MATURE-HEALTH: HEALTH Recommender System for MAndatory FeaTURE choices
Iowa State University（爱荷华州立大学）
本文提出 MATURE Health 健康推荐系统，结合近期化验结果、日常饮食与 MATURE Food 算法，用 Random Forest 预测透析患者钠、钾和 BUN 失衡并推荐满足必需营养的食物。
2023-04-20 cs.AI cs.IR cs.LG
Breaking Information Cocoons: A Hyperbolic Framework for Balancing Exploration and Exploitation in Recommender Systems
University of California, Davis（加州大学戴维斯分校）；The Hong Kong University of Science（香港科学大学）；Snap Inc.（Snap公司）；Yale University（耶鲁大学）
提出双曲框架HERec，通过语义增强的层次机制和自动层次聚类，在推荐系统中平衡探索与利用，有效缓解信息茧房。
2026-05-29 cs.AI cs.CL cs.IR
Mutual Information Assisted Ensemble Recommender System for Identifying Critical Risk Factors in Healthcare Prognosis
Bethune College, University of Calcutta（加尔各答大学贝休恩学院）；Jadavpur University（jadavpur大学）；Mahindra University（马恒达大学）；Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布莱根妇女医院）；King Mongkut’s University of Technology Thonburi（泰国国王科技大学吞武里校区）
本文提出一种基于互信息和集成的特征推荐方法，用于识别疾病关键风险因素，在四个医疗数据集上相比现有方法取得更优推荐性能和更高分期准确率。
2024-07-01 cs.LG
Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）
食物选择是个人的和复杂的，对我们的长期健康和生活质量有重大影响。通过帮助用户做出明智和满意的决定，推荐系统（RS）有可能支持用户做出更健康的食物选择。智能用户建模是实现这一潜力的关键挑战。本文研究了基于Ensemble Topic Modeling（EnsTM）的特征识别技术，用于高效的用户建模和食谱推荐。它基于EnsTM的研究结果，提出了一种简化的数据表示格式和智能用户建模策略，使捕获用户偏好快速，高效和交互。这种方法支持个性化，即使在冷启动场景中也是如此。本文提出了两种不同的EnsTM为基础的和一个混合EnsTM为基础的嵌入式系统。我们通过一项有48名参与者的用户研究，使用230，876个食谱的大规模真实语料库，比较了所有三种基于EnsTM的变体，并与传统的基于内容（CB）的方法进行比较。基于EnsTM的神经网络的性能明显优于CB方法。除了承认多领域的内容，如口味，人口统计和成本，我们提出的方法还考虑到用户的营养偏好，并帮助他们找到不同的营养类别下的食谱。此外，它提供了出色的覆盖范围，并使用户的饮食习惯的隐式理解。随后的分析也揭示了某些特征与更健康的生活方式之间的相关性。
2019-07-31 cs.IR cs.LG
Clinical Recommender System: Predicting Medical Specialty Diagnostic Choices with Neural Network Ensembles
Stanford Center for Biomedical Informatics Research, Stanford University（斯坦福大学生物医学信息学研究中心）；Division of Endocrinology, Stanford University School of Medicine（斯坦福大学医学院内分泌科）；Division of Hospital Medicine, Stanford University（斯坦福大学医院医学部）
对关键医疗资源（如临床专业知识和设施）的需求不断增长，促使基于人工智能（AI）的决策支持系统的出现。我们解决的问题，预测专业转诊的临床检查。作为手动创建的临床检查表的替代方案，我们提出了一个数据驱动的模型，该模型根据从电子健康记录（EHR）中提取的患者最近的临床记录推荐必要的诊断程序。这有可能使卫生系统扩大及时获得初步医疗专业诊断检查的病人。所提出的方法是基于一个合奏的前馈神经网络，并实现了显着更高的准确性相比，传统的临床检查表。
2020-07-23 cs.IR cs.LG stat.ML
Recency Dropout for Recurrent Recommender Systems
Google, Inc.（谷歌公司）
递归推荐系统已经成功地捕捉到用户活动轨迹的时间动态。然而，众所周知，递归神经网络（RNN）很难学习长期依赖关系。因此，基于RNN的推荐系统往往过于关注短期用户兴趣。这被称为近因偏差，这可能会对长期用户体验以及生态系统的健康产生负面影响。在本文中，我们介绍了近因丢弃技术，一个简单而有效的数据增强技术，以减轻近因偏见的循环推荐系统。我们在各种实验环境中展示了近因丢弃的有效性，包括模拟研究，离线实验以及在大型工业推荐平台上的现场实验。
2022-01-26 cs.IR cs.LG
