Private Recommender Systems: How Can Users Build Their Own Fair Recommender Systems without Log Data?
公平性是推荐系统的一个重要特性。虽然一些在线服务最近已经采用了公平意识系统，但许多其他服务还没有采用它们。在这项工作中，我们提出的方法，使用户建立自己的公平推荐系统。我们的方法可以产生公平的建议，即使服务不（或不能）提供公平的推荐系统。关键的挑战是用户不能访问其他用户的日志数据或项目的潜在表示。此限制禁止我们采用为服务提供商设计的现有方法。其主要思想是用户可以访问服务提供商显示的不公平推荐。我们的方法利用一个不公平的推荐系统的输出，构建一个新的公平推荐系统。我们的经验验证，我们提出的方法大大提高了公平性，而不会损害原来的不公平系统的性能。
2022-01-19 cs.IR
Influence Function based Data Poisoning Attacks to Top-N Recommender Systems
Iowa State University（爱荷华州立大学）；Duke University（杜克大学）
推荐系统是Web服务吸引用户的重要组成部分。流行的推荐系统使用大量众包的用户-物品交互数据来对用户偏好和物品属性进行建模，例如，评级分数;然后向用户推荐与用户偏好最佳匹配的前$N$项目。在这项工作中，我们表明，攻击者可以发起一个数据投毒攻击的推荐系统，使建议，攻击者的愿望，通过注入假用户精心制作的用户项目交互数据。具体来说，攻击者可以欺骗推荐系统向尽可能多的普通用户推荐目标项目。我们专注于基于矩阵分解的推荐系统，因为他们已经被广泛部署在工业。给定攻击者可以注入的虚假用户的数量，我们将虚假用户的评级分数制定为优化问题。然而，这个优化问题是具有挑战性的解决，因为它是一个非凸整数规划问题。为了应对这一挑战，我们开发了几种技术来近似解决优化问题。例如，我们利用影响力函数来选择对推荐有影响力的正常用户的子集，并基于这些有影响力的用户来解决我们的公式化优化问题。我们的结果表明，我们的攻击是有效的，优于现有的方法。
2020-05-31 cs.CR cs.IR cs.LG
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
A Consensus-Focused Group Recommender System
在许多情况下，推荐是由用户组而不是个人消费的。在本文中，我们提出了一个系统，建议社会事件的群体。该系统帮助团体组织联合活动，并在几个可能的选项中集体选择要执行的活动。我们还遵循群体共识决策的原则，促进共识的形成。我们的系统允许用户异步投票，添加和评论的替代品。我们通过群体决策过程中的推荐后反馈来观察群体内的社会影响。我们提出了一个决策级联模型，并估计这样的社会影响力，它可以用来提高组推荐的性能。我们进行实验来衡量我们的模型的预测性能。结果表明，该模型比独立决策模型取得了更好的效果。
2014-03-25 cs.HC cs.IR cs.SI
Decoupled Recommender Systems: Exploring Alternative Recommender Ecosystem Designs
本文研究推荐算法与平台解耦的架构，构建包含算法选择的推荐生态系统模型，探讨其对消费者、提供者和平台间效用分配的影响。
2025-03-06 cs.AI cs.HC cs.IR
Improving Recommender Systems Beyond the Algorithm
推荐系统在很大程度上依赖于学习算法的预测精度。大多数提高精度的工作都集中在学习算法本身。我们认为，这种算法的重点是短视的。特别是，由于学习算法通常会随着更多更好的数据而改进，因此我们建议将反馈生成过程作为提高准确性的替代和补充途径。为此，我们探讨了用户界面的变化如何影响反馈数据的质量和数量，从而影响学习的准确性。基于信息觅食理论，我们从信息气味和信息获取成本两个维度研究了界面设计选择对反馈质量和数量的影响。我们提出了一个用户研究这些接口因素的共同任务，选择一部电影看，这些因素可以有效地塑造和改善隐式的反馈数据，同时保持用户体验。
2018-02-21 cs.HC cs.IR
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；TU Eindhoven（埃因霍温技术大学）
本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
"Does it come in black?" CLIP-like models are zero-shot recommenders
Coveo（科维奥）；Coveo Labs（科维奥实验室）；Bocconi University（博科尼大学）；Farfetch（发发奇）
