A Practical Two-stage Ranking Framework for Cross-market Recommendation
跨市场推荐是指在资源稀缺的目标市场中，利用用户在资源丰富的目标市场中的行为向用户推荐产品，这对于电子商务企业来说是至关重要的，但目前研究较少。在本文中，我们提出了我们在跨市场推荐竞赛中采用的详细解决方案，即，第2022章.为了更好地利用目标市场和源市场之间的协作信号和相似性，我们仔细考虑了多个特征以及由深度图推荐模型（图神经网络，DeepWalk等）组成的堆叠学习模型。和传统推荐模型（ItemCF、UserCF、Swing等）。此外，我们采用基于树的集成方法，例如，LightGBM在预测任务中显示出优越的性能，以生成最终结果。我们在XMRec数据集上进行了全面的实验，验证了我们的模型的有效性。我们团队WSDM_Coggle_提出的解决方案被选为第二名。
2022-04-27 cs.IR
SeqUDA-Rec: Sequential User Behavior Enhanced Recommendation via Global Unsupervised Data Augmentation for Personalized Content Marketing
Southwest University of Finance and Economics（西南财经大学）；Columbia Business School, Columbia University（哥伦比亚大学商学院）；School of Humanities and Sciences, Stanford University（斯坦福大学人文与科学学院）
SeqUDA-Rec通过全局无监督数据增强与用户行为序列建模相结合，利用图对比学习和GAN生成交互模式，在真实营销数据集上显著提升了推荐准确性与鲁棒性。
2025-09-22 cs.AI cs.IR
From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation
Beijing Jiaotong University（北京交通大学）；OPPO Research Institute（OPPO研究院）；Peking University（北京大学）；Nanyang Technological University（南洋理工大学）
本文提出FeCoSR框架，通过多对多协作模式和Semantics Soft Cross-Entropy解决跨市场推荐中的数据隔离和市场异质性问题，提升推荐性能。
2026-04-15 cs.IR
Multi-stage Ensemble Model for Cross-market Recommendation
Politecnico di Milano（米兰理工大学）
本文介绍了我们的团队PolimiRank为WSDM Cup 2022提供的跨市场推荐解决方案。比赛的目标是有效地利用从不同市场提取的信息，以提高两个目标市场的推荐排名准确性。我们的模型是基于属于不同市场的数据组合的多阶段方法。在第一阶段，国家的最先进的预测器被用来预测得分的用户项夫妇，这是在以下2个阶段，采用一个简单的线性组合和更强大的梯度提升决策树技术。我们队在决赛中名列第四。
2022-02-17 cs.IR cs.LG
Addressing Marketing Bias in Product Recommendations
现代协同过滤算法寻求通过发现消费者-产品交互中的模式来提供个性化的产品推荐。然而，这些交互可能会受到产品销售方式的影响，例如由于产品图像中特定人体模型的选择。这些相关性可能导致交互数据中特定利基市场的代表性不足;例如，可能喜欢摩托车产品的女性用户可能不太可能与他们交互，如果他们使用刻板的“男性”图像进行促销。在本文中，我们首先调查了用户的互动反馈和产品的营销形象之间的相关性在两个现实世界的电子商务数据集。我们进一步研究了几个标准的协同过滤算法的响应，消费产品细分市场的输入交互数据的分布，揭示了营销策略可以是现代推荐系统的偏见的来源。为了保护推荐表现在代表性不足的细分市场，我们开发了一个框架，以解决这种潜在的营销偏见。定量结果表明，所提出的方法显着提高了不同细分市场的推荐公平性，与一个可以忽略不计的损失（或更好）的推荐准确性。
2019-12-04 cs.IR cs.SI
Dual prototype attentive graph network for cross-market recommendation
Xi’an Jiaotong–Liverpool University（西交利物浦大学）
本文提出双原型注意图网络用于跨市场推荐，通过整合市场特定和共享的见解提升推荐系统性能。
2025-08-08 cs.IR
When the Umpire is also a Player: Bias in Private Label Product Recommendations on E-commerce Marketplaces
