击满意度信号的稀疏性，（3）调整推荐代理的训练，以最大限度地提高满意度。对于测量，已经发现，明确地要求用户对他们对消费物品的体验进行评级的调查可以向参与/交互数据提供有价值的正交信息，充当潜在用户满意度的代理。对于稀疏性，即只能观察用户对一小部分用户-项目交互的满意度，插补模型可以用于预测用户消费的所有项目的满意度。对于学习满意的推荐策略，我们假设RL推荐代理中的奖励塑造对于驱动满意的用户体验是强大的。把所有的东西放在一起，我们建议联合学习一个策略网络和一个满意度归因网络：归因网络的作用是学习哪些行为是令用户满意的;而建立在REINFORCE之上的策略网络决定推荐哪些项目，并利用归因的满意度进行奖励。我们在一个工业化的大规模推荐平台上使用离线分析和现场实验来证明我们的方法满足用户体验的承诺。
2022-09-30 cs.AI cs.IR cs.LG
Two-stage Voice Application Recommender System for Unhandled Utterances in Intelligent Personal Assistant
AWS AI；Amazon Alexa AI（亚马逊 Alexa AI）
智能个人助理（IPA）支持语音应用程序，为人们的日常任务提供便利。然而，由于语音请求的复杂性和模糊性，标准自然语言理解（NLU）组件可能无法正确处理某些请求。在这种情况下，一个简单的回复，如“对不起，我不知道”伤害了用户的体验，并限制了IPA的功能。在本文中，我们提出了一个两阶段的shortlister-reranker推荐系统匹配第三方语音应用程序（技能）未经处理的话语。在这种方法中，提出了一个技能shortlister从技能目录中检索候选技能，通过计算技能和用户请求之间的词汇和语义相似度。我们还说明了如何通过使用从基于基线规则的系统收集的观察数据来构建新系统，以及暴露偏差如何在离线和人类度量之间产生差异。最后，我们提出了两种重新标记方法，可以处理不完整的地面真相，并减轻曝光偏差。我们证明了我们提出的系统的有效性，通过广泛的离线实验。此外，我们提出了在线A/B测试结果，显示了显着提高用户体验满意度。
2021-10-19 cs.CL cs.IR cs.LG
Investigating Health-Aware Smart-Nudging with Machine Learning to Help People Pursue Healthier Eating-Habits
University College Dublin（都柏林大学学院）；School of Computer Science（计算机学院）
食物选择和饮食习惯直接有助于我们的长期健康。这使得食品推荐系统成为解决全球肥胖和营养不良危机的潜在工具。在过去的十年里，人工智能和医学研究人员越来越多地投资于研究工具，这些工具可以指导和帮助人们在食物和饮食方面做出健康和深思熟虑的决定。在许多典型的推荐系统领域，智能轻推已经被证明可以有效地塑造用户的消费模式。近年来，知识性的推动和激励选择也开始在食品领域受到关注。为了开发智能推动以促进更健康的食物选择，我们将机器学习和RS技术与世界卫生组织、食品标准局和英国国家卫生服务局等公认的卫生组织的食品健康指南相结合。在本文中，我们讨论了我们的研究，有说服力的可视化，使用户意识到推荐食谱的健康。在这里，我们提出了三种新的推动技术，WHO-气泡滑块，FSA-ColorCoading和DRCI-MLCP，鼓励用户选择更健康的食谱。我们还提出了一个基于主题建模的份量推荐算法。为了评估我们提出的智能轻推，我们进行了一项在线用户研究，有96名参与者和92250个食谱。结果表明，在食物决策过程中，适当的健康线索使用户更有可能点击，浏览和选择健康的食谱，而不是不太健康的食谱。
2021-10-05 cs.AI cs.HC cs.IR
MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces
Deep Learning Brazil（深度学习巴西）；Federal University of Goiás, Brazil（巴西戈亚斯联邦大学）；iFood Research（iFood研究院）
推荐系统对于市场来说尤其具有挑战性，因为它们必须最大限度地提高用户满意度，同时保持生态系统的健康和公平。在这种情况下，我们观察到缺乏资源来设计，训练，并评估代理，通过在这些环境中进行交互来学习。为此，我们提出了MARS-Gym，这是一个开源框架，使研究人员和工程师能够快速构建和评估强化学习代理，以便在市场上进行推荐。MARS-Gym解决了整个开发流程：数据处理，模型设计和优化以及多方面评估。我们还提供了一组不同的基线代理的实现，并在Trivago市场数据集中对它们进行了度量驱动的分析，以说明如何使用推荐，政策外估计和公平性的可用度量进行整体评估。通过MARS-Gym，我们希望弥合学术研究和生产系统之间的差距，并促进新算法和应用程序的设计。
2020-09-30 cs.HC cs.IR cs.LG