Blockchain-based Recommender Systems: Applications, Challenges and Future Opportunities
Qatar University（卡塔尔大学）；De Montfort University（德蒙福特大学）；University of Sharjah（沙迦大学）；Harokopio University of Athens（哈罗科皮奥大学）；San Jose State University（圣何塞州立大学）
推荐系统已经广泛应用于不同的应用领域，包括节能、电子商务、医疗保健、社交媒体等。这些应用需要分析和挖掘大量的各种类型的用户数据，包括人口统计、偏好、社交互动等，以便开发准确和精确的推荐系统。这些数据集通常包含敏感信息，但大多数推荐系统都专注于模型的准确性，而忽略了与安全和用户隐私相关的问题。尽管使用不同的风险降低技术来克服这些问题，但它们中没有一个在确保密码安全和保护用户的私人信息方面完全成功。为了弥合这一差距，区块链技术被认为是一种很有前途的策略，以促进推荐系统的安全性和隐私保护，不仅因为其安全性和隐私的显着特征，而且还由于其弹性，适应性，容错和信任特性。本文对基于区块链的推荐系统进行了全面的回顾，包括挑战，开放问题和解决方案。因此，引入了一个精心设计的分类法来描述安全和隐私挑战，概述现有框架，并在指出未来研究的机会之前讨论它们在使用区块链时的应用和好处。
2021-11-22 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
OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI
Ascension（阿森松机构）；Al Helal Specialized Hospital Ltd.（阿尔希拉勒专科医院）；Northern Illinois University（北伊利诺伊大学）
本文提出OBESEYE系统，利用多种机器学习算法预测个体所需营养量，并结合合并症与身体状况提供可解释的个性化饮食推荐以管理肥胖。
2023-08-05 cs.LG
A Hybrid Recommender System for Patient-Doctor Matchmaking in Primary Care
Universidade Nova de Lisboa, School of Business and Economics（新里斯本大学商学院与经济学院）；University of California, Davis（加利福尼亚大学戴维斯分校）；Wright State University（莱特州立大学）
我们与一家领先的欧洲医疗保健提供商合作，设计了一种机制，使患者与家庭医生在初级保健中相匹配。我们为几个不同的用例定义了匹配过程，给出了不同级别的患者可用信息。然后，我们采用了一个混合推荐系统，目前每个病人的家庭医生的建议列表。特别是，我们使用一个大规模的咨询历史数据集的家庭医生的病人信任模型，同时占他们的关系的时间动态。我们提出的方法显示出更高的预测精度比启发式基线和协同过滤方法，和建议的信任措施进一步提高模型的性能。
2019-03-18 cs.IR cs.LG stat.ML
Supplier Recommendation in Online Procurement
University College Cork（科克大学学院）
本文面向公路货运在线采购场景，提出一种结合客户需求与偏好的个性化供应商推荐系统，以帮助发现最具竞争力的投标供应商，并在真实数据上验证了良好前景。
2024-03-02 cs.IR cs.LG
LaboRecommender: A crazy-easy to use Python-based recommender system for laboratory tests
实验室检查在临床决策中起着重要作用，因为它们对于确认诊断怀疑和影响医疗决策至关重要。由于实验室技术的快速进步，我们这个时代的医生可以进行的不同实验室检查的数量一直在迅速扩大。为了在这种扩展的过多元素中找到正确的期望测试，健康信息系统必须提供强大的搜索引擎，并且从业者需要记住实验室测试的确切名称以正确地选择要订购的测试包。推荐系统是在学习用户的行为之后向用户推荐合适的项目的平台。基于邻居的协同过滤方法用于对推荐系统进行建模，其中使用最近邻居算法聚类的相似包用于为彼此相似的实验室测试包提供测试推荐。本文所开发的推荐系统在平均推荐准确率上达到了95.54%.开发了一个完整的Python软件包LaboRecommender来实现本文提出的算法
2021-05-03 cs.LG
Review-Based Hyperbolic Cross-Domain Recommendation
Samsung（三星）；KAIST（韩国科学技术院）；Korea Institute of Energy Technology（韩国能源技术研究院）
本文提出一种基于评论文本的双曲跨域推荐方法，通过层级感知嵌入与域对齐解决数据稀疏问题，实验验证了其效率、鲁棒性和可扩展性。
2025-03-19 cs.IR cs.LG
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
Improving information retrieval from electronic health records using dynamic and multi-collaborative filtering
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；CSCI Consulting Inc.（CSCI咨询公司）；The Ohio State University（俄亥俄州立大学）；Regenstrief Institute（雷根斯特里夫研究所）；Indiana University School of Medicine（印第安纳大学医学院）
