A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis
Aalborg University（奥尔堡大学）；University of Electronic Science and Technology of China（电子科技大学）；Huawei Cloud（华为云）
社会过程的持续数字化转化为时间序列数据的激增，这些数据涵盖了欺诈检测、入侵检测和能源管理等应用，其中异常检测对于实现可靠性和安全性至关重要。最近的许多研究针对时间序列数据的异常检测。事实上，时间序列异常检测领域的特点是不同的数据，方法和评估策略，在现有的研究中的比较只考虑这种多样性的一部分，这使得它很难选择一个特定的问题设置的最佳方法。为了解决这一缺点，我们引入了数据，方法和评估策略的分类，使用分类提供了无监督时间序列异常检测的全面概述，并系统地评估和比较了最先进的传统和深度学习技术。在使用九个公开数据集的实证研究中，我们将最常用的性能评估指标应用于公平执行标准下的典型方法。基于结构所提供的分类，我们报告的实证研究，并提供指导方针，在比较表的形式，选择最适合于特定的应用程序设置的方法。最后，我们提出了这个动态领域的研究方向。
2022-09-10 cs.AI cs.LG
Non-IID Recommender Systems: A Review and Framework of Recommendation Paradigm Shifting
Advanced Analytics Institute, University of Technology Sydney（悉尼科技大学高级分析学院）
虽然推荐在我们的生活、学习、工作和娱乐中扮演着越来越重要的角色，但我们收到的推荐往往是不相关的、重复的或无趣的产品和服务。现有的推荐理论和推荐系统都假设推荐用户和推荐项目是独立同分布的，这是造成这种不良推荐的一个重要原因。另一个现象是，虽然已经做出了巨大的努力来对用户或项目的特定方面进行建模，但总体用户和项目特征及其非IID性却被忽视了。本文首先讨论了推荐的非IID性质和特征，然后从耦合性和异质性两个角度，建立了非IID的理论框架，以期对推荐问题的内在本质有一个深入而全面的理解。这种非IID推荐研究触发了从IID到非IID推荐研究的范式转变，并有望提供知情的，相关的，个性化的和可操作的建议。它创造了令人兴奋的新方向和基本解决方案，以解决各种复杂性，包括冷启动，基于稀疏数据，跨域，基于组和先令攻击相关的问题。
2020-07-01 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；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）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations
Shanghai University of Finance and Economics（上海财经大学）；Northeastern University（东北大学）
在顺序推荐领域，基于深度学习（DL）的方法在过去几年中受到了很多关注，并超过了基于马尔可夫链和基于因子分解的传统模型。然而，很少有系统的研究，特别是关于如何设计一个有效的DL模型的顺序推荐。因此，本文针对上述问题，重点研究了基于DL的顺序推荐系统。具体来说，我们说明了顺序推荐的概念，提出了一个现有的算法分类的三种类型的行为序列，总结了影响基于DL的模型的性能的关键因素，并进行相应的评估，以证明这些因素的影响。我们通过系统地概述这一领域的未来方向和挑战来结束这一调查。
2020-10-10 cs.IR cs.LG
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题，提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架，在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
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
An Item Recommendation Approach by Fusing Images based on Neural Networks
Wuhan University of Technology（武汉理工大学）
网络中存在着丰富的信息格式，如评分、文本、图像等，它们代表着用户偏好的不同方面。在推荐领域，如何有效地利用这些数据已成为一个难题。随着神经网络的迅速发展，多模态推荐方法的研究已成为一个重要的方向。在现有的推荐系统中，数字评分、项目描述和评论是研究者考虑的主要信息。然而，项目的特征可能会影响用户的偏好，这很少用于推荐模型。在这项工作中，我们提出了一种新的模型，将视觉因素预测的人的喜好，即MF-VMLP，基于神经协同过滤（NCF）的最新发展。首先，我们通过预先训练的卷积神经网络（CNN）模型获得视觉呈现。为了获得潜在向量和视觉向量之间的非线性交互，我们提出利用多层感知器（MLP）进行学习。此外，MF和MLP的结合，实现了用户和项目之间的协同过滤推荐。我们的实验进行亚马逊的公共数据集的实验验证和均方根误差（RMSE）作为评估指标。在真实数据集上的实验结果表明，该模型在一定程度上提高了推荐性能。