Safe Collaborative Filtering
CyberAgent（赛博代理公司）
针对个性化推荐中低满意度用户流失风险，提出最小化用户损失尾部CVaR的安全协同过滤方法，通过扩展iALS实现可扩展算法，并在真实数据集上验证其优异尾部性能与计算效率。
2024-02-28 cs.IR cs.LG
RecEvolve: A Knowledge-Driven Autonomous Agent System for Recommender Systems
Google（谷歌公司）
该研究提出RecEvolve知识驱动型自主智能体系统，用于优化双塔推荐模型，实现NDCG提升约20%、用户满意度提升3.77%，同时发现评估协议漏洞及新挑战。
2026-09-03 cs.AI cs.IR cs.LG
Explainability in Music Recommender Systems
Deezer Research（Deezer研究院）；Johannes Kepler University（约翰内斯·开普勒大学）；Linz Institute of Technology（林茨理工学院）
如今，收听录制音乐的最常见方式是通过流媒体平台，该平台提供数千万首曲目的访问。为了帮助用户有效地浏览这些大型目录，音乐推荐系统（MRS）的集成已经变得至关重要。当前现实世界的MRS通常相当复杂，并且针对推荐准确性进行了优化。它们结合了基于协同过滤和基于内容的推荐的几个构建块。这种复杂性可能会阻碍向最终用户解释推荐的能力，这对于被认为是意外或不合适的推荐尤其重要。虽然纯粹的推荐性能通常与用户满意度相关，但可解释性对其他因素（如信任和宽恕）有积极影响，这些因素最终对保持用户忠诚度至关重要。在这篇文章中，我们将讨论如何在MRS的背景下解决可解释性问题。我们提供的观点如何解释性可以改善音乐推荐算法和增强用户体验。首先，我们回顾了音乐消费者的可解释性和可解释的人工智能（XAI）的共同维度和目标，并详细说明了这些适用于或需要适应音乐消费和推荐的具体特征的程度。然后，我们将展示如何解释组件可以集成在MRS和以何种形式可以提供解释。由于解释质量的评价是从纯粹的准确性为基础的评价标准解耦，我们还讨论了音乐推荐的解释评价的要求和策略。最后，我们描述了目前的挑战，在一个大规模的工业音乐推荐系统中引入可解释性，并提供研究前景。
2022-01-25 cs.LG
User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations
Rutgers University（罗格斯大学）；Meta Platforms, Inc.（Meta平台公司）；University of Rochester（罗切斯特大学）
本文提出一种结合反事实回顾与前瞻性解释的统一用户可控推荐框架，通过引入可控性复杂度与准确度属性，在MovieLens和Yelp数据集上验证了其有效性，并证明提供控制选项可提升未来推荐准确度。
2023-08-02 cs.IR cs.LG stat.ME
Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems
Spotify（声田公司）
研究多目标生成推荐系统，提出轻量级推理时解码层，通过随机原始对偶近似方案平衡相关性与辅助目标，经实验验证可在多目标权衡上持续改进，提升辅助目标且不影响用户满意度。
2026-07-23 cs.AI cs.LG
Req-Rec: Enhancing Requirements Elicitation for Increasing Stakeholder's Satisfaction Using a Collaborative Filtering Based Recommender System
针对需求工程中选取合适需求获取技术的难题，提出以协同过滤和 repertory grid 技术为核心的混合推荐系统Req-Rec，助力需求获取阶段工作，克服传统方法的时间、地域限制及偏差问题，提升利益相关者满意度。
2025-08-02 cs.IR
Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline
Twitter（推特）；Deepmind Technologies（深度思维科技公司）；University of Sarajevo（萨拉热窝大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；Politecnico di Bari（巴里理工大学）；Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学）；Clemson University（克莱姆森大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