在像亚马逊这样的大型电子商业市场上，商业推荐在数百万客户和产品（反过来，他们的生产者和销售者）之间进行互动。近年来，生产商和销售商对这些市场上部署的黑盒推荐算法的公平性提出了担忧。许多投诉都集中在市场上，这些市场偏向于算法，优先支持自己的“自有品牌”产品而不是竞争对手。随着市场越来越不强调“有机”推荐或用广告驱动的“赞助”推荐（包括自己的私人标签）取代“有机”推荐，这些担忧变得更加严重。虽然这些问题已经在大众媒体上报道，并引发了监管调查，但据我们所知，还没有对这些市场算法进行任何公开审计。在这项研究中，我们通过对亚马逊上的相关项目推荐进行端到端的系统审计来弥合这一差距。我们提出了一个以网络为中心的框架来量化和比较有机和赞助相关项目推荐的偏见。在我们提出的一些偏见措施中，我们发现与有机推荐相比，赞助推荐更倾向于亚马逊自有品牌产品。虽然我们的研究结果主要是亚马逊上的生产者和销售者感兴趣的，但我们提出的偏见措施通常适用于测量任何社交或内容网络中的链接形成偏见。
2021-02-02 cs.CY cs.IR
Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation
随着电子商务中数据的爆炸式增长，冷启动成为推荐系统中的一个关键问题。大多数现有的研究提出，以减轻冷启动问题也被称为混合推荐系统，学习表示的用户和项目相结合的用户项目的互动和用户/项目的内容信息。然而，以前的混合方法经常遭受低效率的在线推荐与大规模的项目，因为他们的目的是投影到连续的潜在空间中的在线推荐是昂贵的。为此，我们提出了一个协同生成哈希（CGH）框架，以提高效率，表示用户和项目的二进制代码，然后快速哈希搜索技术可以用来加快在线推荐。此外，建议CGH可以产生潜在的用户或项目的营销应用，其中生成网络的设计与最小描述长度（MDL）的原则，这是用来学习紧凑和信息的二进制代码。在两个公共数据集上的实验表明，在各种环境下的建议竞争基线的优势，并分析其在营销应用的可行性。
2020-11-02 cs.IR
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
Fast and Examination-agnostic Reciprocal Recommendation in Matching Markets
针对匹配市场现有推荐方法计算成本高且依赖特定考察函数的问题，提出基于可转移效用匹配模型的快速且与考察无关的互惠推荐算法，在合成与真实数据上实现了更优或持平的匹配数并支持大规模数据。
2023-07-27 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功，人们对它们在匹配市场中的使用越来越感兴趣（例如，劳动）。虽然这有可能提高市场的流动性和公平性，但我们在本文中表明，天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中，候选人申请，然后得到雇主的评估，我们提出了一个新的推荐框架来模拟这种互动机制，并提出了有效的算法计算个性化的排名在这种情况下。我们发现，最佳排名不仅需要考虑候选人和雇主的潜在不同偏好，而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数（例如，单侧或互反相关性）是非常次优的--不仅对于个人用户，而且对于社会目标（例如，低失业率）。为了解决这个缺点，我们提出了第一种方法，用于联合优化市场上所有候选人的排名，以显式地最大化社会福利。除了理论推导，我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统，我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年，仅在亚马逊，网络用户每秒订购73件商品，并对他们的消费体验做出大量评论。随着Web的成熟，变得社会化和参与性，协作过滤器是搜索有关人员，事件和产品的在线信息的基本补充。在Web 2.0中，连接的消费者创建的不仅仅是内容（例如评论），而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是，它促进了互联消费者更有效地搜索和浏览复杂的网络，并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实，在计算机和营销研究的相关研究，以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上，我们描述了一个分类的推荐系统的基础上两个家庭的标准：如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号，并作为一个桥梁，在商业和营销文献的相关问题。我们的分析集中在一对一营销，基于网络的营销，网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下，建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
