FACTER: Fairness-Aware Conformal Thresholding and Prompt Engineering for Enabling Fair LLM-Based Recommender Systems
University of Southern California（南加州大学）
本文提出公平性感知框架 FACTER，通过共形预测、自适应语义方差阈值和对抗性提示生成，在不重训大语言模型的情况下将推荐系统公平性违规最高降低95.5%，同时保持推荐准确性。
2025-02-05 cs.AI cs.CY cs.IR
Latent Variable Session-Based Recommendation
Durham University（杜伦大学）；Criteo Research（科韬研究院）
基于会话的推荐为传统的特征工程推荐方法提供了一种有吸引力的替代方案。特征工程方法需要创建用户历史的手动调整特征以产生上下文向量。相比之下，基于会话的方法能够动态地对用户的行为状态进行建模。我们提出了一个基于会话的推荐概率框架。用户状态的潜在变量随着用户查看更多的项目而更新，并且我们更多地了解他们的兴趣。潜变量模型在概念上简单而优雅，但需要复杂的计算技术来近似潜变量的积分。我们使用重新参数化技巧和使用softmax函数的Bouchard界提供计算解决方案，我们进一步探索采用变分自动编码器和变分期望最大化算法来收紧变分界。该模型对一些基线表现良好。该模型的直观性质允许一个优雅的公式结合项目之间的相关性和他们的流行程度，并揭示了其他流行的推荐方法。潜在变量方法的一个有吸引力的特征是，随着用户继续行动，用户状态的后验收紧，反映了推荐系统对该用户的增加的知识。
2019-09-17 cs.IR cs.LG
Privacy Preserving Inference of Personalized Content for Out of Matrix Users
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎-rocquencourt研究所）；Rajiv Gandhi University（拉贾夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒姆研究实验室）；Stanford University（斯坦福大学）
本文提出 DeepNaniNet，一种基于归纳图架构和 BERT 文本嵌入的隐私保护推荐框架，通过“内容篮子”用户表示与自编码器泛化策略解决冷启动问题，并在 CiteULike 和 AnimeULike 数据集上取得领先性能。
2025-08-12 cs.AI cs.IR cs.LG
Recommendation Engine for Lower Interest Borrowing on Peer to Peer Lending (P2PL) Platform
The University of Auckland（奥克兰大学）
在线点对点借贷（P2PL）系统直接连接贷款人和借款人，从而方便借贷，而无需银行等中介机构。许多推荐系统已经开发出来，以帮助贷款人获得更高的利率，避免拖欠贷款。然而，在开发推荐系统以帮助借款人做出明智的决定方面还没有太多的研究。在P2PL平台上，借款人可以申请投标贷款，利率由贷款人投标贷款决定，也可以申请传统贷款，P2PL平台决定利率。不同的借款人等级--决定借款人的信用价值通过这两种机制获得不同的利率。因此，确定借款人应申请哪种类型的贷款至关重要。在本文中，我们建立了一个推荐系统，向任何新的借款人推荐他们应该申请的贷款类型。使用我们的推荐系统，任何借款人都可以获得更低的利率，获得资金的可能性更高。
2019-07-20 cs.LG q-fin.GN stat.ML
SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
University of Antwerp（安特卫普大学）；University of Helsinki（赫尔辛基大学）
提出SPADE指标，通过二维帕累托前沿距离同时衡量相似度、流行度与用户相关性，在五个数据集上验证其能有效识别真正的惊喜推荐。
2026-09-28 cs.AI cs.IR cs.LG
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville（路易斯维尔大学）；Microsoft（微软）
本文研究了ChatGPT作为top-n对话式推荐系统的有效性，通过构建带反馈的重新提示流水线来精炼推荐结果，发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
Maximizing User Experience with LLMOps-Driven Personalized Recommendation Systems
Northeastern University（东北大学）；Columbia University（哥伦比亚大学）
本文探讨了将LLMOps集成到个性化推荐系统中的价值，指出其能提升大规模机器学习模型的效率与可靠性，同时需应对数据安全、模型可解释性及伦理挑战，最终旨在最大化用户体验并推动该领域的未来发展。
2024-04-01 cs.AI cs.IR
CDR-Adapter: Learning Adapters to Dig Out More Transferring Ability for Cross-Domain Recommendation Models
Tsinghua-Berkeley Shenzhen Institute, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院清华-伯克利深圳学院）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Ant Group（蚂蚁集团）
