Social Recommendation with Self-Supervised Metagraph Informax Network
South China University of Technology（华南理工大学）；University of Hong Kong（香港大学）；JD Finance America Corporation（京东金融美国公司）
近年来，研究人员试图利用在线社会信息，以减轻数据稀疏的协同过滤的基础上，社交网络提供的见解，以了解行为模式。然而，由于忽略了跨项目的相互依赖的知识（例如，产品类别），现有的社交推荐系统不足以从用户和项目侧提取异构的协作信号。在这项工作中，我们提出了一个自我监督元信息最大网络（SMIN），调查的潜力，共同将社会和知识感知的关系结构到用户的偏好表示推荐。为了对关系异构性进行建模，我们设计了一个元路径引导的异构图神经网络来聚合来自不同类型的跨用户和项目的元关系的特征嵌入，使SMIN能够维护多方面的用户和项目依赖的专用表示。此外，为了注入高阶协同信号，我们推广了自监督图协同过滤下的互信息学习范式。通过探索全局级协作关系和图拓扑的同构变换特性，赋予了用户-项目交互模式的表达建模。几个真实世界的数据集上的实验结果表明，我们的SMIN模型的有效性，在各种国家的最先进的推荐方法。我们在https://github.com/SocialRecsys/SMIN上发布源代码。
2021-10-08 cs.AI cs.IR
Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning
Lenovo Research（联想研究院）
针对大语言模型推荐中语义空间偏差、协同信息捕捉不足的问题，提出图感知学习框架GAL-Rec，通过模仿GNN多跳信息聚合增强协同语义理解，在三个真实数据集上提升了推荐性能。
2024-06-19 cs.AI cs.IR
Enhancing Sequential Recommendation with Graph Contrastive Learning
Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
顺序推荐系统通过捕捉用户的动态行为模式来预测用户的下一次交互行为。现有的顺序推荐方法大多只利用单个交互序列的局部上下文信息，并仅基于项目预测损失来学习模型参数。因此，他们通常无法学习适当的序列表示。提出了一种新的推荐框架--图对比学习顺序推荐（GCL 4SR）。具体而言，GCL 4SR采用加权项目转换图（WITG），建立在所有用户的交互序列的基础上，提供全局上下文信息的每一个交互和削弱序列数据中的噪声信息。此外，GCL 4SR使用WITG的子图来增强每个交互序列的表示。还提出了两个辅助学习目标，以最大限度地提高由相同的交互序列在WITG上诱导的增强表示之间的一致性，并最小化由WITG上的全局上下文增强的表示与原始序列的局部表示之间的差异。在真实数据集上的大量实验表明，GCL 4SR始终优于最先进的顺序推荐方法。
2022-06-07 cs.AI cs.IR
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；Hokkaido University（北海道大学）；National University of Defense Technology（国防科技大学）
针对分布式HIN语义断裂与隐私问题，提出FedHGNN框架，通过差分隐私保护的语义保持交互发布及HGNN聚合实现联邦隐私保护推荐，性能显著提升。
2024-02-28 cs.AI cs.CR cs.DC
Patterns of Multistakeholder Recommendation
推荐系统是个性化的信息系统。然而，在许多设置中，推荐的最终用户不是其需求必须在推荐生成中被表示的唯一一方。阐明这一观点产生了多利益相关者推荐的概念，其中多方的利益在推荐算法和评估中得到了体现。在本文中，我们确定了利益相关者效用的模式，不同的多利益相关者推荐应用程序的特点，并提供了一个分类的不同的可能的系统，其中只有一些目前已经实施。
2017-07-28 cs.IR
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Pohang University of Science and Technology（浦项科技大学）