推荐系统构成了当今大多数社交网络平台的核心引擎，旨在最大限度地提高用户满意度以及其他关键业务目标。Twitter也不例外。尽管Twitter数据已被广泛用于了解社会经济和政治现象以及用户行为，但用户通过在主页时间轴上的互动在Twitter上提供的隐性反馈仅在有限程度上得到了探索。与此同时，缺乏大规模的公共社交网络数据集，使科学界能够制定基准，并建立更强大和全面的模型，根据用户的兴趣定制内容。通过发布1.6亿条推文的原始数据集以及参与信息，Twitter旨在解决这一问题。在此版本中，特别注意保持遵守现有的隐私法。除了用户隐私之外，本文还涉及研究人员和专业人士在努力预测用户参与度时所面临的关键挑战。它进一步描述了由ACM RecSys与Twitter合作使用该数据集组织的RecSys 2020挑战赛的关键方面。
2020-10-07 cs.LG cs.SI 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
Causal Incremental Graph Convolution for Recommender System Retraining
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Innovation Lab of CETC（中国电子科技集团公司创新实验室）
现实世界的推荐系统需要定期重新训练，以保持新的数据。在这项工作中，我们考虑如何有效地重新训练基于图卷积网络（GCN）的推荐模型，这是最先进的技术，用于协同推荐。为了追求高效率，我们将目标设定为仅使用新数据进行模型更新，同时与完全模型再训练相比不牺牲推荐精度。这是不容易实现的，因为交互数据参与用于模型构造的图结构和用于模型学习的损失函数，而旧的图结构不允许用于模型更新。为此，我们提出了一种\textit{Causal Incremental Graph Convolution}方法，它由两个新的算子组成，分别命名为\textit{Incremental Graph Convolution}（IGC）和\textit{Colliding Effect Distillation}（CED），用于估计全图卷积的输出。特别是，我们设计了简单有效的模块IGC巧妙地结合了旧的表示和增量图，有效地融合了长期和短期的偏好信号。CED旨在避免增量图中不活动节点的过时问题，通过因果推理将新数据与不活动节点连接起来。特别是，CED估计的因果关系的影响，新的数据表示不活跃的节点，通过控制他们的碰撞。在三个真实世界数据集上进行的广泛实验表明，与现有的再训练机制相比，准确率有所提高，速度也有了显着提高。
2022-03-01 cs.AI cs.LG
Fair Recommendations with Limited Sensitive Attributes: A Distributionally Robust Optimization Approach
University of Science and Technology of China（中国科学技术大学）
针对敏感属性信息有限时推荐系统的公平性问题，提出分布鲁棒公平优化（DRFO）方法，通过最小化最坏情况不公平性来应对属性重建误差，并验证其有效性。
2024-05-27 cs.CY cs.IR cs.LG
Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
Pinterest（Pininterest）
本文提出了一种可扩展的框架，通过代理归因过程和事件聚合流水线，优化大规模推荐系统中的用户留存，提升活跃用户数量0.1%。
2025-11-22 cs.AI cs.IR cs.LG
Fairness in Recommendation: Foundations, Methods and Applications
Rutgers University（罗格斯大学）
该综述系统梳理了推荐系统中公平性研究的基础、定义分类、典型技术、数据集及未来挑战，旨在为新研究者提供全面参考并推动该领域发展。
2023-07-27 cs.AI cs.IR cs.LG
Modeling Embedding Dimension Correlations via Convolutional Neural Collaborative Filtering
University of Electronic Science and Technology of China（电子科技大学）；University of Science and Technology of China（中国科学技术大学）；Platform and Content Group (PCG) of Tencent（腾讯平台与内容事业群）；Nanjing University of Science and Technology（南京理工大学）；National University of Singapore（新加坡国立大学）
