LeAP: Learnable Adaptive Permutation for Feature Selection in Heterogeneous and Sparse Recommender Systems
Bilibili Inc.（哔哩哔哩公司）
针对工业推荐系统中特征异构、极度稀疏及排列计算成本高的问题，提出可学习自适应排列模块LeAP，通过将随机排列转化为可学习机制并引入自适应正则化，实现高效特征选择，在四个公开数据集和十亿级工业搜索排序模型中取得最优性能。
2026-06-02 cs.LG
Towards Resolving Propensity Contradiction in Offline Recommender Learning
Cornell University（康奈尔大学）；CyberAgent, Inc.（CyberAgent公司）
本文研究了存在选择偏差的离线推荐学习问题。目前有希望的偏差解决方案是逆倾向得分（IPS）估计。然而，现有基于倾向的方法的性能可能会受到倾向估计偏差的显着影响。事实上，大多数以前的基于IPS的方法需要一定量的完全随机缺失（MCAR）数据来准确估计倾向。这导致了一个严重的自相矛盾; IPS在没有MCAR数据的情况下是无效的，即使它最初的目标是从丢失的非随机反馈中学习决策者。为了解决这个倾向矛盾，我们推导出一个倾向独立的泛化误差界，并提出了一种新的算法，通过对抗学习来最小化理论界。我们的理论和算法不需要一个倾向估计过程，从而导致一个表现良好的评级预测没有真正的倾向信息。大量的实验表明，所提出的方法是优于一系列现有的方法在评级预测和排名指标在实际设置中没有MCAR数据。
2022-04-21 cs.IR cs.LG stat.ML
Algorithm Selection for Recommender Systems via Meta-Learning on Algorithm Characteristics
University of Siegen Siegen Germany；University of Siegen \& Recommender-Systems.com Siegen Germany；University of Siegen；University of Siegen \& Recommender-Systems.com
针对推荐系统算法选择难题，提出利用用户元特征和从源代码自动提取的算法特征的逐用户元学习方法，在六个数据集上平均NDCG@10提升8.83%，优于单一最佳算法基线，并缩小了与理论最优选择器的差距。
2025-08-06 cs.IR cs.LG
Hyperdimensional computing encoding for feature selection on the use case of epileptic seizure detection
Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院）
医疗保健领域正在从专注于症状治疗的反应性干预转向更积极的预防，从一刀切转向个性化医疗，从集中式转向分布式模式。可穿戴物联网设备和用于持续监控的新算法是这一转变的重要组成部分。超维（HD）计算是一种新兴的ML范式，其灵感来自神经科学研究，其各个方面都对物联网设备和生物医学应用感兴趣。在这里，我们探讨尚未解决的主题的最佳编码的时空数据，如脑电图（EEG）信号，以及它所需要的HD向量的所有信息。此外，我们演示了如何HD计算框架可以用来执行特征选择通过选择一个适当的编码。据我们所知，这是文献中使用HD计算执行特征选择的第一种方法。因此，我们相信它可以支持ML社区进一步促进与特征和通道选择以及模型可解释性相关的多个方向的研究。
2022-05-16 cs.LG cs.NE eess.SP
Training seeds and model-selection stability in recommender-system evaluation
Aalborg University（奥尔堡大学）；Johannes Kepler University Linz（约翰开普勒林茨大学）；ISISTAN, CONICET-UNCPBA（ISISTAN、CONICET-UNCPBA）
该研究通过固定数据划分、调整训练种子分析其对推荐系统评估的影响，发现种子变异可检测且会影响评估稳定性，建议将训练种子纳入评估协议。
2026-09-03 cs.IR cs.LG
SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems
针对传统代理模型在次优条件下特征选择效果受限的问题，提出SELF方法，融合大语言模型语义推理与代理模型任务学习，在三个真实推荐数据集上验证了有效性。
2025-08-27 cs.IR
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify；Carnegie Mellon University（卡内基梅隆大学）
研究通过针对性数据选择缓解时间分布漂移导致的性能下降，采用梯度表示与分布匹配提升模型性能，实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
CRUISE on Quantum Computing for Feature Selection in Recommender Systems
School of Computing Technologies, RMIT University（RMIT大学计算技术学院）
本文提出利用量子退火器求解推荐系统特征选择中的QUBO问题，并引入反事实分析显著提升基于物品的KNN推荐算法性能。
2024-07-03 cs.AI cs.IR
CASP: Support-Aware Offline Policy Selection for Two-Stage Recommender Systems
Texas A\&M University（德克萨斯大学）
CASP通过结合双重鲁棒价值估计和支持负担惩罚，解决两阶段推荐系统中策略选择的可靠性问题，确保在价值估计和支撑可信度冲突时选择低负担策略。
2026-04-24 cs.IR cs.LG stat.ML
Cross-Dataset Propensity Estimation for Debiasing Recommender Systems
Cornell University（康奈尔大学）
用于推荐系统训练的数据集往往会受到用户和商家选择偏差引起的分布偏移的影响。本文研究了选择偏差对不同量化数据集的影响。然后，我们利用来自不同源分布的两个不同量化的数据集，通过应用来自因果推理的逆概率评分方法来减轻分布偏移。从经验上讲，我们的方法比单数据集方法和组合两个数据集的替代方法获得了显着的性能改进。
2022-12-22 cs.IR cs.LG stat.ME
Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
本文研究隐式反馈排序任务中的推荐系统算法选择，基于72个数据集和24种算法构建元数据，发现预测算法排序可显著提升元模型相关性，且XGBoost在最佳算法识别上优于AutoGluon。
2024-09-09 cs.IR
Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
Abstract Intelligent Systems Group University of Siegen（摘要智能系统组 柏林西格恩大学）
本研究通过为推荐算法构建深度特征集，结合元学习进行算法选择，发现算法特征虽提升Top-1选择准确率，但整体性能仍受限于用户特征主导，NDCG@10未显著提升。
2025-09-24 cs.IR cs.LG
Per-Instance Algorithm Selection for Recommender Systems via Instance Clustering
即使用户、推荐上下文、应用程序和用户界面稍有不同，推荐算法的执行也会有所不同。在其他领域，如组合问题求解中也可以类似地观察到，算法对每个实例的表现都不同。在这些领域中，元学习被成功地用于预测每个实例的最佳算法，以提高整体系统性能。到目前为止，推荐系统的每实例算法选择是不成功的。在本文中，我们提出了一个每实例的元学习器，聚类数据实例，并预测最好的算法看不见的情况下，根据集群成员。我们使用10个协作和4个基于内容的过滤算法测试我们的方法，用于不同的聚类参数，并发现在alpha=0.053（MAE：0.7107与LightGBM 0.7214; t检验）的最佳性能基础算法的显着改善。我们还探讨了我们的基础算法的性能评级数据集和经验表明，一个完美的算法选择器的错误单调减少较大的算法池。据我们所知，这是第一个有效的元学习技术，用于推荐系统中的每实例算法选择。
2020-12-30 cs.IR
Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System
Roblox
本文提出HIE和HDD两种无模型方法，用于识别推荐系统中驱动异质处理效应的特征，提升上下文多臂老虎机性能。
2025-11-30 cs.IR cs.LG stat.ML