推荐系统在建模用户对商品的偏好和预测用户下一次消费商品方面取得了巨大的成功。近来，已经有许多努力来利用用户与项目的交互的时间信息来捕获用户行为的固有时间模式并在给定时间提供及时的推荐。现有的研究将时间信息视为单一类型的特征，并关注如何将其与用户对项目的偏好相关联。然而，我们认为他们是不够的，充分学习的时间信息，因为用户偏好的时间模式通常是异构的。用户对特定项目的偏好可以1）周期性地增加或2）在重要的最近事件的影响下随时间演变，并且这两种时间模式中的每一种都以一些独特的特征出现。在本文中，我们首先定义了独特的特点，这两种时间模式的用户偏好，应考虑在时间感知推荐系统。然后，我们提出了一种新的推荐系统，及时的建议，称为TimelyRec，联合学习的异构时间模式的用户偏好考虑所有定义的特征。在TimelyRec中，两个编码器的级联使用针对每个编码器的建议的注意力模块来捕获用户偏好的时间模式。此外，我们引入了一个评估场景，该场景评估了在top-K推荐中预测感兴趣的项目以及何时同时推荐该项目的性能（即，项目定时建议）。我们在真实数据集上对项目推荐场景和项目定时推荐场景进行了广泛的实验，证明了TimelyRec和所提出的注意力模块的优越性。
2021-04-29 cs.AI cs.IR
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of California, Davis（加利福尼亚大学戴维斯分校）；Fudan University（复旦大学）；Pinterest Inc.（Pinterest公司）
为了模拟用户偏好的演化，我们应该学习基于时间排序的物品购买序列的用户/物品嵌入，这被定义为顺序推荐（SR）问题。现有的方法利用顺序模式来建模项转换。然而，他们中的大多数人忽略了关键的时间协作信号，这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此，我们提出统一的序列模式和时间协同信号，以提高推荐的质量，这是相当具有挑战性的。首先，难以同时编码序列模式和协作信号。其次，它是不平凡的，以表达协同信号的时间效应。因此，我们设计了一个新的框架时间图顺序推荐（TGSRec）在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器（TCT）层，该层通过采用一种新的协作注意机制，改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号，并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明，TGSRec显著优于其他基线，在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG
DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns
University of New South Wales（新南威尔士大学）
跨领域推荐一直是推荐系统研究的热点之一。最近，已经提出了各种深度模型来跨领域转移学习的知识，但是它们中的大多数集中于从辅助内容中提取抽象的可转移特征，例如，图像和评论文本，而评级矩阵本身的模式很少被触及。在这项工作中，受领域自适应概念的启发，我们提出了一个深度领域自适应模型（DARec），该模型能够从评级矩阵{ \em only}中提取和传输模式，而不依赖于任何辅助信息。我们在公共数据集上实证证明，我们的方法在几种最先进的跨域推荐模型中达到了最佳性能。
2019-05-26 cs.IR cs.LG stat.ML
Pattern-wise Transparent Sequential Recommendation
本文提出可解释框架PTSR，通过将物品序列分解为多级模式并在概率空间量化其贡献，在无需真实关键模式的情况下隐式学习模式贡献，实现了兼顾推荐性能与模型可解释性的透明序列推荐。
2025-03-04 cs.IR
Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
针对会话推荐中用户意图捕获问题，提出FAPAT模型，利用属性转移图和属性模式增强会话表示，在公开及工业数据上平均提升4.5%。
2023-12-23 cs.IR cs.LG
DELRec: Distilling Sequential Pattern to Enhance LLMs-based Sequential Recommendation
Donghua University（东华大学）；Macquarie University（麦考瑞大学）
本文提出DELRec框架，通过从传统序列推荐模型中蒸馏行为模式作为软提示，并微调LLMs利用该辅助信息，有效解决了现有LLMs推荐方法中文本信息有限、模型信息利用不充分及复杂度高的问题。
2024-12-18 cs.AI cs.IR
Can we leverage rating patterns from traditional users to enhance recommendations for children?