针对跨域推荐中传统EMCDR框架需重构网络、成本高且易遗忘原有知识的问题，提出即插即用的CDR-Adapter模块，通过适配器对齐特征实现灵活知识迁移与低成本微调，在基准数据集上性能优于现有最优方法。
2023-11-04 cs.AI cs.IR cs.LG
Driving Engagement in Daily Fantasy Sports with a Scalable and Urgency-Aware Ranking Engine
Unmesh Padalkar
本文提出一种可扩展的排名引擎，通过实时紧迫性特征和时间间隔编码提升每日幻想体育的推荐效果，实现9%的nDCG@1提升。
2026-04-15 cs.IR cs.LG
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University（哥伦比亚大学）；University of California, Davis（加州大学戴维斯分校）
会话式推荐系统（CRS）通过从对话历史中推断用户偏好，提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱（KG）的推荐模块，并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的，但仍有两个问题有待解决。首先，基于KG的方法忽略了会话背景中的信息，而仅仅依赖于实体关系和词袋来推荐项目。第二，它需要大量的工程工作来维护模型域特定关系的KG，从而导致更少的灵活性。在本文中，我们提出了一个简单而有效的架构，包括一个预先训练的语言模型（PLM）和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后，PLM将语义对齐的项目嵌入与对话上下文一起使用，以生成高质量的建议和响应。我们的模型不是用KG建模实体关系，而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明，我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
From Data to Decisions: The Transformational Power of Machine Learning in Business Recommendations
Saveetha School of Engineering（萨维塔工程学院）；Saveetha Institute of Medical and Technical Sciences（萨维塔医学与技术学院）；Kyungpook National University（庆北国立大学）；University of Huston-Victoria（休斯顿-维多利亚大学）
本研究探讨机器学习（ML）对商业推荐系统（RS）演进与效能的影响，分析其在数据处理、算法迭代中的作用及推荐引擎（RE）的跨领域价值，指出未来方向并强调ML对挖掘商业个性化推荐潜力的必要性。
2025-02-16 cs.DC cs.IR cs.LG
MoParkeR : Multi-objective Parking Recommendation
RMIT University（皇家墨尔本理工大学）；Mornington Peninsula Shire Council（莫宁顿半岛郡议会）
现有的停车推荐解决方案主要集中于仅基于未被占用的选项来寻找和建议停车位。然而，还有其他与停车位相关的因素可以影响某人对停车的选择，例如票价，停车规则，到目的地的步行距离，旅行时间，在给定时间未被占用的可能性。更重要的是，这些因素可能会随着时间的推移而变化，并且相互冲突，这使得当前停车推荐系统产生的推荐无效。在本文中，我们提出了一个新的问题称为多目标停车推荐。我们提出了一个解决方案，通过设计一个多目标停车推荐引擎称为MoParkeR，考虑各种冲突的因素在一起。具体来说，我们利用非支配排序技术来计算一组帕累托最优的解决方案，包括推荐的权衡停车位。我们使用两个真实世界的数据集进行了广泛的实验，以显示我们的多目标推荐方法的适用性。
2021-06-10 cs.IR cs.LG
An LLM-powered Agentic Recommendation System for Connected TV Content Discovery
Meta
针对推荐系统整合上下文信号的挑战，提出用于智能电视内容发现的大语言模型驱动的智能推荐系统，利用其推理能力处理多样信号，采用智能架构协调组件，克服大语言模型用于推荐的实际限制。
2026-10-14 cs.AI cs.IR
Unveiling and Mitigating Bias in Large Language Model Recommendations: A Path to Fairness
Computer Science and Engineering, University of Tennessee at Chattanooga（计算机科学与工程系，田纳西大学查塔努加分校）
本文研究了基于LLM的推荐系统中的偏见问题，提出通过提示工程和检索增强生成策略来缓解偏见，以实现更公平的推荐。
2026-01-30 cs.AI cs.ET cs.IR
An Comparative Analysis about KYC on a Recommendation System Toward Agentic Recommendation System
Hechu Tech（海楚科技）
本文提出利用代理AI的KYC推荐系统，通过对比不同垂直领域的性能，评估其在金融领域的应用效果。
2025-12-30 cs.AI cs.IR cs.MA