Bert4XMR: Cross-Market Recommendation with Bidirectional Encoder Representations from Transformer
针对跨市场推荐中忽略商品共现性和负迁移的问题，提出基于会话的Bert4XMR模型，采用预训练与微调范式并结合市场嵌入与商品嵌入分离机制，在七个数据集上显著优于次优模型并有效缓解负迁移。
2023-07-26 cs.IR
MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets
CyberAgent, Inc.（CyberAgent公司）
本文针对匹配平台的互惠推荐系统，提出MODE方法计算直接效应的相互最优推荐，实验显示其在直接效应最优性、处理速度和预期匹配数上优于现有方法。
2026-08-04 cs.IR
Online Dating Recommendations: Matching Markets and Learning Preferences
在线约会推荐系统最近引起了研究界的广泛关注。本文提出了一个双边匹配的网络约会推荐框架，并设计了一个LDA模型，从观察到的用户消息传递行为和用户简档特征来学习用户偏好。使用大型在线约会网站的数据进行的实验结果表明，双边匹配显著提高了45%的成功匹配率。最后，使用模拟匹配，我们表明，LDA模型可以正确地捕捉用户的喜好。
2014-01-31 cs.IR cs.SI physics.soc-ph
Equity by Design? On the Trade-Offs in Fairness-Driven Recommendation in Heterogeneous Two-Sided Markets
University of Amsterdam（阿姆斯特丹大学）；Vinted
本文提出一个离线优化框架，统一分析多物品推荐、异质用户群体和业务约束下的公平性权衡，发现多推荐场景下“免费公平”消失，适度的生产者公平约束可通过多样化曝光改善业务指标。
2026-07-03 cs.GT cs.IR
Fair Reciprocal Recommendation in Matching Markets
本文研究双边匹配市场中的互惠推荐公平性问题，提出基于纳什社会福利函数的方法寻找接近无嫉妒的推荐策略，以在期望匹配数量与机会公平之间取得平衡。
2024-09-01 cs.IR
Interactive Recommendations for Optimal Allocations in Markets with Constraints
University of California, Berkeley（加州大学伯克利分校）；Salesforce Research（赛富时研究院）
推荐系统在市场中起着双重作用：它们帮助用户从一个大的库中选择他们最想要的物品，并帮助将有限数量的物品分配给最想要的用户。尽管在许多现实世界的建议设置的分配能力的限制，一个原则性的方式将它们纳入这些系统的设计一直缺乏。出于这一动机，我们提出了一个互动的框架，系统提供商可以提高质量的建议，用户通过机会主义地探索分配，最大限度地提高用户的奖励和尊重的能力限制，使用适当的定价机制。我们建模的问题作为一个低秩的组合多臂强盗问题的一个实例，选择限制的武器。我们采用了一种综合的方法，使用技术从协同过滤，组合土匪，最优资源分配，提供一个算法，可证明实现次线性遗憾，即$\tilde{\mathcal{O}} ( \sqrt{N M (N+M) RT} )$在$T$轮的问题与$N$用户，$M$项目和排名$R$平均奖励矩阵。对合成数据和真实数据的实证研究也证明了我们方法的有效性和性能。
2022-07-28 cs.GT cs.IR cs.LG
Tailor: Size Recommendations for High-End Fashion Marketplaces
FARFETCH
针对高端时尚市场，提出整合隐式和显式用户信号的序列分类方法，采用 LSTMs 和 Attention 机制构建模型，显著提升了推荐准确率和用户覆盖率，并验证了实时场景下的低延迟可用性。
2024-01-03 cs.IR cs.LG
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
Collaborative Multi-modal deep learning for the personalized product retrieval in Facebook Marketplace
Facebook Marketplace正在迅速成为消费者青睐的C2C产品交易平台。其背后的推荐系统有助于显著提升用户体验。为Facebook Marketplace构建推荐系统具有挑战性，原因有两个：1）可扩展性：Facebook Marketplace中的产品数量巨大。每天需要在几百毫秒内为数以万计的产品进行评分和推荐; 2）冷启动：C2C产品的生命周期很短，产品上的用户活动稀疏。因此，很难积累足够的产品级信号用于推荐，我们正面临着一个重大的冷启动问题。在本文中，我们建议通过构建一个基于协作多模态深度学习的检索系统来解决可扩展性和冷启动问题，在该系统中，使用多模态内容信息来训练用户和产品的紧凑嵌入。该系统在在线和离线实验中均表现出了显著的改进：在线实验中，买方向卖方发起的消息数量增加了+26.95%;离线实验中，预测准确率提高了+9.58%。