2019-07-04 cs.IR cs.LG
Deep Content-User Embedding Model for Music Recommendation
KAIST（韩国科学技术院）；NAVER corp.（NAVER公司）
最近，基于深度学习的推荐系统已经被积极地探索以使用混合方法来解决冷启动问题。然而，大多数以前的研究提出了一种混合模型，其中协同过滤和基于内容的过滤模块是独立训练的。端到端方法将不同的模态数据作为输入并联合训练模型可以提供更好的优化，但尚未得到充分的探索。在这项工作中，我们提出了深度内容用户嵌入模型，一个简单而直观的架构，结合了用户项交互和音乐音频内容。我们评估模型上的音乐推荐和音乐自动标记任务。结果表明，该模型显着优于以前的工作。我们还讨论了各种方向，以进一步改善所提出的模型。
2018-07-18 cs.IR cs.LG cs.MM
Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院智能信息处理重点实验室，中国科学院计算技术研究所）；Meituan-Dianping Group（美团点评集团）；Xiamen Data Intelligence Academy of ICT, CAS（中国科学院计算技术研究所厦门数据智能研究院）；Rutgers University（罗格斯大学）；Baidu Inc.（百度公司）；Soochow University（苏州大学）；iFLYTEK（科大讯飞）；University of Chinese Academy of Sciences（中国科学院大学）
近年来，基于位置的社交网络（LBSN）服务越来越受欢迎，这为构建个性化兴趣点（POI）推荐系统提供了前所未有的机会。现有的POI推荐和位置预测任务从单方向的角度利用过去的信息进行未来的推荐或预测，而缺失POI类别识别任务需要利用缺失类别之前和之后的签到信息。因此，一个长期存在的挑战是如何在移动用户的真实世界签到数据中随时有效地识别缺失的POI类别。为此，在本文中，我们提出了一种新的神经网络的方法来识别丢失的POI类别，通过整合双向全球非个人的过渡模式和用户的个人偏好。具体来说，我们精心设计了一个注意力匹配单元格，以模拟签到类别信息与非个人转换模式和个人偏好的匹配程度。最后，我们在两个真实世界的数据集上评估了我们的模型，与最先进的基线相比，这清楚地验证了它的有效性。此外，我们的模型可以自然扩展以解决下一个兴趣点类别推荐和预测任务，并具有竞争力的性能。
2021-12-31 cs.IR cs.LG cs.SI
Enhancing Cross-Market Recommendation System with Graph Isomorphism Networks: A Novel Approach to Personalized User Experience
Istanbul Technical University（伊斯坦布尔理工大学）；Gazi University（加齐大学）
针对跨市场推荐系统面临的市场特异性和数据稀疏性问题，提出融合图同构网络的CrossGR模型，在NDCG@10、HR@10指标上优于现有基准，鲁棒性强，为跨市场推荐提供新方向。
2024-09-12 cs.AI cs.IR cs.LG
A Survey on Federated Recommendation Systems
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR)（山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR））；Software School, Shandong University（山东大学软件学院）；Shandong University（山东大学）；Sino-Singapore International Joint Research Institute（中新国际联合研究院）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究学院）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）
联邦学习最近被应用于推荐系统以保护用户隐私。在联邦学习环境下，推荐系统只需要收集中间参数而不需要收集真实的用户数据就可以训练推荐模型，大大增强了用户隐私保护。此外，联合推荐系统能够与其他数据平台协作，以提高推荐模型的性能，同时满足监管和隐私约束。然而，联邦推荐系统面临着许多新的挑战，如隐私，安全性，异构性和通信成本。虽然在这些领域进行了大量研究，但调查文献中仍然存在空白。在本文中，我们-（1）总结了联邦推荐系统中常用的一些隐私机制，并讨论了每种机制的优点和局限性;（2）回顾了一些鲁棒的聚合策略和一些新的安全攻击;（3）总结了一些解决异构性和通信成本问题的方法;（4）介绍了一些可用于构建联邦推荐系统的开源平台;（5）提出了未来的研究方向。该调查可以指导研究者和实践者了解这些领域的研究进展。