协同过滤（CF）是推荐系统的核心，它通过用户与商品的历史交互（如点击、购买等）来模拟用户与商品之间的关系，神经网络凭借其强大的表示能力，近年来为推荐研究带来了革命性的变化，为协同过滤建立了新的标准。然而，现有的神经推荐模型没有显式地考虑嵌入维度之间的相关性，使得它们在建模用户和项目之间的交互函数时效率较低。在这项工作中，我们强调在神经网络嵌入维数之间的相关性建模，以追求更高的CF的有效性。提出了一种新的通用神经协同过滤框架ConvNCF，该框架具有两种设计：1）在用户嵌入和项目嵌入中应用外积，以显式地建模嵌入维之间的成对相关性; 2）在外积之上使用卷积神经网络学习嵌入维之间的高阶相关性.为了证明我们的建议，我们通过使用不同的输入来代表用户并在两个真实世界的数据集上进行实验，提出了ConvNCF的三个实例。大量的结果验证了ConvNCF的嵌入维相关性建模的实用性，它优于几个竞争力的CF方法。
2019-06-26 cs.IR cs.LG
BPL: Bias-adaptive Preference Distillation Learning for Recommender System
Department of Computer Science and Engineering, Korea University（计算机科学与工程系，韩国大学）；Microsoft Research Asia（微软亚洲研究院）；Department of Aritifial Intelligence, Yonsei University（人工智能系，延世大学）；Department of Computer Science and Engineering, POSTECH（计算机科学与工程系，POSTECH）；William & Mary（威廉与玛丽学院）
针对推荐去偏方法难以兼顾事实与反事实测试的问题，本文提出BPL框架，利用有偏模型师生蒸馏和可靠性过滤自蒸馏逐步挖掘偏好，在两类测试中均提升性能。
2025-10-17 cs.AI cs.IR cs.LG
Multi-Task Fusion via Reinforcement Learning for Long-Term User Satisfaction in Recommender Systems
Tencent Inc.（腾讯公司）
推荐系统（RS）是一个重要的在线应用，每天影响着数十亿用户。主流的RS排名框架由两部分组成：多任务学习模型（MTL），预测各种用户反馈，即，点击、喜欢、分享，以及多任务融合模型（MTF），其将多任务输出组合成关于用户满意度的一个最终排名分数。融合模型作为排名的最后一个关键环节，对最终推荐结果有着重要的影响，但目前对融合模型的研究还不多。为了优化长期的用户满意度，而不是获得即时回报greenly，我们制定MTF任务的马尔可夫决策过程（MDP）在一个推荐会话，并提出了一个批处理强化学习（RL）的多任务融合框架（BatchRL-MTF），其中包括一个批处理RL框架和在线探索。前者利用Batch RL离线从固定的批量数据中学习最优推荐策略，以获得长期的用户满意度，而后者则在线探索潜在的高价值行动，以突破局部最优困境。在对用户行为进行全面调查的基础上，从用户粘性和用户活跃度两个方面对用户满意度进行精细化建模。最后，我们进行了广泛的实验上的十亿样本水平的真实世界的数据集，以显示我们的模型的有效性。我们提出了一个保守的离线策略估计（保守OPEstimulus）离线测试我们的模型。此外，我们在一个真实的推荐环境中进行了在线实验，以比较不同模型的性能。作为少数成功应用于MTF任务的Batch RL研究之一，我们的模型也已部署在大型工业短视频平台上，服务于数亿用户。
2022-08-10 cs.AI cs.IR
PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
推荐系统的目标是向用户提供最符合其兴趣的有序项目列表。作为推荐流程中的一项关键任务，重新排序近年来受到越来越多的关注。与单独对每个项目进行评分的传统排名模型相比，重新排名旨在明确地对项目之间的相互影响进行建模，以进一步细化给定初始排名列表的项目的排序。在本文中，我们提出了一个个性化的重新排序模型（称为PEAR）的基础上，上下文化的Transformer。PEAR对现有方法进行了几项重大改进。具体来说，PEAR不仅捕获功能级和项目级的交互，而且还从初始排名列表和历史点击项目列表中对项目上下文进行建模。除了项目级别的排名分数预测，我们还通过列表级别的分类任务来增强PEAR的训练，以评估用户对整个排名列表的满意度。在公共数据集和生产数据集上的实验结果表明，与以前的重新排序模型相比，PEAR具有更好的有效性。
2022-03-23 cs.IR cs.LG
LLMs as Orchestrators: Constraint-Compliant Multi-Agent Optimization for Recommendation Systems
Workday
本文提出DualAgent-Rec框架，利用LLM协调多智能体优化，实现推荐系统中100%的约束满足和提升帕累托超体积。
