Adapting Large Language Models by Integrating Collaborative Semantics for Recommendation
针对LLM与推荐系统间的语义鸿沟,提出LC-Rec模型,通过学习型向量量化和统一语义映射生成项目索引,并设计对齐调优任务整合协作语义,实现直接生成推荐项目,超越现有基线。
2024-04-19 cs.IR
Integrating Item Relevance in Training Loss for Sequential Recommender Systems
Sapienza University of Rome(罗马大学);University of Pisa(比萨大学)
针对序列推荐系统受交互噪声影响的问题,提出考虑多未来物品的评估协议与相关性感知损失函数,在新旧评估指标均优于现有最优模型。
2023-06-10 cs.AI cs.IR
Recommender Systems by means of Information Retrieval
在本文中,我们提出了一种方法,重新制定的推荐系统问题的信息检索之一。在我们的测试中,我们有一个用户的数据集,这些用户对一些电影进行了评级;我们从数据集中隐藏了一些值,并试图使用其剩余部分再次预测它们(所谓的“leave-n-out方法”)。为了使用一个信息检索算法,我们重新制定这个推荐系统的问题,以这种方式:一个用户对应于一个文件,一部电影对应于一个术语,活跃的用户(其评级,我们要预测)扮演的角色的查询,和评级被用作权重,在原来的IR算法的加权模式的地方。输出是与查询(“活动用户”)相关的文档(“用户”)的排名列表。我们使用这些用户的评级(根据排名加权)来预测活跃用户的评级。我们通过一个典型的指标进行比较,即算法返回的预测准确性,并将其与用户的真实评级进行比较。在我们的第一个测试中,我们使用了两种不同的信息检索算法:LSPR,最近提出的基于离散傅立叶变换的模型,和一个简单的向量空间模型。
2010-08-27 cs.IR
Optimizing an Utility Function for Exploration / Exploitation Trade-off in Context-Aware Recommender System
在本文中,我们开发了一个动态的探索/开发(exr/exp)策略的上下文推荐系统(CRS)。具体来说,我们的方法可以通过自动学习最佳权衡来自适应地平衡exr/exp的两个方面。这包括优化效用函数,该效用函数由已经推荐的点击和未点击文档的奖励的概率分布的线性化形式表示。在离线模拟框架内,我们将我们的算法应用于CRS,并使用真实的事件日志数据进行评估。实验结果和详细的分析表明,我们的算法优于现有的算法的点击率(CTR)。
2014-04-15 cs.IR
Leveraging Large Language Models for Pre-trained Recommender Systems
针对大语言模型与推荐系统有效整合的难题,提出新型预训练推荐模型RecSysLLM,通过数据、训练和推理的独特设计融合领域知识与LLM能力,在基准和真实场景中验证了有效性,为构建统一推荐系统提供新路径。
2023-08-21 cs.IR
Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
针对传统推荐模型交互性弱、大语言模型缺乏领域推荐知识的问题,提出以LLMs为大脑、推荐模型为工具的InteRecAgent框架,实现高性能交互式推荐系统。
2024-01-30 cs.AI cs.IR
Integrating the Probabilistic Models BM25/BM25F into Lucene
本文档描述了使用Lucene Java Framework实现BM25和BM25F。这两种型号都在TREC中表现出色,被认为是IR社区中最先进的型号。BM25适用于纯文本文档的检索,即不包含字段的文档,而BM25F适用于具有结构的文档。
2009-12-01 cs.IR
Recommender Systems using Pennant Diagrams in Digital Libraries
在数字图书馆中,推荐对于研究人员来说是有价值的,例如,推荐与给定上下文相关的文献。通常,在科学背景下,简单地介绍相关内容是不够的。通常,用户需要更详细地查看文档的连接及其特定建议。由Howard White(2007)引入的pendrone的目的是为用户提供一个图表,显示给定文档和相关文档之间的相关性/距离。共引分析和共现分析都是用于查找与种子相关的文献的既定方法。例如,种子可以是作者、关键字或出版物。在本文中,我们介绍了一个推荐系统中的数字图书馆sowiport使用三角形图,可以创建从共引和/或共现分析。在NKOS研讨会上的演讲将在索维波特展示pendrons,并将详细说明pendrons可视化和评估pendrons搜索效用的实际问题。
