LLM-Enhanced Reranking for Complementary Product Recommendation
North Carolina State University（北卡罗来纳州立大学）；Iowa State University（爱荷华州立大学）
本文提出利用大语言模型增强互补产品推荐的重排序，通过直接应用LLM提示策略提升推荐准确性和多样性。
2025-07-22 cs.IR cs.LG
One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation
RMIT University（皇家墨尔本理工大学）
本文提出InvariRank框架，通过结构化注意力掩码和RoPE共享位置框架，实现位置不变的列表重排序，提升推荐系统稳定性与效率。
2026-04-30 cs.IR cs.LG
Fast and Feasible: Permutation-based Constrained Reranking for Revenue Maximization
Avito；MSU, AI Center and IAI（莫斯科国立大学人工智能中心及人工智能研究所）；MSU, AI Center（莫斯科国立大学人工智能中心）
提出一种轻量级排列重排序算法PermR，通过相邻项交换优化收入并满足相关性等约束，在保持生产延迟限制下实现ILP约63%的收入提升。
2026-06-29 cs.IR math.OC
Local Citation Recommendation with Hierarchical-Attention Text Encoder and SciBERT-based Reranking
Institute of Neuroinformatics, University of Zurich（苏黎世大学神经信息学研究所）；ETH Zurich（苏黎世联邦理工学院）
本地引用推荐的目标是从本地引用上下文以及可选地从全局上下文推荐缺失的参考文献。为了在大规模论文数据库的背景下平衡引用推荐的速度和准确性之间的权衡，一种可行的方法是首先使用有效的排名方法预取有限数量的相关文档，然后使用更复杂的模型执行细粒度的重新排名。在这种情况下，BM 25被发现是一种难以击败的预取方法，这就是为什么最近的工作主要集中在重新排序步骤上。即便如此，我们探索预取与最近邻搜索之间的文本嵌入构造的层次注意力网络。当再加上一个SciBERT reranker微调本地引文推荐任务，我们的分层注意力编码器（HAtten）实现了高预取召回给定数量的候选人进行重新排名。因此，我们的重新排名器需要更少的预取候选项来重新排名，但仍然在ACL-200、FullTextPeerRead、RefSeer和arXiv等各种本地引文推荐数据集上实现了最先进的性能。
2022-03-17 cs.CL cs.IR cs.LG
Breaking the Likelihood Trap: Consistent Generative Recommendation with Graph-structured Model
Peking University（北京大学）；Kuaishou Technology（快手科技）
针对重排序中似然陷阱导致序列重复且质量低的问题，提出CONGRATS方法，通过图结构模型扩展解码空间并显式建模物品依赖，结合一致性可微训练直接学习用户偏好，显著提升推荐质量与多样性。
2026-06-03 cs.IR
Non-autoregressive Generative Models for Reranking Recommendation
Kuaishou Technology（快手科技）；Peking University（北京大学）；Tsinghua University（清华大学）
提出非自回归生成模型NAR4Rec用于推荐重排序，通过匹配模型、序列级不相似性训练和对比解码提升效率与效果，离线实验和在线测试验证其优越性，已在快手全面部署。
2025-03-25 cs.AI cs.IR
Prompt-Based LLMs for Position Bias-Aware Reranking in Personalized Recommendations
本文提出结合传统推荐模型与LLM的混合框架，通过结构化提示重排序，并研究位置偏差影响，实验发现LLM重排序未优于基础模型。
2025-05-27 cs.CL cs.IR
GRN: Generative Rerank Network for Context-wise Recommendation
重新排序在推荐系统中引起了越来越多的关注，它将输入的排序列表重新排列成最终的排序列表，以更好地满足用户的需求。大多数现有的方法通过逐点或列表模型的评分对候选人进行重新排序。尽管有效，忽略了每个项目和它的上下文之间的相互影响，在最终的排名列表往往使贪婪的策略为基础的重排序方法次优。在这项工作中，我们提出了一个新的上下文明智的重排名框架命名为生成重排名网络（GRN）。具体来说，我们首先设计了评估器，它应用Bi-LSTM和自我注意力机制对带标签的最终排名列表中的上下文信息进行建模，更精确地预测每个项目的交互概率。然后，我们详细介绍了生成器，配备了GRU，注意力机制和指针网络，从输入的排名表中逐步选择项目。最后，我们应用交叉熵损失训练评估器，并随后，策略梯度，以优化生成器的指导下，评估器。实证结果表明，GRN一致和显着优于国家的最先进的逐点和列表的方法。此外，在淘宝应用的一个热门推荐场景中成功部署后，GRN在PV和IPV指标上分别实现了5.2%和6.1%的性能提升。