Personalized Embedding-based e-Commerce Recommendations at eBay
eBay Inc.（易趣公司）
推荐系统是电子商业市场的重要组成部分，帮助消费者浏览大量库存，找到他们需要或喜欢的东西。在本文中，我们提出了一种方法来生成个性化的项目推荐在电子商业市场通过学习嵌入项目和用户在同一向量空间。为了缓解大型市场中存在的相当大的冷启动问题，分别使用内容特征和多模态现场用户活动来计算项目和用户嵌入。数据消融被纳入离线模型训练过程，以提高生产系统的鲁棒性。在使用从eBay流量收集的数据集进行离线评估时，我们的方法能够改进Recall@k度量，而不是Recently-Viewed-Item（RVI）方法。这种方法来生成个性化的建议已推出，以服务于生产流量，相应的可扩展的工程架构也提出了。初步的A/B测试结果表明，与目前生产中的个性化推荐模块相比，该方法将表面率提高了$\sim$ 6\%，为90\%的列表页面印象生成推荐。
2021-02-11 cs.IR cs.LG
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents
Google Inc（谷歌公司）
本文提出了一种基于LLM代理的自进化推荐系统，通过端到端自动化流程自主优化模型，提升开发效率和性能。
2026-08-04 cs.AI cs.LG
Agent0: Leveraging LLM Agents to Discover Multi-value Features from Text for Enhanced Recommendations
Teads
本文提出 Agent0，通过多 LLM 智能体协作和 oracle 反馈的提示调优，从非结构化文本中自动发现高价值类别特征，以提升推荐系统的特征工程效率。
2025-07-25 cs.IR cs.LG
Recommendation as Language Processing (RLP): A Unified Pretrain, Personalized Prompt & Predict Paradigm (P5)
Rutgers University（罗格斯大学）
长期以来，不同的推荐任务通常需要设计特定于任务的架构和培训目标。因此，很难将学习到的知识和表示从一个任务转移到另一个任务，从而限制了现有推荐方法的泛化能力，例如，顺序推荐模型几乎不能应用或转移到评论生成方法。为了解决这些问题，考虑到语言可以描述几乎任何事物，语言基础是表示各种问题或任务的强大媒介，我们提出了一种灵活统一的文本到文本推荐范式，称为“预训练、个性化提示和预测范式”（P5），它将各种推荐任务统一在一个共享的框架中。在P5中，所有数据（如用户-项目交互、用户描述、项目元数据和用户评论）都被转换为通用格式--自然语言序列。来自自然语言的丰富信息帮助P5捕获更深层次的语义以用于个性化和推荐。具体来说，P5在预训练期间学习具有相同语言建模目标的不同任务。因此，它作为各种下游推荐任务的基础模型，允许与其他模态轻松集成，并支持基于提示的基于提示的推荐。P5将推荐系统从浅模型、深模型、大模型推向了新的高度，并将使推荐系统的技术形态发生革命性的变化，朝着通用推荐引擎的方向发展。通过针对不同用户的自适应个性化提示，P5能够以zero-shot或Few-Shot的方式进行预测，并大大减少了大量微调的必要性。在几个推荐基准上，我们进行了实验，以显示P5的有效性。我们在https://github.com/jeykigung/P5上发布源代码。
2023-01-02 cs.AI cs.CL cs.IR
Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works
Contata Solutions LLC（Contata Solutions有限责任公司）
随着互联网上数字信息量的指数级增长，在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内找到相关信息的最方便的方式。近年来，深度学习的进展在语音识别、图像处理和自然语言处理领域获得了极大的关注。与此同时，最近的一些研究已经表明了深度学习在推荐系统和信息检索领域的实用性。在这篇简短的综述中，我们将介绍使用各种深度学习技术变体在推荐领域取得的最新进展。我们将综述分为三个部分：协作系统、基于内容的系统和混合系统。该综述还讨论了深度学习集成推荐系统对几个应用领域的贡献。本文最后讨论了深度学习在各个领域的推荐系统中的影响，以及深度学习是否比传统的推荐系统有任何显着的改进。最后，我们还提供了未来的研究方向，这是可能的基础上使用的深度学习在推荐系统的当前状态。
2017-12-20 cs.IR cs.LG
A GPU-specialized Inference Parameter Server for Large-Scale Deep Recommendation Models
NVIDIA（英伟达）
推荐系统对于各种现代应用程序和Web服务至关重要，例如新闻提要，社交网络，电子商务，搜索等。为了实现峰值预测精度，现代推荐模型将深度学习与TB级嵌入表相结合，以获得底层数据的细粒度表示。传统的推理服务架构需要将整个模型部署到独立的服务器上，这在如此大规模的情况下是不可行的。在本文中，我们提供的见解有趣和具有挑战性的推理域的在线推荐系统。我们提出了HugeCTR分层参数服务器（HPS），一个行业领先的分布式推荐推理框架，它结合了一个高性能的GPU嵌入式缓存与分层存储架构，以实现低延迟检索嵌入在线模型推理任务。除此之外，HPS还具有（1）冗余分层存储系统，（2）新型高带宽缓存，可加速NVIDIA GPU上的并行嵌入查找，（3）在线培训支持以及（4）轻量级API，可轻松集成到现有的大规模推荐工作流程中。为了证明其能力，我们使用综合工程和公共数据集进行了广泛的研究。我们表明，我们的HPS可以显着减少端到端的推理延迟，实现5~ 62倍的加速（取决于批量大小）CPU基线实现流行的推荐模型。通过多GPU并行部署，HPS还可以大大提高推理QPS。