由于关于个体患者的可用信息的快速增长，大多数医生在他们审查健康信息技术系统中的患者信息时遭受信息过载。在这篇文章中，我们提出了一种新的混合动态和多协同过滤方法，以提高电子健康档案的信息检索。该方法在患者就诊期间为医生推荐来自电子健康记录的相关信息。它使用马尔可夫模型对信息搜索动态进行建模。它还利用了协同过滤的关键思想，起源于推荐系统，根据医生，患者和信息项之间的各种相似性来优先考虑信息。我们使用印第安纳州患者护理网络的真实电子健康记录数据测试了这种新方法。我们的实验结果表明，对于46.7%的测试案例，这种新方法能够正确地优先考虑医生真正感兴趣的前5个建议中的相关信息。
2020-08-12 cs.HC cs.IR cs.LG
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
PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records
National University of Singapore（新加坡国立大学）
电子健康记录（EHR）的广泛采用导致了大量关于患者病史、诊断、处方和实验室测试的数据的积累。推荐技术的进步有可能利用这些信息来帮助医生个性化处方药物。在这项工作中，我们设计了一个两阶段的注意力为基础的个性化药物推荐系统称为PREMIER，它结合了来自EHR的信息，建议一组药物。我们的系统考虑了药物之间的相互作用，以尽量减少对患者的不良影响。我们利用系统中的各种注意力权重来计算来自信息源的对推荐药物的贡献。MIMIC-III和专有门诊数据集的实验结果表明，PREMIER优于最先进的药物推荐系统，同时实现了准确性和药物相互作用之间的最佳权衡。还介绍了两个案例研究，证明PREMIER提供的理由是适当的，并与临床实践相一致。
2020-08-28 cs.IR cs.LG
Fairness via AI: Bias Reduction in Medical Information
University of Connecticut（康涅狄格大学）；AuCoDe；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Meedan；University of Washington School of Medicine（华盛顿大学医学院）；Michigan State University College of Human Medicine（密歇根州立大学人类医学院）
人工智能研究中的大多数公平性都集中在揭露人工智能系统中的偏见。从更广泛的公平角度来看，人工智能可以服务于一个更大的愿望：从源头上根除社会不平等。具体来说，我们专注于健康信息的不平等，并旨在使用AI减少该领域的偏见。搜索引擎和社交媒体的人工智能算法（其中许多基于推荐系统）对在线医疗和健康信息的质量产生了巨大的影响。因此，将偏见检测和减少嵌入到这些在线提供医疗和健康内容的推荐系统中，可能会对患者的结果和健康产生巨大的积极影响。在这份立场文件中，我们提供了以下贡献：（1）我们提出了一个通过人工智能实现公平的新框架，灵感来自医学教育，社会学和反种族主义的见解;（2）我们定义了一个新术语，bisinformation，它与错误信息有关，但又与之不同，并鼓励研究人员研究它;（3）我们建议使用人工智能来研究，检测和减轻有偏见的，有害的和/或虚假的健康信息，这些信息对社会中的少数群体造成了不成比例的伤害;（4）我们提出了几个支柱，并提出了几个悬而未决的问题，以便在这个新的空间中进行调查。虽然这项工作的第（3）部分特别关注健康领域，但基本的计算机科学进步和通过人工智能减少偏见和公平的研究工作所产生的贡献在社会的各个领域都有广泛的影响。
2021-09-06 cs.AI cs.CY cs.IR
HyperML: A Boosting Metric Learning Approach in Hyperbolic Space for Recommender Systems
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；University of New South Wales（新南威尔士大学）
本文研究了在非欧空间中学习用户和项目表示的概念。具体来说，我们通过探索Mobius gyrovector空间来研究双曲空间中的度量学习与协同过滤之间的联系，其中空间的形式主义可以用来推广最常见的欧几里得向量运算。总体而言，这项工作的目的是通过度量学习方法在推荐系统中弥合欧氏几何和双曲几何之间的差距。我们提出了HyperML（双曲度量学习），这是一个概念简单但非常有效的模型，可以提高性能。通过一系列广泛的实验，我们表明，我们提出的HyperML不仅优于他们的欧几里德同行，而且还实现了最先进的性能在多个基准数据集上，证明了个性化推荐的有效性在双曲几何。
2019-11-28 cs.IR cs.LG stat.ML
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐（HNCR），深度双曲表示学习方法，利用用户/项目之间的相互语义关系的协同过滤（CF）任务。HNCR包含两个主要阶段：邻居构建和推荐框架。第一阶段引入邻居构建策略，根据用户与项目的历史交互，为每个用户和项目构建语义邻居集。在第二阶段，我们开发了一个基于双曲几何的深层框架，将构建的邻居集集成到推荐中。通过一系列广泛的实验，我们表明，HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR cs.LG
Is Hyperbolic Space All You Need for Medical Anomaly Detection?