2021-04-07 cs.IR
RALLM-POI: Retrieval-Augmented LLM for Zero-shot Next POI Recommendation with Geographical Reranking
Singapore University of Technology and Design（新加坡科技设计大学）
RALLM-POI通过历史轨迹检索、地理距离重排序和智能体式LLM自校正，在零样本条件下提升下一兴趣点推荐准确性，并在三个Foursquare数据集上优于传统和LLM基线。
2025-09-21 cs.AI cs.IR
Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations
Meta MRS
本研究提出一种轻量级生成式验证器，对检索器候选进行事后重排序，无需重新训练，在多个推荐模型上显著提升 Recall@10。
2026-09-14 cs.AI cs.IR
Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Roblox（罗布乐思公司）；Columbia University（哥伦比亚大学）；University of California, San Diego（加州大学圣地亚哥分校）
针对Roblox游戏推荐因文本特征稀疏不一致导致的内容差距问题，提出基于LLM的游戏档案生成与重排序方法，生成结构化游戏属性并验证其有效性，提升推荐相关性且已部署至生产环境。
2025-02-01 cs.AI cs.CL cs.IR
Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking
RMIT University（皇家墨尔本理工大学）
本研究揭示基于LLM的列表式重排序存在位置偏差，引入多维度评估框架验证其会破坏偏好一致性，且均衡位置曝光无法修复该问题。
2026-08-05 cs.IR
A Bird's-eye View of Reranking: from List Level to Page Level
重排序作为多阶段推荐系统的最后一个阶段，对初始列表进行优化，以最大化总效用。随着多媒体和用户界面设计的发展，推荐页面已经演变成多列表样式。分别采用传统的列表级重排序方法，不同的列表忽略了列表间的相互作用和不同的页面格式的影响，从而产生次优的重排序性能。此外，简单地为所有列表应用共享网络无法捕捉不同列表上用户行为的共性和差异。为此，我们提出了一个鸟瞰图的\textbf{page-level reranking}和设计一个新的页面级的注意力重排名（PAR）模型。我们引入了一个层次化的双边注意模块来提取个性化的列表内和列表间的交互。一个空间尺度的注意力网络的设计，以集成的空间关系成对项目的影响，明确的页面格式模型。进一步应用多门控专家混合模块来捕获不同列表之间的用户行为的共性和差异。在公共数据集和专有数据集上的大量实验表明，PAR显著优于现有的基线模型。
2022-11-17 cs.IR
Beyond Single-Score Ranking: Facet-Aware Reranking for Controllable Diversity in Paper Recommendation
EECS International Graduate Program（电子工程与计算机科学国际研究生项目）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出 SciFACE 框架，通过背景和方法两个独立 facet 模型提升论文推荐的可控多样性，实验显示其在 NDCG@20 上优于 SPECTER 和 FaBLE。
2026-03-11 cs.AI cs.IR
DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval
University of Science & Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
该研究针对推荐重排序的效率与协调问题，提出DIRECTOR传输引导并行重排序框架，经实验验证其在大规模工业推荐场景中性能优于现有基线。
2026-07-30 cs.IR
Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan
Meituan（美团）
本文提出NSGR树基生成重排方法，通过分层生成和多尺度邻居损失提升推荐列表质量，已在美团餐饮平台部署。
2026-04-07 cs.IR
Comprehensive List Generation for Multi-Generator Reranking