2014-07-27 cs.DL cs.HC cs.IR
Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文提出OSA框架,通过建模用户反馈来显式整合偏好强度,保留序数语义以提升推荐系统性能。
2026-05-11 cs.IR
Generative Interest Estimation for Document Recommendations
Hasso Plattner Institute(哈索·普拉特纳研究院)
文档的分布式表示学习已经推动了自然语言处理任务的发展,并且最近被成功地应用于推荐系统领域。在本文中,我们提出了一种新的基于内容的推荐系统的基础上学习表示和用户兴趣的生成模型。我们的方法工作原理如下:首先,我们学习文本文档语料库的表示。然后,我们捕捉用户的兴趣作为一个生成模型的空间中的文档表示。特别是,我们为每个用户的兴趣分布建模为高斯混合模型(GMM)。可以通过从用户的生成模型中采样来直接获得推荐。使用潜在语义分析(LSA)作为比较,我们计算和探索的美味书签数据集,推荐系统的标准基准的文档表示。然后,我们在这两个空间中进行密度估计,并表明学习表示在预测性能方面优于LSA。
2017-11-28 cs.CL cs.IR cs.LG
Effects of Using Synthetic Data on Deep Recommender Models' Performance
本研究探讨合成数据生成对解决推荐系统数据不平衡问题的有效性,通过六种方法生成合成数据并整合到原始数据集中,实验表明加入生成的负样本能持续提升AUC分数,证明数据增强策略可改善推荐系统性能。
2024-06-26 cs.IR
Evaluating Document Representations for Content-based Legal Literature Recommendations
Open Legal Data(开放法律数据);German Research Center for Artificial Intelligence(德国人工智能研究中心);ETH Zurich(苏黎世联邦理工学院);University of Wuppertal(伍珀塔尔大学)
推荐系统帮助法律专业人士找到相关文献来支持他们的案件。尽管它的重要性的专业,法律应用并没有反映在推荐系统和表示学习研究的最新进展。同时,法律推荐系统通常在没有任何公共基准数据集的情况下在小规模用户研究中进行评估。因此,这些研究的重现性有限。为了解决研究与实践之间的差距,我们探索了一套国家的最先进的文件表示方法检索语义相关的美国判例法的任务。我们评估基于文本的(例如,fastText、Transformers)、基于引用的(例如,DeepWalk,Poincaré)和混合方法。我们使用两种银标准对2,964份文件进行了注释,共比较了27种方法。银标准是从Open Case Book和Wikispecies新创建的,可以在开放许可下重复使用,以促进可重复性。我们的实验表明,来自平均fastText单词向量(在法律语料库上训练)的文档表示产生了最好的结果,紧随其后的是庞加莱引用嵌入。以混合方式组合fastText和Poincaré进一步改善了整体结果。除了整体性能外,我们还根据文档长度,引用计数和建议的覆盖范围分析了这些方法。我们在https://github.com/malteos/legal-document-similarity/上公开我们的源代码、模型和数据集。
2021-04-28 cs.CL cs.IR
Explicitly Integrating Judgment Prediction with Legal Document Retrieval: A Law-Guided Generative Approach
针对现有法律检索未显式结合判决预测导致准确率低、透明度不足的问题,提出法律引导的生成式检索方法GEAR,以序列到序列方式显式整合两类任务,在多个数据集上取得更优效果与鲁棒性。
2024-04-15 cs.IR
HyperFair: A Soft Approach to Integrating Fairness Criteria
University of California, Santa Cruz(加州大学圣克鲁兹分校)