产品发现是网上购物的一个重要组成部分。然而，今天的项目到项目推荐不允许用户沿着选定的维度探索变化：给定一个查询项目，模型可以建议类似的东西，但不同的颜色吗？我们考虑比较性质的项目建议（例如“更暗的东西”），并展示基于CLIP的模型如何以zero-shot方式支持此用例。利用为时尚打造的大型模型，我们介绍了GradREC及其行业潜力，并对其优势和劣势进行了第一次全面评估。
2022-04-11 cs.AI cs.IR
Deconvolving Feedback Loops in Recommender Systems
协同过滤是一种基于所有用户偏好的集体信息来推断用户对新内容的偏好的流行技术。然后推荐系统使用这些信息向用户提供个性化的建议。当用户接受这些推荐时，它会在推荐系统中创建一个反馈循环，这些循环会随着时间的推移迭代地影响协同过滤算法的预测。我们调查是否有可能确定这些反馈回路的影响项目。我们充分的假设状态去卷积的反馈回路，同时保持逆解易处理。此外，我们开发了一个度量来解开推荐系统对整个用户项目评级矩阵的影响。我们在合成和真实世界的数据集上使用这个度量来（1）识别推荐系统影响最终评级矩阵的程度，（2）对经常推荐的项目进行排名，以及（3）区分用户的评级项目是推荐的还是内在偏好。我们的研究结果表明，它是可以恢复的评级矩阵的内在用户偏好使用一个单一的快照的评级矩阵没有任何时间信息。
2017-03-03 cs.IR cs.SI
One Size Does Not Fit All: Modeling Users' Personal Curiosity in Recommender Systems
当今的推荐系统被批评为推荐太明显的项目，以引起用户的兴趣。这就是为什么推荐系统研究界提倡一些“超越准确性”的评价指标，如新颖性，多样性，覆盖率和偶然性，希望促进信息发现并在很长一段时间内保持用户的兴趣。在引入新视角的同时，这些评价指标大多没有考虑到个体用户的差异：思想开放的用户可能喜欢高度新颖或多样化的推荐，而保守的用户对新颖性或多样性的胃口可能没有那么大。在本文中，我们开发了一个模型来近似一个人的好奇心分布在不同水平的刺激所引导的著名的冯特曲线在心理学。我们测量了一个项目的惊喜水平，以评估刺激水平，以及它是否在用户对刺激的胃口范围内。然后，我们提出了一个推荐系统框架，考虑用户的偏好和胃口刺激的好奇心是最大限度地引起。我们的框架不同于一个典型的推荐系统，因为它利用人类的好奇心，以促进系统的内在兴趣。一系列的评价实验表明，我们的框架是能够排名较高的项目，不仅收视率高，而且响应可能性高。与传统方法相比，我们的算法生成的推荐列表具有更高的激发用户好奇心的潜力。用于评估刺激（惊喜）强度的个性化因子进一步帮助推荐器实现更小（更好）的用户间相似性。
2020-02-15 cs.IR
Matrix Factorization Method for Decentralized Recommender Systems
分散式推荐系统不依赖于中心服务提供者，用户可以保持对自己评分的所有权。本文将理论上研究得很好的矩阵分解方法引入到分散式推荐系统中，其中以前流行的算法是启发式的，因此缺乏理论保证。我们的初步模拟结果表明，这种方法是有前途的。
2016-04-28 cs.DC cs.IR
Leveraging LLMs for Influence Path Planning in Proactive Recommendation
针对主动推荐中影响路径缺乏目标物品包含性和连贯性的问题，提出基于 LLM 的 LLM-IPP 方法，通过捕捉用户兴趣变化和物品特征生成连贯路径，显著提升了用户可接受性和路径连贯性。
2025-04-30 cs.IR
Impact of Tone-Aware Explanations in Recommender Systems
本研究通过在线用户研究，探讨推荐系统中解释语气（如正式、幽默）对用户感知的影响，发现效果因领域和用户属性而异，强调语气对提升用户体验的重要性。
2024-05-08 cs.HC cs.IR
Estimating and Penalizing Induced Preference Shifts in Recommender Systems
MIT（麻省理工学院）；University of YYY（YYY大学）；Institute of WWW（WWW研究院）；Institute for Clarity in Documentation（文档清晰性研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗克库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）