University of Basel（巴塞尔大学）；Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）；University Hospital of Basel（巴塞尔大学医院）
针对医学异常检测中欧几里得空间无法有效捕捉特征层次关系的问题，提出将特征投影至双曲空间并基于置信度聚合分类的方法，在多个基准上取得更高AUROC且在少样本场景表现优异。
2025-05-27 cs.AI cs.CV cs.LG
FINEST: Stabilizing Recommendations by Rank-Preserving Fine-Tuning
Georgia Institute of Technology（佐治亚理工学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
FINEST通过从推荐模型获取参考排名列表，并在模拟扰动下用保秩正则化微调模型，以稳定推荐输出，同时保持预测准确性。
2024-02-05 cs.IR cs.LG cs.SI
Hybrid Collaborative Filtering Models for Clinical Search Recommendation
The Ohio State University（俄亥俄州立大学）；Regenstrief Institute（雷根斯特里夫研究所）；Indiana University School of Medicine（印第安纳大学医学院）
随着电子健康档案的广泛应用，临床医生在大量的患者健康档案中检索重要信息时，往往面临时间压力。虽然搜索功能可以是浏览患者记录的有用替代方案，但对于临床医生来说，重复搜索类似患者的相同或类似信息是很麻烦的。在这种情况下，迫切需要建立有效的推荐系统，可以为临床医生生成准确的搜索词推荐。在这篇手稿中，我们开发了一个混合协同过滤模型，使用患者的遭遇和搜索词信息，为临床医生推荐下一个搜索词，以快速检索重要信息。对于每例患者，模型将推荐与他/她最近的ICD代码具有高共现频率或与该患者最近的检索词高度相关的术语。我们已经进行了全面的实验来评估所提出的模型，实验结果表明，我们的模型可以优于所有最先进的基线方法的前N个搜索词推荐不同的数据集。
2020-07-19 cs.IR cs.LG
MedicalRec: Medical recommender system for image classification without retraining
University of Tehran（塔里班大学）
提出基于Transformer的医疗推荐系统MedicalRec，利用从3000篇论文中构建的MedicalRec-Bench数据集（含5000+记录），无需重新训练即可为医疗图像分类任务推荐最优模型，最高HitRate@100达75.5%。
2026-05-23 cs.AI cs.LG
Large Language Models Enhanced Hyperbolic Space Recommender Systems
Beijing Institute of Technology（北京理工大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy（广东人工智能与数字经济实验室）；Chongqing University（重庆大学）
针对现有推荐系统难以捕捉层次信息的问题，提出模型无关框架HyperLLM，从结构和语义角度提取整合层次信息，性能提升超40%，并增强训练稳定性。
2025-04-19 cs.AI cs.IR
Data-Driven Online Decision Making with Costly Information Acquisition
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）
在大多数现实环境中，如推荐系统、金融和医疗保健，收集有用的信息是昂贵的，需要决策者做出积极的选择。决策者需要同时学习进行哪些观察和采取哪些行动。本文将信息获取决策纳入在线学习框架中。我们提出了两种不同的算法，这个双重学习问题：Sim-OOS和Seq-OOS的意见，同时和顺序，分别。我们证明，这两种算法实现了遗憾，是次线性的时间。开发的框架和算法可以用于许多应用，包括医疗信息学，推荐系统和交通，金融，网络安全等方面的可操作智能，在做出决定之前收集信息是昂贵的。我们验证我们的算法在乳腺癌的例子设置中，我们表现出显着的性能增益，我们提出的算法。
2017-10-21 cs.LG stat.ML
Hyperbolic Diffusion Recommender Model
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；Chongqing University of Technology（重庆理工大学）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
本文提出双曲扩散推荐模型 HDRM，利用双曲空间的非欧几何特性处理物品的各向异性扩散过程，以保留用户-物品图拓扑结构，并在三个基准数据集上验证其有效性。