推荐系统正在越来越多的领域中使用,这些领域可能会产生重大的社会和个人影响。因此,考虑公平性是设计和评估此类系统的关键步骤。在本文中,我们介绍了HyperFair,一个通用的框架,用于执行软公平约束的混合推荐系统。HyperFair模型将公平性度量的变化集成为联合推理目标函数的正则化。我们使用概率软逻辑实现我们的方法,并表明它是特别适合这项任务,因为它是表达和结构约束可以添加到系统中的一个简洁和可解释的方式。我们提出了两种方法来采用我们介绍的方法:第一,作为概率软逻辑推荐系统模板的扩展;第二,作为一个公平的改装技术,可以用来提高从黑盒模型预测的公平性。我们通过实施多个HyperFair混合推荐器并将其与最先进的公平推荐器进行比较,以经验验证我们的方法。我们还进行了实验,显示了我们的方法对黑盒模型改造任务的有效性,以及执行的公平性和预测性能之间的权衡。
2020-09-05 cs.IR cs.LG stat.ML
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
A Blueprint of IR Evaluation Integrating Task and User Characteristics: Test Collection and Evaluation Metrics
针对传统信息检索评估指标存在的单维度假设、忽略文档重叠、未考虑文档可用性属性等问题,提出需构建统一框架下的正式模型来解决多维度分级相关性、文档重叠与可用性属性结合的IR评估问题。
2023-05-01 cs.IR
When Transformers Meet Recommenders: Integrating Self-Attentive Sequential Recommendation with Fine-Tuned LLMs
University of Exeter(埃克塞特大学)
本研究提出SASRecLLM框架,融合SASRec协同编码器与LoRA微调LLM,通过映射层对齐和三种训练策略,在冷热启动场景中显著提升推荐性能。
2025-07-08 cs.AI cs.IR
ConSTR: A Contextual Search Term Recommender
在这篇演示论文中,我们提出了ConSTR,一个新的上下文搜索术语推荐,利用用户的交互上下文搜索术语推荐和文献检索。ConSTR集成了一个两层的推荐界面:第一层根据用户当前的搜索词推荐词,第二层根据用户以前的搜索活动(交互上下文)推荐词。在演示中,ConSTR建立在arXiv上,这是一个由180万个文档组成的学术存储库。
2021-06-08 cs.DL cs.IR
Position Paper on Simulating Privacy Dynamics in Recommender Systems
在这篇立场论文中,我们讨论了在推荐系统中模拟隐私动态的优点。我们从两个角度研究这个问题:首先,我们提出了一个概念性的方法,将隐私集成到推荐系统模拟,其关键要素是隐私代理。这些代理可以增强具有不同隐私偏好的用户的简档,例如,他们向推荐系统披露数据的倾向。此外,他们可以通过保护所有可能威胁隐私的行为来保护用户的隐私。例如,代理可以禁止用户的隐私威胁行为或应用隐私增强技术,例如,差分隐私,使行为不那么具有威胁性。其次,我们确定了隐私感知推荐系统模拟未来研究的三个关键主题:(一)我们如何建模用户的隐私偏好,并保护用户免受任何隐私威胁的行动?(ii)隐私代理在多大程度上修改用户的文档偏好?(iii)隐私偏好和隐私保护如何影响他人的建议和隐私?我们的概念性隐私感知模拟方法使研究隐私偏好和隐私保护对微观层面的影响成为可能,即,单个用户,而且在宏观层面上,即,所有推荐系统用户。通过这项工作,我们希望提出有关如何实现隐私感知模拟的观点,以便研究人员能够研究推荐系统中的隐私动态。
2021-09-14 cs.IR
Integrating and querying similar tables from PDF documents using deep learning
企业产生的大量公共数据都是半结构化的PDF格式。从PDF格式的报告和其他已发布数据中提取表格数据对于各种数据合并目的(例如分析和汇总公司的财务报告)是有意义的。转换成PDF格式的结构化表格数据,通常会以非结构化的方式通过文本匹配等方式进行处理。这主要是由于PDF文档的二进制格式针对布局和渲染进行了优化,并且对数据的自动解析没有很大的支持。此外,即使PDF文件中的相同表类型在模式、行或列标题中也会有所不同,这使得查询计划难以覆盖所有相关表。本文提出了一种基于深度学习的方法,使SQL类查询和分析的PDF格式的年度报告中的财务表。这是通过表类型分类和最近行搜索来实现的。我们证明了使用在Google新闻上训练的词嵌入进行标题匹配明显优于传统数据库中基于文本匹配的方法。我们还介绍了一个实用的系统,使用这种技术来查询和分析来自各种来源的PDF文档中的财务表。
2019-01-15 cs.IR
