SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems
Tencent Inc.（腾讯公司）；Hong Kong University of Science and Technology（香港科技大学）
在社交网络平台上，用户的行为基于他/她的个人兴趣，或者受到他/她的朋友的影响。在文献中，通常对用户的个人偏好或他们的社会影响偏好进行建模。在本文中，我们提出了一种新的深度学习模型SocialTrans，用于整合这两种类型的偏好。SocialTrans由三个模块组成。第一个模块是基于一个多层的Transformer模型的用户的个人喜好。第二个模块是一个多层图注意力神经网络（GAT），它被用来建模的社会影响力之间的社交网络的朋友。最后一个模块融合用户的个人偏好和社会影响的偏好，以产生推荐。我们的模型可以有效地适应大规模的数据，我们部署了SocialTrans在中国的一个主要的文章推荐系统。在三个数据集上的实验验证了该模型的有效性，并表明它优于最先进的社会推荐方法。
2020-05-09 cs.IR cs.LG cs.SI
Comprehensive Movie Recommendation System
Praxis Business School（普拉西斯商学院）
推荐系统，也称为推荐系统，是一种尝试预测用户对项目的评级或偏好的信息过滤系统。本文设计并实现了一个完整的基于体裁、皮尔逊相关系数、余弦相似度、基于KNN、基于TFIDF和SVD的内容过滤、基于TFIDF和SVD的协同过滤、基于Surprise Library的推荐系统技术的电影推荐系统原型。除此之外，本文提出了一种新颖的思想，即应用机器学习技术，构建一个集群的电影类型的基础上，然后观察的惯性值的数量被定义。本文描述了本工作中讨论的方法的限制，以及一种策略如何克服另一种策略的缺点。整个工作是在group lens网站上的数据集Movie Lens上完成的，该数据集包含9742部电影的100836个评级和3683个标签应用程序。这些数据由610名用户在1996年3月29日至2018年9月24日期间创建。
2021-12-23 cs.IR cs.LG
Recommendation System Simulations: A Discussion of Two Key Challenges
Duke University（杜克大学）
随着推荐系统越来越成为在线平台的标准，模拟为理解这些系统对个人和社会的影响提供了一条途径。在构建推荐系统模拟时，有两个关键挑战：首先，定义用户选择或参与推荐项目的模型，其次，定义用户遇到平台未直接推荐给用户的项目的机制，例如通过朋友分享特定内容。本文将深入研究这两个挑战，回顾现有研究的模拟假设，并提出替代假设。我们还包括一个更广泛的讨论模拟的局限性和大纲在这方面的开放性问题。
2021-08-25 cs.IR cs.LG
Diversity Preference-Aware Link Recommendation for Online Social Networks
University of Delaware（特拉华大学）；The University of Utah（犹他大学）
链接推荐（Link recommendation）是一个基本的社交网络分析问题，具有广泛的商业意义，它推荐链接以连接未链接的在线社交网络用户。现有的链接推荐方法倾向于向用户推荐相似的朋友，而忽略了用户的多样性偏好，尽管社会心理学理论表明多样性偏好对链接推荐性能的关键性。在推荐系统中，一个与链接推荐相关的领域，已经提出了许多多样化方法来提高推荐项目的多样性。然而，多样性偏好不同于多元化方法研究的多样性。为了解决这些研究空白，我们定义和操作的链接推荐的多样性偏好的概念，并提出了一个新的链接推荐问题：多样性偏好感知的链接推荐问题。然后，我们分析了新的链接推荐问题的关键属性，并开发了一种新的链接推荐方法来解决这个问题。使用两个大规模的在线社交网络数据集，我们进行了广泛的实证评估，以证明我们的方法的优越性能超过代表性的多样化的方法适用于链接推荐，以及国家的最先进的链接推荐方法。
2022-10-18 cs.LG
With a Little Help From My Friends: Collective Manipulation in Risk-Controlling Recommender Systems
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）
研究揭示风险控制推荐系统因依赖聚合反馈易受集体对抗操控影响，通过实验证明小群体可通过平台功能降低非对抗用户nDCG表现，并提出将保障从群体层面转向用户层面的缓解策略。