本研究提出多生成器重排序框架，通过自动寻找互补生成器并最大化列表全面性指标，提升推荐列表生成效率与效果，实验验证其优越性。
2025-04-22 cs.IR
The Recall Ceiling of LLM Recommendation Reranking
University of Southern California（南加州大学）；Viterbi School of Engineering（维特比工程学院）
本研究揭示LLM推荐重排序的oracle评估高估性能，源于现实检索召回上限，提出RAEP协议以区分检索与重排序的改进优先级。
2026-09-24 cs.IR cs.LG
DeGRe: Dense-supervised Generative Reranking for Recommendation
College of Software, Zhejiang University Hangzhou China；Rajax Network Technology, Taobao Shangou of Alibaba Hangzhou China；Rajax Network Technology, Taobao Shangou of Alibaba Beijing China；State Key Lab of CAD\&CG, Zhejiang University Hangzhou China；Rajax Network Technology, Taobao Shangou of Alibaba Shanghai China；College of Software, Zhejiang University；Rajax Network Technology, Taobao Shangou of Alibaba；State Key Lab of CAD\&CG, Zhejiang University
提出DeGRe框架，通过离线探索中的密集监督信号（Lookahead Evaluator）指导在线生成器（Online Generator）进行单步贪婪解码，解决重排序中的启发式标签偏差和信用分配问题。
2026-09-25 cs.AI cs.IR cs.LG
DUM: Diversity-Weighted Utility Maximization for Recommendations
推荐列表多样化的需要在许多推荐系统用例中表现出来。然而，多样性的增加可能会损害建议的效用，因为清单中的相关项目可能会被更多样的项目所取代。在这项工作中，我们提出了一种新的方法，最大限度地提高效用的推荐项目的多样性用户的口味，并表明，这个问题的最佳解决方案可以找到greenly。我们评估所提出的方法在两个在线用户的研究，以及在离线分析，将一些评估指标。评估的结果表明，我们的方法的优越性超过了一些基线。
2014-11-13 cs.IR stat.ML
Towards Carbon Footprint-Aware Recommender Systems for Greener Item Recommendation
针对推荐系统环保性研究缺乏碳足迹数据集的问题，本文构建相关数据集，测试传统算法的准确性与环保性权衡，提出可适配任意算法的模块化碳足迹重排序方法，以小幅精度损失换取推荐环保性的显著提升。
2025-03-21 cs.IR
Value-aware Recommendation based on Reinforced Profit Maximization in E-commerce Systems
Alibaba Group（阿里巴巴集团）；Carnegie Mellon University（卡内基梅隆大学）；Rutgers University（罗格斯大学）
现有的推荐算法大多集中在优化传统的推荐措施，如RMSE方面的评级预测的准确性或前$k$推荐列表的质量方面的精度，召回率，MAP等，然而，商业推荐系统的一个重要期望是提高系统的最终收入/利润。传统的推荐目标如评分预测和顶级$k$推荐与此目标没有直接关系。在这项工作中，我们将在线广告和微观经济学的基本概念融入个性化推荐中，以实现利润最大化。具体而言，我们提出了基于强化学习的价值感知推荐，直接优化候选项的经济价值来生成推荐列表。特别是，我们推广的基本概念的点击转化率（CVR）在计算广告到会话率的任意用户动作（XVR）在电子商业，其中的用户动作可以点击，添加到购物车，添加到愿望清单等，这样，每种类型的用户动作被映射到其货币化的经济价值。进一步综合不同用户行为的经济价值作为排行榜的奖励，并利用强化学习对推荐榜进行优化，使总价值最大。在离线基准测试和在线商业系统中的实验结果验证了我们的框架在传统的顶级$k$排名任务和系统的经济效益方面的性能改进。
2019-02-03 cs.IR cs.LG