A Text Extraction-Based Smart Knowledge Graph Composition for Integrating Lessons Learned during the Microchip Design
微芯片的生产是一个复杂的过程,因此有很好的记录。因此,关于生产的可用文本数据在数量上可能是压倒性的。这会影响在最需要时对某条信息的可见性和检索。在本文中,我们提出了一种动态的方法,通过创建一个知识图谱,将从多个生产相关文档中提取的信息相互链接。该图的构建是为了支持可搜索性和增强用户对大规模生产信息的访问。文本挖掘方法首先用于从多个文档源中提取数据。然后挖掘和提取文档关系以组成知识图谱。然后,通过推荐用例来支持图搜索功能,以增强用户对与初始文档相关的信息的访问。所提出的方法是量身定制的,并测试微芯片设计相关的文件。它增强了新芯片设计过程中以前设计失败案例的可见性和可发现性。
2021-05-11 cs.IR
DataRec: A Python Library for Standardized and Reproducible Data Management in Recommender Systems
本文提出了开源Python库DataRec,通过提供统一的数据集准备、版本控制和框架集成例程,解决推荐系统研究中数据管理分散导致不可复现的问题,促进方法论标准化与公平基准测试。
2025-04-06 cs.IR
Aspect-based Document Similarity for Research Papers
German Research Center for Artificial Intelligence(德国人工智能研究中心);University of Konstanz(康斯坦茨大学);University of Wuppertal(伍珀塔尔大学);University of Kiel(基尔大学)
传统的文档相似性度量提供了相似和不相似文档之间的粗粒度区分。通常,他们不会考虑两个文件在哪些方面相似。这限制了依赖于文档相似性的推荐系统等应用程序的粒度。在本文中,我们扩展相似性方面的信息进行成对的文档分类任务。我们评估我们的基于方面的文档相似性的研究论文。论文引用表明基于方面的相似性,即,出现引用的章节标题充当引用和被引用论文对的标签。我们应用了一系列Transformer模型,如RoBERTa、ELECTRA、XLNet和BERT变体,并将它们与LSTM基线进行比较。我们在ACL Anthology和CORD-19语料库的172,073篇研究论文对的两个新构建的数据集上进行了实验。我们的研究结果表明,SciBERT是性能最好的系统。定性检验证实了我们的定量结果。我们的研究结果激励未来的研究方面为基础的文档相似性和开发的推荐系统的基础上评估的技术。我们公开我们的数据集、代码和训练模型。
2020-10-13 cs.CL cs.IR
Snippet-based Conversational Recommender System
针对现有对话推荐系统依赖预定义属性或昂贵标注数据的局限,提出SnipRec方法,利用用户生成内容(如评论),通过大语言模型生成简洁片段表示用户偏好并检索物品,实现跨领域灵活推荐且无需大量人工数据或微调。
2025-04-14 cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore(新加坡国立大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Singapore Management University(新加坡管理大学)
本文提出CARE框架,结合外部推荐系统和LLM进行上下文适应,提升对话推荐的准确性,实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives
本文综述了基于评论的推荐系统,分类总结最新方法,分析挑战,并提出多模态数据、多标准评分和伦理等未来研究方向。
2025-05-24 cs.IR
Reward Balancing Revisited: Enhancing Offline Reinforcement Learning for Recommender Systems
针对离线强化学习中世界模型内在偏差与策略推荐多样性难以同时平衡的问题,提出 R3S 框架,通过整合模型不确定性并引入带衰减的惩罚器,有效提升了世界模型准确性和用户异构偏好的协调性。
2025-06-30 cs.IR
Multi-Objective Recommendations: A Tutorial
本教程针对推荐系统从单目标优化转向多目标优化的新兴需求,概述多目标推荐相关内容并结合案例讨论,作为ACM SIGKDD 2021相关教程的补充材料。