2018-05-31 cs.IR
One Model, Two Markets: Bid-Aware Generative Recommendation
Harvard University（哈佛大学）；Google Research（谷歌研究）
本文提出GEM-Rec框架，整合商业相关性和 monetization 目标，通过控制令牌和竞价感知解码机制实现动态优化，确保高价值物品生成。
2026-03-23 cs.AI cs.GT cs.IR
Impact of Rankings and Personalized Recommendations in Marketplaces
Columbia University, Graduate School of Business（哥伦比亚大学商学院）；University of Toronto Scarborough, Department of Management（多伦多大学士嘉堡校区管理学院）
本文通过大市场模型，量化了无容量与有容量约束供给下，公共排名和个性化推荐对市场福利的影响，发现二者价值随市场条件和偏好异质性变化，且引入策略定价后价值会被市场短边获取。
2026-08-17 cs.CY cs.IR econ.TH
Learn by Selling: Equipping Large Language Models with Product Knowledge for Context-Driven Recommendations
Ingka Group（英卡集团）
本文提出通过训练LLMs响应包含产品ID的合成搜索查询来装备产品知识，并系统分析了该方法在上下文驱动推荐中的有效性、优势与局限。
2024-07-30 cs.AI cs.IR
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo；Facebook AI Research
我们提出了Meta-M2 vec，一种新的方法来计算项目相似度的建议，利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说，项元数据作为辅助信息被注入到模型中，以正则化项嵌入。我们表明，新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
Investigating Misinformation in Online Marketplaces: An Audit Study on Amazon
搜索和推荐系统是我们日常生活中无处不在和不可替代的工具。尽管他们在选择和排列最相关的信息方面发挥着关键作用，但他们通常不考虑向用户提供的信息的真实性。在本文中，我们介绍了一种审计方法，以调查在搜索结果和网上市场的建议中出现的错误信息的程度。我们调查的因素和个性化的属性，影响搜索和建议中的错误信息的量。最近，多家媒体报道批评亚马逊托管和推荐的商品在疫苗等主题上宣传错误信息。受这些报告的启发，我们在亚马逊上应用我们的算法审计方法来验证这些说法。我们的审计研究调查了（a）可能影响亚马逊搜索算法的因素，以及（b）有助于放大在搜索结果和推荐中向用户推荐的错误信息量的个性化属性。我们的审计研究收集了约526k的搜索结果和约182k的主页推荐，约8.5k的独特项目。每个项目都注释了其对疫苗错误信息的立场（赞成，中立或反对）。研究结果表明：（1）默认特征搜索算法对含有错误信息立场的搜索结果的选择和排序与搜索查询的立场和顾客对商品的评价呈正相关（评分和评论），（2）搜索结果的错误信息立场既不受用户活动的影响，也不受交互的影响（3）内置于用户主页中的过滤气泡具有与用户交互的项目的错误信息立场正相关的错误信息立场。
2020-09-25 cs.IR
Deep neural network marketplace recommenders in online experiments
Schibsted Media Group（Schibsted 传媒集团）
推荐在市场中被广泛使用，以将用户与与他们的兴趣和需求相关的项目相匹配。为了了解用户意图并根据他们的需求定制推荐，我们使用深度学习来探索市场中可用的各种异构数据。本文重点讨论了衡量推荐性能的挑战，并总结了几种有前途的深度神经网络分类器的在线实验结果-混合项目表示模型，结合了用户参与度和内容的特征，基于序列的模型，以及通过对多个子模型的建议进行重新排名来优化用户参与度的多臂强盗模型。这些机器人目前正在挪威领先的市场FINN.no上运行，每天为超过100万名游客提供服务。
2018-09-06 cs.IR cs.LG stat.ML
ReCon: Reducing Congestion in Job Recommendation using Optimal Transport