推荐系统（RS）向用户展示的内容会影响用户。因此，在选择推荐器部署时，也隐含地选择诱导用户的特定内部状态。更重要的是，通过长期优化训练的系统将有直接的动机来操纵用户：在这项工作中，我们关注的是改变用户偏好的动机，这样他们就更容易满足。我们认为，在部署之前，系统设计者应该：估计的变化，推荐将诱导;评估这种变化是否将是不可取的，甚至可能积极优化，以避免有问题的转变。这些步骤涉及两个具有挑战性的成分：估计需要预测假设的算法将如何影响用户偏好，如果部署-我们这样做是通过使用历史用户交互数据训练一个预测用户模型，其中隐含地包含他们的偏好动态;评估和优化另外需要度量来评估这种影响是人为的还是不想要的我们使用“安全转移”的概念，定义了一个信任区域，在该区域内行为是安全的：例如，用户在不受系统干扰的情况下自然移动的方式可以被认为是“安全的”。在模拟实验中，我们表明，我们的学习偏好动态模型是有效的估计用户的喜好，以及他们将如何应对新的浏览器。此外，我们表明，优化留在信任区域的决策者可以避免操纵行为，同时仍然产生参与。
2022-07-14 cs.IR cs.LG
Soundtracks of Our Lives: How Age Influences Musical Preferences
本研究利用LFM-2b数据集，首次在推荐系统领域纵向分析年龄对音乐偏好的影响，发现年轻用户偏好广泛流行音乐，年长用户习惯更精细个性化，为推荐系统研究开辟新方向。
2025-09-10 cs.IR
A Unified Causal Framework for Auditing Recommender Systems for Ethical Concerns
Carnegie Mellon University（卡内基梅隆大学）；Amazon AWS AI/ML（亚马逊AWS人工智能/机器学习部门）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出一个统一因果框架用于审计推荐系统伦理问题，定义了两类新指标（未来/过去可达性和稳定性）以衡量用户能动性，并提供梯度与黑盒计算方法，实验验证了其有效性。
2024-09-20 cs.IR cs.LG
Mitigating Filter Bubbles within Deep Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）
推荐系统为用户提供个性化建议，为当今许多社交媒体、电子商务和娱乐提供动力。然而，这些系统已经被认为在智力上将用户与各种观点隔离，或者导致过滤气泡。在我们的工作中，我们表征和减轻这种过滤气泡效应。我们这样做的基础上，他们的用户-项目的交互历史和计算的分类类别对彼此的影响，使用众所周知的TracIn方法分类的各种数据点。最后，我们通过仔细地重新训练我们的推荐系统，在不影响准确性的情况下减轻了这种过滤气泡效应。
2022-09-16 cs.IR cs.LG
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
Exploring The Role of Local and Global Explanations in Recommender Systems
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Northwestern University（西北大学）；University of Washington & Allen Institute for Artificial Intelligence（华盛顿大学和艾伦人工智能研究所）
众所周知，推荐可以提高推荐系统的透明度。这些解释可以是局部的，解释单个推荐，或者是全局的，解释一般的推荐模型。尽管它们被广泛使用，但很少有人对这两种方法的相对好处进行调查。它们是否为用户提供了相同的好处，或者它们服务于不同的目的？我们进行了一个30名参与者的探索性研究和30名参与者的控制用户研究与研究论文推荐系统，以分析如何提供参与者本地，全球或两者兼而有之的解释影响用户对系统行为的理解。我们的研究结果提供的证据表明，这两种解释都比单独解释如何改进推荐更有帮助，但在识别假阳性和假阴性方面，这两种解释似乎都不如单独使用全局更有帮助。然而，我们注意到，这两种解释方法可能会更好地比较在一个更高的风险或更不透明的域的上下文中。
2021-09-27 cs.HC cs.IR cs.LG
Inclusive Ethical Design for Recommender Systems
Insight SFI Research Centre for Data Analytics（Insight SFI数据分析研究中心）；School of Information and Communication Studies（信息与传播研究学院）；University College Dublin（都柏林大学）
推荐系统作为信息的媒介正变得越来越重要，有可能深刻地影响社会舆论。虽然正在制定办法，以确保这些系统是以负责任的方式设计的，但青少年尤其是一个潜在的弱势用户组，需要明确考虑。这一点尤其重要，因为它们不仅可以访问和使用推荐系统，而且还可以作为内容提供者。本文提出了推荐系统的道德设计的核心原则，并评估目前的方法，以确保遵守这些原则是否充分包括青少年用户的特殊需求和潜在的脆弱性。