Rethinking Recommender Systems: Cluster-based Algorithm Selection
本研究提出基于用户聚类的推荐算法选择方法，在八个数据集上验证其有效性，五个数据集的nDCG@10提升19.28%至360.38%。
2024-05-28 cs.IR
Auto-Surprise: An Automated Recommender-System (AutoRecSys) Library with Tree of Parzens Estimator (TPE) Optimization
Trinity College Dublin（都柏林圣三一学院）
我们介绍Auto-Surprise，一个自动推荐系统库。Auto-Surprise是Surprise推荐系统库的扩展，简化了算法选择和配置过程。与开箱即用的Surprise库相比，Auto-Surprise在使用MovieLens，Book Crossing和Jester Datasets进行评估时表现更好。它还可能导致选择具有显著较低运行时间的算法。与Surprise的网格搜索相比，Auto-Surprise在RMSE方面表现同样好或略好，并且在寻找最佳超参数方面明显更快。
2020-08-19 cs.IR cs.LG stat.ML
AutoField: Automating Feature Selection in Deep Recommender Systems
City University of Hong Kong（香港城市大学）；University of Science and Technology of China（中国科学技术大学）；Tencent Inc（腾讯公司）
特征质量对推荐性能有重要影响。因此，特征选择是开发基于深度学习的推荐系统的关键过程。然而，大多数现有的深度推荐系统专注于设计复杂的神经网络，而忽略了特征选择过程。通常情况下，他们只是将所有可能的功能输入到他们提出的深度架构中，或者由人类专家手动选择重要功能。前者会导致非平凡的嵌入参数和额外的推理时间，而后者需要大量的专家知识和人力劳动。在这项工作中，我们提出了一个AutoML框架，可以自适应地选择必要的特征字段，以自动的方式。具体来说，我们首先设计了一个可微分控制器网络，它能够自动调整选择特定特征字段的概率;然后，只使用选定的特征字段来重新训练深度推荐模型。在三个基准数据集上的实验证明了该框架的有效性。我们进行进一步的实验，以研究其属性，包括可转移性，关键组件，和参数的敏感性。
2022-04-19 cs.AI cs.IR
FINALLY: A Dataset Recommender System for Recommender-Systems Research
University of Siegen（锡根大学）
针对推荐系统研究中数据集选择缺乏系统工具的问题，提出FINALLY数据集推荐系统，通过多种策略和配置生成满足约束的数据集集合，实验验证了其技术一致性与策略有效性。
2026-09-09 cs.IR
AEFS: Adaptive Early Feature Selection for Deep Recommender Systems
针对大规模推荐系统中晚期特征选择导致嵌入层参数庞大低效的问题，提出AEFS方法，通过双模型架构在嵌入层前自适应选择特征，在匹配SOTA性能的同时将嵌入层激活参数减少37.5%。
2025-09-15 cs.IR
GORACS: Group-level Optimal Transport-guided Coreset Selection for LLM-based Recommender Systems
针对大语言模型推荐系统微调成本过高的问题，提出组级最优传输引导的核心集选择框架GORACS，通过代理优化目标和两阶段组级选择算法，在降低微调成本的同时实现了优于现有基线和全量训练的性能。
2025-06-04 cs.IR
MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；National University of Singapore（新加坡国立大学）
推荐系统通常面对包含高度个性化的用户历史数据的异构数据集，其中没有单个模型可以为每个用户提供最佳推荐。我们在公共和私人数据集上观察到这种普遍存在的现象，并解决了模型选择问题，以优化每个用户的推荐质量。我们提出了一个元学习框架，以促进推荐系统中的用户级自适应模型选择。在这个框架中，使用来自所有用户的数据来训练一个模型选择器的集合，在此基础上，通过元学习来训练模型选择器，以便使用用户特定的历史数据为每个用户选择最佳的单个模型。我们在两个公共数据集和一个真实的生产数据集上进行了广泛的实验，证明我们提出的框架在AUC和LogLoss方面比单个模型基线和样本级模型选择器有所改进。特别是，这些改进可能会导致巨大的利润增长时，部署在在线推荐系统。