2023-03-09 cs.AI cs.CR cs.IR
A Survey of Point-of-interest Recommendation in Location-based Social Networks
随着基于位置的社交网络（LBSNs）的流行，出现了向用户推荐新的访问地点的兴趣点（POI）推荐。由于兴趣点推荐在LBSNs中的重要性，它引起了学术界和工业界的广泛兴趣。在本文中，我们提供了一个系统的审查这一领域，总结个人的努力和探索他们之间的关系的贡献。讨论了兴趣点推荐与传统推荐问题相比所具有的新特性和面临的新挑战，电影推荐。然后从兴趣点推荐的影响因素、兴趣点推荐的方法和兴趣点推荐的不同任务三个方面进行了综述。具体来说，我们提出了三个分类分类POI推荐系统。首先，我们根据签到特征的影响因素对系统进行分类，包括地理信息、社会关系、时间影响和内容指示。其次，我们将系统按方法分类，包括融合方法和联合方法建模的系统。第三，根据推荐任务是否偏向于最近签到的细微差别，将系统分为一般兴趣点推荐和连续兴趣点推荐。对于每一个类别，我们总结了贡献和系统功能，并突出了代表性的工作。此外，我们讨论了可用的数据集和流行的指标。最后，我们指出了该领域未来可能的发展方向，并总结了本次调查。
2016-07-03 cs.IR
Temporal Learning and Sequence Modeling for a Job Recommender System
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
我们为RecSys Challenge 2016提出了工作推荐任务的解决方案。我们的工作的主要贡献是结合时序学习与序列建模，捕捉复杂的用户项活动模式，以提高工作推荐。首先，我们提出了一个基于时间的排名模型应用于历史观测和混合矩阵分解随着时间的重新加权的相互作用。其次，我们利用用户项活动中的序列属性，并开发了一个基于RNN的推荐模型。我们的解决方案在100多名参与者的挑战中获得了5个$^{th}$名次。值得注意的是，我们的RNN方法的强大性能显示了在推荐系统中采用序列建模的一个有希望的新方向。
2016-08-11 cs.LG stat.ML
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中，提出了各种评价战略。但是，它们散见于不同的论文中，缺乏系统而详细的比较。为了弥补这一差距，本文全面回顾了前人的工作，并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作，我们还分析了现有的评估方法的优点（缺点），并提供了一系列的指导方针，如何选择他们。本调查的内容基于来自顶级会议（如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI）的100多篇论文，其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查，我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
近几十年来，推荐系统已经成为解决信息过载问题的重要工具。传统的推荐系统，然而，遭受数据稀疏和冷启动问题。为了解决这些问题，已经提出了大量的推荐算法来利用用户或项目的辅助信息（例如，社交网络和项目类别），在提高推荐性能方面表现出高度的有效性。这篇研究评论旨在提供一个全面和系统的调查最近的研究与边信息推荐系统。具体来说，我们提供了一个概述国家的最先进的推荐算法，从两个正交的角度与边信息。一个涉及不同的推荐方法：基于记忆的方法，潜在因素，表示学习和深度学习模型。其他的涵盖了边信息的不同表示，包括结构化数据（平面、网络和层次特征，以及知识图谱）;和非结构化数据（文本、图像和视频特征）。最后，我们讨论了挑战，并提供了新的潜在方向的建议，随着本次调查的结论。
2019-11-08 cs.IR
Complementary Recommendation in E-commerce: Definition, Approaches, and Future Directions
Inner Mongolia University（内蒙古大学）；Engineering Research Center of Ecological Big Data, Ministry of Education, China（教育部生态大数据工程研究中心）
本文全面总结了2009至2024年间34项电子商务互补推荐研究，比较了建模方法与复杂场景，分类评估了模型，并对比实验结果以指明未来方向。
2024-03-24 cs.AI cs.IR cs.LG
Session-Based Hotel Recommendations: Challenges and Future Directions