2022-09-13 cs.AI cs.CY cs.IR
The 2nd Workshop on Human-Centered Recommender Systems
University of Chinese Academy of Sciences（中国科学院大学）；Renmin University of China（中国人民大学）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of California, San Diego（加州大学圣地亚哥分校）；University of Birmingham（伯明翰大学）
该研讨会旨在推动推荐系统从优化参与度向设计真正理解、参与和惠及人类的系统转变，探讨如何整合人类价值观以提升推荐系统的社会责任感。
2025-11-25 cs.IR
KuaiRec: A Fully-observed Dataset and Insights for Evaluating Recommender Systems
推荐系统的进展主要受到评价的阻碍，因为它需要人与系统之间的实时交互，这太费力和昂贵。这个问题通常通过利用交互历史进行离线评估来解决。然而，现有的用户-项目交互数据集被部分观察到，因此尚不清楚缺失的交互将如何以及在多大程度上影响评估。为了回答这个问题，我们从快手的在线环境中收集了一个完全观察到的数据集，其中几乎所有1，411名用户都接触过所有3，327个项目。据我们所知，这是第一个真实世界中完全观察到的数据，其中包含数百万个用户-项目交互。利用这个独特的数据集，我们对数据密度和曝光偏差这两个因素如何影响多轮会话推荐的评估结果进行了初步分析。我们的主要发现是，不同方法的性能排名随这两个因素而变化，这种影响只能在某些情况下通过估计用户模拟的缺失交互来缓解。这证明了完全观察数据集的必要性。我们在https://kuairec.com上发布数据集和管道实现以供评估
2022-08-18 cs.HC cs.IR
An Adaptive Similarity Measure to Tune Trust Influence in Memory-Based Collaborative Filtering
Shiraz University（设拉子大学）
推荐系统的目的是为每个用户提供相关的和潜在的有趣的信息。这通过利用已经记录的相似用户的倾向或检测与用户的感兴趣项目相似的项目来实现。在最近的研究中，如数据稀疏和冷启动问题的挑战。利用社会信息不仅可以提高预测精度，还可以解决数据稀疏性的挑战。在本文中，我们研究的影响，使用直接和间接的信任信息在基于记忆的协同过滤推荐系统。提出了一种自适应的相似性度量，并使用两种学习方案，贪婪和基于梯度的优化调整社会信息的贡献。所提出的方法的结果进行了比较与国家的最先进的基于内存和基于模型的CF方法在两个现实世界的数据集，Epperly和FilmTrust。实验表明，该方法在设计一个准确、全面的推荐系统方面是非常有效的。
2019-12-18 cs.IR cs.LG cs.SI
A Simulation Framework for Studying Systemic Effects of Feedback Loops in Recommender Systems
Scuola Normale Superiore（比萨高等师范学院）；Sciences Po（巴黎政治学院）；CNR（意大利国家研究委员会）
本文提出模拟框架，基于亚马逊数据研究推荐系统反馈循环，发现其提升个体多样性但降低集体多样性并加剧用户同质化，强调平衡个性化与长期多样性。
2025-10-16 cs.CY cs.IR
Modeling and Counteracting Exposure Bias in Recommender Systems
University of Louisville（路易斯维尔大学）
我们在网上发现和看到的东西，以及我们的观点和决定，越来越多地受到自动化机器学习预测的影响。同样，学习机器的预测准确性在很大程度上取决于我们提供给它们的反馈数据。这种相互影响可能导致闭环交互，这可能导致未知的偏差，在机器学习预测和用户反馈的多次迭代之后，这种偏差可能会加剧。机器造成的偏见有可能导致不良的社会影响，从两极分化到不公平和过滤泡沫。在本文中，我们研究了广泛使用的推荐策略，如矩阵分解固有的偏见。然后，我们模型的曝光，从用户和推荐系统之间的互动承担，并提出新的去偏置这些系统的策略。最后，我们试图减轻推荐系统的偏见工程解决方案的几个国家的最先进的推荐系统模型。我们的研究结果表明，推荐系统是有偏见的，并依赖于用户的事先曝光。我们还表明，研究的偏见迭代减少多样性的输出建议。我们的去偏置方法表明，需要考虑到曝光过程，以减少偏见的替代推荐策略。我们的研究结果表明，理解机器学习模型（如直接与人类交互的推荐系统）的性质并处理其中的偏见非常重要，因此对人类的发现和决策产生了越来越大的影响