2020-05-05 cs.IR cs.LG stat.ML
Theoretically Accurate Regularization Technique for Matrix Factorization based Recommender Systems
正则化是解决机器学习算法过拟合问题的一种常用技术。大多数正则化技术依赖于正则化系数的参数选择。插入法和交叉验证法是岭回归、Lasso回归和核回归等回归方法中最常用的两种参数选择方法。基于矩阵分解的推荐系统也严重依赖于正则化技术。大多数人选择单个标量值来独立或共同正则化用户特征向量和项目特征向量。在本文中，我们证明了这种选择正则化系数的方法是无效的，我们提供了一个理论上准确的方法，优于最广泛使用的方法在准确性和公平性指标。
2022-05-21 cs.IR cs.LG
Towards the D-Optimal Online Experiment Design for Recommender Selection
Walmart Labs（沃尔玛实验室）；Instacart
通过在线探索-开发来选择最佳推荐器越来越受到人们的关注，传统的A/B测试速度慢且成本高，离线评估容易受到历史数据的影响。找到最佳的在线实验是不平凡的，因为用户和显示的建议都带有上下文特征，这些特征对奖励来说是信息性的。虽然这个问题可以通过多武装匪徒的镜头正式化，现有的解决方案被发现不太令人满意，因为一般的方法不占案件的具体结构，特别是我们研究的电子商务建议。为了填补这一空白，我们利用经典统计文献中的\emph{D-optimal design}来实现探索过程中的最大信息增益，并揭示它如何与在线推理的现代基础设施无缝匹配。为了证明最优设计的有效性，我们提供了半合成模拟研究，并提供了已发布的代码和数据，以实现再现性。然后，我们使用我们在Walmart.com上的部署示例来充分说明所提出的方法的实际见解和有效性。
2022-03-26 cs.IR cs.LG stat.ML
Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations
Helmholtz-Zentrum Dresden-Rossendorf e.V.（德累斯顿-罗斯多夫赫尔姆霍兹中心）；Charles University（查理大学）；AGH University of Kraków（克拉科夫AGH科技大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出一种混合推荐框架，结合元数据驱动的案例相似性和矩阵补全协同推理，用于多相流模拟中的闭合模型选择，通过描述特征为新案例提供定制化模型推荐，并利用历史模拟结果提升推荐质量。
2026-04-10 cs.IR
ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems
City University of Hong Kong（香港城市大学）
针对深度推荐系统特征选择领域实验设置不统一、分析不全面、仅关注峰值性能的问题，本文提出综合基准ERASE，评估11种方法在多类数据集与商业平台的表现，代码已开源。
2024-06-19 cs.AI cs.IR
Fairness Attacks on Recommender Systems
Department of Information Systems and Operations Management, College of Business, The University of Texas at Arlington（信息系统与运营管理系，商学院，德克萨斯大学阿灵顿分校）；Department of Management Information Systems, Eller College of Management, the University of Arizona（管理信息系，埃勒管理学院，亚利桑那大学）
提出一种基于结构感知强化学习的公平性攻击方法，通过图编码和循环神经网络生成虚假交互，联合学习物品选择和性别选择策略，以加剧推荐系统的不公平性。
2026-06-27 cs.AI cs.IR
Performance-Driven QUBO for Recommender Systems on Quantum Annealers