推荐算法的性能通常与足够的历史评级数据的可用性相关联。不幸的是，当涉及到儿童时，这一数据很少可用。在本文中，我们报告了一项初步分析，以检查有关传统用户的数据，即，成年人，可以用来加强儿童的推荐过程。
2018-08-24 cs.IR
HTP: Exploiting Holistic Temporal Patterns for Sequential Recommendation
该研究针对序列推荐挖掘更多时间信息的需求，提出融合三类时间模式的HTP神经网络，解决两类时间间隔的关联建模难题，在三个基准数据集上性能显著优于现有最优模型。
2023-07-22 cs.IR
Denoising Time Cycle Modeling for Recommendation
Ant Group（蚂蚁集团）
本文提出DiCycle方法，通过去噪用户行为并选择与目标物品高度相关的子集，显式建模多样化时间周期模式，在公共和真实数据集上超越现有推荐方法。
2024-02-05 cs.AI cs.IR
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
Behavior Pattern Mining-based Multi-Behavior Recommendation
针对多行为推荐中未充分探索用户与项目间复杂行为模式的问题，提出BPMR算法，通过挖掘交互模式作为特征并采用贝叶斯方法简化推荐过程，在三个真实数据集上显著优于现有方法。
2024-08-22 cs.IR
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation
Nankai University（南开大学）
本文提出移动树数据结构及MTNet多任务框架，通过多粒度时间段节点学习用户偏好，在三个真实数据集上超越十种现有模型，有效提升下一个POI推荐性能。
2024-03-17 cs.AI cs.IR cs.LG
Within-basket Recommendation via Neural Pattern Associator
Loblaw Digital（罗布劳数字公司）；Dalhousie University（达尔豪斯大学）
针对篮内推荐忽视用户多意图、多粒度及意图切换的问题，提出神经模式关联器（NPA），通过向量量化学习意图码本并注意力查找，在杂货与音乐数据集上显著优于现有方法。
2024-03-14 cs.IR cs.LG
SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation
The University of Melbourne（墨尔本大学）
下一个兴趣点（POI）推荐旨在提供关于在给定用户的POI访问历史的情况下接下来访问哪个POI的建议。这个问题在旅游业中有着广泛的应用，并且随着更多的POI签到数据变得可用，它正在获得越来越多的兴趣。该问题通常被建模为顺序推荐问题，以利用用户签入的顺序模式，例如，人们倾向于在参观纽约市的大都会艺术博物馆之后去中央公园。最近，自我关注网络已被证明在一般顺序推荐问题中既有效又高效，例如，来推荐产品、视频游戏或电影。然而，直接采用自我关注网络用于下一POI推荐可能产生次优推荐。这是因为普通的自我关注网络不考虑用户签到的空间和时间模式，这是下一个POI推荐中的两个关键特征。为了解决这个问题，在本文中，我们提出了一个名为SANST的模型，将时空模式的用户签入自我关注的网络。为了结合空间模式，我们将POI的相对位置编码到它们的嵌入中，然后将嵌入送入自我关注网络。为了将时间模式，我们离散化的时间POI检查和模型之间的时间关系POI检查在一个关系感知的自我注意力模块。我们用三个真实世界的数据集来评估我们的SANST模型的性能。结果表明，SANST模型的性能始终优于现有模型，在nDCG@10时的优势达到13.65%。
2020-01-22 cs.IR cs.LG stat.ML
Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
Institute of Human-Centred Computing, Graz University of Technology, Austria（以人为中心计算研究所，格拉茨技术大学，奥地利）
本文提出利用模糊神经网络建模新闻推荐中的行为模式，通过学习可读规则提升推荐透明度和可解释性。
2026-01-07 cs.IR cs.LG