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而，现有的新闻推荐方法大多只关注推荐准确率，而忽略了多样性。重新排序是一种广泛使用的后处理技术，以促进顶部推荐结果的多样性。然而，推荐模型并不完美，并且错误可能在级联推荐算法中传播和放大。此外，推荐模型本身并不具有多样性，这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中，我们提出了一种名为LeaDivRec的新闻推荐方法，这是一个完全可学习的模型，可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法，通常是基于点或成对排序，在LeaDivRec中，我们提出了一个更有效的列表式新闻推荐模型。更具体地说，我们提出了一个置换Transformer来考虑候选新闻之间的相关性，同时可以学习不同的表示相似的候选新闻，以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外，我们提出了一个多样性感知的正则化方法，以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
GReF: A Unified Generative Framework for Efficient Reranking via Ordered Multi-token Prediction
Shanghai University（上海大学）；Emory University（埃默里大学）
针对多阶段推荐中重排序两阶段范式存在的端到端训练难、自回归推理效率低的问题，提出统一生成式框架GReF，结合Gen-Reranker、Rerank-DPO后训练与OMTP机制，实现性能与效率兼具的重排序，已在快手落地并提升推荐效果。
2025-10-29 cs.AI cs.IR cs.LG
S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization
School of Information, Renmin University of China（中国人民大学信息学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）；Meituan-Dianping Group（美团点评集团）；Université de Montréal（蒙特利尔大学）
最近，利用深度学习的顺序推荐取得了重大进展。现有的神经顺序推荐模型通常依赖于项目预测损失来学习模型参数或数据表示。然而，用这种损失训练的模型容易遭受数据稀疏问题。由于它过分强调最终的性能，上下文数据和序列数据之间的关联或融合没有被很好地捕获和利用顺序推荐。为了解决这个问题，我们提出了模型S^3-Rec，代表顺序推荐的自监督学习，基于自注意神经结构。我们的方法的主要思想是利用内在的数据相关性来获得自我监督信号，并通过预训练方法来增强数据表示，以改善顺序推荐。对于我们的任务，我们设计了四个辅助的自我监督的目标，学习属性，项目，子序列，序列之间的相关性，利用互信息最大化（MIM）原则。MIM提供了一种统一的方法来表征不同类型数据之间的相关性，这特别适合我们的场景。在六个真实数据集上进行的大量实验表明，我们提出的方法优于现有的最先进的方法，特别是当只有有限的训练数据。此外，我们还将自监督学习方法推广到其他推荐模型中，也提高了它们的性能。
2020-08-18 cs.IR cs.LG
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
Bilibili Inc（哔哩哔哩公司）
本文提出一种面向约束的生成重排框架，通过整合序列生成与奖励估计，提升广告流中多目标优化的效率与效果。
2026-03-04 cs.IR
Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals
KAIST（韩国科学技术院）；Snap Inc.（Snap公司）
本研究提出后LLM范式的无训练推荐框架CoRRe，通过协同信号优化物品嵌入，在真实数据集上性能优于现有无训练方法，接近或超过有训练方法。
2026-08-21 cs.IR
GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Visa Research（Visa研究院）
我们研究的问题，使项目的建议，短暂的群体，其中包括用户有限或没有历史活动在一起。现有的研究针对具有大量活动历史的持久组，而短暂组缺乏历史相互作用。为了克服群体交互稀疏性，我们提出了数据驱动的正则化策略，以利用同一群体中用户之间的偏好协方差，以及用户个人偏好与每个群体的上下文相关性。我们做了两个贡献。首先，我们提出了一个推荐架构不可知的框架GroupIM，可以集成任意的神经偏好编码器和聚合器的短暂的组推荐。其次，我们规范化的用户组的潜在空间，以克服组交互稀疏：最大限度地提高互信息之间的代表性的群体和群体成员，并动态优先级的偏好，通过上下文偏好加权的高度信息化的成员。我们在几个真实世界数据集上的实验结果表明，与最先进的组推荐技术相比，性能有显着提高（相对NDCG@20为31-62%）。
2020-06-09 cs.IR cs.LG cs.SI
Show Me the Money: Dynamic Recommendations for Revenue Maximization