2023-06-11 cs.IR
A Cognitive Distribution and Behavior-Consistent Framework for Black-Box Attacks on Recommender Systems
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);NSFOCUS(启明星辰)
本文提出一种认知分布与行为一致的黑盒攻击框架,通过引入认知分布驱动的提取机制和行为感知的噪声项生成策略,提升推荐系统攻击的成功率和隐蔽性。
2026-02-12 cs.IR
Why Not Together? A Multiple-Round Recommender System for Queries and Items
针对查询和物品推荐中用户反馈稀疏的问题,提出MAGUS多轮递归框架,融合两类信息提升推荐效率,实验验证其有效性。
2024-12-14 cs.IR
Mixture-of-RAG: Integrating Text and Tables with Large Language Models
Beijing Institute of Technology(北京理工大学);Zhejiang Gongshang University(浙江工商大学)
MixRAG通过三阶段框架整合文本和表格,提升异构文档检索性能,实现混合模态文档接地的最新成果。
2025-12-16 cs.IR
Digital Nudging with Recommender Systems: Survey and Future Directions
推荐系统如今是我们在线用户体验中普遍存在的一部分,它们要么充当信息过滤器,要么为我们提供额外相关内容的建议。因此,这些系统会影响我们容易访问哪些信息,从而通过对所呈现内容的自动选择和排名来影响我们的决策过程。因此,自动推荐可以被视为数字推动,因为它们决定了用户选择架构的不同方面。在这项工作中,我们研究了数字轻推和推荐系统之间的关系,主题,到目前为止,大多是孤立的研究。通过系统的文献检索,我们首先确定了87轻推机制,我们在一个新的分类法进行分类。随后的分析表明,只有一小部分,这些轻推机制,以前调查的背景下,推荐系统。这表明,有一个巨大的潜力,开发未来的推荐系统,利用数字轻推的力量,以影响用户的决策。因此,在这项工作中,我们概述了潜在的方法,将推动机制到推荐系统。
2021-01-13 cs.HC cs.IR
Large Language Model Can Interpret Latent Space of Sequential Recommender
本文提出RecInterpreter框架,通过轻量适配器和序列残差提示,使LLaMA等大语言模型能够解读基于ID的序列推荐器的隐空间表示,并实例化生成式推荐器输出的理想物品。
2023-10-31 cs.IR
CBPF: leveraging context and content information for better recommendations
推荐系统帮助用户在大量的信息中找到合适的项目。已经提出了不同类型的推荐系统。其中,上下文感知推荐系统的目标是尽可能多地个性化的建议,根据上下文的情况下,用户是。在本文中,我们提出了一种方法集成到推荐过程中的上下文信息建模无论是基于项目的或基于用户的影响的情况下,评级,使用皮尔逊相关系数。所提出的解决方案的目的是在推荐过程中利用内容和上下文信息。我们评估并显示我们的方法在三个不同的上下文数据集上的有效性,并根据这些数据集的特性,特别是输入数据的稀疏程度和可用信息量,分析我们的方法的变体的性能。
2018-10-01 cs.IR
Adaptive Multi-Agent E-Learning Recommender Systems
近年来,由于可用教育资源的过载,使得个人难以在互联网上手动搜索所需的资源,教育推荐系统已成为一种必要。电子学习推荐系统简化了从分散的万维网资源库中根据每个用户的需求收集合适的网页和web文档的繁琐任务,从而增加了研究它们的需求和好奇心。检索少数建议从一个非常巨大的收集网页使用不同的推荐技术成为一个富有成效的和时间效率的过程时,系统的功能与一组合作代理。在动态的网络环境中,系统还需要跟上不断变化的用户兴趣和网络资源,因此自适应性是决定推荐系统效率的一个重要因素。本文提供了这样的自适应多代理电子学习推荐系统的概述和实施它们的概念。它精确地提供了想要研究这种系统的最先进工作的研究人员所需的所有信息,从而使他能够决定自己系统的实现概念。
2020-12-17 cs.IR cs.MA
Personalized Multi-task Training for Recommender System