针对职位推荐中职位曝光与申请集中导致的拥堵问题，本文提出 ReCon，将最优输运与推荐模型结合进行多目标优化，在两个真实数据集上兼顾拥堵缓解与 NDCG 等推荐效果。
2023-08-18 cs.IR
Utilizing Online Social Network and Location-Based Data to Recommend Products and Categories in Online Marketplaces
最近的研究揭示了在线社交网络对于提高推荐系统质量的重要性，并鼓励研究界研究更好的利用社交信息进行推荐的方法。为了促进这一稀疏的研究领域，在本文中，我们利用用户沿着三个数据源（市场，社交网络和基于位置的）的交互来评估他们在一个几乎没有研究过的领域的表现：推荐产品和感兴趣的领域（即，产品类别）提供给在线市场环境中的人。为此，我们为每个数据源定义了基于内容和网络的用户相似性特征集，并使用基于用户的协同过滤（CF）方法和混合推荐算法相结合来研究它们，以评估哪一个提供最佳推荐性能。有趣的是，在我们对从流行的在线虚拟世界SecondLife收集的丰富数据集进行的实验中，我们发现，依赖于从社交网络数据中获得的用户相似性特征的预测者在预测产品的准确性方面显然产生了最好的结果，而从市场和基于位置的数据源获得的特征在预测类别的情况下也获得了非常好的结果。这一发现表明，所有三种类型的数据来源都很重要，应根据建议任务的专业化程度加以考虑。
2014-09-08 cs.IR
Exposing Product Bias in LLM Investment Recommendation
Xi’an Jiaotong University（西安交通大学）；Shanghai Jiaotong University（上海交通大学）；University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校）
本文首次系统研究大语言模型投资推荐中的产品偏见，通过构建覆盖五类资产的567,000样本数据集，发现LLMs对特定产品存在系统性偏好且去偏后仍持续，并呼吁关注其对市场公平与安全的影响。
2025-03-11 cs.AI cs.CL cs.IR
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media（计算与数字媒体学院）；DePaul University（德保罗大学）
许多推荐系统都存在受欢迎程度偏差问题：受欢迎的产品经常被推荐，而不太受欢迎的利基产品很少被推荐。然而，那些被忽视的产品正是企业需要寻找客户的产品，他们的推荐会更有益。在本文中，我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法，使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
Real-time and personalized product recommendations for large e-commerce platforms
University of Pisa - Department of Computer Science H\&M - AI, Analytics \& Data
本文提出一种基于图神经网络和简约学习的方法，为大型电商平台提供实时、准确且可扩展的个性化商品推荐，在真实约束下有效预测购买序列并处理多交互场景。
2025-06-26 cs.AI cs.IR
A Multi-Objective Learning to re-Rank Approach to Optimize Online Marketplaces for Multiple Stakeholders
Expedia LPS（亿客行旅行社合作伙伴解决方案）
多目标推荐系统解决了推荐与多个可能冲突的标准相关的项目的困难任务。然而，这些系统通常被设计为解决一个单一的利益相关者的目标，通常，在在线商务中，消费者的输入和购买决策最终决定了推荐系统的成功。在这项工作中，我们解决多目标，多利益相关者，建议问题涉及一个或多个目标（S）每个利益相关者。除了消费者利益相关者之外，我们还考虑了另外两个利益相关者：提供商品和服务的供应商，以及负责通过推荐算法帮助消费者与供应商联系的中介。我们分析的多目标，多利益相关者，问题的角度来看，在线市场中介的目标是最大限度地提高其佣金通过其推荐系统。我们定义了一个多目标问题，涉及我们所有的三个利益相关者，我们解决了一个新的学习重新排名的方法，利用一个新的正则化函数的基础上的肯德尔tau相关性度量及其内核版本;给定为消费者建立的项目推荐的初始排名，我们的目标是重新排序，使得新的排序也针对次要目标进行优化，同时保持接近初始排序。我们评估我们的方法在Expedia提供的酒店推荐的真实数据集上，我们展示了我们的方法对面向业务规则的基线模型的有效性。
2017-08-03 cs.IR cs.LG
Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks
Washington University in St. Louis（圣路易斯华盛顿大学）；Columbia University（哥伦比亚大学）；University of Nebraska - Lincoln（内布拉斯加大学林肯分校）
本文提出融合大语言模型与图神经网络的混合框架，通过文本编码和异构图消息传递联合优化嵌入，在金融推荐中实现更高准确率、召回率、NDCG及可解释性。
2025-06-06 cs.AI cs.IR
Parallel and Multi-Stage Knowledge Graph Retrieval for Behaviorally Aligned Financial Asset Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
针对大语言模型金融推荐存在的上下文受限、幻觉、缺乏行为依据等问题，本文提出检索增强框架RAG-FLARKO，通过多阶段并行知识图谱检索构建紧凑子图，可让小模型实现高推荐质量与行为对齐效果。
2025-10-08 cs.AI cs.IR cs.LG
PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions
UC Davis（加州大学戴维斯分校）
新兴的Meta和多元宇宙景观是朝着更普遍地使用已经无处不在的在线市场迈出的又一步。在这样的市场中，推荐系统通过向用户提供感兴趣的项目，从而缩小包括数十万产品的巨大搜索空间而发挥关键作用。推荐系统通常被设计为学习常见的用户行为并依赖它们进行推理。这种方法虽然有效，但却忽视了区分人类的微妙特质。专注于这一观察，我们提出了一个架构，依赖于共同的模式，以及个人的行为，为每个人量身定制的建议。在受控环境下的仿真表明，我们提出的模型学习可解释的个性化用户行为。尼尔森消费者面板数据集上的实证结果表明，所提出的方法实现了高达27.9%的性能提高相比，国家的最先进的。
2022-09-16 cs.AI cs.IR cs.LG
Understanding AI Provider Recommendations in Local Service Markets
New York University Abu Dhabi（纽约大学阿布扎比分校）
本研究审计AI在本地服务中的推荐，发现无检索时推荐多为捏造且匹配率低，启用搜索后匹配率显著提升至64-71%，并降低不当行为披露比例和都市规模偏差，表明检索配置对推荐可信度至关重要。
2026-09-17 cs.CL cs.CY cs.IR
USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
针对首页推荐中曝光偏差导致的伪负样本和伪正样本问题，提出用户意图驱动的采样与双重去偏统一框架，在淘宝首页营销板块使UCTR提升35.4%和14.5%。
2025-07-10 cs.IR
Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census
Norly Research（诺利研究）
本研究对巴厘岛两个区域的4776家餐饮场所开展完整普查，审计四大AI助手的推荐结果，发现多数场所未被推荐、存在过时推荐问题，且跨系统一致性低。
2026-08-10 cs.CY cs.IR
Off-Policy Evaluation and Learning for Matching Markets
Wantedly, inc.（Wantedly公司）；Independent Researcher（独立研究者）；Cornell University（康奈尔大学）
针对匹配市场大规模双向交互导致的方差和奖励稀疏问题，本文提出结合DM、IPS、DR并引入中间标签的OPE估计器DiPS和DPR，并证明其可扩展至离线策略学习，在合成数据和真实求职平台实验中均优于现有方法。
2025-07-18 cs.IR cs.LG
Specializing Joint Representations for the task of Product Recommendation
我们提出了一个统一的产品嵌入式表示，是优化的检索为基础的产品推荐的任务。为此，我们引入了一种新的方式来融合特定于模态的产品嵌入到一个联合产品嵌入，以利用产品内容信息，如文本描述和图像，以及产品协同过滤信号。通过在我们的架构的最后引入融合步骤，我们能够单独训练每种模态，使我们能够保持一个模块化架构，这在现实世界的推荐部署中是最好的。我们分析了我们在正常和硬推荐设置上的性能，例如冷启动和跨类别推荐，并在大型产品购物数据集上实现了良好的性能。
2017-07-18 cs.IR
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；AWS AI Lab（AWS人工智能实验室）；Washington State University（华盛顿州立大学）