2026-02-03 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
FEBR: Expert-Based Recommendation Framework for beneficial and personalized content
Mohammed VI Polytechnic University（穆罕默德六世理工大学）
到目前为止，大多数关于推荐系统的研究都集中在通过推广相关和个性化的内容来保持长期的用户参与度和满意度。然而，评估这些内容的质量和可靠性仍然非常具有挑战性。在本文中，我们提出了FEBR（基于专家的推荐框架），这是一个学徒学习框架，用于评估在线平台上推荐内容的质量。该框架利用专家（假设是可靠的）在推荐评估环境中的演示轨迹，以恢复一个未知的效用函数。该函数用于学习描述专家行为的最优策略，然后在框架中使用该策略来提供高质量和个性化的推荐。我们通过用户兴趣模拟环境（使用RecSim）来评估我们的解决方案的性能。我们模拟了上述专家策略下的视频推荐交互，并将其效率与标准推荐方法进行了比较。结果表明，我们的方法在内容质量方面提供了显着的收益，由专家评估和用户观看，同时保持几乎相同的观看时间作为基线方法。
2021-11-04 cs.AI cs.IR cs.LG
User Preferences for Large Language Model versus Template-Based Explanations of Movie Recommendations: A Pilot Study
UNamur（那慕尔大学）；ULB-UMONS（布鲁塞尔自由大学-蒙斯大学）；UCLouvain（鲁汶大学）；UMONS（蒙斯大学）；Multitel-UNamur（Multitel-那慕尔大学）；Multitel
本文通过25人试点研究比较电影推荐中模板解释、LLM改写解释和纯LLM解释，发现LLM解释虽方差较高，但可能更丰富、更吸引用户并符合其期望。
2024-09-10 cs.HC cs.IR cs.LG
CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System
本文提出融合因果推断与离线强化学习的交互式推荐系统 CIRS，通过因果用户模型刻画过度曝光效应并优化长期满意度，同时构建 KuaiEnv 验证其能有效打破过滤气泡。
2023-04-22 cs.IR
Dynamic Adaptation of User Preferences and Results in a Destination Recommender System
研究人的因素是近年来推荐系统研究的热点。用户体验在旅游推荐系统中起着至关重要的作用，因为用户满意度是保证这种推荐系统成功的主要因素。在这项工作中，我们设计并实现了一个目的地推荐系统，其中的建议，立即适应用户的喜好。这些建议可以在世界地图上探索，并提供更多信息。该接口解决了推荐系统中常见的可视化挑战，例如透明度，合理性，可控性，可探索性，冷启动问题和上下文感知。我们已经进行了用户研究，从用户的角度来评估这个推荐系统的不同方面。
2023-02-20 cs.HC cs.IR
Explicit User Manipulation in Reinforcement Learning Based Recommender Systems
IU University of Applied Sciences（IU应用科学大学）
推荐系统在现代世界中非常普遍，因为它们对用户和使用它们的平台和服务都有价值。一般来说，它们可以改善用户体验并有助于提高满意度，但它们并非没有风险。其中一个风险是它们对用户的影响以及它们在塑造用户偏好方面发挥积极作用的能力。这种风险对于基于强化学习的推荐系统更为显著。例如，这些能够学习今天向用户显示的推荐内容如何可能篡改该用户对将来推荐的其他内容的偏好。因此，基于强化学习的推荐系统可以隐式地学习影响用户，如果这意味着最大化点击、参与或消费。特别是在社交新闻和媒体平台上，这种行为令人震惊。社交媒体无疑在公众舆论中发挥着作用，并已被证明是加剧政治两极分化的一个促成因素。因此，这种平台上的推荐系统有很大的潜力以不受欢迎的方式影响用户。然而，也有可能故意使用这种操纵形式。随着政治观点动态建模和更大的用户数据集的进步，明确的用户操纵，其中用户的信念和意见是针对某一目的出现作为一个显着的关注在强化学习为基础的推荐系统。
2022-03-20 cs.IR cs.LG
Counterfactual Explanations for Neural Recommenders
MPI for Informatics（马克斯·普朗克信息学研究所）