2026-03-30 cs.IR cs.LG cs.SI
Search Engine and Recommendation System for the Music Industry built with JinaAI
本文针对音乐搜索中仅凭歌名难以检索的问题，提出基于JinaAI构建神经搜索引擎与推荐系统，通过单一查询与歌词匹配提升搜索准确性和用户体验。
2023-08-07 cs.IR cs.LG
Evaluating and Enhancing Robustness of Deep Recommendation Systems Against Hardware Errors
Villanova University（维拉诺瓦大学）；Meta Platforms, Inc（Meta平台公司）
该研究首次系统探究深度推荐系统对抗硬件错误的鲁棒性，开发了基于PyTorch的错误注入框架Terrorch，评估发现鲁棒性受多因素影响，且激活裁剪可最多挽回30%下降的AUC-ROC分数。
2023-07-17 cs.IR cs.LG
Pragya: An AI-Based Semantic Recommendation System for Sanskrit Subhasitas
Department of Computer Engineering Don Bosco Institute of Technology Mumbai, India（计算机工程系 内华大学技术学院 孟买 印度）；Department of Mechanical Engineering Don Bosco Institute of Technology Mumbai, India（机械工程系 内华大学技术学院 孟买 印度）
Pragya通过结合检索与生成技术，为印地语Subhasitas提供语义推荐，提升其在数字时代的可访问性和应用价值。
2026-01-10 cs.AI cs.CL cs.LG
From Aggregation to Selection: User-Validated Distributed Social Recommendation
Rutgers University（罗格斯大学）；Lehigh University（莱斯大学）；Hong Kong Baptist University（香港 Baptist大学）
DeSocial是一种通过用户验证提升分布式社交推荐系统决策正确性和鲁棒性的框架。
2026-01-26 cs.AI cs.LG cs.SI
Leveraging Trust and Distrust in Recommender Systems via Deep Learning
Maastricht University（马斯特里赫特大学）
现实应用中经常出现用户偏好数据稀缺和冷启动问题，限制了协同过滤策略的推荐准确性。利用社会朋友和敌人的选择可以有效地面对这两个问题。在这项研究中，我们提出了一种执行社会深度成对学习的策略。首先，我们设计了一个排名损失函数，结合多个排名标准的基础上，在用户的选择，他们的朋友和敌人的选择，以提高在top-k推荐任务的准确性。我们通过深度学习策略捕捉用户偏好与信任和不信任关系的社会信息之间的非线性相关性。在每个反向传播步骤中，我们遵循社会负采样策略，以满足我们的排名损失函数的多个排名标准。我们在Epperly的基准数据集上进行了全面的实验，这是相关文献中报道的最大的公开数据集之一。实验结果表明，该模型击败了其他国家的最先进的方法，实现了11.49%的平均改善最有竞争力的模型。我们证明了我们的深度学习策略在捕获用户偏好与信任和不信任关系的社会信息之间的非线性相关性方面起着重要作用，并证明了我们的社会负采样策略在所提出的模型上的重要性。
2019-05-31 cs.IR cs.LG stat.ML
Audio Processing using Pattern Recognition for Music Genre Classification
Department of Information Technology（信息技术系）；St. Thomas’ College of Engineering & Technology, MAKAUT（圣托马斯工程技术学院，马卡乌特大学）
本研究利用GTZAN数据集和多种机器学习算法对五种音乐流派进行分类，其中Keras实现的人工神经网络达到92.44%的验证准确率，并计划未来扩展至全部十种流派及实时应用。
2024-10-19 cs.LG cs.SD eess.AS