2025-04-10 cs.AI cs.IR
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
Drug Recommendation System based on Sentiment Analysis of Drug Reviews using Machine Learning
Jaypee University of Information Technology（贾亚皮信息技术大学）
自冠状病毒出现以来，合法临床资源的不可及性达到顶峰，如专家，医护人员短缺，缺乏适当的设备和药物。整个医学界都陷入困境，导致无数人死亡。由于无法获得药物，人们开始在没有适当咨询的情况下自行服药，使健康状况比平时更差。最近，机器学习在许多应用中都很有价值，自动化的创新工作也在增加。本文提出了一个药品推荐系统，可以大大减少专家堆。在这项研究中，我们构建了一个药物推荐系统，该系统使用患者评论来预测情绪，使用各种矢量化过程，如Bow，TFIDF，Word2Vec和手动特征分析，这可以通过不同的分类算法帮助推荐给定疾病的首选药物。通过精确度、召回率、f1评分、准确度和AUC评分评估预测的情感。结果表明，使用TFIDF矢量化的分类器LinearSVC以93%的准确率优于所有其他模型。
2021-04-05 cs.AI cs.IR cs.LG
Heterogeneous network approach to predict individuals' mental health
University of Notre Dame（圣母大学）；University of California, Los Angeles（加州大学洛杉矶分校）
抑郁和焦虑是影响世界各地数百万人的关键公共卫生问题。为了识别易患抑郁症和焦虑症的个体，已经建立了通常利用来自一个来源的数据的预测模型。与这些传统模型不同，在这项研究中，我们利用了圣母大学NetHealth研究中丰富的异构数据集，该研究通过智能手机收集了个人（学生参与者）的社交互动数据，通过可穿戴设备（Fitbit）收集了与健康相关的行为数据，以及来自调查的特质数据。为了整合不同类型的信息，我们将NetHealth数据建模为异构信息网络（HIN）。然后，我们以一种新的方式重新定义了预测个人心理健康状况（抑郁或焦虑）的问题，将推荐系统（RS）的流行范式应用于我们的HIN，该系统通常用于预测一个人对某个项目的偏好（例如，电影或书）。在我们的例子中，这些项目是个人不同的心理健康状态。我们评估了四种最先进的RS方法。此外，我们将个人心理健康的预测建模为另一种问题类型-HIN中的节点分类（NC），在逻辑回归下评估四个节点特征作为概念验证分类器。我们发现，我们的RS和NC网络方法比使用传统非网络方式以及随机方法的相同NetHealth数据的逻辑回归模型产生更准确的预测。此外，我们发现，最好的考虑RS的方法优于所有考虑NC方法。这是第一项以HIN方式整合智能手机，可穿戴传感器和调查数据，并在HIN上使用RS或NC来预测个人心理健康状况的研究。
2020-01-13 cs.LG cs.SI stat.ML
A Model for Using Physiological Conditions for Proactive Tourist Recommendations
Technical University of Munich（慕尼黑工业大学）
移动主动式旅游推荐系统可以根据与游客自身和环境相关的不同情境，为游客推荐最佳选择。在本文中，我们建议利用可穿戴传感器来收集有关游客的健康信息，并使用它们来推荐旅游活动。我们讨论了一系列的可穿戴设备，传感器来推断用户的生理状况，并使用一个流行的自量化移动应用程序的可行性，我们的主要贡献，然后包括一个数据模型来推导可穿戴传感器测量的参数之间的关系，如心率，体温，血压，并使用它们来推断用户的生理状况。然后，该模型可以用于导出旅游活动的类别，以确定应推荐哪些项目。
2019-04-10 cs.HC cs.IR cs.LG
Hgformer: Hyperbolic Graph Transformer for Recommendation
University of Tsukuba（筑波大学）；Kyoto University（京都大学）；Tsinghua University（清华大学）；The University of Tokyo（东京大学）；Baidu Inc.（百度公司）
针对跨域推荐中被忽视的长尾数据建模失真问题，提出以BiTGCF为基础、基于双曲流形并构建新型传播与迁移层的跨域协同过滤模型，在多数据集上性能优于基线模型，可缓解推荐系统冷启动问题。
2024-12-30 cs.AI cs.IR cs.LG
Towards Fairer Health Recommendations: finding informative unbiased samples via Word Sense Disambiguation
Loyola Marymount University（洛约拉马利蒙特大学）；Worcester Polytechnic Institute（伍斯特理工学院）；Northeastern University（东北大学）；University of Connecticut（康涅狄格大学）