推荐系统（RS）在电子商务和点播内容流等应用中发挥着至关重要的作用。对RS的研究主要集中在客户的角度，即，用户偏好的准确预测和用户效用的最大化。因此，大多数现有的技术都没有明确地为收入最大化而构建，而收入最大化是企业的主要业务目标。在这项工作中，我们探索和利用RS和企业盈利能力之间的新联系。由于建议可以被视为企业与其客户之间的信息渠道，因此研究如何制定战略动态建议以实现最大可能的收入是非常有趣和重要的。为此，我们提出了一种新的\model，考虑到各种因素，包括价格，估值，饱和效应，产品之间的竞争。在这个模型下，我们研究了在有限的时间范围内找到收入最大化的推荐策略的问题。我们表明，这个问题是NP-困难的，但近似保证可以得到一个稍微放松的版本，通过建立一个优雅的连接到拟阵理论。由于近似算法的复杂性高得令人望而却步，我们还为原问题设计了智能算法。最后，我们在两个真实和合成数据集上进行了广泛的实验，并证明了我们的算法的效率，可扩展性和有效性，并且它们显着优于几个直观的基线。
2015-08-25 cs.DB cs.GT cs.IR
TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning
Tencent’s PCG (Platform and Content Group)（腾讯平台与内容事业群）
该研究提出TGR工业级推荐框架，通过CCFormer、BARGE、HiGR、TGR-Reason四个模块，解决传统推荐系统的缺陷，在多个场景取得显著指标提升，已部署服务数亿用户。
2026-09-02 cs.IR
Bridging the Structural Gap: Adapting Autoregressive Generation for Recommendation
Tencent（腾讯）；Shenzhen University（深圳大学）；Sun Yat-sen University（中山大学）
研究针对生成式推荐存在的结构差距问题，提出BARGE方法，通过项目上下文感知注意力恢复项目级结构，利用分层路径重排和双路径解码抑制语义漂移，实验表明该方法推荐性能优越，在工业规模推荐中有实用价值。
2026-08-21 cs.IR
PSG: Pair-Space Generation for Efficient Generative Reranking
Kuaishou Tech（快手科技）
针对自回归生成式推荐重排序的局限，提出对空间生成（PSG）方法，理论上可提升生成速度与次优性，在快手部署后实现每用户停留时间0.178%的提升。
2026-07-30 cs.IR
Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
Infobip
该研究针对电商目录动态变化问题，提出与商家无关的多轮对话购物助手，核心为自刷新检索器，仅处理目录增量，对话层用LLM做意图分类，演示为WhatsApp购物助手。
2026-08-28 cs.IR
GR2: Generative Reasoning Re-ranker
Meta AI
提出GR2框架，利用大语言模型的推理能力进行推荐重排序，通过语义ID编码、推理轨迹监督微调和强化学习优化，在Recall@5和NDCG@5上超越现有方法。
2026-06-23 cs.AI cs.IR
Heterogeneous Influence Maximization in User Recommendation
Tencent（腾讯）；Shenzhen University（深圳大学）
本文提出HeteroIR和HeteroIM两个模型，结合推荐意愿建模与影响力最大化，在腾讯游戏平台A/B测试中分别提升8.5%和10%。
2025-08-19 cs.AI cs.IR cs.LG
Agents as Knowledge Integrator and Utilizer in Multimodal Recommendation
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；Peking University（北京大学）；Universiti Malaya（马来亚大学）；Macao Polytechnic University（澳门理工学院）
该研究针对多模态推荐中信号与目标不匹配的问题，提出AgentMMRec框架，通过整合与利用两个智能体角色优化图结构与表示，在亚马逊数据集上提升了推荐指标，且适用于稀疏与冷启动场景。
2026-09-01 cs.IR
Rethinking LLM-Based Recommendations: A Personalized Query-Driven Parallel Integration
KAIST（韩国科学技术院）
针对LLM推荐系统中训练偏差与序列化架构瓶颈，提出并行框架Query-toRecommendation，将LLM与候选预选解耦，利用LLM生成物品描述与个性化查询，并结合自适应重排序策略，实现零样本语义匹配，性能提升达57%。
2025-09-14 cs.CL cs.IR
NLGR: Utilizing Neighbor Lists for Generative Rerank in Personalized Recommendation Systems
Meituan（美团）