针对新兴市场 I2I 推荐关系数据不足的问题，提出基于 GNN 的个性化联邦领域自适应框架，以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
Five lessons from building a deep neural network recommender
Schibsted Media Group（施布斯特传媒集团）
推荐算法在市场中被广泛采用，以帮助用户找到他们正在寻找的项目。用户矩阵的稀疏性和市场中的冷启动问题对基于矩阵分解的推荐系统提出了挑战。为了了解用户意图并根据他们的需求定制推荐，我们使用深度学习来探索市场中可用的各种异构数据。本文总结了我们在挪威领先的市场FINN.no.上使用最先进的深度学习推荐器进行实验时学到的五个经验教训。我们设计了一个混合推荐系统，该系统采用用户生成的市场内容（包括文本、图像和Meta属性），并将其与用户行为数据（如页面浏览量和消息）相结合，为市场项目提供推荐。在我们实验的各种策略中，以下五种显示出最好的效果：分阶段训练而不是端到端训练，利用页面浏览量之外的丰富用户行为，使用用户行为作为噪声标签来训练嵌入，使用迁移学习来解决不平衡数据问题，以及在混合模型中使用注意力机制。该系统目前在FINN.no上运行，点击率约为20%，每天为超过100万名访问者提供服务。
2018-10-07 cs.IR cs.LG stat.ML
Offering A Product Recommendation System in E-commerce
本文提出了一系列的显式和隐式评级的产品推荐系统的企业对客户的电子商业的目的。系统向新用户推荐产品。这取决于以前用户的购买模式，这些用户的购买模式与要求推荐的用户的购买模式接近。该系统基于加权余弦相似性度量，从数据库中所有用户的档案中找出最接近的用户简档。在产品推荐中实现了关联规则挖掘。此外，该产品推荐系统考虑了购买物品的交易时间，从而消除了序列识别问题。实验结果表明，对于隐式评分，该方法在推荐产品方面具有可接受的性能。关联规则的引入提高了推荐系统的性能指标。
2011-09-20 cs.IR
Personalizing Similar Product Recommendations in Fashion E-commerce
在时尚电子商业平台中，产品发现是良好用户体验的关键组成部分之一。有很多方法可以让人们找到他们想要的产品。类似产品推荐是用户查找与其意图产生共鸣的产品的流行模式之一。一般来说，这些推荐不是针对特定用户的。传统上，基于协同过滤的方法已经在文献中流行，用于在给定查询产品的情况下推荐非个性化产品。此外，已经关注于针对给定用户个性化产品列表。在本文中，我们结合这些方法，使用户将推荐个性化的类似产品。我们在一个大型时尚电子商业平台（Myntra）上的实验结果表明，我们可以通过在相似产品推荐上应用个性化来提高关键指标。
2018-06-29 cs.IR
Improving Recommendation Systems with User Personality Inferred from Product Reviews
人格是一种心理因素，它反映了人们的偏好，反过来又影响他们的决策。我们假设对用户个性的准确建模可以提高推荐系统的性能。然而，获取这样的个性特征既敏感又昂贵。为了解决这个问题，我们引入了一种新的方法，自动提取公共产品评论文本的个性特征。然后，我们设计和评估三个上下文感知的推荐架构，利用配置文件来测试我们的假设。在两个新的人格数据集Amazon-beauty和Amazon-music上的实验验证了我们的假设，表现出3- 28%的性能提升。我们的分析发现，不同的人格类型对推荐性能的贡献不同：开放和外向的人格对音乐推荐最有帮助，而尽责的人格对美容产品推荐最有帮助。
2023-03-21 cs.IR
Event-based Product Carousel Recommendation with Query-Click Graph
针对事件型商品轮播推荐缺乏真实标签的问题，提出基于查询-点击二部图的迭代聚类方法，推断事件相关方面并利用点击率生成推荐，实验验证其有效性。
2024-02-05 cs.IR
Context-aware Retail Product Recommendation with Regularized Gradient Boosting
Razorthink Inc（拉佐思维公司）
在FARFETCH时尚推荐挑战中，参与者需要预测各种产品在推荐印象中向用户展示的顺序。数据分两个阶段提供-验证阶段和测试阶段。验证阶段有一个带标签的训练集，其中包含一个二进制列，指示产品是否已被点击。该数据集包含超过5，000，000个推荐事件，450，000个产品和230，000个独立用户。它代表了FARFETCH平台的实际用户的真实，公正，但匿名的互动。根据第二阶段的表现进行最终评价。共有167名参与者参加了挑战，我们在最终评估中获得了第6名，测试集的MRR为0.4658。我们设计了一个独特的上下文感知系统，它考虑到产品与用户上下文的相似性，从而更有效地对产品进行排名。评估后，我们已经能够微调我们的方法，在测试集上的MRR为0.4784，这将使我们处于第三位。