AutoRec: An Automated Recommender System
Texas A&M University（德克萨斯A&M大学）
现实的推荐系统通常需要适应不断变化的数据和任务，或者系统地探索不同的模型。为了满足这一需求，我们提出了AutoRec，这是一个从TensorFlow生态系统扩展的开源自动化机器学习（AutoML）平台，据我们所知，这是第一个利用AutoML进行深度推荐模型搜索和超参数调整的框架。AutoRec还支持高度灵活的管道，可适应稀疏和密集输入、评级预测和点击率（CTR）预测任务以及一系列推荐模型。最后，AutoRec提供了一个简单、用户友好的API。在基准数据集上进行的实验表明，AutoRec是可靠的，可以在没有先验知识的情况下识别出与最佳模型相似的模型。
2020-06-26 cs.IR cs.LG stat.ML
Multi-faceted Trust-based Collaborative Filtering
University of Torino（都灵大学）
许多协同推荐系统利用社会相关理论来提高推荐性能。然而，它们专注于用户之间的显式关系，而忽略了其他类型的信息，这些信息有助于确定用户的全球声誉;例如，公众对审稿人质量的认可。我们有兴趣了解这些额外类型的反馈是否以及何时改善Top-N推荐。为此，我们提出了一个多方面的信任模型，整合本地的信任，代表社会联系，与各种类型的全球信任证据提供的社交网络。我们的目标是确定一般类别的数据，以使我们的模型适用于不同的案例研究。然后，我们测试的模型，将其应用到一个变种的用户到用户的协同过滤（U2 UCF），支持融合的评级相似性，本地信任来自社会关系，多方面的声誉评级预测。我们在两个数据集上测试了我们的模型：Yelp发布了用户之间的一般朋友关系，但提供了不同类型的信任反馈，包括用户简档认可。LibraryThing数据集提供的反馈类型较少，但它提供了更多针对内容共享的选择性好友关系。我们的实验结果表明，在Yelp数据集上，我们的模型优于U2 UCF和仅使用评级相似性和社会关系的最先进的基于信任的分类器。显然，在LibraryThing数据集中，社会关系和评级相似性的组合达到了最佳效果。我们学到的教训是，多方面的信任可以是一种有价值的推荐信息。然而，在应用程序域中使用它之前，必须对可用信任证据的类型和数量进行分析，以评估其对推荐性能的实际影响。
2020-03-25 cs.IR cs.LG
A Language-Driven Framework for Improving Personalized Recommendations: Merging LLMs with Traditional Algorithms
University of North Florida（北弗罗里达大学）
本研究提出一个语言驱动框架，通过LLM优化SVD/SVD++算法输出并融合用户文本偏好，在多项指标上大幅提升电影推荐性能。
2025-07-09 cs.CL cs.IR cs.LG
Mem-Rec: Memory Efficient Recommendation System using Alternative Representation
Intel Labs（英特尔实验室）；University of California San Diego（加州大学圣地亚哥分校）
Mem-Rec通过替代表示方法减少推荐系统内存占用并提升嵌入效率。
2026-01-05 cs.AI cs.IR cs.LG
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
Using Program Synthesis for Social Recommendations
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文提出了一种新的方法来选择用户感兴趣的事件，在社交媒体设置中，事件是由用户的朋友通过他们的移动设备的活动产生的。我们认为，鉴于社会媒体设置的独特要求，这个问题最好被看作是一个归纳学习问题，其目标是首先从用户表达的“喜欢”和“不喜欢”的特定事件，然后产生一个程序，可以由系统操纵，并分发到收集设备收集只感兴趣的数据。本文的主要贡献是一种新的算法，它将现有的机器学习技术与新的程序合成技术相结合，以学习用户的偏好。我们表明，与更标准的方法相比，我们的新算法在模型训练时间上减少了一个数量级，并且对于我们的目标应用程序来说，预测精度明显更高。该方法还改进了标准的机器学习技术，因为它产生了清晰的程序，可以操作这些程序来优化数据汇集和过滤。
2012-08-14 cs.DB cs.LG cs.PL