针对推荐系统重排序中评估器与生成器目标不一致、逐一生成忽略后续项信息的问题，提出NLGR模型，通过组合空间邻居列表增强训练、采样式非自回归生成改进生成器，实验验证有效并部署于美团外卖平台。
2025-02-11 cs.AI cs.IR
RALLRec+: Retrieval Augmented Large Language Model Recommendation with Reasoning
提出RALLRec+，通过联合表示学习和重排序改进检索，结合推理LLM与通用LLM增强生成，提升推荐性能。
2025-03-26 cs.IR
Generative Flow Network for Listwise Recommendation
针对现有列表式推荐方法组合空间探索难、多样性不足的问题，提出基于生成流网络的GFN4Rec方法，通过对数尺度奖励匹配损失和自回归选择模型兼顾推荐质量与多样性，在模拟环境和真实数据集上验证有效。
2023-06-09 cs.IR
Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
TCS Research, India（塔塔咨询服务公司研究院）
本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架，通过构建异构知识图谱并学习用户人设，提升稀疏或冷启动场景下的个性化推荐效果。
2026-04-14 cs.IR
Skewness Ranking Optimization for Personalized Recommendation
Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）
在本文中，我们提出了一种新的优化标准，利用偏正态分布的功能，以更好地模拟个性化推荐的问题。具体而言，开发的标准借用的概念和灵活性的偏正态分布，基于此三个超参数附加到优化标准。此外，从理论上建立了该准则的最大化与偏正态分布中形状参数之间的关系，并给出了该准则与ROC曲线下面积最大化的类比和渐近分析.在一系列大规模现实世界数据集上进行的实验结果表明，我们的模型显着优于最新技术水平，并在所有测试数据集上始终产生最佳性能。
2020-05-23 cs.IR cs.LG stat.ML
RALLRec: Improving Retrieval Augmented Large Language Model Recommendation with Representation Learning
Tsinghua University（清华大学）；City University of Hong Kong（香港城市大学）；Dongguan University of Technology（东莞理工学院）；Alibaba Group（阿里巴巴集团）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
针对现有RAG推荐方法依赖文本语义导致相关项目纳入不足的问题，提出RALLRec，通过LLM生成详细项目描述增强文本语义，联合学习文本与协同语义并引入重排序捕捉用户偏好动态，在三个数据集上验证了有效性。
2025-02-11 cs.CL cs.IR
RIA: A Ranking-Infused Approach for Optimized listwise CTR Prediction
Beijing University of Posts and Telecommunications（北京邮电大学）
RIA提出一种融合排名的端到端框架，通过整合点评和列表级评估，提升CTR预测性能并优化效率。
2025-11-26 cs.AI cs.IR
Diagnosing and Mitigating Retrieval Bottlenecks in LLM-Based Cold-Start Recommendation
本文通过五领域基准测试发现，在冷启动场景下，LLM重排序器受限于检索覆盖率低（4.6-22.9%），提出LHF混合融合层作为检索侧基线，恢复17-61%的oracle覆盖空间，但端到端实验显示非LLM排序与LLM重排序之间存在不匹配。
2026-06-29 cs.IR cs.LG
Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
Korea University（高丽大学）；KT Corporation（KT公司）
针对LLM推荐系统中物品侧信息利用不足的问题，提出CAIRO框架，通过结构化元数据、轻量级画像器生成上下文特异性物品画像，提升了LLM重排序性能。
2026-08-24 cs.AI cs.CL cs.IR
RecoAtlas: A Benchmark and RL Environment for LLM Recommendation Agents Optimizing Set-Level Utility
Criteo AI Lab（Criteo人工智能实验室）
本文提出RecoAtlas，一个用于评估购物代理的基准和工具包，通过行为基础的度量标准来评估推荐代理的性能，揭示语义合理性并不一定代表行为基础的效用。
2026-11-04 cs.AI cs.IR cs.LG