School of Computing Technologies, RMIT University（RMIT大学计算机技术学院）；Department of Information Engineering, University of Padua（帕多瓦大学信息工程系）
本文提出PDQUBO方法，通过量化特征对推荐系统性能的影响，结合量子退火器解决QUBO优化问题，实验显示其在特征选择任务中优于传统方法。
2026-04-30 cs.AI cs.IR
RouteRec: Strict Evaluation of Recommender-Agent Selection and Aggregation
University of Birmingham（伯明翰大学）
研究在推荐系统异构代理选择中，RouteRec框架在成本约束下比较请求级硬选与项目级学习聚合，发现在MovieLens-1M数据集上，请求级选择粗糙，项目级聚合更有前景，不同聚合方式有不同效果。
2026-07-14 cs.CL cs.IR
Meta-Learned Per-Instance Algorithm Selection in Scholarly Recommender Systems
推荐系统算法的有效性在不同的现实世界中是不同的。由于可用算法的数量以及它们不同的性能，很难为场景选择最佳算法。此外，不可能选择一个单一的算法，将最佳地为所有的推荐请求。我们将元学习应用于学术文章推荐的算法选择问题。我们训练随机森林、梯度提升机和广义线性模型，以从基于内容相似性的算法池中预测最佳算法。我们在离线数据集上评估我们的学术文章推荐方法，并尝试预测每个实例的最佳算法。与所有基本算法的平均F1相比，最佳元学习模型的F1平均增加了88%（F1; 0.0708 vs 0.0376），并且能够正确选择每个基本算法（配对t检验; p < 0.1）。与单一最佳基础算法相比，元学习器的F1高出3%（F1; 0.0739 vs 0.0717）。我们进一步对我们的方法进行在线评估，通过我们的推荐即服务平台Mr. DLib进行A/B测试。我们在2019年1月至3月期间向用户提供148 K建议。与随机选择算法相比，使用我们的元学习方法生成的推荐的用户参与度显着增加（点击率（CTR）; 0.51% vs. 0.44%，卡方检验; p < 0.1），但是我们的方法并没有产生比单独的最佳算法更高的CTR（CTR; MoreLikeThis（Title）：0.58%）。
2019-12-18 cs.DL cs.IR
Ensemble Boost: Greedy Selection for Superior Recommender Systems
本文提出基于 Greedy Ensemble Selection（GES）的推荐集成方法，融合十个模型的 top-k 结果生成 top-n 推荐，并在五个数据集上验证其显著优于最佳单一模型。
2024-07-07 cs.IR
One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level
推荐算法的有效性通常通过评估指标来评估，例如均方根误差，F1或点击率，在整个数据集上计算。通常基于这些总体度量来选择最佳算法。但是，对于所有用户、项目和上下文，没有单一的最佳算法。根据总体评价结果选择单一算法并不是最优的。在本文中，我们提出了一种基于元学习的方法来推荐，其目的是选择最好的算法，为每个用户项目对。我们使用MovieLens 100 K和1 M数据集来评估我们的方法。我们的方法（RMSE，100 K：0.973; 1 M：0.908）没有优于单一最佳算法SVD++（RMSE，100 K：0.942; 1 M：0.887）。我们还开发了元学习器之间的区别，操作每个实例（微观级别），每个数据子集（中级级别）和每个数据集（全局级别）。我们的评估表明，与使用的整体最佳算法相比，假设完美的微观元学习器将MovieLens 100 K和1 M数据集的RMSE提高25.5%。
2018-11-30 cs.IR
Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems
针对推荐系统中现有去偏差方法仅考虑单因素的问题，本研究提出一种受物品和评分值共同影响的多因素选择偏差纠正方法，并采用平滑和交替梯度下降技术降低估计方差，在真实与合成数据集上证明了其比单因素方法更有效且鲁棒。
2024-04-29 cs.IR
Do Evidence-Reading Diagnostics Improve Interface Selection in Small LLM Recommenders?