在2019年，推荐系统挑战赛首次涉及电子旅游领域的现实任务，即在预订会话中推荐酒店。在这种情况下，本文的目的是确定和调查，我们认为是重要的特定领域的挑战，酒店搜索推荐系统的研究正面临着，从学术和行业的角度。我们专注于三个主要的挑战，即处理（1）多个利益相关者和价值意识的建议，（2）稀疏的用户数据和广泛的冷启动问题，（3）动态输入数据和计算的要求。为此，我们回顾了解决这些挑战的最新技术，并讨论了不足之处。我们详细介绍了未来可能的方向和愿景，我们设想该领域的进一步发展。因此，本文应该有两个目的：为感兴趣的读者提供该领域当前挑战的概述，并为2019年及以后的ACM推荐系统挑战赛提供新的方法。
2019-07-31 cs.IR
Calibrated Recommendations: Survey and Future Directions
本文综述了校准推荐的最新进展，系统梳理了校准技术方法及其在多样性、偏差和公平性等场景中的有效性研究，并讨论了实际应用中的局限与挑战。
2025-07-03 cs.IR
Privacy in LLM-based Recommendation: Recent Advances and Future Directions
CityUHK（香港城市大学）；Tsinghua University（清华大学）；HKU（香港大学）；Dongguan University of Technology（东莞理工学院）；CUEB（首都经济贸易大学）
本文综述了基于LLM的推荐系统中的隐私问题，将最新进展分为隐私攻击与保护机制，并指出现有挑战与未来研究方向。
2024-06-03 cs.CL cs.IR
Enhancing Adaptive Video Streaming through Fuzzy Logic-Based Content Recommendation Systems: A Comprehensive Review and Future Directions
本文综述模糊逻辑与自适应视频流内容推荐系统的融合，分析其应对偏好与情境不确定性的机制、案例效果、挑战及未来方向。
2024-04-10 cs.IR
Beyond Personalization: Research Directions in Multistakeholder Recommendation
University of Colorado, Boulder（科罗拉多大学博尔德分校）；University of Minnesota（明尼苏达大学）；eBay, Inc.（eBay公司）；University of Klagenfurt（克拉根福大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）；Expedia Group（Expedia集团）；Accenture（埃森哲）
推荐系统是个性化的信息访问应用程序，它们在今天的在线环境中无处不在，并有效地找到满足用户需求和口味的项目。随着推荐系统的范围不断扩大，学术研究中常见的对用户的专注已经掩盖了推荐结果的其他重要方面。属性，如公平性，平衡性，盈利性和互惠性没有捕获的推荐系统评估的典型指标。多利益相关者推荐的概念已经成为一个统一的框架，用于描述和理解最终用户不是唯一焦点的推荐设置。本文描述了多利益相关者推荐的起源，以及系统设计的前景。它提供了当前研究的例证，并概述了该领域的开放问题和研究方向。
2019-12-15 cs.AI cs.IR
GradCraft: Elevating Multi-task Recommendations through Holistic Gradient Crafting
针对推荐系统中多任务学习的梯度平衡问题，提出 GradCraft 方法，通过动态调整梯度幅度和投影消除方向冲突，实现幅度与全局方向平衡，提升多任务推荐性能。
2024-11-18 cs.IR
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
针对KG增强推荐难以平衡IG与KG对比视图的问题，提出SimKGCL框架，通过双视图互信息最大化与KG到IG的单向融合提升性能，并在三个真实数据集上验证了有效性与效率。
2023-09-23 cs.IR cs.LG
Does Multimodality Improve Recommender Systems as Expected? A Critical Analysis and Future Directions
本文提出四维评估框架，系统分析多模态推荐系统，发现多模态数据在稀疏交互和召回阶段有益，模态重要性因任务而异，集成学习优于融合学习，且大模型并非更优。
2025-08-07 cs.IR cs.MM
Negative Sampling in Recommendation: A Survey and Future Directions
本文综述推荐系统中的负采样方法，分析其作用、优化目标与挑战，并将现有策略分为五类，总结场景化方案和未来研究方向。
2025-07-25 cs.IR
A Systematic Survey on Federated Sequential Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；The Hong Kong Polytechnic University（香港理工大学）
本文系统综述了联邦序列推荐（FedSR），在介绍其背景与挑战的基础上，从两个层面梳理现有技术，并探讨关键挑战与未来方向。