2022-10-17 cs.AI cs.DC cs.IR
Gender and Race Bias in Consumer Product Recommendations by Large Language Models
University of Victoria, British Columbia, Canada（维多利亚大学）
本文研究了大型语言模型在消费者产品推荐中存在性别和种族偏见的问题，通过提示工程和三种分析方法揭示了推荐中的不平等现象，并强调了构建更公平推荐系统的重要性。
2026-02-08 cs.AI cs.CL cs.LG
Recommending with Recommendations
University of California, Berkeley（加州大学伯克利分校）；Harvard University（哈佛大学）；Harvard Business School（哈佛商学院）
推荐系统是机器学习的一个关键的现代应用，但它们的缺点是它们在进行预测时经常利用敏感的用户信息。我们展示了如何解决这一缺陷的基础上，从其他现有的服务，其中不包含敏感信息的性质的建议服务的推荐引擎。具体来说，我们引入了一个上下文多武装土匪推荐框架，代理人可以访问其他服务的建议。在我们的设置中，用户的（潜在的敏感）信息属于一个高维的潜在空间，和理想的建议，为源和目标任务（这是不敏感的）是由未知的线性变换的用户信息。只要任务依赖于用户信息的相似部分，我们就可以将目标推荐问题分解为可以从源推荐中导出的系统组件，以及特定于用户且不能从源导出但具有显著较低维度的特殊组件。我们提出了一个探索，然后再完善的方法来学习和利用这种分解，然后使用扰动理论和统计浓度的措施的想法，我们证明我们的算法实现了遗憾相比，一个强大的天际线，具有充分的知识的源和目标的转换。我们还考虑了我们的算法推广到一个模型，有许多同时的目标，没有源。我们的方法在合成基准上获得了优越的经验结果。
2021-12-02 cs.AI cs.LG
Search-Based Serving Architecture of Embeddings-Based Recommendations
Outbrain Inc（Outbrain公司）
在过去的10年中，许多推荐技术都是基于在潜在向量空间中嵌入用户和项目，其中（用户，项目）向量对的内积表示用户对项目的预测亲和力。大量的文献都集中在各种建模方法，导致嵌入，并比较了它们的质量指标，学习复杂性等，但是，很少有人关注的问题，围绕产品化的嵌入式为基础的高吞吐量，低延迟推荐系统。特别是，当学习新模型时，系统如何跟上不断变化的嵌入。本文描述了一个参考架构的高吞吐量，大规模的推荐服务，利用搜索引擎作为其运行时的核心。我们描述了搜索索引和查询构建器如何适应嵌入的变化，这些变化通常发生在与索引构建不同的节奏上。我们为基于id和基于特征的嵌入以及批量索引和增量索引设置提供解决方案。所描述的系统是Web内容发现服务的核心，该服务每天响应数十亿用户请求提供数百亿次推荐。
2019-07-07 cs.IR cs.LG
WarpRec: Unifying Academic Rigor and Industrial Scale for Responsible, Reproducible, and Efficient Recommendation
Politecnico di Bari（巴里理工大学）；Wideverse；ISTI-CNR（意大利国家研究委员会ISTI分部）；UAM（马德里自治大学）；OVS
WarpRec通过统一学术严谨性与工业规模，实现负责任、可重复和高效的推荐系统，提供高性能框架和可持续的推荐系统架构。
2026-02-19 cs.AI cs.IR
A Fast Matrix-Completion-Based Approach for Recommendation Systems
State Key Laboratory of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室）；Zhejiang NewBlue Network Media Co. Ltd.（浙江新蓝网络传媒有限公司）
矩阵补全广泛应用于机器学习、工程控制、图像处理和推荐系统中。目前，一种流行的矩阵补全算法是奇异值阈值（SVT）。在该算法中，首先要设定奇异值阈值。然而，在推荐系统中，偏好矩阵的维度是不断变化的。因此，难以直接应用SVT。此外，推荐系统的用户需要的是一系列个性化的推荐结果，而不是对用户评分的估计。基于上述思想，本文提出了一种新的方法--概率完备化模型PCM。该方法通过降低数据维数、相似矩阵的传递性和奇异值分解，快速得到与原始矩阵具有相同概率分布的完备矩阵。该方法在保证牺牲部分准确性的基础上，大大减少了计算时间，并能快速得到具有数据趋势近似特性的低秩相似矩阵。实验结果表明，PCM可以快速生成与原始矩阵具有相似数据趋势的互补矩阵。PCM的LCS评分和有效率均高于SVT。
2019-12-04 cs.IR cs.LG
A Collaborative Filtering-Based Two Stage Model with Item Dependency for Course Recommendation
National Taiwan University（台湾大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文针对课程推荐中评分缺失、注册分布不均衡及课程依赖建模等挑战，提出融合课程依赖正则化的两阶段协同过滤模型与基于课程转换网络的图推荐器，在真实数据集上取得0.97的AUC。
2023-11-01 cs.IR cs.LG
Single-Item Fashion Recommender: Towards Cross-Domain Recommendations