了解为什么向用户推荐特定的项目可以显着增加他们对系统的信任和满意度。虽然近年来神经网络已经成为最先进的技术，但深度模型的复杂性仍然使得为最终用户生成有形的解释成为一个具有挑战性的问题。现有的方法通常是基于对各种功能的注意力分布，这仍然是值得怀疑的关于其作为解释的适用性，而笨拙的最终用户掌握。基于用户自己的一小部分行为的反事实解释已经被证明是有形性问题的可接受的解决方案。然而，目前对这种反事实的研究还不能很容易地应用于神经模型。在这项工作中，我们提出了ACCENT，第一个通用框架，寻找反事实的解释，神经神经元。它扩展了最近提出的影响函数，用于识别与推荐最相关的训练点，从单个项目到一对项目，同时在迭代过程中推导出反事实集。我们使用ACCENT为两个流行的神经模型（神经协同过滤（NCF）和关系协同过滤（RCF））生成反事实解释，并在流行的MovieLens 100K数据集的样本上证明其可行性。
2021-05-11 cs.IR cs.LG
UnifiedRL: A Reinforcement Learning Algorithm Tailored for Multi-Task Fusion in Large-Scale Recommender Systems
Tencent Inc.（腾讯公司）
针对大规模推荐系统多任务融合中离线强化学习约束过严、探索低效等问题，提出UnifiedRL算法，集成自定义探索策略，显著提升性能，用户有效消费和时长分别增加4.64%和1.74%。
2025-09-24 cs.IR cs.LG
Limitations of Current Evaluation Practices for Conversational Recommender Systems and the Potential of User Simulation
本文指出现有对话式推荐系统评估依赖静态数据和指标不足的问题，提出用户模拟生成动态数据及基于奖励/成本的新指标，初步验证其与真实满意度更相关。
2025-10-07 cs.IR
xMTF: A Formula-Free Model for Reinforcement-Learning-Based Multi-Task Fusion in Recommender Systems
本文提出无公式的多任务融合框架xMTF，利用可学习单调融合单元替代预定义公式，扩大强化学习搜索空间，并结合两阶段混合学习策略，在离线和在线实验中均优于现有方法。
2025-04-08 cs.IR
Long-run User Value Optimization in Recommender Systems through Content Creation Modeling
内容推荐系统通常擅长于最大化即时用户满意度，但为了优化\textit{long-run}用户价值，我们需要比现成的简单推荐算法更复杂的统计解决方案。在本文中，我们提出了这样一个解决方案，以优化\textit{long-run}的用户价值，通过折扣效用最大化和机器学习方法，我们已经开发了估计它。我们的方法估计哪些内容生产商是最有可能创造最高的长期用户价值，如果他们的内容是显示更多的用户谁喜欢它在目前。我们在A/B测试和异质效应机器学习模型的帮助下进行了估计。我们已经在Facebook的Feed排名系统中使用了这样的模型，并且这样的模型可以用于其他推荐系统。
2022-04-25 cs.IR cs.SI
Designing and Evaluating an Educational Recommender System with Different Levels of User Control
本研究设计并评估了一个具有不同用户控制水平的教育推荐系统，通过在线用户研究（N=30）发现用户控制能提升用户感知益处，并与透明度强相关、与信任和满意度中等相关。
2025-01-22 cs.CY cs.HC cs.IR
Consensus vs. Dissent: Dynamic LLM Modeling of Subjective Preferences in Group Recommenders
Maastricht University（马斯特里赫特大学）
研究群体推荐系统中LLMs能否模拟对群体内偏好分布的敏感性并选理想聚合策略。通过微调LLMs、开发模拟模型生成推荐候选并动态选择，经用户研究验证，该方法在满意度和共识方面表现优，凸显LLMs用于适应性调整的优势。
2026-07-14 cs.CL cs.IR
Towards Empathetic Conversational Recommender Systems
Shandong University（山东大学）；Tencent（腾讯）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）
针对现有对话推荐系统忽略用户情绪、与用户需求错位的问题，提出包含情绪感知推荐和情绪对齐回复生成的ECR框架，通过扩充共情数据、设计新指标，在ReDial数据集上验证了其提升推荐准确率和用户满意度的效果。
2024-08-30 cs.AI cs.IR
Investigating the Effects of Different Levels of User Control in an Interactive Educational Recommender System