为解决医疗数据偏差导致健康推荐不公的问题，本研究借助词义消歧优化负样本数据集质量，实验发现微调BERT模型在医疗文本偏差检测上表现优于零/少样本LLM。
2024-09-11 cs.CL cs.CY cs.LG
Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
Application of AI in Nutrition
本文综述了AI在医疗健康特别是营养学中的应用，重点探讨AI驱动推荐系统的现状、成效与挑战，并展望个性化营养推荐在促进健康生活方式中的关键作用。
2023-12-18 cs.HC cs.IR
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估，我们得出结论，语义推荐系统一般优于传统的推荐系统的准确性，精度和召回率方面，建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
Offline Contextual Multi-armed Bandits for Mobile Health Interventions: A Case Study on Emotion Regulation
University of Virginia（弗吉尼亚大学）
通过移动电话等普及的电子设备提供治疗建议有可能成为长期健康行为管理的可行和可扩展的治疗媒介。但积极的治疗方案的实验可能是耗时的，昂贵的，在某些情况下完全不道德的。人们越来越感兴趣的方法，让实验者学习和评估部署前的一个新的治疗策略的有用性。我们提出了第一个发展的治疗推荐系统的情绪调节使用真实世界的历史移动数字数据n = 114高社交焦虑的参与者来测试新的情绪调节策略的有用性。我们探讨了一些离线上下文土匪估计学习，并提出了一个一般的框架学习算法。我们的实验表明，提出的双重鲁棒离线学习算法表现明显优于基线方法，这表明这种类型的推荐算法可以改善情绪调节。鉴于情绪调节在许多精神疾病中都会受损，并且这种推荐算法可以很容易地扩大规模，这种方法有可能增加许多人获得治疗的机会。我们还分享了一些见解，使我们能够将上下文强盗模型转化为这种复杂的现实数据，包括哪些上下文特征对于预测情绪调节策略的有效性最为重要。
2020-08-21 cs.HC cs.IR cs.LG
A Recommender System Based on Binary Matrix Representations for Cognitive Disorders
University of Salzburg（萨尔茨堡大学）；Paracelsus Medical University（帕拉塞尔苏斯医科大学）
本研究提出基于二进制矩阵表示的推荐系统，用于认知障碍诊断，通过分析症状与障碍的关系，推荐下一步需检测的症状以提高诊断准确性。
2025-11-23 cs.IR
Sports Recommender Systems: Overview and Research Issues
Magistrat Villach（菲拉赫市政厅）；Institute of Software Technology (Graz University of Technology)（格拉茨工业大学软件技术研究所）
本文综述体育推荐系统在健康饮食、训练、人才团队、比赛战术及电子竞技等场景中的应用与技术，分析最新进展并指出开放研究问题。
2023-12-06 cs.AI cs.IR
Food Recommender Systems: Important Contributions, Challenges and Future Research Directions
食物的推荐很重要，原因有很多。通过数字来源获得烹饪灵感正变得越来越受欢迎;推荐其他类型食物的系统也越来越受欢迎，例如餐馆的饭菜或超市的产品。多年来，研究人员一直在研究这类系统，他们不仅可以帮助人们找到他们可能想吃的食物，还可以帮助他们更健康地滋养自己。本文提供了一个国家的最先进的所谓的食品推荐系统的总结，突出了开创性的和最新的方法来解决这个问题，以及重要的专业化，如食品推荐系统的用户群或系统，促进健康饮食。此外，我们还讨论了在设计recsys的食品所涉及的各种挑战，总结了从过去的研究中吸取的教训，并概述了我们认为是重要的未来方向和开放的问题，该领域。通过提供这些贡献，我们希望为研究人员和从业人员提供有用的资源。
2017-11-10 cs.CY cs.HC cs.IR
Helper Recommendation with seniority control in Online Health Community
针对在线健康社区中患者问题常被忽视的问题，提出MINT模型，通过解耦变分自编码器建模社会支持，实现有效助手推荐。
2023-09-06 cs.IR cs.SI
Personalized and Trust-Aware Health Recommendation Policies for a Construction Workplace