University of Tehran（德黑兰大学）
如今，推荐系统和搜索引擎在时尚电子商务中扮演着不可或缺的角色。尽管如此，许多挑战摆在面前，这项研究试图解决一些问题。本文首先提出了一个基于内容的时尚推荐系统，该系统使用并行神经网络，以一个单一的时尚项目商店的图像作为输入，并列出类似的项目在商店的建议。接下来，相同的结构被增强以基于用户偏好来个性化结果。然后，这项工作引入了一种背景增强技术，使系统对域外查询更加鲁棒，使其能够仅使用目录商店图像的训练集进行街道到商店的推荐。此外，本文的最后一个贡献是一个新的评价指标推荐任务称为客观指导的人类得分。这种方法是一个完全可定制的框架，可以从人类评分员的主观评估中产生可解释的、可比较的分数。
2022-07-23 cs.CV cs.IR cs.LG
Code Librarian: A Software Package Recommendation System
JP Morgan Chase（摩根大通）
使用打包库可以通过提高代码的质量和可读性来显著缩短软件开发周期。在本文中，我们提出了一个推荐引擎称为Librarian的开源图书馆。推荐一个候选库包用于给定的上下文，如果：1）它经常与程序中导入的库一起使用; 2）它与程序中导入的库具有相似的功能; 3）它与开发人员的实现具有相似的功能; 4）它可以在所提供的代码的上下文中有效地使用。我们应用最先进的基于CodeBERT的模型来分析源代码的上下文，以向用户提供相关的库建议。
2023-02-07 cs.AI cs.SE
RecPipe: Co-designing Models and Hardware to Jointly Optimize Recommendation Quality and Performance
Harvard University（哈佛大学）；Facebook AI Research（脸书人工智能研究院）
深度学习推荐系统必须在严格的尾部延迟目标和高系统负载下提供高质量的个性化内容。本文介绍了RecPipe，一个系统，共同优化推荐质量和推理性能。RecPipe的核心是将推荐模型分解为多阶段管道，以保持质量，同时降低计算复杂性并暴露不同的并行机会。RecPipe实现推理调度器以将多级推荐引擎映射到商品、异构平台（例如，虽然硬件感知调度提高了排序效率，但商用平台受到需要专用硬件的许多限制。因此，我们设计了RecPipeAccel（RPAccel），这是一个自定义加速器，可以联合优化质量，尾部延迟和系统吞吐量。RPAC-cel专门设计用于利用RecPipe开放的独特设计空间。特别是，RPAccel在子批次中处理查询以流水线推荐阶段，实现双重静态和动态嵌入缓存，一组top-k过滤单元和可重新配置的脉动阵列。与现有技术相比，在同等质量下，我们证明RPAccel将延迟和吞吐量提高了3倍和6倍。
2021-05-22 cs.AI cs.AR cs.DC
A Recommendation System-Based Framework for Enhancing Human-Machine Collaboration in Industrial Timetabling Rescheduling: Application in Preventive Maintenance
Berger-Levrault（贝热-勒夫罗）
本文提出基于推荐系统的框架，用于提升工业时间表重排中的人机协作效率，通过九个实际案例验证启发式方法在平衡解决方案质量和计算时间方面的效果。
2025-11-04 cs.AI cs.HC
Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach
University of Rochester（罗切斯特大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
协同过滤（CF）因其高效、准确和可扩展性而被广泛应用于大规模推荐引擎中。然而，在实践中，基于CF的推荐引擎在进行推荐之前需要用户和项目之间的交互，这使得尚未暴露给最终用户的新项目不适合进行交互。这就是所谓的冷启动问题。在本文中，我们介绍了一种新的方法，采用深度学习来解决这个问题，在任何CF为基础的推荐引擎。所提出的技术的最重要的特点之一是，它可以应用于任何现有的CF基于推荐引擎，而不改变CF核心的事实。我们成功地应用这种技术，以克服项目冷启动问题，在凯业必达的CF推荐引擎。我们的实验表明，所提出的技术是非常有效的解决冷启动问题，同时保持高精度的CF建议。
2016-11-16 cs.IR cs.LG
Content-based Recommendation Engine for Video Streaming Platform
Department of Computer Science Tribhuvan University（计算机科学系 Tribhuvan 大学）
本文提出一种基于内容的视频推荐引擎，利用TF-IDF和余弦相似度实现个性化视频推荐，提升用户参与度和观看体验。
2025-12-29 cs.IR cs.LG
Context-aware Deep Model for Entity Recommendation in Search Engine at Alibaba
Alibaba Group（阿里巴巴集团）
实体推荐通过帮助搜索用户为给定的查询找到相关的实体来为搜索用户提供改善的体验，已经成为当今搜索引擎不可或缺的功能。现有的研究通常只考虑显式实体的查询。它们通常无法处理没有实体的复杂查询，例如“什么食物适合寒冷的天气”，因为它们的模型无法推断输入文本的潜在含义。在这项工作中，我们认为，上下文传递有价值的证据，可以促进查询的语义建模，并考虑到实体推荐。为了更好地对查询和实体的语义进行建模，我们与关注的深度神经网络一起学习查询和实体的表示。我们评估我们的方法使用大规模的，现实世界的搜索日志，从一个广泛使用的商业中文搜索引擎。我们的系统已经部署在神马搜索引擎中，你可以在阿里巴巴的UC浏览器中获取它。在线A/B测试结果表明，点击率的印象效率提高了5.1%，页面浏览量增加了5.5%。