2020-01-01 cs.IR cs.LG stat.ML
The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems
Northwestern Kellogg（凯洛格商学院）；University College London（伦敦大学学院）；University of Minnesota - Twin Cities（明尼苏达大学双城校区）
本文在 MovieLens 平台收集用户对未体验项目的信念数据，构建结合评分、信念与推荐的数据集，以支持分析无推荐时的用户选择、衡量推荐效果并原型化利用信念数据的算法。
2024-08-02 cs.AI cs.HC cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类，或者更简洁地说，是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是，组推荐是个性化推荐系统的改造。此外，这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战，研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Does Weighting Improve Matrix Factorization for Recommender Systems?
University of Alberta Edmonton, AB Canada；Netflix, Inc. Los Gatos, CA USA；Netflix, Inc. \& Cornell University New York, NY USA；University of Alberta；Netflix, Inc.；Netflix, Inc. \& Cornell University
本文系统研究了推荐系统矩阵分解中的加权方案，发现未加权数据在大型模型上表现相当甚至更优，挑战了传统观念，同时推导出精确最小化加权目标的高效算法。
2025-10-12 cs.IR cs.LG stat.ML
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性，提出去除异常值的输入处理方法，并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
A Hybrid Recommender System for Recommending Smartphones to Prospective Customers
Verizon Communications（威瑞森通信）
推荐系统是机器学习系统的一个子类，它采用复杂的信息过滤策略来减少搜索时间并向任何特定用户推荐最相关的项目。混合推荐系统将多种推荐策略以不同的方式结合起来，以发挥它们的互补优势。一些混合推荐系统结合了协同过滤和基于内容的方法来构建更健壮的系统。在本文中，我们提出了一个混合推荐系统，它结合了交替最小二乘（ALS）的协同过滤与深度学习，以提高推荐性能，以及克服与协同过滤方法，特别是有关其冷启动问题的限制。从本质上讲，我们使用ALS（协同过滤）的输出来影响深度神经网络（DNN）的推荐，该网络在大数据处理框架中结合了特征，上下文，结构和顺序信息。我们已经进行了几个实验，在测试所提出的混合架构的有效性，在推荐智能手机给潜在客户，并比较其性能与其他开源路由器。结果表明，该系统的性能优于现有的几个混合推荐系统。
2022-07-19 cs.IR cs.LG
Do Recommender Systems Promote Local Music? A Reproducibility Study Using Music Streaming Data
CNRS（法国国家科学研究中心）；LIPN（巴黎第十三大学计算机科学实验室）；USPN（巴黎第十三大学）；LTCI（法国电信学院）；Télécom Paris（巴黎电信学院）；Deezer Research（Deezer研究院）；PACTE（政治与公共行动研究中心）；Sciences Po Grenoble（格勒诺布尔政治学院）
本文通过全球音乐流媒体专有数据复现 LFM-2b 上的本地音乐推荐偏差研究，发现原结论稳健性不足，并公开数据集与代码以促进可复现研究。
2024-08-29 cs.DB cs.HC cs.IR
Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
Carnegie Mellon University（卡内基梅隆大学）；Language Technologies Institute（语言技术研究所）
提出融合辅助信息的通用框架，在不大幅修改架构下提升基于会话的推荐系统性能，收敛更快且优于SOTA，并引入新型损失正则化注意力机制。