2025-02-19 cs.IR cs.LG
Deep reinforcement learning for search, recommendation, and online advertising: a survey
Michigan State University（密歇根州立大学）
搜索、推荐和在线广告是网络上最重要的三种信息提供机制。这些信息搜索技术通过在适当的时间和地点向用户推荐个性化的对象（信息或服务）来满足用户的信息需求，在缓解信息过载问题方面起着至关重要的作用。随着深度强化学习（DRL）的发展，人们对基于DRL的信息搜索技术的研究兴趣越来越大。这些基于DRL的技术具有两个关键优点-（1）它们能够根据用户的实时反馈持续更新信息搜索策略，以及（2）它们可以最大化来自用户的预期累积长期奖励，其中奖励根据信息搜索应用具有不同的定义，例如点击率、收入、用户满意度和参与度。本文从方法论到应用，概述了搜索、推荐和在线广告的深度强化学习，回顾了代表性算法，并讨论了一些有吸引力的研究方向。
2020-01-17 cs.IR cs.LG
Finding the Right Set of Users: Generalized Constraints for Group Recommendations
最近，小组建议引起了相当大的关注。群组管理器不是向单个用户推荐项目，而是向用户群组推荐项目。在这份立场文件中，我们介绍的问题，形成一个适当的用户组推荐一个项目时，限制适用于该组的成员。我们提出了一个正式的模型的问题和算法的解决方案。最后，我们确定了未来工作的几个方向。
2013-02-26 cs.IR
Recommendation on Academic Networks using Direction Aware Citation Analysis
文献检索一直是学术研究的重要组成部分。它大大有助于提高研究过程和产出的质量，并提高研究人员对科学作出新贡献的效率。随着发表论文的数量逐年增加，即使在今天的搜索引擎的帮助下，手动搜索也变得更加详尽，因为它们不是专门用于这项任务的。在学术界，两篇相关的论文并不总是必须共享关键词，相互引用，甚至在同一领域。虽然一个著名的文件通常是一个容易的祈祷在这样的狩猎，相关文件使用不同的术语，特别是最近的，是不明显的眼睛。在这项工作中，我们提出了论文推荐算法，利用论文之间的引用信息。所提出的算法是方向感知的，在这个意义上，他们可以调整，以找到最近或传统的文件。该算法需要一组论文作为输入，并推荐一组相关的论文。如果用户想要对建议的论文集给出负面或正面的反馈，则改进推荐。在这个意义上，可以通过相关反馈容易地引导搜索过程。我们表明，这种轻微的指导有助于用户以更有效的方式达到所需的文件。我们还调整了我们的模型和算法，用于场地和评论者推荐任务。通过与文献中的多个基线和算法进行比较，对模型和算法的准确性进行了全面评估，这些基线和算法针对引用、地点和审稿人推荐任务的几个目标。所有这些算法都是在一个公开可用的Web服务框架（http：//theparsor.osu.edu/）中实现的，该框架目前使用来自DBLP和CiteSeer的数据来构建所提出的引文图。
2012-05-05 cs.DL cs.IR
Current Challenges and Future Directions in Podcast Information Access
播客是各种类型和风格的口语文档，在世界范围内不断增长，并且迅速降低了听众和创作者的进入门槛。研究和行业在搜索和推荐方面的巨大进步还没有在播客领域看到影响，在播客领域，推荐在很大程度上仍然是由口碑驱动的。在这篇论文中，我们强调了播客和其他媒体之间的许多差异，并讨论了我们对播客信息访问领域的挑战和未来研究方向的看法。
2021-06-17 cs.IR
RecoGym: A Reinforcement Learning Environment for the problem of Product Recommendation in Online Advertising
Criteo AI Labs（科韬人工智能实验室）；Universitat Pompeu Fabra（庞培法布拉大学）；Telefonica Research（西班牙电信研究院）
推荐系统在许多环境中变得无处不在，并采取多种形式，从电子商务商店中的产品推荐，到搜索引擎中的查询建议，再到社交网络中的朋友推荐。目前的研究方向主要是基于从历史数据的监督学习，似乎显示出收益递减，许多从业者报告了监督学习的离线指标的改进与新提出的模型的在线性能之间的差异。一个可能的原因是，我们使用了错误的范式：当着眼于收集历史性能数据的长期周期时，创建推荐模型的新版本，A/B测试然后推出。我们看到，强化学习（RL）设置有很多共同点，其中智能体观察环境并对其采取行动，以便将其状态改变为更好的状态（具有更高奖励的状态）。为此，我们介绍了RIGYM，RL环境的建议，这是由用户的电子商务模式和用户响应的发布商网站上的建议模型定义的。我们相信，这是推荐系统研究领域向前迈出的重要一步，可以开辟推荐系统和强化学习社区之间的合作途径，并使离线和在线性能指标更好地保持一致。
2018-09-14 cs.IR cs.LG