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式，以建模用户如何在项目之间传输。然而，在许多实际场景中，有大量的冷启动用户，只有最少的记录交互。其结果是，现有的顺序推荐模型将失去其预测能力，由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中，我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL，学习模型的过渡模式的用户通过元学习。具体而言，建议MetaTL：（i）制定顺序推荐冷启动用户作为一个少样本学习问题;（ii）提取动态过渡模式与基于预防的架构用户之间;（iii）采用Meta过渡学习，使快速学习的冷启动用户只有有限的互动，导致准确的推理顺序的互动。
2021-07-13 cs.IR
DisCo: Towards Harmonious Disentanglement and Collaboration between Tabular and Semantic Space for Recommendation
Shanghai Jiao Tong University（上海交通大学）
本文提出 DisCo 框架，通过双重侧注意力网络、充分性约束和解耦约束，实现表格与语义空间的解耦与协作，生成模式向量增强推荐主干网络，实验验证了其优越性与兼容性。
2024-06-04 cs.AI cs.IR
A Multimodal Ecological Civilization Pattern Recommendation Method Based on Large Language Models and Knowledge Graph
本文提出ECPR-MML方法，结合知识图谱提取区域空间异质性特征，并利用大语言模型生成多模态特征，以提升生态文明模式推荐的准确性与丰富性。
2023-10-29 cs.IR
Distilling Transitional Pattern to Large Language Models for Multimodal Session-based Recommendation
Zhejiang University（浙江大学）；Singapore Management University（新加坡管理大学）；National University of Singapore（新加坡国立大学）
针对多模态会话推荐（MSBR）语义丰富性不足问题，提出LLM增强框架TPAD，通过并行模型解析项目知识与过渡特征并对齐，蒸馏过渡模式提升推荐效果，实验验证有效性。
2025-04-13 cs.AI cs.IR
STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation
STAR-Rec提出序列级混合专家框架，结合偏好感知注意力与状态空间建模，以线性复杂度处理变长序列并自适应路由多样化行为模式，在四个真实数据集上一致超越现有序列推荐方法。
2025-05-06 cs.IR
Micro-Behavior Encoding for Session-based Recommendation
基于会话的推荐（SR）的目的是预测下一个项目的推荐基于先前记录的用户交互会话。大多数现有的SR方法集中在建模的项目的过渡模式。在这样的模型中，所谓的微行为描述了用户如何定位物品并对其执行各种活动（例如，单击、添加到购物车和阅读评论）被简单地忽略。最近的一些研究试图将微观行为的序列模式纳入SR模型。然而，这些顺序模型仍然不能有效地捕捉微观行为操作之间的所有固有的相互依赖性。在这项工作中，我们的目标是系统地研究SR中的微观行为信息的影响。具体来说，我们确定了两种不同的模式的微观行为：“序列模式”和“二元关系模式”。为了建立一个统一的用户微观行为模型，我们首先设计了一个多重图，通过一个图神经网络聚合来自不同项目的序列模式，然后利用一个扩展的自注意网络来开发微观行为的成对关系模式。在三个公开的真实世界数据集上进行的大量实验表明，所提出的方法优于最先进的基线，并证实了这两种不同的微观行为模式对SR的有用性。
2022-04-05 cs.IR
Graph Meta Network for Multi-Behavior Recommendation
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）
现代推荐系统通常基于观察到的交互，将用户和项目嵌入到低维潜在表示中。在实际的推荐场景中，用户经常表现出各种意图，这些意图驱使他们与具有多种行为类型的项目交互（例如，点击、标记为收藏、购买）。然而，大多数现有的方法忽略了用户行为的多样性，这使得它们难以捕获跨不同类型的交互行为的异构关系结构。探索多类型行为模式对推荐系统非常重要，但由于两个方面而非常具有挑战性：i）不同类型的用户-项目交互之间的复杂依赖关系; ii）由于用户的个性化偏好，这种多行为模式的多样性可能会因用户而异。为了解决上述问题，我们提出了一个多行为推荐框架与图Meta网络，将多行为模式建模到一个元学习范式。我们开发的MB-GMN赋予用户-项目交互学习的能力，发现依赖于类型的行为表示，自动提取的行为异质性和交互多样性的建议。在三个真实世界数据集上进行的大量实验表明，与各种最先进的基线相比，MB-GMN的推荐性能显着提高。源代码可以在https：//www.example.com上找到。github.com/akaxlh/MB-GMN
