Beyond Labels: Leveraging Deep Learning and LLMs for Content Metadata
Tubi
本文提出“类型光谱”方法,利用深度学习捕捉电影标题中的细微类型信息,并探讨LLM增强内容元数据以优化推荐系统二维首页网格的组织效果。
2023-09-15 cs.IR cs.LG
Using Mise-En-Scène Visual Features based on MPEG-7 and Deep Learning for Movie Recommendation
Politecnico di Milano(米兰理工大学)
项目特征在电影推荐系统中扮演着重要的角色,在电影推荐系统中,可以通过使用用户对传统特征(属性)(如标签、流派和演员)的显式或隐式偏好来生成推荐。通常,电影特征是人类生成的,或者编辑地(例如,类型和演员)或通过利用人群的智慧(例如,此外,这些特征对于新项目通常是罕见的或不存在的,使得难以甚至不可能提供高质量的推荐。在本文中,我们表明,用户对电影的偏好可以更好地描述在mise-en-scène功能,即,电影的表征设计、美学和风格的视觉方面(例如,颜色、纹理)。我们使用MPEG-7视觉描述符和深度学习隐藏层作为可以在视觉上描述电影的mise-en-scène特征的示例。有趣的是,mise-en-scène特征可以从视频文件甚至是预告片中自动计算出来,在处理新项目时提供了更大的灵活性,避免了昂贵且容易出错的人工标记,并提供了良好的可扩展性。我们对大量4K电影进行了一系列实验。结果表明,基于mise-en-scène特征的推荐始终提供最佳性能,相对于更丰富的传统特征集,如流派和标签。
2017-04-20 cs.CV cs.IR cs.MM
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
Idea of a new Personality-Type based Recommendation Engine
Myers-Briggs Type Indicator(MBTI)类型描述了一个人感知世界和做出决定的心理偏好。人们通过四种主要功能来观察世界:感觉、直觉、感觉和思维。这些功能连同内向的\Extroverted性质的人,有16种性格类型,人类分为。这里提出了一个想法,其中用户可以基于用户的MBTI类型获得针对书籍、网络媒体内容、音乐和电影的推荐。只有像书籍和其他媒体内容这样的东西被选中,因为这些东西的偏好大多是主观的。除了通常基于先前购买生成的推荐内容之外,还可以通过使用MBTI来增强搜索。设计了一个最低限度的调查来收集数据。这有超过100个特征,显示了个性类型的偏好。这些包括对书籍类型,音乐类型,电影类型甚至视频游戏类型的偏好。在分析了从调查中收集的数据后,从中得出了一些推论,这些推论可以用来设计一个新的推荐引擎,以推荐符合用户个性的内容。
2013-11-08 cs.IR
MTS Kion Implicit Contextualised Sequential Dataset for Movie Recommendation
我们提出了一个新的电影和电视节目推荐数据集收集的MTS Kion视频点播平台的真实用户。与其他流行的电影推荐数据集(如MovieLens或Netflix)相比,我们的数据集基于观看时注册的隐式交互,而不是显式评级。我们还提供丰富的上下文和辅助信息,包括交互特征(如时间信息,观看持续时间和观看百分比),用户人口统计信息和丰富的电影元信息。此外,我们还介绍了MTS Kion挑战赛-一个基于此数据集的在线推荐系统挑战赛-并概述了获胜者的最佳解决方案。我们保持竞争沙箱的开放,因此欢迎研究人员尝试他们自己的推荐算法,并在数据集的私有部分测量质量。
2022-09-01 cs.IR
GenRec: Generative Sequential Recommendation with Large Language Models
University of Michigan(密歇根大学)
将序列推荐视为序列到序列生成任务,提出基于大型语言模型的轻量级生成式模型GenRec,采用掩码物品预测目标学习双向序列模式,在多个公开数据集上取得最先进结果。
2024-08-29 cs.AI cs.CL cs.IR
What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation
经过大量预训练的Transformer模型,如BERT,最近在语言建模方面表现出了非常强大的能力,在许多下游任务上都取得了令人印象深刻的结果。研究还表明,它们能够在预训练后将事实知识隐式地存储在它们的参数中。了解LM的预训练过程实际上学习了什么是使用和改进会话推荐系统(CRS)的关键步骤。我们首先研究了现成的预先训练的BERT对书籍、电影和音乐等推荐项目“知道”多少。为了分析存储在BERT的参数中的知识,我们使用了不同的探针,这些探针需要不同类型的知识来求解,即基于内容的和基于协作的。基于内容的知识是需要模型将项目的标题与其内容信息(如文本描述和流派)相匹配的知识。相比之下,基于协作的知识需要模型根据社区交互(如评级)将项目与相似项目进行匹配。我们借助BERT的Masked Language Modelling头来探测它对项目类型的知识,并使用完形填空风格提示。此外,我们采用BERT的Next Sentence Prediction头和表示的相似性来比较相关和不相关的搜索和推荐查询文档输入,以探索BERT是否可以在没有任何微调的情况下将相关项排在第一位。最后,我们研究了BERT在会话推荐下游任务中的表现。总的来说,我们的分析和实验表明:(i)BERT在其参数中存储了关于书籍、电影和音乐内容的知识;(ii)它具有更多基于内容的知识,而不是基于协作的知识;(iii)当面对对抗性数据时,…