本文提出首个个性化多任务学习算法PMTRec,通过动态调整任务权重、Task Focusing和Gradient Magnitude Balancing模块解决多源信息融合挑战,在3个真实数据集上显著提升了推荐准确度。
2024-07-31 cs.IR
RecKG: Knowledge Graph for Recommender Systems
Inha University(仁荷大学)
本文提出标准化推荐系统知识图谱 RecKG,通过统一实体表示、属性类型与命名约定整合异构推荐数据集,并基于图数据库实现应用,定性评估验证其互操作性。
2026-09-30 cs.AI cs.IR
Integrating Topic Models and Latent Factors for Recommendation
目前,在各种网络应用中,存在着大量的在线项目,这使得建立有效的个性化推荐系统,以节省用户的信息搜索的努力成为一个重要的任务。协同过滤(CF)技术是目前应用最广泛、最成功的个性化推荐方法之一,它根据用户的历史选择以及其他用户的历史选择进行推荐。最流行的CF方法,如潜在因素模型(LFM),是通过理解用户意见的隐藏维度或因素来建模用户如何评估项目。如何对这些隐藏因素进行建模是提高推荐系统性能的关键。在这项工作中,我们考虑的旅游规划服务的酒店推荐问题,通过整合的位置信息和用户的推荐偏好。直觉是,用户偏好可以在不同的位置上动态地改变,因此将用户的历史决策视为静态的或普遍适用的在现实世界的应用中可能是不可行的。例如,用户在商务旅行时可能更喜欢具有标准配置的连锁品牌酒店,而在娱乐旅行时他们可能更喜欢独特的本地酒店。在本文中,我们的目标是提供旅行级个性化的用户推荐。
2021-12-28 cs.AI cs.IR
Representation Learning for Recommender Systems with Application to the Scientific Literature
Université de Lyon(里昂大学)
科学文献是一个庞大的信息网络,将各种行为者(实验室、公司、机构等)联系在一起。由该网络生成的大量数据构成了动态异构属性网络(HAN),其中不断产生新的信息,并且从中提取感兴趣的内容越来越困难。在这篇文章中,我提出了我的第一个论文作品与工业公司合作,数字科学研究技术。这之后提供了一个科学手表工具,Peerus,解决各种问题,如实时的推荐新发表的论文或寻找活跃的专家开始新的合作。为了解决这种多样性的应用程序,一个常见的方法是学习表示的节点和属性的HAN,并使用它们作为各种推荐任务的功能。然而,大多数关于属性网络嵌入的工作对文本属性关注太少,并且没有充分利用最近的自然语言处理技术。此外,所提出的方法,共同学习节点和文档表示不提供一种方法来有效地推断网络信息丢失的新文档的表示,这恰好是至关重要的实时的推荐系统。最后,在文本属性的异构网络中,文本和图形数据之间的相互作用仍然是一个开放的研究方向。
2019-02-28 cs.CL cs.DL cs.IR
Integrating Document Clustering and Topic Modeling
Carnegie Mellon University(卡内基梅隆大学);Tsinghua University(清华大学)
文档聚类和主题建模是两个密切相关的任务,可以相互受益。主题建模可以将文档投影到一个主题空间中,这有助于有效的文档聚类。通过文档聚类发现的聚类标签可以被合并到主题模型中,以提取特定于每个聚类的局部主题和所有聚类共享的全局主题。在本文中,我们提出了一个多粒度聚类主题模型(MGCTM),它集成了文档聚类和主题建模到一个统一的框架,并共同执行这两项任务,以达到整体最佳性能。该模型将两个组件紧密耦合:用于发现文档集合中潜在组的混合组件和用于挖掘多粒度主题的主题模型组件,其中多粒度主题包括特定于每个簇的局部主题和跨簇共享的全局主题,采用变分推理来近似隐变量的后验,并学习模型参数。在两个数据集上的实验证明了该模型的有效性。
2013-09-26 cs.CL cs.IR cs.LG
Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems
针对序列推荐系统均匀对待历史行为导致次优性能的问题,提出基于强化学习的自动采样框架AutoSAM,通过非均匀采样构建更具泛化能力的模型,实验证明其有效性。
2025-05-30 cs.IR
Integrating Semantics and Neighborhood Information with Graph-Driven Generative Models for Document Retrieval