2021-10-08 cs.AI cs.IR
Self-Evolving Memory for Generative Recommendation
National University of Singapore（新加坡国立大学）；Meta AI
针对生成式推荐中因共享参数导致的进化冲突问题，提出基于稀疏键值记忆层的LION框架，通过隔离记忆、强化进化与可扩展应用实现异质行为模式的有效自进化。
2026-09-15 cs.AI cs.IR
T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
T-REX通过基于Transformer的类别序列生成方法，解决在线杂货推荐中重复购买模式和复杂物品关系的挑战，提升推荐准确性。
2026-02-23 cs.IR cs.LG
Modeling Artist Preferences of Users with Different Music Consumption Patterns for Fair Music Recommendations
音乐推荐系统已经成为流行的流媒体平台（如www.example.com，Pandora或Spotify）的核心部分，以帮助用户找到适合他们偏好的音乐。这些系统从用户过去的收听事件中学习，以推荐用户将来可能收听的音乐。在这里，当前的算法通常采用协同过滤（CF）利用用户的收听行为之间的相似性。一些方法还将CF与内容特征结合到混合推荐系统中。虽然音乐推荐系统可以为主流音乐艺术家的听众提供高质量的推荐，但最近的研究表明，它们倾向于歧视非正统、低主流艺术家的听众。这主要是由于低主流音乐的使用数据稀缺，因为音乐消费模式偏向流行艺术家。因此，我们的工作的目标是提供一种新的方法来建模艺术家的喜好，不同的音乐消费模式和收听习惯的用户。
2019-07-23 cs.HC cs.IR
Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation
Zhejiang University（浙江大学）
本文针对多行为序列推荐提出个性化行为感知Transformer框架PBAT，通过个性化行为模式生成器和行为感知协作提取器融合行为与时间影响，在三个基准数据集上验证了其有效性和可解释性。
2024-02-22 cs.AI cs.IR
Exploiting Group-level Behavior Pattern forSession-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是根据匿名行为序列预测用户的未来兴趣。现有方法利用强大的表示学习方法将会话编码到低维空间中。然而，尽管取得了这些成就，所有现有的研究都集中在实例级会话学习，而忽略了组级用户的偏好，这是重要的用户行为建模。为此，我们提出了一种新的重复感知神经机制，基于会话的推荐（RNMSR）。在RNMSR中，我们提出分别从实例级和组级学习用户偏好：（i）实例级，在基于相似性的项目成对会话图上使用GNN来捕获实例级的用户偏好。(ii)组级，将会话转换为组级行为模式，以模拟组级用户的偏好。在RNMSR中，我们结合实例级用户偏好和组级用户偏好来建模用户的重复消费，\ie用户是否进行重复消费以及用户偏好哪些项目。在三个真实世界的数据集上进行了大量的实验，\ie Diginetica，Yoochoose和Nowplaying，表明所提出的方法在所有测试中始终达到最先进的性能。
2021-06-01 cs.IR
Words to Waves: Emotion-Adaptive Music Recommendation System
Virginia Tech（弗吉尼亚理工大学）
针对现有推荐系统忽视情感上下文的问题，本文提出一种基于宽深学习架构变体的音乐推荐系统，利用Transformer嵌入从自然语言中实时推断情感状态，结合深度泛化与宽度记忆机制，实验证明能显著提升情感相关性。
2025-09-17 cs.IR cs.LG
FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；LANL（洛斯阿拉莫斯国家实验室）