本研究通过行为测试评估证据阅读诊断特征是否有助于选择小型LLM推荐接口，实验显示这些特征未显著提升NDCG@5，但相似用户证据可改善提示效果。
2026-09-30 cs.IR cs.LG
Unsupervised Proxy Selection for Session-based Recommender Systems
Pohang University of Science and Technology（浦项科技大学）
基于会话的推荐器系统（SRS）已经被积极地开发以推荐匿名短项目序列的下一个项目（即，届会）。与序列感知推荐系统不同，其中每个用户的整个交互序列可以用于对用户的短期兴趣和一般兴趣进行建模，SRS中缺乏用户相关信息使得难以从数据中直接导出用户的一般兴趣。因此，现有的SRS专注于如何有效地建模会话内的短期兴趣信息，但它们不足以捕捉用户的普遍兴趣。为此，我们提出了一种新的框架来克服SRS的限制，称为ProxySR，它模仿SRS中缺失的信息（即，用户的一般兴趣）。ProxySR以无监督的方式为输入会话选择代理，并将其与会话的编码短期兴趣相结合。由于代理与短期兴趣联合学习并由多个会话选择，代理学习扮演用户的一般兴趣的角色，并且ProxySR学习如何为输入会话选择合适的代理。此外，我们提出了另一个真实世界的情况下，一些用户登录，并离开他们的标识符在会话中的SRS，并修改ProxySR的情况。我们在真实世界数据集上的实验表明，ProxySR大大优于最先进的竞争对手，代理成功地模仿了用户的一般兴趣，没有任何用户相关的信息。
2021-07-08 cs.AI cs.IR
Differentiable Neural Input Search for Recommender Systems
Shanghai Jiao Tong University（上海交通大学）
潜在因素模型是最先进的推荐系统的驱动力，具有将原始输入特征向量化为密集嵌入的重要见解。不同特征嵌入的维度通常根据经验设置为相同的值，这限制了潜在因素模型的预测性能。现有的工作已经提出了启发式或基于强化学习的方法来搜索混合特征嵌入维度。出于效率考虑，这些方法通常从候选维度的受限集合中选择嵌入维度。然而，这种限制会损害维度选择的灵活性，导致搜索结果的次优性能。在本文中，我们提出了可微神经输入搜索（DNIS），这是一种通过连续松弛和可微优化在更灵活的空间中搜索混合特征嵌入维度的方法。其核心思想是引入一个软选择层来控制每个嵌入维度的重要性，并根据模型的验证性能来优化该层。DNIS是模型不可知的，因此可以无缝地与现有的潜在因素模型结合起来进行推荐。我们在三个公开的真实世界数据集上进行了各种潜在因素模型架构的实验，用于评级预测，点击率（CTR）预测和top-k项目推荐。结果表明，我们的方法实现了最好的预测性能相比，现有的神经输入搜索方法具有更少的嵌入参数和更少的时间成本。
2020-09-10 cs.IR cs.LG
Dataset-Agnostic Recommender Systems
Huawei Ireland Research Centre（华为爱尔兰研究中心）
提出数据集无关推荐系统（DAReS），利用数据集描述语言（DsDL）实现无需微调的跨数据集自适应，减少人工干预，提升可重用性与可复现性。
2025-04-23 cs.IR cs.LG
EdgeRec: Recommender System on Edge in Mobile Taobao
推荐系统（RS）已成为大多数网络规模应用中的关键模块。最近，大多数RS都是基于云到边缘框架的瀑布形式，其中推荐的结果被传输到边缘（例如，用户移动）。尽管有效，但云服务器和边缘之间的网络带宽和延迟可能会导致系统反馈和用户感知的延迟。因此，边缘上的实时计算可以帮助更精确地捕捉用户偏好，从而做出更令人满意的推荐。据我们所知，我们的工作是第一次尝试设计和实现新的边缘推荐系统（EdgeRec），它实现了实时用户感知和实时系统反馈。此外，我们提出了异构用户行为序列建模和上下文感知的重排序与行为注意力网络捕捉用户的不同兴趣，并相应地调整推荐结果。在淘宝网首页提要的离线评价和在线评价上的实验结果证明了EdgeRec的有效性。
2020-09-15 cs.IR
u-cf2vec: Representation Learning for Personalized Algorithm Selection in Recommender Systems