2021-09-17 cs.AI cs.IR cs.LG
Large Scale Product Graph Construction for Recommendation in E-commerce
构建一个每天为数十亿用户提供服务的推荐系统是一个具有挑战性的问题，因为系统需要以O（1）时间复杂度基于实时用户行为每秒进行天文数字的预测。这种大规模的推荐系统通常严重依赖于预先建立的产品索引来加速推荐服务，因此在线用户的等待时间是不可察觉的。一个重要的索引结构是产品-产品索引，其中可以检索给定种子产品的排名产品列表。该指数可以被视为加权产品-产品图。在本文中，我们提出了我们的新技术，有效地建立这种索引的产品图。特别地，我们提出了Swing算法来捕获产品之间的替代关系，该算法可以利用用户-项目点击二分图的子结构。提出了互补产品关系建模的Surprise算法，该算法利用产品类别信息，通过聚类技术解决了用户共同购买图的稀疏性问题。基于这两种方法，我们可以构建淘宝网推荐的基础产品图。通过离线和在线实验对所提出的方法进行了综合评价，实验结果表明了该方法的有效性和效率。
2020-10-12 cs.IR
Overview of the TREC 2025 Product Search and Recommendation Track
Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系）；Coursera（可汗学院）；Snowflake（雪佛龙）；Coupang；Waseda University（早稻田大学）；Department of Information Science, Drexel University（德雷塞尔大学信息科学系）
该文介绍TREC 2025产品搜索与推荐赛道，其含查询扩展与相关产品推荐任务，提供标注产品关系数据集，相关数据可支撑会话式产品发现等应用。
2026-08-19 cs.IR
Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising
在推荐系统和广告平台中，营销人员总是希望通过诸如显示、视频或社交等媒体渠道向潜在受众提供产品、内容或广告。给定一组受众或客户（种子用户），受众扩展技术（外观相似建模）是一种很有前途的解决方案，可以识别更多的潜在受众，这些受众与种子用户相似，并且可能完成目标活动的业务目标。然而，外观相似建模面临两个挑战：（1）在实践中，公司每天可能会运行数百个营销活动来推广完全不同类别的各种内容，例如，体育，政治，社会因此，很难利用一种共同的方法来扩大所有宣传活动的受众。(2)一个活动的种子集只能覆盖有限的用户。因此，基于这种种子集的定制方法可能是过拟合的。针对这些问题，本文提出了一种新的两阶段框架--Meta Hybrid Experts and Critics（MetaHeac），并将其应用于微信相似度系统。在离线阶段，一个通用的模型，可以捕捉各种任务之间的关系，从元学习的角度对所有现有的活动任务进行训练。在在线阶段，对于一个新的活动，一个定制的模型是学习与给定的种子集的基础上的一般模型。根据离线和在线实验，建议MetaHeac显示出卓越的效果，无论是在推荐系统的内容营销活动和广告平台的广告活动。此外，MetaHeac已成功部署在微信中，用于内容和广告的推广，大大提高了营销质量。代码已在\url{https://github.com/easezyc/MetaHeac}上提供。
2021-05-31 cs.IR
Scalable and interpretable product recommendations via overlapping co-clustering
我们认为，通过识别重叠的客户和产品的共同集群，仅基于积极的或隐含的反馈，生成可解释的建议的问题。我们的方法是适用于非常大的数据集，因为它表现出几乎线性的复杂性，在输入的例子和共聚类的数量。我们表明，无论是在真实的工业数据和公开的数据集上，我们的算法的推荐准确性是有竞争力的最先进的矩阵分解技术。此外，我们的技术具有提供文本和视觉上可解释的建议的优势。最后，我们将研究如何在图形处理单元（GPU）上有效地实现我们的技术。
2017-05-17 cs.IR
Dynamic Product Image Generation and Recommendation at Scale for Personalized E-commerce
本文将基于潜在扩散的图像生成与上下文bandit相结合，大规模创建个性化商品图像，从而有效提升了电子商务在线重定向推广活动中推荐的用户参与度。
2024-08-22 cs.IR
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam（阿姆斯特丹大学）；IKEA Retail (Ingka Group)（宜家零售（英格卡集团））
本文提出基于对比学习的方法，通过引入精心挑选的负样本，提升零售场景中产品推荐的多样性和覆盖范围，同时保持推荐质量。
2026-02-09 cs.IR cs.LG