DTRec: Learning Dynamic Reasoning Trajectories for Sequential Recommendation
The Chinese University of Hong Kong（香港中文大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Technology Sydney（悉尼科技大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Jilin University（吉林大学）
DTRec通过动态调整推理方向和深度，提升序列推荐性能并降低计算成本
2025-12-16 cs.IR
Causal Inference for Recommendation: Foundations, Methods and Applications
推荐系统是实现个性化服务的重要工具。传统上，这些系统使用数据采掘和机器学习技术来基于在数据中发现的相关性做出推荐。然而，仅仅依赖相关性而不考虑潜在的因果机制可能会导致各种实际问题，例如公平性，可解释性，鲁棒性，偏差，回音室和可控性问题。因此，相关领域的研究人员开始将因果关系引入到推荐系统中来解决这些问题。在这项调查中，我们回顾了现有的文献因果推理推荐系统。我们讨论了推荐系统和因果推理的基本概念以及它们之间的关系，并回顾了推荐系统中不同问题的因果方法的现有工作。最后，我们讨论了开放的问题和未来的方向在因果推理领域的建议。
2023-01-08 cs.IR
Graph and Sequential Neural Networks in Session-based Recommendation: A Survey
本综述全面概述了基于会话的推荐（SR）的研究进展，将现有方法分为基于序列神经网络和图神经网络两类，并探讨了其挑战与未来方向。
2025-07-14 cs.IR
Deep Meta-learning in Recommendation Systems: A Survey
近年来，基于深度神经网络的推荐系统作为信息过滤技术取得了巨大的成功。但由于从头开始的模型训练需要足够的数据，基于深度学习的推荐方法仍然面临数据不足和计算效率低下的瓶颈。元学习作为一种提高算法学习效率和泛化能力的新兴学习范式，在解决数据稀疏性问题方面表现出了强大的优势。最近，越来越多的基于深度元学习的推荐系统的研究已经出现，以提高在可用数据有限的推荐场景下的性能，例如用户冷启动和项目冷启动。因此，这项调查提供了对当前基于深度元学习的推荐方法的及时和全面的概述。具体而言，我们提出了一个分类讨论现有的方法，根据推荐场景，元学习技术，Meta知识表示，这可以提供设计空间，基于元学习的推荐方法。对于每个推荐场景，我们进一步讨论了现有方法如何应用元学习来提高推荐模型的泛化能力的技术细节。最后，我们还指出了目前研究中的一些局限性，并强调了未来在这一领域的研究方向。
2022-06-09 cs.IR
Multi-Interest Recommendation: A Survey
本综述系统梳理多兴趣推荐的研究进展，回答其重要性、建模关注点及应用技术细节，为研究者提供基础框架与未来方向指引。
2025-06-18 cs.IR
Personalized News Recommendation: Methods and Challenges
个性化新闻推荐是帮助用户找到感兴趣的新闻信息、缓解信息过载的重要技术。它已经被广泛研究了几十年，并在改善用户的新闻阅读体验方面取得了显着的成功。但仍有许多未解决的问题和挑战需要进一步研究。为了帮助研究人员掌握个性化新闻推荐在过去几年中的进展，在本文中，我们提出了一个全面的概述个性化新闻推荐。不同于传统的新闻推荐方法分类，本文从个性化新闻推荐的核心问题、相关技术和挑战出发，提出了一种新的视角来理解个性化新闻推荐。我们首先回顾了个性化新闻推荐系统中解决每个核心问题的技术以及它们所面临的挑战。接下来，我们介绍了公共数据集和个性化新闻推荐的评估方法。然后，我们讨论了提高个性化新闻推荐系统的责任的关键点。最后，提出了几个值得进一步研究的方向。本文的研究为读者了解个性化新闻推荐领域提供了最新的、全面的观点。希望本文能对个性化新闻推荐以及自然语言处理和数据采掘等相关领域的研究起到一定的推动作用。
2022-02-24 cs.IR
A Survey on Multi-Behavior Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与技术学院）
本文综述了多行为序列推荐方法，分析了其问题定义、分类及挑战，并探讨了未来研究方向。
2023-08-30 cs.IR
Ultra accurate collaborative information filtering via directed user similarity