2024-06-02 cs.IR cs.LG
Power of the Few: Analyzing the Impact of Influential Users in Collaborative Recommender Systems
DePaul University（德保罗大学）；Colorado University（科罗拉多大学）
与其他社交系统一样，在协同过滤中，少数“有影响力”的用户可能会对其他用户的推荐产生很大的影响，从而影响系统的整体行为。识别有影响力的用户并研究他们对其他用户的影响是一个重要的问题，因为它提供了对小群体如何无意或有意地影响整个系统行为的洞察。对这些影响进行建模还可以揭示模式和关系，否则这些模式和关系很难识别，希望能提高系统生成个性化内容的透明度。在这项工作中，我们首先正式的概念“影响力”的协同过滤使用的影响力歧视模型。然后，我们经验性地识别和表征有影响力的用户，并分析他们对系统的影响下，不同的底层推荐算法和三个不同的推荐域：工作，电影和书籍的建议。从这些实验中获得的见解可以帮助设计系统，这些系统不仅针对准确性进行了优化，而且还进行了调整，以减轻有影响力的用户的影响，当它可能导致系统结果的潜在不平衡或不公平时。
2019-05-14 cs.IR cs.LG cs.SI
Does LLM Focus on the Right Words? Mitigating Context Bias in LLM-based Recommenders
Zhejiang University（浙江大学）；OPPO Research Institute（OPPO研究院）；Hangzhou City University（杭州城市大学）
本文提出GDRT方法，通过组分布鲁棒优化减轻LLM推荐系统中的上下文偏见，提升推荐准确性和公平性。
2026-01-25 cs.IR
Exploring and Mitigating Gender Bias in Recommender Systems with Explicit Feedback
推荐系统是必不可少的，因为它们通过给我们个性化的建议来影响我们的日常行为和决策。Kindle、Youtube和Netflix等服务严重依赖其推荐系统的性能，以确保用户获得良好的体验并增加收入。尽管它们很受欢迎，但已经表明推荐系统复制并放大了现实世界中存在的偏见。由此产生的反馈创建了一个自我延续的循环，该循环恶化了用户体验，并导致随着时间的推移推荐被删除。此外，有偏见的建议也会强化基于性别或种族的刻板印象，从而强化我们生活的过滤气泡。在本文中，我们解决的问题，性别偏见的推荐系统与显式反馈。我们提出了一个模型来量化图书评级数据集和推荐系统产生的推荐中存在的性别偏见。我们的主要贡献是提供一个原则性的方法，以减轻建议中产生的偏见。我们从理论上表明，所提出的方法提供了公正的建议，尽管有偏见的数据。通过对公开图书评级数据集的实证评估，我们进一步表明，所提出的模型可以显着减少偏差，而不会对准确性产生显着影响。我们的方法是模型不可知的，可以应用于任何推荐系统。为了证明我们的模型的性能，我们提出了四个推荐算法的结果，两个从K-最近邻家庭，UserKNN和ItemKNN，和其他两个从矩阵分解家庭，交替最小二乘和奇异值分解。
2021-12-05 cs.IR
Existence conditions for hidden feedback loops in online recommender systems
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
我们探讨了在线推荐系统中隐藏的反馈环效应。反馈循环导致在线多臂强盗（MAB）建议退化为一个小的子集，失去覆盖范围和新颖性。我们研究了用户兴趣的不确定性和噪声如何影响反馈回路的存在。首先，我们证明了用户兴趣中的无偏加性随机噪声不会阻止反馈回路。其次，我们证明了重置用户兴趣的非零概率足以限制反馈回路并估计效果的大小。我们的实验证实了理论研究结果在模拟环境中的四个强盗算法。
2021-12-16 cs.IR cs.LG
Shilling Recommender Systems by Generating Side-feature-aware Fake User Profiles
Nanyang Technological University, Singapore（南洋理工大学，新加坡）
针对现有托攻击方法无法适配带侧特征推荐系统的问题，研究扩展Leg-UP框架、增强生成器以融入侧特征，生成感知侧特征的虚假用户画像，在基准测试中兼顾攻击效果与隐蔽性。
2026-08-29 cs.IR cs.LG
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
KG4RecEval: Does Knowledge Graph Really Matter for Recommender Systems?