非负矩阵分解（NMF）与缺失值完成是一个著名的有效的协同过滤（CF）方法，用于提供个性化的用户推荐。然而，传统的CF依赖于隐私侵犯收集用户的显式和隐式反馈，以建立一个中央推荐模型。单次联邦学习最近出现了一种方法，以减轻隐私问题，同时解决传统的联邦学习的通信瓶颈。在本文中，我们提出了第一个无监督的一次性联邦CF实现，名为FedSPLIT，基于NMF联合因式分解。在我们的解决方案中，客户端首先并行应用本地CF来构建不同的客户端特定的编译器。然后，从每个客户端的隐私保护的本地项目模式和偏见与处理器共享，以执行联合因子分解，以提取全局项目模式。然后，将提取的模式聚合到每个客户端，以通过知识蒸馏构建本地模型。在我们的实验中，我们证明了我们的方法与标准的推荐数据集的可行性。FedSPLIT可以获得与现有技术相似的结果（在某些情况下甚至优于现有技术），但通信数量大幅减少。
2022-05-04 cs.IR cs.LG
Exploring Author Gender in Book Rating and Recommendation
协同过滤算法在评级和消费数据中发现有用的模式，并利用这些模式来引导用户选择好的项目。评级数据集中的许多模式反映了数据中不同用户和项目之间的重要现实差异;其他模式可能与社会或道德原因无关或可能不受欢迎，特别是如果它们反映了不受欢迎的歧视，例如出版或购买时对女性或少数民族作者的歧视。在这项工作中，我们研究了协同过滤推荐算法的响应，他们的输入数据的分布方面的社会关注的一个方面，即内容创建者的性别。使用公开的图书评级数据，我们测量了用户评级配置文件和推荐列表中图书作者的性别分布。我们发现，常见的协同过滤算法不同的性别分布的推荐列表，并在输出分布的关系，用户简档分布。
2020-07-25 cs.HC cs.IR
Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Lomonosov Moscow State University (MSU)（莫斯科罗蒙诺索夫国立大学）
本文通过随机打乱用户交互序列并比较指标，评估了15个常用序列推荐数据集的序列结构强度，发现部分流行数据集的序列结构相当弱。
2024-08-21 cs.AI cs.IR cs.LG
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
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题，提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型，在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Tsinghua University（清华大学）；University of Southern California（南加利福尼亚大学）
可解释性和有效性是构建推荐系统的两个关键方面。以前的努力主要集中在合并边信息，以实现更好的推荐性能。然而，这些方法具有一些弱点：（1）基于神经网络的嵌入方法的预测难以解释和调试;（2）基于符号、图形的方法（例如，基于Meta路径的模型）需要人工努力和领域知识来定义模式和规则，并且忽略项目关联类型（例如，可替换的和互补的）。在本文中，我们提出了一种新的联合学习框架集成\textit{induction of explainable rules from knowledge graph}与\textit{construction of a rule-guided neural recommendation model}。该框架鼓励两个模块相互补充，以产生有效的和可解释的推荐：1）归纳规则，从以项目为中心的知识图谱中挖掘，总结常见的多跳关系模式，用于推断不同的项目关联，并为模型预测提供人类可读的解释; 2）推荐模块可以通过归纳规则进行扩充，从而在处理冷启动问题时具有更好的泛化能力。大量的实验\footnote{Code and data can be found at: \url{https://github.com/THUIR/RuleRec}}表明，我们提出的方法已经取得了显着的改善，在现实世界的数据集上的基线项目推荐。我们的模型在通过将项目名称链接到相关实体而生成的“嘈杂”项目知识…
2019-03-09 cs.AI cs.IR cs.LG
Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks
在短的匿名交互会话而不是长期历史中预测用户的偏好是现实生活中基于会话的推荐中的挑战性问题，例如，电子商务和媒体流。目前基于会话的推荐系统的研究主要集中在利用注意力机制的序列模式，这是直接的会话的自然序列按时间排序。然而，在项目选择的转变中，用户的偏好比仅仅连续的时间模式复杂得多。因此，在本文中，我们研究项目的过渡模式，通过构建一个会话图，并提出了一个新的模型，协同考虑的序列顺序和潜在的顺序在会话图的基于会话的推荐系统。我们将会话中的下一个项目推荐制定为图分类问题。具体来说，我们提出了一个加权的注意力图层和一个读出功能，以学习项目和会话的嵌入，用于下一个项目推荐。在两个电子商务数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，我们的模型优于其他最先进的方法。