协同过滤（CF）信息过滤的一个关键挑战是如何在节点推荐的帮助下获得可靠、准确的过滤结果。由于小度用户与大度用户之间的相似度会大于相反方向的相似度，因此传统的二阶CF算法广泛推荐大度用户的选择。通过考虑用户的相似性方向和二阶相关性来抑制主流偏好的影响，针对CF算法精度和多样性的挑战，提出了有向二阶CF（Directed Second-Order CF，HDCF）算法。在MovieLens和Netflix两个基准数据集上的数值实验结果表明，新算法的精度优于现有的CF算法。与文献7中提出的基于随机游走的CF算法相比，MovieLens和Netflix的平均排名得分分别提高了27.3%和19.1%，达到了0.0767和0.0402。此外，分类的多样性、查准率和查全率也得到了很大的提高.在不依赖任何上下文特定信息的情况下，调整CF算法的相似性方向可以获得准确和多样的推荐。这项工作表明，用户的相似性方向是一个重要的因素，以提高个性化推荐性能。
2014-07-24 cs.IR
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具，在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配（例如，工作推荐），一个重要的问题是推荐是否公平。不公正的推荐不仅不道德，而且损害了推荐人制度本身的长远利益。因此，推荐系统中的公平性问题最近引起了越来越多的关注。然而，由于多个复杂的资源分配过程和各种各样的公平性定义，对推荐中公平性的研究比较分散。为了填补这一空白，我们回顾了在顶级会议/期刊上发表的60多篇论文，包括TOIS，SIGIR和WWW。首先，我们总结了建议中的公平性定义，并提供了几种观点来分类公平性问题。然后，我们回顾了公平性研究中的推荐数据集和测量，并提供了一个详细的分类公平性方法的建议。最后，我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
Causality Enhancement for Cross-Domain Recommendation
Xiaohongshu Co., Ltd（小红书公司）
针对跨域推荐中因果信息利用不足的问题，提出因果增强框架CE-CDR，通过因果图重构、因果感知数据集构建及无偏部分标签因果损失，生成丰富跨域表示以增强目标域推荐，实验验证其有效性和通用性。
2025-10-16 cs.AI cs.IR
Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
本研究提出物品推荐可视为链接预测的一类实例，通过实验验证三种基于因子分解的链接预测模型在推荐任务上的性能可媲美十种主流推荐模型，无需修改架构即可应用，并探索了超参数设置为后续研究奠基。
2024-09-11 cs.IR
A Survey on Bundle Recommendation: Methods, Applications, and Challenges
Wuhan University of Technology（武汉理工大学）；York University（约克大学）；University of Southern Queensland（昆士兰南部大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（山东省计算中心（国家超级计算济南中心），齐鲁工业大学（山东省科学院））
本文综述了捆绑推荐的方法、应用和挑战，探讨了判别性和生成性推荐方法，并讨论了该领域的未来发展方向。
2026-02-26 cs.IR
A probabilistic model to resolve diversity-accuracy challenge of recommendation systems
推荐系统在学术界和工业界都有广泛的应用。传统上，推荐系统的性能是通过其精确度来衡量的。通过引入新颖性和多样性作为推荐系统的关键质量，最近越来越多的关注已经集中在这个话题上。推荐的精确性和新颖性不是一个方向，实际系统应该在这两个数量之间做出权衡。因此，推荐系统的一个重要特征是通过调整模型来调整推荐的多样性和准确性。在本文中，我们引入了一个概率结构，以解决在推荐系统的多样性和准确性的困境。我们提出了一个混合模型，可调水平的多样性和精度，这样就可以通过调整一个单一的参数来执行。建议的推荐模型包括两个模型：一个是最大化的准确性和其他一个规范的推荐列表，以用户的口味。我们在两个真实数据集上的实验表明，该模型在解决准确性和多样性的困境和优于其他经典模型的模型的功能。该方法具有较低的计算复杂性和较好的性能，可广泛应用于实际商用系统。
2015-01-08 cs.IR
BookGPT: A General Framework for Book Recommendation Empowered by Large Language Model
AI for Science Institute（AI for Science 研究院）；Renmin University of China（中国人民大学）；School of Information（信息学院）
本文首次将ChatGPT引入图书推荐场景，提出BookGPT框架，用于图书评分、用户评分和图书摘要三类推荐任务，并评估其可行性、优势与改进方向。
2023-05-25 cs.CL cs.IR
Solving the accuracy-diversity dilemma via directed random walks