Social Computing Group, Faculty of Computer Science, University of Duisburg-Essen（杜伊斯堡- Essen大学计算机科学学院社会计算组）
本文研究了交互式教育推荐系统中不同用户控制层级对透明度、信任度、满意度和感知质量的影响，发现用户控制显著提升这些指标，但效果因控制层级而异。
2026-05-02 cs.AI cs.CY cs.HC
On the Reliability of User-Centric Evaluation of Conversational Recommender Systems
University of Innsbruck（因斯布鲁克大学）
本文研究了对话推荐系统用户导向评估的可靠性，发现部分维度在聚合下具有中等可靠性，而社会构念如人性和融洽度则不可靠，揭示了第三方判断中的晕轮效应。
2026-02-19 cs.IR
The 1st Workshop on Human-Centered Recommender Systems
该研讨会聚焦以人为中心的推荐系统，旨在围绕鲁棒性、隐私、公平性、透明度和伦理等问题，探索更用户友好且负责任的推荐系统设计与评估方法。
2024-11-22 cs.IR
Should We Tailor the Talk? Understanding the Impact of Conversational Styles on Preference Elicitation in Conversational Recommender Systems
本研究针对对话推荐系统（CRSs）偏好获取过程中对话风格的影响空白，通过对照实验对比高参与度、高体贴度及灵活切换三种风格，发现依用户专业知识调整风格可提升满意度与推荐有效性，为CRSs设计提供参考。
2025-04-17 cs.HC 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
Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems
Université de Technologie de Compiègne（贡比涅技术大学）；Vivocaz（Vivocaz公司）
本文提出一种结合基于嵌入和基于语义模型的方法，利用基于本体的知识图谱在推荐系统中生成事后解释，以提升可解释性、增强用户信任并促进电子商务应用。
2024-01-09 cs.AI cs.IR
Popularity Bias in Recommendation: A Multi-stakeholder Perspective
传统上，特别是在推荐系统的学术研究中，重点一直仅仅是对最终用户的满意度。虽然用户满意度确实与企业的成功有关，但它不是唯一的因素。在许多建议领域中，还有其他利益相关者的需求应该在建议生成和评估中得到考虑。在这篇论文中，我描述了多利益相关者推荐的概念。特别是，我研究推荐研究中最重要的挑战之一，流行的偏见，从多利益相关者的角度来看，因为，正如我在本论文后面所展示的，它会影响不同的利益相关者在推荐系统。流行度偏差是推荐系统中的一个众所周知的现象，在推荐系统中，流行的项目被推荐的频率甚至比它们的流行度所保证的更高，放大了许多推荐领域中已经存在的长尾效应。先前的研究已经研究了各种方法来减轻流行偏见和增强整体长尾项目的推荐。然而，尚未在多利益攸关方环境中评估这些方法的有效性。在这篇论文中，我从多利益相关者的角度研究了推荐系统中流行度偏差的影响。此外，我提出了几个算法，每个接近流行的偏见缓解从不同的角度和比较他们的表现，使用几个指标与其他一些国家的最先进的方法在文献中。我表明，通常情况下，在文献中流行的偏见缓解的标准评估措施并不反映算法的性能时，它是从多利益相关者的角度进行评估的真实情况。
2020-08-19 cs.IR
Understand your Users, An Ensemble Learning Framework for Natural Noise Filtering in Recommender Systems
本文提出一个三层模块化集成学习框架，结合自然噪声算法、集成评估与签名识别来过滤推荐系统中的噪声评分，以提升训练数据质量和推荐准确性。
2025-09-23 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
Scalable and Provably Fair Exposure Control for Large-Scale Recommender Systems
针对大规模推荐系统中曝光公平控制计算效率低的问题，本文提出基于iALS的曝光感知ADMM方法exADMM，通过解决公平正则化破坏子问题可分离性的挑战，实现可扩展且可证明收敛的公平曝光控制。
2024-02-22 cs.IR