2021-07-09 cs.IR
Sequential Recommendation via Adaptive Robust Attention with Multi-dimensional Embeddings
Salesforce（Salesforce公司）；University of Technology Sydney（悉尼科技大学）
针对序列推荐中用户行为多样及模型鲁棒性问题，提出ADRRec框架，结合多维时间上下文核嵌入、混合注意力与LNI正则化，实验表明其优于现有自注意力架构。
2024-09-08 cs.AI cs.IR cs.LG
Memory-Based vs. Context-Only Conditioning Produces Distinct Behavioral Patterns in Stateful Personalization
Georgia Institute of Technology（佐治亚理工学院）
通过比较上下文条件化和基于记忆的条件化在教师面向教育推荐系统中的行为，发现上下文推荐对当前问题响应更强，而基于记忆的推荐表现出历史依赖行为，包括相同输入下的学习者特异性分化。
2026-04-14 cs.AI cs.CL cs.IR
Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation
Fudan University（复旦大学）
基于会话的推荐（SR）已经成为各种电子商务平台的重要和流行的组件，其目的是基于给定的会话预测下一个交互项目。现有的SR模型大多只关注于利用会话中某个用户交互的连续项目来捕捉项目间的转换模式。虽然其中一些已经被证明是有效的，但以下两个见解往往被忽视。首先，用户的微行为，诸如用户定位项目的方式、用户在项目上提交的活动（例如，阅读评论，添加到购物车），提供对用户偏好的细粒度和深入的理解。第二，项目属性，也称为项目知识，提供侧信息来建模交互项目之间的转换模式，并缓解数据稀疏问题。本文提出了一种新的SR模型MKM-SR，将用户微观行为和项目知识结合到基于会话的推荐的多任务学习中。具体地，给定会话在MKM-SR中的微行为级别上建模，即，使用项目-操作对的序列而不是项目的序列，以充分地捕获会话中的转换模式。此外，我们提出了一个多任务的学习范式，涉及学习知识嵌入，它起着辅助任务的作用，以促进SR的主要任务。它使我们的模型，以获得更好的会话表示，从而产生更精确的SR推荐结果。在两个基准数据集上的广泛评估表明MKM-SR的优越性超过了最先进的SR模型，证明了纳入知识学习的策略。
2020-06-12 cs.IR cs.LG
Filter Bubble or Homogenization? Disentangling the Long-Term Effects of Recommendations on User Consumption Patterns
本研究将同质化与过滤气泡效应拆解为用户间、用户内多样性两个指标，借助基于智能体的仿真框架发现传统推荐算法仅通过用户间多样性缓解过滤气泡，进而提出兼顾两类多样性的新型推荐算法。
2024-03-07 cs.CY cs.IR
Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework
针对VOD选择过载问题，提出融合观看百分比、网络中心性与模块度聚类的推荐框架，实验证明其显著提升CTR、完播率和满意度。
2025-01-08 cs.IR cs.SI
Debiased Contrastive Learning for Sequential Recommendation
目前的顺序推荐系统被提出来处理动态用户偏好学习与各种神经技术，如Transformer和图神经网络（GNNs）。然而，从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺的问题，最近提出了对比学习（CL）方法，以两种方式执行数据增强：（i）随机破坏序列数据（例如随机掩蔽，重新排序）;（ii）在预定义的对比视图中对齐表示。虽然有效，我们认为，目前的CL为基础的方法有局限性，在解决流行的偏见和解开用户的一致性和真正的兴趣。在本文中，我们提出了一个新的Debiased对比学习范例推荐（DCRec），统一的序列模式编码与全球合作关系建模，通过自适应一致性感知增强。该解决方案旨在解决推荐系统中的流行偏见问题。我们的去偏对比学习框架有效地捕捉序列内的项目转换模式和跨序列的用户之间的依赖关系。我们在各种真实世界数据集上的实验表明，DCRec的性能显著优于最先进的基线，表明其推荐的有效性。为了促进我们的结果的可重复性，我们在https://github.com/HKUDS/DCRec上公开了DCRec的实现。