University of California, San Diego（加州大学圣迭戈分校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出动态模型刻画信任感知健康推荐系统与建筑工人的交互，利用模型控制和强化学习设计个性化推荐策略，以平衡工人健康、生产力与信任。
2026-09-22 cs.IR cs.SY eess.SY
First, do no harm: Breaking suicidogenic echo chambers in media recommendation
E.T.S.I. Sistemas Informáticos (Universidad Politécnica de Madrid)（马德里理工大学信息系统工程系）
针对推荐系统在心理健康场景中可能加剧用户自杀倾向的问题，提出RankAid重排序方法，通过惩罚有害内容并提升治疗性内容，在保持推荐准确性的同时确保临床安全。
2026-05-24 cs.AI cs.CY cs.IR
Multiple Stakeholders in Music Recommender Systems
音乐推荐服务每天为数百万听众提供数十亿首歌曲。用户通常可以收听各种根据其个人品味和偏好定制的歌曲。然而，音乐并不是这些服务中遇到的唯一类型的内容。广告通常散布在整个音乐流中，为企业创造收入。其他内容可能包括艺术家消息，票务，体育，新闻和天气。在本文中，我们讨论的问题时，出现多个内容提供方的利益相关者在推荐过程中。这些利益相关者都有自己的目标，必须协调一致，以维持健康的音乐推荐服务。
2017-08-01 cs.CY cs.IR
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine（加州大学欧文分校）
本文提出ChatDiet框架，通过集成个人因果模型与群体模型并利用LLM编排，实现个性化、可解释且交互式的营养导向食物推荐，在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
Lorentz Equivariant Model for Knowledge-Enhanced Hyperbolic Collaborative Filtering
South China Normal University（华南师范大学）；Research Institute of China Telecom Corporate Ltd.（中国电信股份有限公司研究院）
从知识图谱中引入先验辅助信息辅助用户-项目图，可以提高推荐系统的综合性能。最近的研究表明，双曲空间的系综性质很好地拟合了上述两类图的无标度和层次特征。然而，现有的双曲方法忽略了对等方差的考虑，因此它们不能在给定的变换下推广对称特征，这严重限制了模型的能力。此外，它们不能平衡保持异构性和挖掘高阶实体信息的用户在两个图。为了填补这些空白，我们提出了一个严格的洛伦兹群等变知识增强的协同过滤模型（LECF）。创新性地，我们联合更新属性嵌入（包含来自KG的高阶实体信号）和双曲嵌入（双曲嵌入之间的距离揭示了推荐趋势）通过LECF层与洛伦兹等变变换。此外，我们提出了双曲稀疏注意力机制，以采样的信息最丰富的邻居节点。洛伦兹等方差是严格保持在整个模型中，并强制等方差是必要的实验证明。在三个真实世界的基准上进行的大量实验表明，LECF显著优于最先进的方法。
2023-03-18 cs.IR cs.LG cs.SI
Affective Music Recommendation: A Rollout-Based World Model for Offline Preference Optimization
LUCID Inc. Toronto Canada；LUCID Inc. Montr\' e al Canada；Mila --- Qu\' e bec AI Institute Montr\' e al Canada；LUCID Inc.；Mila --- Qu\' e bec AI Institute
针对在线情感实验受伦理限制的问题，提出基于展开世界模型的情感音乐推荐系统AMRS，利用因果Transformer预测用户情感状态，并通过离线偏好优化提升推荐效果。
2026-05-27 cs.IR cs.LG cs.SD
Enhancing the long-term performance of recommender system
推荐系统是在线商务系统中的重要工具，为用户提供个性化的商品推荐。到目前为止，许多推荐算法都是为了进一步提高单步推荐的推荐性能，而长期推荐性能却被忽略了。在本文中，我们提出了一种方法称为调整的推荐列表（ARL），以提高长期推荐的准确性。为了观察长期的准确性，我们开发了一个网络的演化模型来模拟推荐系统和用户行为之间的相互作用。实验结果表明，该方法不仅可以显著提高长期推荐的准确率，而且可以保持在线系统中项目的多样性。值得注意的是，ARL的最优参数n* 存在于长期推荐中，这表明在保持项目的多样性和用户的偏好之间存在权衡，以最大化长期推荐准确性。最后，我们证实了最佳参数n* 是稳定的进化网络，这表明ARL方法的鲁棒性。
2019-04-01 cs.HC cs.IR cs.SI
Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）