Sun Yat-sen University(中山大学);Université de Montréal(蒙特利尔大学);Tencent Jarvis Lab(腾讯天衍实验室);SUNY at Buffalo(纽约州立大学布法罗分校)
随着对检索速度和存储空间要求的不断提高,文档哈希算法在大规模信息检索中发挥着重要的作用。为了生成高质量的哈希代码,语义和邻域信息都是至关重要的。然而,大多数现有的方法只利用其中之一或简单地通过一些直观的标准将它们组合起来,缺乏理论原则来指导集成过程。在本文中,我们编码的邻域信息与图诱导的高斯分布,并提出了集成的两种类型的信息与图驱动的生成模型。为了处理文档之间复杂的相关性,我们进一步提出了一种树结构的近似学习方法。在近似下,我们证明了训练目标可以分解为只涉及单例或成对文档的项,使模型能够像不相关的模型一样有效地训练。在三个基准数据集上的大量实验结果表明,我们的方法比最先进的方法具有更好的性能,证明了所提出的模型同时保留语义和邻域信息的有效性。
2021-05-27 cs.AI cs.IR
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec,通过AI生成器结合用户指令实现内容生成、重新利用与创建,突破传统检索式推荐的局限,并探讨其可信度、发展路线及应用可行性。
2024-02-25 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
ERPA: Efficient RPA Model Integrating OCR and LLMs for Intelligent Document Processing
MSA university(MSA大学)
本文提出ERPA模型,通过融合OCR与大语言模型提升移民场景下的证件数据提取效率,相比UiPath等平台处理时间最高缩短94%,仅需9.94秒完成提取。
2024-12-24 cs.CV cs.HC cs.IR
Towards a Unified Paradigm: Integrating Recommendation Systems as a New Language in Large Models
Microsoft(微软公司)
本文提出RSLLM框架,将序列推荐视为新语言,结合传统推荐器ID嵌入与文本特征,通过两阶段微调将行为知识融入LLM,实验证明其有效性。
2024-12-22 cs.AI cs.CL cs.IR
Inductive Conformal Recommender System
National Institute of Technology, Warangal(瓦朗加尔国立理工学院);Mahindra University(马恒达大学);University of Hyderabad(海得拉巴大学);University of Delhi(德里大学)
传统的推荐算法开发的技术,可以帮助人们选择所需的项目。然而,在许多现实世界的应用中,除了一组建议之外,量化每个建议的(非)确定性也是至关重要的。适形推荐系统使用用户的经验来输出一组推荐,每个推荐与精确的置信度值相关联。给定显著性水平$\varepsilon$,它提供了关于做出错误推荐的概率的界限$\varepsilon$。适形框架使用了一个称为\emph{nonconformity measure}的关键概念,它衡量一个项目对其他项目的陌生度。任何共形推荐框架的一个重要设计挑战是将不一致性度量与推荐算法相结合。本文介绍了共形推荐系统的一个归纳变体。我们提出并分析了不同的不符合措施,在感应设置。并对算法的误差界和时间复杂度进行了理论证明。在十个基准数据集上的大量实证分析表明,归纳变体在保持准确性的同时大大提高了计算时间的性能。
2022-01-25 cs.IR cs.LG
Improving Rating and Relevance with Point-of-Interest Recommender System
Ryerson University(瑞尔森大学)
兴趣点推荐在基于位置的社交网络中是必不可少的。它使用户和位置更容易共享信息。最近,研究人员倾向于推荐POI,将它们视为需要大量表示查询项相关性的训练数据的大规模检索系统。然而,在检索系统中收集用户反馈是一项昂贵的任务。现有的POI推荐系统仅基于用户和项目(位置)交互进行推荐。然而,有许多反馈来源需要考虑。例如,当用户访问POI时,POI是关于什么的等等。在开发POI推荐器时,集成所有这些不同类型的反馈是必不可少的。在本文中,我们提出使用用户和项目信息和辅助信息,以改善检索系统中的推荐模型。我们开发了一个深层的神经网络架构,在协作和内容信息的存在下对查询项相关性进行建模。我们还提高了质量的学习表示的查询和项目,包括上下文信息的用户反馈数据。将这些学习到的表示应用于大规模数据集导致了显着的改进。