协同过滤（CF）已经成为解决推荐系统（RS）问题的标准方法。协同过滤算法试图通过收集多个用户的个人兴趣来预测用户的兴趣。有多种CF算法，每种算法都有自己的偏差。机器学习从业者必须事先为每个任务选择最佳算法。在推荐系统中，不同的算法对于同一数据集内的不同用户具有不同的性能。Meta Learning（MtL）已经被用于为给定问题选择最佳算法。Meta Learning通常用于为整个数据集选择算法。使其适应于为RS中的单个用户选择算法涉及几个挑战。最重要的是元特征的设计，在典型的Meta学习中，元特征表征数据集，而在这里，它们必须表征单个用户。这项工作提出了一个新的元学习为基础的框架命名为$μ$ -cf2 vec为每个用户选择最好的算法。我们建议使用表示学习技术来提取元特征。表示学习试图提取可以在其他学习任务中重用的表示。在这项工作中，我们还使用不同的强化学习技术来实现框架，以评估哪一种技术对解决这一任务更有用。在Meta级别，Meta学习模型将使用元特征来提取知识，这些知识将用于为每个用户预测最佳算法。我们使用MovieLens 20 M数据集评估了该框架的实现。我们的实现在Meta级别上取得了一致的收益，然而，在基础级别上，我们只取得了边际收益。
2021-03-09 cs.IR
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay（法国萨克利实验室）；Soda Team（Soda团队）
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架，通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性，同时保持用户相关性。
2025-06-22 cs.AI cs.IR
TayFCS: Towards Light Feature Combination Selection for Deep Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出轻量级特征组合选择方法 TayFCS，通过泰勒展开评分器和逻辑回归消除高效筛选高阶特征组合，在三个基准数据集和在线 A/B 测试中验证了其有效性与商业价值。
2025-07-05 cs.AI cs.IR
Exploring Data Splitting Strategies for the Evaluation of Recommendation Models
有效的方法来评估推荐系统是至关重要的，这样的系统可以在一个健全的方式进行比较。推荐系统评估的一个通常被忽视的方面是数据分割策略的选择。在本文中，我们都表明，没有标准的分裂策略，分裂策略的选择可以有很大的影响排名的推荐系统。特别是，我们进行了实验，比较了三种常见的分割策略，研究了它们对两个数据集的七种最先进的推荐模型的影响。我们的研究结果表明，所采用的分裂策略是一个重要的混杂变量，可以显着改变国家的最先进的系统的排名，使许多目前发表的文献不可比，即使使用相同的数据集和指标。
2020-07-26 cs.IR
AutoML for Deep Recommender Systems: A Survey
推荐系统在信息过滤中发挥着重要作用，并已被用于不同的场景，如电子商务和社交媒体。随着深度学习的兴起，深度推荐系统通过捕捉非线性信息和项目-用户关系表现出了优越的性能。然而，深度推荐系统的设计严重依赖于人类经验和专家知识。为了解决这个问题，引入了自动机器学习（AutoML）来自动搜索深度推荐系统不同部分的合适候选人。本调查对这一领域的文献进行了全面的回顾。首先，我们提出了AutoML深度推荐系统（AutoRecSys）的抽象概念，描述了它的构建块，并将其与传统的AutoML技术和推荐系统区分开来。其次，我们提出了一个分类法作为一个分类框架，包含特征选择搜索，嵌入维搜索，特征交互搜索，模型架构搜索，和其他组件搜索。此外，我们特别强调了搜索空间和搜索策略，因为它们是连接每个类别中所有方法的共同线索，使从业者能够分析和比较各种方法。最后，我们提出了四个未来有前途的研究方向，将导致这条研究线。
2023-01-02 cs.IR
iHAS: Instance-wise Hierarchical Architecture Search for Deep Learning Recommendation Models
本文提出实例级分层架构搜索框架 iHAS，通过搜索、聚类和重训练三阶段为不同实例自动优化嵌入维度，有效解决了推荐系统中统一嵌入维度导致的过拟合与高成本问题。
2023-09-14 cs.IR
Informed Dataset Selection
针对推荐系统研究中数据集选择依赖流行度、缺乏系统方法的问题，研究团队开发了实现APS框架的APS Explorer工具，通过多算法多指标分析数据集并引入分类与距离度量，推动数据集选择转向循证实践。
2025-09-30 cs.IR
A Model-based Multi-Agent Personalized Short-Video Recommender System