Zhejiang University（浙江大学）；Singapore University of Technology and Design（新加坡科技设计大学）；The University of Manchester（曼彻斯特大学）；Newcastle University（纽卡斯尔大学）
本研究提出KG4RecEval框架，通过指标KGER系统评估知识图谱对推荐系统准确性的贡献，发现移除、扭曲或减少知识图谱不一定降低推荐性能，为优化知识利用提供见解。
2025-01-23 cs.AI cs.IR cs.LG
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
Recommender Systems Fairness Evaluation via Generalized Cross Entropy
推荐系统中的公平性已经关于用户的敏感属性（例如，性别、种族）或项目（例如，在多个利益攸关方的背景下的收入）。无论如何，这一概念通常被解释为某种形式的平等-即，系统在同等意义上满足所有用户信息需求的程度。在本文中，我们认为，在推荐系统中的公平性并不一定意味着平等，而是应该考虑基于优点和需求的资源分配。我们提出了一个基于广义交叉熵的概率框架来评估推荐系统的公平性，在这个角度下，我们表明，所提出的框架是灵活的和解释性的，允许将领域知识（通过一个理想的公平分布），可以帮助理解哪些项目或用户方面的推荐算法是过度或不足代表。两个真实世界的数据集上的结果表明，无论是在用户和项目公平性的建议的评价框架的优点。
2019-08-19 cs.IR
Model-agnostic post-hoc explainability for recommender systems
School of Civil Engineering, Universidad Politécnica de Madrid（马德里理工大学土木工程学院）；School of Engineering, CUNEF University（CUNEF大学工程学院）
本研究针对推荐系统因深度学习降低可解释性的问题，提出并评估了模型无关的删除诊断方法，通过比较缺失特定数据训练的模型性能来量化影响，在NCF和SVD模型及MovieLens等数据集上验证了其通用性。
2025-09-12 cs.IR cs.LG
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
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
Breaking Feedback Loops in Recommender Systems with Causal Inference
University of California Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在（1）做出推荐（2）收集用户对这些推荐的响应以及（3）基于该反馈重新训练推荐算法之间交替。在此过程中，推荐系统会影响随后用于更新的用户行为数据，从而创建一个反馈循环。最近的工作表明，反馈循环可能会损害推荐质量和同质化的用户行为，提高道德和性能的关注时，部署推荐系统。为了解决这些问题，我们提出了反馈循环因果调整（CAFL），这是一种使用因果推理可证明地打破反馈循环的算法，可以应用于任何优化训练损失的推荐算法。我们的主要观察是，一个推荐系统不会遭受反馈回路，如果它的原因因果量，即干预分布的建议用户评级。此外，我们可以通过调整推荐系统对用户偏好的预测，从观察数据中计算出这种干预分布。使用模拟环境中，我们证明了CAFL提高推荐质量相比，以前的校正方法。
2022-07-15 cs.IR cs.LG stat.ML
Evaluating Impact of User-Cluster Targeted Attacks in Matrix Factorisation Recommenders
本文针对基于矩阵分解的推荐系统，系统研究面向用户聚类的数据投毒攻击，分析攻击对特征矩阵的影响及攻击效果影响因素，通过真实数据集验证理论，为设计更鲁棒的推荐系统提供参考。
2024-06-20 cs.IR
Causal Inference in Recommender Systems: A Survey and Future Directions
本综述针对传统推荐系统仅依赖相关性、缺乏因果性的问题，梳理因果推断在推荐系统领域的应用研究，介绍基础概念、现存问题、现有工作分类，并提出开放问题与未来方向。
2023-12-15 cs.IR
When are recommender systems useful?