2021-03-04 cs.IR
Indian Regional Movie Dataset for Recommender Systems
IIIT Delhi(印度德里信息技术学院);IBM Research(IBM研究院);TCS Research(塔塔咨询服务研究院)
Indian regional movie dataset是第一个关于印度地区电影、用户及其评级的数据库。它包括属于18种不同印度地区语言的电影和不同人口统计数据的用户元数据。通过这个数据集,印度地区电影的多样性及其巨大的观众群被捕捉到。我们使用一些有监督和无监督的协同过滤技术,如概率矩阵分解,矩阵完成,盲压缩感知等,分析了包含919个用户和2,851部电影的大约10K评级的数据集。数据集由用户的元数据信息组成,如年龄,职业,家庭状态和已知语言。它还包括电影的元数据,如类型,语言,发行年份和演员。印度拥有广泛的观众基础,这一点从每年发行的大量电影和巨大的票房收入中可以看出。该数据集可用于为印度用户和地区电影设计推荐系统,目前还不存在。数据集可从\href{https://goo.gl/EmTPv6}{https://goo.gl/EmTPv6}下载。
2018-01-07 cs.AI cs.IR
A Closer Look on Gender Stereotypes in Movie Recommender Systems and Their Implications with Privacy
本文通过630人用户研究与四种推理算法,结合MovieLens 1M和Yahoo!Movie数据集,揭示电影推荐中的性别刻板印象可被用于隐私推断。
2025-01-08 cs.IR
A Deep, Forgetful Novelty-Seeking Movie Recommender Model
Phillips Exeter Academy(菲利普斯埃克塞特学院)
随着越来越多的人将观影转移到网上,观影网站之间的竞争也越来越激烈。因此,准确预测给定用户的观看列表以最大化将用户留在平台上的机会变得非常重要。最近的研究表明,用户的新奇寻求倾向会影响他们的观看行为。在本文中,我们的目标是在许多用户和数据驱动的时间戳中准确地建模和描述这种寻求新奇的特性,同时考虑到用户的健忘。与以往的研究相比,我们提出了一个更强大的措施新颖性。我们的模型,称为深度健忘新奇寻求模型(DFNSM),利用有关用户的人口统计信息,有关电影的类型信息和新奇寻求特征来预测用户最有可能的下一步行动。为了评估我们的模型的性能,我们在一个大型电影评级数据集上进行了大量的实验。实验结果表明,DFNSM是非常有效的电影推荐。
2019-09-02 cs.IR cs.LG stat.ML
Proposing a Semantic Movie Recommendation System Enhanced by ChatGPT's NLP Results
Islamic Azad University(伊斯兰阿扎德大学)
针对电影推荐需提升精准度的问题,本研究提出利用ChatGPT提取电影描述语义信息构建知识图谱的语义推荐系统,相比发行方明确类型标签的方法可显著提升推荐准确率。
2025-07-29 cs.AI cs.IR
Towards Evaluating User Profiling Methods Based on Explicit Ratings on Item Features
为了提高推荐的准确性,现在许多推荐系统使用用户评级矩阵之外的边信息,例如项目内容。这些系统建立用户简档作为用户对内容的兴趣的估计(例如,电影类型、导演或演员),然后作为整体评估推荐系统的性能,例如,通过他们向目标用户推荐相关和新颖项目的能力。用户简档建模阶段,这是一个关键的阶段,在内容驱动的RS几乎没有适当的评估,由于缺乏公开的数据集,包含用户的偏好的内容功能的项目。为了提高人们对这一事实的认识,我们研究了显式用户偏好和隐式用户简档之间的差异。我们创建了一个对电影内容特征的明确偏好的数据集,我们公开发布。然后,我们比较收集的显式用户功能偏好和隐式用户简档通过国家的最先进的用户分析模型。我们的研究结果表明,显式特征偏好和隐式用户简档之间的最大平均成对余弦相似度为58.07%,由最好的调查分析方法建模,只考虑电影的类型。对于演员和导演,最大相似度分别为9.13%和17.24%。这种显式和隐式偏好模型之间的低相似性鼓励更深入的研究,以调查和改进这一重要的用户简档建模步骤,这将最终转化为更好的推荐。
2019-08-29 cs.IR
Content-Based Personalized Recommender System Using Entity Embeddings
Manipal Institute of Technology(马尼帕尔理工学院)
推荐器系统是一类机器学习算法,其基于用户与类似项目的交互或基于项目的内容向用户提供相关推荐。在要保留项目内容的设置中,基于内容的方法将是有益的。本文的目的是突出的优势,基于内容的方法,通过学习嵌入和利用这些优势,提供更好的和个性化的电影推荐基于用户的喜好,如类型和关键字标签的各种电影功能。