本文提出基于强化学习与协作式多智能体的短视频推荐框架，通过基于模型的学习缓解样本选择偏差，最大化用户观看时长，并已在数亿用户规模的平台上部署验证。
2024-05-03 cs.AI 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
Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems
Taboola Israel（Taboola以色列）
提出一种秩感知分解方法，通过将上下文相关计算从每个候选一次减少为每个请求一次，在不改变模型预测的情况下显著提升工业推荐系统的吞吐量。
2026-05-24 cs.IR cs.LG
A survey of recommender systems for energy efficiency in buildings: Principles, challenges and prospects
近年来，随着物联网（IoT）和人工智能（AI）技术的发展，推荐系统得到了显着发展。因此，作为物联网和人工智能的结果，这些系统中包含多种形式的数据，例如社交，隐式，本地和个人信息，这可以帮助提高推荐系统的性能并扩大其适用性以跨越不同的学科。另一方面，建筑领域的节能正在成为一个热门的研究课题，其中推荐系统在促进节能行为和减少碳排放方面发挥着重要作用。然而，在建筑物中部署建议框架仍然需要更多的调查，以确定当前的挑战和问题，其中他们的解决方案是使研究结果普及的关键，因此，确保大规模采用这项技术。因此，本文提出，尽作者所知，第一次及时和全面的参考能源效率推荐系统，通过（i）调查现有的推荐系统，节能建筑，（ii）讨论他们的演变，（iii）基于指定的标准提供这些系统的原始分类，包括推荐引擎的性质、其目标、计算平台，评价指标和激励措施;以及㈣进行深入的批判性分析，以确定其局限性和未解决的问题。由此产生的挑战和未来的实施领域可以有效地指导能源研究界，以提高建筑物的能源效率，并降低开发的基于推荐系统的解决方案的成本。
2021-02-09 cs.IR
Improving Recommendation System Serendipity Through Lexicase Selection
提出基于聚类分析的意外发现性指标，并引入 lexicase selection 算法提升推荐多样性，在保持高命中率的同时有效缓解信息茧房和同质性问题。
2023-05-18 cs.IR cs.NE
Recommendations as Treatments: Debiasing Learning and Evaluation
Cornell University（康奈尔大学）
大多数用于评估和训练推荐系统的数据都会受到选择偏差的影响，无论是通过用户的自我选择还是通过推荐系统本身的行为。在本文中，我们提供了一个原则性的方法来处理选择偏差，适应模型和估计技术的因果推理。该方法导致无偏的性能估计，尽管有偏的数据，并提供了一个矩阵分解方法，大大提高了预测性能的真实世界的数据。我们从理论上和经验上表征的方法的鲁棒性，发现它是非常实用和可扩展的。
2016-05-27 cs.AI cs.IR cs.LG
From AutoRecSys to AutoRecLab: A Call to Build, Evaluate, and Govern Autonomous Recommender-Systems Research Labs
本文呼吁 RecSys 社区从狭义 AutoRecSys 迈向端到端 AutoRecLab，并围绕原型、基准、评审、标准与伦理治理提出建设路线图。
2025-10-20 cs.AI cs.IR cs.LG
Self-Supervised Learning for Recommender Systems: A Survey
本文综述自监督推荐研究，提出SSR定义与四类方法分类体系，并发布开源库SELFRec，通过实验总结自监督信号选择的发现及未来方向。
2023-06-02 cs.IR
Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems
针对推荐系统中特征交互选择问题，提出认知进化学习（CELL）框架，通过模拟自然选择自适应进化模型以选择操作、特征和交互，在四个真实数据集上显著优于现有方法。
2024-05-29 cs.AI cs.IR cs.NE
Offline Evaluation Measures of Fairness in Recommender Systems
University of Copenhagen（哥本哈根大学）
本文研究推荐系统公平性评估措施的理论、实证和概念限制，提出新型评估方法，提供使用指南以提升实际应用中的公平性评估精度。
2026-04-27 cs.IR