2019-09-06 cs.AI cs.CL cs.IR
A Scalable Recommendation Engine for New Users and Items
Duke University（杜克大学）；University College London（伦敦大学学院）
在许多数字环境中，诸如在线新闻和具有许多新用户和项目的电子零售，推荐系统面临若干挑战：冷启动问题），ii）如何学习用户对项目的偏好（测试和学习），以及iii）如何在具有无数人口统计和属性的许多用户和项目之间进行缩放。虽然许多推荐系统适应这些挑战的各个方面，但几乎没有解决所有问题的系统。本文介绍了一个协同过滤（CF）多臂强盗（B）与属性（A）推荐系统（CFB-A），以共同适应所有这些考虑。包括对MovieLens数据的离线测试、合成数据模拟和在线杂货店实验的经验应用表明，CFB-A导致累积平均奖励（例如，花费的总金钱或时间、点击次数、购买数量、平均评分等）相对于现存最强大的基线方法。
2023-02-27 cs.IR cs.LG
A Personalized Subreddit Recommendation Engine
本文旨在改进Reddit为其用户提供的通用建议。我们提出了一种新的个性化推荐系统，学习用户subreddit互动的存在和内容，使用隐式和显式信号提供强大的建议。
2019-05-03 cs.IR
Investigating Popularity Bias Amplification in Recommender Systems Employed in the Entertainment Domain
本文分析音乐、电影和动画数据集，揭示推荐频率与物品流行度正相关，导致非主流兴趣用户推荐准确性下降，并阐明准确性、算法校准与流行度偏差放大的关系。
2025-05-13 cs.IR
A Tech Hybrid-Recommendation Engine and Personalized Notification: An integrated tool to assist users through Recommendations (Project ATHENA)
ATHENA项目旨在开发一个解决信息过载的应用程序，主要关注具有现代系统的个性化和用户体验设计的推荐系统（RS）。使用了两种机器学习（ML）算法：（1）用于基于内容的过滤（CBF）的TF-IDF;（2）具有矩阵分解的分类-奇异值分解（SVD），其应用于协同过滤（CF）和平均值（归一化）以用于CF的预测精度。菲律宾农业、水产和自然资源研究与发展委员会（PCAARRD）电子图书馆和SARAI项目出版物的学术研究与发展中的数据采样，以及用作训练集的模拟数据，以生成使用三种RS过滤（CF，CBF和个性化版本的项目推荐）的项目推荐。执行并讨论了一系列测试和TAM。调查结果允许用户参与在线信息，并快速评估应用程序产生的检索项目。兼容性测试（CoT）显示该应用程序与所有主要浏览器兼容，并且对移动设备友好。性能测试（PT）推荐的v-参数规格和TAM评估结果表明与总体正反馈密切相关，足以彻底解决信息过载问题作为本文的核心。提出了一种模块化架构，以解决信息过载问题，主要关注具有个性化和现代系统设计的RS。开发人员使用了两种ML算法，并对架构的简化版本进行了原型设计。进行并讨论了一系列测试（CoT和PT）和TAM评价。项目ATHENA增加了一个现代系统的UX功能设计。
2022-02-13 cs.IR cs.LG
SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents
Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Department of Mechanical & Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Faculty of Information, University of Toronto（多伦多大学信息学院）；University of California, San Diego（圣地亚哥大学）；ZBot Technology（ZBot技术）；Coolwei AI Lab（Coolwei人工智能实验室）
研究GEO攻击如何使推荐代理推广有缺陷产品，提出SafeGEO评估套件，发现攻击使缺陷产品入选率提升83.2%，简单防御可降低39.2%但无法完全消除风险。
2026-09-09 cs.AI cs.IR
Thresholding for Top-k Recommendation with Temporal Dynamics
这项工作的重点是top-k推荐的基础数据分布偏移超时的域。我们建议在现有的推荐引擎上学习每个项目的时间依赖性偏差。这种偏差学习过程在构建引擎时消除了数据稀疏性，同时捕获了在数据中观察到的最近趋势变化。我们提出了一个交替优化框架来解决偏差学习问题，并开发了处理各种常用的推荐评估标准，以及大量的项目和用户在实践中的方法。所提出的算法进行检查，离线和在线，使用从全球最大的零售商收集的真实世界的数据集。实验结果表明，偏见学习几乎总是可以提高推荐性能。我们鼓励其他从业者采用它作为一个标准的组成部分，在推荐系统的时间动态是一个规范。
2015-11-09 cs.IR cs.LG
On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models
Google Inc.（谷歌公司）