推荐系统在当今的数字世界中发挥着重要作用。它们已经在诸如音乐平台的各种应用中得到应用，Spotify和电影流媒体服务，例如，网飞体育锻炼推荐系统的研究较少。久坐不动的生活方式已经成为几种疾病和医疗费用的主要驱动力。在本文中，我们开发了一个推荐系统的日常锻炼活动的用户的基础上，他们的历史，个人资料和类似的用户。开发的推荐系统使用了深度递归神经网络与用户配置文件的注意力和时间注意力机制。此外，练习推荐系统与流推荐系统有很大的不同，因为我们无法从练习推荐系统的参与者那里收集点击反馈。因此，我们提出了一个实时的【形】的，专家在环主动学习过程。主动学习器计算每个用户在每个时间步的推荐器的不确定性，并在确定性低时向专家请求推荐。本文推导了边际距离的概率分布函数，并利用它来确定何时向专家征求反馈。我们在mHealth数据集上的实验结果显示，将实时的【形】主动学习者与推荐系统结合后，准确性得到了提高。
2022-04-04 cs.AI cs.CV cs.HC
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升，健康饮食正引起越来越多的关注。然而，大多数现有的食品相关的研究工作集中在食谱检索，基于用户偏好的食物推荐，烹饪辅助，或菜肴的营养和热量估计，忽略了个性化的健康意识的食物推荐。因此，在这项工作中，我们提出了一个个性化的健康意识的食品推荐计划，即Market2Dish，映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分，即食谱检索，用户健康分析和健康意识的食物推荐。特别是，食谱检索的目的是获得可用的成分给用户，然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说，为了解决健康相关信息非常稀疏的问题，我们将一个词类交互机制纳入到所提出的深度模型中，以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐，我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外，大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱（KGs）来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中，最近的工作探索了图的拓扑结构，以学习具有丰富语义的用户和项目的低维表示。然而，这些现实世界中的三分图通常是无标度的，其内在的层次图结构在现有的工作中是强调不足，因此，导致次优的推荐性能。为了解决这个问题，提供更准确的推荐，我们提出了一种基于双曲几何的知识感知推荐方法，即洛伦兹知识增强的图卷积网络推荐（LKGR）。在数据统一后，LKGR有助于更好地建模无标度三部图。具体来说，我们采用不同的信息传播策略，在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献，在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明，LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
Recommender Algorithm for Supporting Self-Management of CVD Risk Factors in an Adult Population at Home
Plekhanov Russian University of Economics（普列汉诺夫俄罗斯经济大学）；Ulyanovsk State Technical University（乌里扬诺夫斯克国立技术大学）
本文提出一种基于知识、融合规则逻辑与 LLM 解释能力的多维推荐算法，通过当前与预测性 CVD 健康画像支持成年人居家管理风险因素。
2024-05-20 cs.AI cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group（蚂蚁集团）；Shantou University（汕头大学）；Tianjin University（天津大学）
基于会话的推荐（SBR）通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中，基于图的方法是一种比较强大的方法，它通常通过在欧氏空间下的消息聚合来提取项目信息。然而，这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息，这是表示用户的偏好的关键。在本文中，我们提出了一个双曲对比图推荐（HCGR），一个原则性的基于会话的推荐框架，涉及洛伦兹双曲空间，以充分捕捉项目的连贯性和层次表示。在这个框架内，我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外，利用对比学习，通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明，HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