随机游走在协同过滤推荐系统中被成功地用于度量用户或对象的相似性，具有较高的准确性和较低的多样性。CF系统的一个关键挑战是，可靠准确的结果是通过同行的建议，但最有用的个人建议是很难找到不同的利基对象。在本文中，我们研究了方向效应的随机游走用户相似性测量，发现用户相似性，计算有向随机游走，是反向的初始节点的程度。在实际数据集中，小度用户和大度用户的比例很大，传统的CF算法主要推荐大度用户的选择。通过调整用户的相似性方向从邻居到目标用户，我们引入了一个新的算法，专门解决CF的多样性的挑战，并展示了它如何可以用来解决准确性多样性的困境。在不依赖任何特定于上下文的信息的情况下，我们能够获得准确和多样化的建议，这优于最先进的CF方法。这项工作表明，随机游走方向是一个重要的因素，以提高个性化推荐性能。
2012-01-30 cs.IR physics.data-an
A challenge-based survey of e-recruitment recommendation systems
本文以基于挑战的视角综述电子招聘推荐系统，识别该领域主要挑战，回顾文献中的解决方案，并提出未来有前景的研究方向。
2023-10-20 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
Multi-Objective Recommendation in the Era of Generative AI: A Survey of Recent Progress and Future Prospects
本综述系统梳理了生成式AI（特别是大语言模型）在多目标推荐系统中的研究，按目标分类总结方法、评估指标与数据集，并指出挑战与未来方向。
2025-06-20 cs.IR
Contemporary Recommendation Systems on Big Data and Their Applications: A Survey
该综述梳理了推荐系统的发展历程与四大技术类别，聚焦大数据驱动的前沿实现，介绍了常用评估数据集，分析了当前面临的核心挑战与实际应用障碍，指出相关技术进步可提升现实体验。
2024-03-13 cs.IR
GR-LLMs: Recent Advances in Generative Recommendation Based on Large Language Models
AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团）
本文综述了基于大语言模型的生成式推荐（GR）的最新进展，涵盖其预备知识、应用案例、工业场景考量及未来方向，旨在推动该领域研究。
2025-07-14 cs.AI cs.IR
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
Tsinghua University（清华大学）；Tencent（腾讯）
推荐系统旨在为用户提供项目推荐，并且通常面临数据稀疏问题（例如，冷启动）。最近，预训练的模型已经显示出它们在领域和任务之间的知识传递的有效性，这可能会缓解推荐系统中的数据稀疏性问题。在这项调查中，我们首先提供了一个审查的推荐系统与预训练。此外，我们通过实验展示了预训练对推荐系统的好处。最后，我们讨论了几个有前途的方向，为未来的研究推荐系统与预训练。
2020-09-19 cs.CL cs.IR
A Comprehensive Survey on Cross-Domain Recommendation: Taxonomy, Progress, and Prospects
本文围绕跨域推荐的核心流程系统梳理相关方法、应用、资源、挑战与未来方向，为研究者提供全面的分类体系和研究进展综述。
2025-03-18 cs.IR
Bias and Debias in Recommender System: A Survey and Future Directions
近年来，关于推荐系统的研究论文迅速增长，但大多数论文都集中在发明机器学习模型以更好地适应用户行为数据。然而，用户行为数据是观察性的，而不是实验性的。这使得数据中广泛存在各种偏差，包括但不限于选择偏差、位置偏差、曝光偏差和流行偏差。盲目地拟合数据而不考虑固有的偏差将导致许多严重的问题，例如，离线评价和在线评价之间的差异，伤害用户对推荐服务的满意度和信任度等。为了将大量的研究模型转化为实际的改进，迫切需要探索偏见的影响，并在必要时进行去偏见。在回顾考虑RS中偏倚的论文时，我们发现，令我们惊讶的是，这些研究相当分散，缺乏系统的组织。“偏见”一词在文献中被广泛使用，但其定义通常是模糊的，甚至在不同的论文中不一致。这促使我们对RS偏差的现有工作进行系统的调查。在本文中，我们首先总结了七种类型的偏见在推荐，以及他们的定义和特点。然后，我们提供了一个分类的位置和组织现有的工作推荐去偏置。最后，我们确定了一些开放的挑战，并设想了一些未来的方向，希望能激发更多的研究工作，这一重要的，但调查较少的主题。本调查中审查的去偏倚方法总结见\url{https://github.com/jiawei-chen/RecDebiasing}。
2021-12-29 cs.IR