推荐系统是克服互联网带来的信息过载的重要工具。需要进行严格的测试，以确定复杂的方法可以在多大程度上提高预测的质量。在这里，我们分析了一种改进的基于相关性的协同过滤算法，并将其与一种新的谱方法进行了比较。我们在两个具有不同统计属性的数据库（MovieLens和Jester）上测试它们，而不过滤掉不太活跃的用户，并尽可能及时地对意见进行排序。我们发现，当用户-用户相关性的分布很窄时，简单的平均值几乎和高级方法一样有效。另一方面，推荐系统可以在外部影响可以忽略不计并且人们的口味完全呈现的系统中利用大量的附加信息。这些研究结果通过人工生成数据的模拟进行了验证。
2007-09-17 cs.CY cs.DL cs.DS
An Admissible Shift-Consistent Method for Recommender Systems
University of Missouri - Columbia（密苏里大学哥伦比亚分校）
提出一种满足可容许性、公平性和鲁棒性的移位一致性约束方法，用于推荐系统中的矩阵/张量补全，并推广至张量形式以处理复杂结构关系。
2023-07-17 cs.IR cs.LG
Seeing the Context: Enhancing Recommender Systems with Image-Derived Contextual Signals
Coller School of Management, Tel Aviv University（特拉维夫大学科勒尔管理学院）
本文提出从图像中提取情境信号（物理、社会、模态类别）并融合进推荐系统，通过ICE-Fuse与图对比学习验证，图像情境与评论信号互补，可增强推荐性能。
2026-10-07 cs.IR
Semantic Grounding Strategies for Tagbased Recommender Systems
推荐系统通常根据推荐项目或用户之间的相似性进行操作。基于标签的推荐系统利用标签的相似性。然而，标签大多是免费的用户输入的短语。因此，在没有语义基础的情况下计算的相似性可能导致不太相关的建议。在本文中，我们研究了用于标签相似性演算的语义基础。我们展示了一个全面的分析，从不同领域的20个本体的语义基础。研究还发现，目前可用的OWL本体非常狭窄，相似扩展的百分比相当小。WordNet的得分稍高，因为它更广泛，但不多，因为它不支持几个语义关系。此外，该研究表明，即使有如此多的扩展，建议也会发生很大变化。
2011-11-07 cs.IR cs.SI
Predicting Personalized Academic and Career Roads: First Steps Toward a Multi-Uses Recommender System
Avignon Université（阿维尼翁大学）；Millionroads
没有人知道一个人未来会做什么，每个人都会对这个问题有不同的答案：你如何看待你目前的工作/文凭后五年的自己？在本文中，我们介绍的概念，大类的研究领域或工作领域，以代表用户的轨迹的未来的愿景。然后，我们展示了他们如何在向他提出一系列下一步行动时影响预测。
2020-01-03 cs.CL cs.CY cs.IR
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
Modeling mutual feedback between users and recommender systems
推荐系统每天都在影响我们在互联网上的决定。虽然已经给予了相当大的关注，如推荐的准确性和用户隐私的问题，推荐系统和用户的决定之间的长期相互反馈一直被忽视到目前为止。我们在这里提出了一个网络演化模型，它使我们能够研究这种反馈引起的复杂动态，包括滞后效应，这是典型的非线性动态系统。尽管人们普遍认为推荐有助于用户发现新事物，但我们发现，长期使用推荐可能会导致极受欢迎的项目的增加，从而最终缩小用户的选择范围。这些结果得到了真实系统中项目流行度不平等随时间演化的测量结果的支持。我们表明，这种不利影响的建议可以驯服牺牲短期推荐准确性的一部分。
2015-08-07 cs.IR cs.SI physics.soc-ph