对于工业规模的广告系统，广告点击率（CTR）的预测是一个中心问题。广告点击构成了用户参与的重要类别，并且通常被用作广告对用户有用性的主要信号。此外，在按点击收费的广告系统中，广告客户按点击收费，点击率预期直接进入价值估计。因此，CTR模型开发是大多数互联网广告公司的重大投资。针对此类问题的工程设计需要许多适用于在线学习的机器学习（ML）技术，这些技术远远超出了传统的准确性改进，特别是在效率、可重复性、校准、信用归属方面。我们提出了一个案例研究部署在谷歌的搜索广告CTR模型的实用技术。本文提供了一个行业案例研究，突出了当前ML研究的重要领域，并说明了如何评估有影响力的新ML方法并使其在大规模工业环境中发挥作用。
2022-09-12 cs.IR cs.LG
DeepProphet2 -- A Deep Learning Gene Recommendation Engine
TheProphetAI（先知人工智能）
机器学习的最新进展为解决生命科学问题创造了新的强大工具。本文的目的是讨论基因推荐的人工智能（AI）的潜在优势。事实上，基因推荐引擎试图解决这个问题：如果用户对一组基因感兴趣，那么其他哪些基因可能与起始组相关，应该进行调查？这项任务是通过自定义深度学习推荐引擎DeepPract 2（DP 2）解决的，该引擎可通过https://www.generecommender.com?免费提供给全球研究人员utm_source= Deepcart2_paper&utm_medium =pdf.此后，说明了算法背后的见解及其实际应用。基因推荐问题可以通过将基因映射到度量空间来解决，在度量空间中可以定义距离来表示它们之间的真实语义距离。为了实现这一目标，基于transformer的模型已经在精心策划的免费论文语料库PubMed上进行了训练。本文描述了用于获得最佳偏差-方差权衡的多个优化过程，重点是嵌入大小和网络深度。在这种情况下，通过交叉验证评估了该模型发现与疾病和途径有关的基因集的能力。一个简单的假设指导了这一过程：该网络对途径和疾病没有直接的知识，但了解了基因的相似性及其相互作用。此外，为了进一步研究神经网络代表基因的空间，嵌入的维数被降低，结果被投影到人类可理解的空间。最后，一组用例说明了该算法在现实世界中的潜在应用。
2023-03-22 cs.IR cs.LG q-bio.QM
Unexpected Knowledge: Auditing Wikipedia and Grokipedia Search Recommendations
University of Calabria, ICAR-CNR（卡塔尼亚大学，ICAR-CNR）；University of Southern California（南加州大学）；University of Calabria, ICAR-CNR, Revelis s.r.l.（卡塔尼亚大学，ICAR-CNR，Revelis s.r.l.）
研究通过比较维基百科和Grokipedia的搜索推荐，发现两者均存在意外结果，但主题分布和推荐差异显著。
2025-12-18 cs.AI cs.IR
Engineering Serendipity through Recommendations of Items with Atypical Aspects
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出通过推荐具有非典型方面的物品来设计偶然性的新任务，构建基于LLM的系统提取非典型方面并重排序推荐列表，实验证明其排名与真实排名高度相关。
2025-05-29 cs.AI cs.IR
Idea of a new Personality-Type based Recommendation Engine
Myers-Briggs Type Indicator（MBTI）类型描述了一个人感知世界和做出决定的心理偏好。人们通过四种主要功能来观察世界：感觉、直觉、感觉和思维。这些功能连同内向的\Extroverted性质的人，有16种性格类型，人类分为。这里提出了一个想法，其中用户可以基于用户的MBTI类型获得针对书籍、网络媒体内容、音乐和电影的推荐。只有像书籍和其他媒体内容这样的东西被选中，因为这些东西的偏好大多是主观的。除了通常基于先前购买生成的推荐内容之外，还可以通过使用MBTI来增强搜索。设计了一个最低限度的调查来收集数据。这有超过100个特征，显示了个性类型的偏好。这些包括对书籍类型，音乐类型，电影类型甚至视频游戏类型的偏好。在分析了从调查中收集的数据后，从中得出了一些推论，这些推论可以用来设计一个新的推荐引擎，以推荐符合用户个性的内容。
2013-11-08 cs.IR
IceBreaker: Solving Cold Start Problem for Video Recommendation Engines
互联网带来了所有形式的内容的巨大增长，其中，视频内容构成了发布和观看的总内容的主要支柱。因此，视频推荐引擎（如Hulu）必须寻找新颖和创新的方式向用户推荐新添加的视频。然而，新视频的问题在于它们缺乏任何类型的元数据和用户交互，以便能够为消费者对视频进行评级。为此，本文介绍了我们为Hulu为2018年ACM多媒体会议主办的基于内容的视频相关性预测（CBVRP）挑战赛开发的几种技术。我们在CBVRP数据集上采用不同的架构，以利用所提供的帧和视频级特征，并生成与其他视频相似的视频预测。我们还实现了几个集成策略，以探索这两种类型的功能之间的互补性。所取得的成果是令人鼓舞的，并将推动基于多媒体的视频推荐系统的研究边界。
2018-08-16 cs.IR cs.MM
SocRecM: A Scalable Social Recommender Engine for Online Marketplaces
在本文中，我们提出了SocRecM，一个新的社会推荐框架，在线市场的工作进展。我们证明，SocRecM不仅易于集成与现有的Web技术，通过一个REST风格的，可扩展的，易于扩展的基于服务的架构，但也揭示了在何种程度上，各种社会功能和推荐方法是有用的在线社交市场环境。