How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics
University of Bayreuth（拜罗伊特大学）；Institute of Computing, University of Campinas（坎皮纳斯大学计算机研究所）
针对传统推荐缺乏意外性的问题，提出基于知识图谱的推荐层，利用复杂网络度量对推荐结果重排序以调节惊喜度，在两个数据集上验证了其提升推荐意外感的效果。
2024-05-14 cs.AI cs.IR cs.LG
Overview and Analysis of the RecSys Challenge 2026: Conversational Music Recommendation
Sony Group Corporation（索尼集团公司）；SiriusXM（天狼星卫星广播公司）；Deezer Research（Deezer研究院）；Amazon（亚马逊）；Politecnico di Bari（巴里理工大学）；Maastricht University（马斯特里赫特大学）
本文概述RecSys 2026挑战赛的对话式音乐推荐任务，分析16个系统在检索-重排-生成框架下的表现，指出稳健设计需结合多轮上下文、意图检测及冷启动信号，并揭示基准评估的局限性。
2026-09-29 cs.IR cs.MM cs.SD
TopoGR: Revealing and Preserving Latent Structure of Semantic ID in Generative Recommendation
Xidian University（西安电子科技大学）；Alibaba（阿里巴巴）；University of Science and Technology of China（中国科学技术大学）
研究基于语义ID的生成式推荐中忽视语义ID空间拓扑结构的问题，提出TopoGR框架，利用可位分解语义ID的汉明拓扑结构，在输入、监督、推理阶段提升性能，实验证明其优于现有基线。
2026-07-29 cs.AI cs.IR
Enhancing High-order Interaction Awareness in LLM-based Recommender Model
Graduate School of Engineering（工学院）；Interdisciplinary Graduate School（交叉研究生院）；University of Yamanashi（山梨大学）
本文提出增强的基于 LLM 的推荐器 ELMRec，通过改进全词嵌入提升对用户-项目高阶交互的建模能力，并引入重排序解决近期交互被忽略的问题，在直接和序列推荐上超越 SOTA。
2026-10-07 cs.CL cs.IR
Deep Retrieval: Learning A Retrievable Structure for Large-Scale Recommendations
ByteDance Inc.（字节跳动有限公司）
大规模推荐中的核心问题之一是准确有效地检索最相关的候选人，最好是在亚线性时间内。以前的方法大多基于两步过程：首先学习内积模型，然后使用近似最近邻（ANN）搜索算法来找到最佳候选人。在本文中，我们提出了深度检索（DR），直接使用用户-项目交互数据（例如点击）来学习可检索的结构，而无需在ANN算法中采用欧几里德空间假设。DR的结构将所有候选项编码到离散的潜在空间中。候选者的那些潜在代码是模型参数，并且与其他神经网络参数一起学习以最大化相同的目标函数。随着模型的学习，在结构上执行束搜索以检索用于重新排序的最佳候选。从经验上讲，我们首先证明了DR，具有次线性计算复杂性，可以达到几乎相同的精度作为两个公共数据集上的蛮力基线。此外，我们表明，在现场生产推荐系统中，部署的DR方法在参与指标方面显着优于精心调整的ANN基线。据我们所知，DR是第一个成功部署在工业推荐系统中数亿项规模的非ANN算法之一。
2021-05-18 cs.IR cs.LG stat.ML
Loom: Hybrid Retrieval-Scoring Outfit Recommendation with Semantic Material Compatibility and Occasion-Aware Embedding Priors
Loom结合神经嵌入检索与结构化领域评分，通过语义材料权重和场合感知嵌入先验生成高质量服装搭配，实验表明其在评分和违规率上显著优于基线方法。
2026-05-11 cs.CV cs.IR
FAIR: Focused Attention Is All You Need for Generative Recommendation
Huazhong University of Science and Technology（华中科技大学）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Huawei Technologies Co., Ltd（华为技术有限公司）
FAIR通过聚焦注意力机制和噪声鲁棒性目标，提升生成推荐的性能。
2025-12-17 cs.IR