2023-03-21 cs.IR
Modeling High-order Interactions across Multi-interests for Micro-video Recommendation
Zhejiang University（浙江大学）；Huawei（华为）
个性化推荐系统已经在各种视频平台中普及。目前已经提出了许多有效的方法，但大多数方法都没有很好地捕捉用户的多层次兴趣特征和他们观看的微视频之间的依赖关系。为了解决这些问题，我们提出了一个自我超过共同注意力模块，以提高用户的兴趣表示。特别是，我们首先使用共同注意力来建模不同级别的相关模式，然后使用自我注意力来建模特定级别内的相关模式。在过滤公共数据集上的实验结果验证了该模块的有效性。
2021-05-10 cs.CV cs.IR
Distributed Vector Representation Of Shopping Items, The Customer And Shopping Cart To Build A Three Fold Recommendation System
Sears Holding Corporation（西尔斯控股公司）
本文的主要思想是通过向量来表示购物项目，因为这些向量是为客户和购物车构建嵌入式的基础。此外，这些向量被输入到数学模型中，这些数学模型既可以作为推荐引擎，也可以帮助定位潜在客户。我们使用指数族嵌入作为工具来构造两个基本向量-乘积嵌入和上下文向量。使用基本向量，我们建立了组合嵌入，行程嵌入和客户嵌入。组合嵌入将产品名称的语言属性与其购物模式相结合。客户嵌入建立了一个理解的购买模式的客户在一个组，并帮助建立客户档案。例如，客户简档可以表示经常购买宠物食品的客户。识别这些资料可以帮助我们提供优惠和折扣。类似地，行程嵌入用于构建行程配置文件。人们在一次旅行中碰巧购买了类似的产品，因此他们的旅行嵌入可以用来预测他们想要购买的下一个产品。这是一种新颖的技术，也是第一种使用产品，行程和客户嵌入进行推荐的技术。
2017-05-17 cs.AI cs.IR
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
Modeling Dynamic Attributes for Next Basket Recommendation
Salesforce（赛富时）；UC San Diego（加州大学圣地亚哥分校）
传统的下一个商品和下一个购物篮推荐方法通常基于用户过去的交互和相关联的静态上下文信息（例如，用户id或商品类别）来提取用户的兴趣。然而，提取的利益可能是不准确的，并成为过时的。动态属性，如用户收入变化、物品价格变化等，随着时间的推移而改变。这种动态可以内在地反映用户兴趣的演变。我们认为，这样的动态属性建模可以提高推荐性能。然而，将它们适当地集成到用户兴趣模型中是具有挑战性的，因为属性动态可以是多样的，例如时间间隔感知的、周期性模式（等），它们从不同的角度代表用户的行为，这些行为可以与交互异步发生。除了动态属性之外，每个篮子中的项目还包含复杂的相互依赖关系，这可能是有益的，但对于有效捕获来说并不微不足道。为了应对这些挑战，我们提出了一种新的Attentive网络来建模动态属性（命名为Anda）。Anda分别编码动态属性和篮子项目序列。我们设计了一个周期性感知编码器，使模型能够从动态属性中捕获各种时间模式。为了有效地学习有用的项目关系，提出了篮内注意模块。在三个真实世界数据集上的实验结果表明，我们的方法始终优于最先进的。
2021-09-23 cs.AI cs.IR
Disentangling ID and Modality Effects for Session-based Recommendation
Dalian University of Technology（大连理工大学）；Leiden University（莱顿大学）；Pennsylvania State University（宾夕法尼亚州立大学）
提出DIMO框架，通过物品级共现表示与模态对齐、会话级多视图自监督解耦（代理机制与反事实推断），实现ID与模态效应的解耦，提升会话推荐的准确性与可解释性。
2024-04-19 cs.AI cs.IR
Large Language Models are Not Stable Recommender Systems
University of Science and Technology of China（中国科学技术大学）；BOSS Zhipin（BOSS直聘）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对LLM作为推荐系统因位置偏差而不稳定的问题，提出贝叶斯两阶段框架STELLA，通过探测转移矩阵模式并用熵指标校准输出，实验验证其有效性。
2023-12-25 cs.AI cs.IR