2014-05-08 cs.IR
Parameterized Explanations for Investor / Company Matching
J.P.Morgan AI Research（摩根大通人工智能研究）
匹配公司和投资者通常被认为是一个高度专业化的决策过程。构建一个可以自动化这种推荐过程的人工智能智能体可以显着帮助降低成本，消除人为偏见和错误。然而，由于财务数据集的样本规模有限，而且不仅需要好的建议，而且需要解释为什么提出某项建议，因此这是一个具有挑战性的问题。在这项工作中，我们提出了一个表示学习为基础的推荐引擎，工作非常好，与小数据集，并演示了它如何可以与参数化的解释生成引擎，以建立一个可解释的推荐系统投资者-公司匹配。我们比较了我们的系统与人类产生的建议的性能，并证明了我们的算法在这项任务上执行得非常好的能力。我们还强调了可解释性如何帮助我们的系统在现实生活中的采用。
2021-10-27 cs.AI cs.IR q-fin.CP
Solving Fashion Recommendation -- The Farfetch Challenge
MiQ Digital
推荐引擎是现代电子商务体验不可或缺的一部分，无论是对卖家还是最终用户。准确的推荐带来更高的收入和更好的用户体验。在本文中，我们提出了我们的解决方案ECML PKDD Farfetch时尚推荐挑战。这项挑战的目标是最大限度地提高点击的机会时，用户提出了一套时尚的项目。我们把这个问题当作一个二元分类问题来处理。我们的获奖解决方案使用Catboost作为分类器，使用贝叶斯优化进行超参数调整。我们的基线模型在验证集上实现了0.5153的MRR。超参数的贝叶斯优化将验证集上的MRR提高到0.5240。我们最终提交的测试集的MRR为0.5257。
2021-09-07 cs.IR cs.LG
Revisiting Prompt Engineering: A Comprehensive Evaluation for LLM-based Personalized Recommendation
本文在单用户推荐场景下对23种提示类型、8个数据集和12个LLM进行大规模评估，发现简单提示在高效LLM上更优，并为平衡准确性与成本提供了实用选择建议。
2025-07-17 cs.IR
Towards a Context-Aware IDE-Based Meta Search Engine for Recommendation about Programming Errors and Exceptions
研究表明，在软件开发和维护过程中，软件开发人员花费大约19%的时间在Web上查找信息。传统的网络搜索迫使他们离开工作环境（例如，IDE）并在Web浏览器中查找信息。它也没有考虑开发人员寻找解决方案的问题的背景。Web浏览器和IDE之间的频繁切换既耗时又分散注意力，基于关键字的传统Web搜索通常对解决问题没有多大帮助。在本文中，我们提出了一个基于Eclipse IDE的Web搜索解决方案，利用三个流行的Web搜索引擎提供的API-谷歌，雅虎，Bing和一个流行的编程问答网站，堆栈溢出，并捕获内容相关性，上下文相关性，流行度和搜索引擎的信心，每个候选结果对遇到的编程问题。使用所提出的方法与75个编程错误和异常的实验表明，包含与给定的异常相关联的不同类型的上下文信息可以提高给定的异常的推荐精度。实验与现有的两种方法和现有的Web搜索引擎证实，我们的方法可以比他们更好的召回率，平均精度和其他性能指标，很少的计算成本。
2018-07-06 cs.IR cs.SE
Learning to Rank Query Recommendations by Semantic Similarities
Yahoo! JAPAN Research（雅虎日本研究院）；Yahoo! Labs（雅虎实验室）；Yahoo! Research（雅虎研究院）
对与搜索引擎交互的分析表明，用户经常重新表达他们的查询。检查这些重新表达表明，精确查询焦点的建议是有帮助的，就像那些基于原始查询扩展的建议一样。但它也表明，查询，表达一些主题转移相对于原始查询可以帮助用户更快地访问他们需要的信息。我们提出了一种方法来确定从过去的用户查询的查询日志，无论是重点或转移的初始查询主题。该方法结合了各种基于点击、基于主题和基于会话的排序策略，并使用监督学习来最大化查询和推荐之间的语义相似性，同时使它们多样化。我们评估我们的方法使用的查询/点击日志的日本网络搜索引擎，我们表明，提出的三种方法的组合是显着优于任何单独采取。
2012-04-12 cs.AI cs.HC cs.IR
Expanding Click and Buy rates: Exploration of evaluation metrics that measure the impact of personalized recommendation engines on e-commerce platforms
为了确定最适合电子商业业务的推荐模型，应该对购物网站进行实时评估，以实时测量个性化的影响。本文的目的是介绍和证明两个新的指标-点击率NoRepeat和点击购买率-这源于标准的指标，点击率（CTR）和购买率（BTR），分别。前一种变体解决了原始CTR中高估点击量的问题，而后者则说明了之前点击过的产品的购买情况，以验证度量中包含的购买是客户交互的结果。对多个数据集进行两个均值独立性的显著性检验，在每个新度量和其各自的父度量之间，以确定变体的新颖性和必要性。皮尔逊相关系数的计算，以评估线性关系的强度，并得出结论的可预测性因素之间的上述因素，以调查客户点击和购买之间的未知连接。此外，其他指标，如点击每客户，每客户的买家，每客户的点击等介绍，帮助解释客户行为的指标在电子商业网站的参考。
2019-01-20 cs.IR