2022-02-17 cs.IR cs.LG
PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System
针对联邦推荐系统因本地数据不足、缺乏全局协同信息导致性能下降的问题,提出带差分隐私保障的数据贡献框架PDC-FRS,通过并行辅助模型扩充本地数据、融合全局信息,在两个公开数据集上优于基线方法。
2024-09-12 cs.IR
Structure and Semantics Preserving Document Representations
从语料库中检索相关文档通常基于文档内容和查询文本之间的语义相似性。包含文档之间的结构关系可以通过解决语义缺口而有益于检索机制。然而,合并这些关系需要易于处理的机制,平衡结构与语义,并利用流行的预训练/微调范式。在这里,我们提出了一个整体的方法来学习文档表示,通过整合文档内的内容与文档间的关系。我们的深度度量学习解决方案分析了关系网络中的复杂邻域结构,以有效地对相似/不相似的文档对进行采样,并定义了一个新的五元组损失函数,该函数同时鼓励语义相关的文档对在表示空间中更接近,结构上不相关的文档对在表示空间中相距较远。此外,文档之间的分隔边界灵活地变化,以编码关系强度的异质性。该模型是完全可微调的,并且在推理过程中原生地支持查询投影。我们证明,它优于竞争的方法在多个数据集上的文档检索任务。
2022-04-02 cs.IR
Behavior-Mining, Generative Conversations, and Collaborative Advisory: the Future of Travel and Tourism Recommender Systems
本文指出旅游推荐系统因数据过时、算法忽视领域维度及未满足旅行者需求而未能普及,受生成式AI冲击,主张未来系统应成为整合多数据类型、平衡多方利益的灵活顾问。
2026-10-07 cs.IR
Sparse Meets Dense: A Hybrid Approach to Enhance Scientific Document Retrieval
本文针对科学文档检索问题,提出结合传统稀疏词袋向量与基于大型语言模型的密集嵌入的混合检索方法,在囊性纤维化医学基准上实验证明该混合模型显著优于单一方法。
2024-01-08 cs.IR
Integrating Lexical and Temporal Signals in Neural Ranking Models for Searching Social Media Streams
University of Maryland(马里兰大学);University of Waterloo(滑铁卢大学);Comcast Applied AI Research Labs(康卡斯特应用人工智能研究实验室)
在搜索社交媒体帖子流时,时间是一个重要的相关性信号。可以利用来自初始查询的结果的文档时间戳的分布来推断相关文档的分布,然后可以使用相关文档的分布来对初始结果进行重新排序。以前的实验表明,核密度估计是这个想法的一个简单而有效的实现。本文探讨了另一种方法来挖掘时间信号与循环神经网络。我们的直觉是,神经网络提供了一个更具表现力的框架来捕捉相邻文档在时间上的时间一致性。据我们所知,我们是第一个将词汇和时间信号集成到端到端神经网络架构中的公司,在该架构中,现有的神经排名模型用于生成查询-文档相似性向量,这些向量被馈送到双向LSTM层进行时间建模。我们的结果好坏参半:单独用于文档排序的现有神经模型相对于简单基线产生有限的改进,但是词汇和时间信号的集成相对于竞争性时间基线产生显著的改进。
2017-07-25 cs.CL cs.IR
A Theory of Information Matching
在这项工作中,我们提出了一个理论的信息匹配。它的动机是观察,检索是关于两组属性(特征)之间的相关性匹配,即信息需求表示和信息项表示。然而,许多概率检索模型依赖于固定一种表示并优化另一种表示(例如,固定单个信息需求并调整文档),而不是两者兼而有之。因此,在计算相关性概率时,很难同时使用关于文档和查询的可用相关信息。在本文中,我们解决这个问题,通过假设的相关性作为两组属性之间的逻辑关系,这些属性之间的关系定义在两个单独的映射。通过使用的假设,我们开发了一个统一的概率相关性模型,它是能够使用所有可用的信息。我们验证了所提出的理论,制定和开发的概率相关性排名功能的特设文本检索和协同过滤。我们在文本检索中的推导说明了在没有相关信息的情况下使用该理论。在协同过滤中,我们表明,所得到的推荐模型统一的用户和项目的信息到一个相关性排名功能,而不应用任何降维技术或计算两个不同的用户(或项目)之间的显式相似性,在对比国家的最先进的推荐模型。
2012-06-01 cs.IR