2020-10-24 cs.IR cs.LG
Leveraging Long and Short-term Information in Content-aware Movie Recommendation
电影推荐系统基于个人的偏好和约束向用户提供电影的分级列表。两种类型的模型通常用于生成排名结果:长期模型和基于会话的模型。虽然长期模型表示用户和电影之间的交互,应该随着时间的推移缓慢变化,基于会话的模型编码的信息,用户的兴趣和变化的动态电影的属性在短期内。在本文中,我们提出了一个LSIC模型,利用长期和短期信息的内容感知的电影推荐使用对抗训练。在对抗过程中,我们训练一个生成器作为强化学习的代理,它顺序地向用户推荐下一部电影。我们还训练了一个尝试区分生成的电影列表和真实记录的分类器。电影的海报信息被整合,以进一步提高性能的电影推荐,这是特别必要的,当几个评级可用。实验结果表明,该模型具有较强的鲁棒性,具有一定的先进性。
2018-06-26 cs.IR
DUALRec: A Hybrid Sequential and Language Model Framework for Context-Aware Movie Recommendation
University of Amsterdam(阿姆斯特丹大学)
本文提出DUALRec框架,结合LSTM的时间建模能力与微调大语言模型的语义推理能力,在MovieLens-1M上实现优于基线的上下文感知电影推荐。
2025-07-18 cs.AI cs.IR cs.LG
A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations
Know-Center GmbH(Know-Center有限公司);Graz University of Technology(格拉茨技术大学);Johannes Kepler University(约翰·开普勒大学);Linz Institute of Technology(林茨理工学院)
最近的研究提出了不同的度量标准来衡量推荐性能的不一致性,包括用户组之间的准确性差异,误校准和受欢迎程度提升。然而,在不同的用户组中,将误校准和受欢迎程度提升与推荐准确性联系起来的研究仍然缺失。此外,目前还不清楚特定的类型是否会导致用户组之间推荐性能的不一致。在本文中,我们提出了一个分析这三个方面的五个著名的推荐算法的用户组,不同的偏好流行的内容。此外,我们还研究了不同的流派如何影响推荐性能的不一致性,以及这如何与流派的流行程度保持一致。使用LastFm、MovieLens和MyAnimeList的数据,我们提出了两个关键发现。首先,我们发现对流行内容不感兴趣的用户获得了最差的推荐准确性,这与校准错误和流行度提升有关。其次,我们的实验表明,特定的类型在不同程度上有助于推荐性能的不一致性,特别是在MyAnimeList数据集的情况下,在误校准方面。
2023-03-01 cs.AI cs.IR cs.LG
Post-fusion monolithic hybrid recommender system for suggesting relevant movies to users
针对推荐系统中单一协同过滤方法的不足,提出融合观看电影序列与电影评分的混合后融合推荐系统,通过动态权重矩阵适配不同用例,提升用户偏好匹配效果。
2025-08-25 cs.IR cs.LG
SteerEval: A Framework for Evaluating Steerability with Natural Language Profiles for Recommendation
Cornell University(康奈尔大学);Ithaca College(伊萨卡学院)
SteerEval通过自然语言配置文件评估推荐系统的可操控性,分析不同干预措施对操控效果的影响,并提出设计建议。
2026-01-28 cs.AI cs.CL cs.HC
Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
Spotify
该研究通过两种无需高阶序列表示的简单探针,发现广泛使用的序列推荐基准不适于衡量高阶序列建模的增益,为相关基准有效性提供了具体测试方法。
2026-08-21 cs.IR
Reproducing Transparent and Scrutable Recommendations: Exploring Open-Weight Models via Natural-Language User Profiles
University of Zurich(苏黎世大学)
本研究复现并扩展了基于自然语言用户画像的透明推荐系统研究,验证了UPR的竞争力与透明性,并发现画像扰动仅均匀影响评分而不改变排名,归因于评分回归目标。
2026-09-18 cs.AI cs.IR
Facet-Aware Multi-Head Mixture-of-Experts Model with Text-Enhanced Pre-training for Sequential Recommendation
Nanyang Technological University(南洋理工大学)
本文提出面向面的多头专家混合模型用于序列推荐,通过文本增强预训练和门控机制提升多维特征捕捉与用户偏好解耦能力。
2026-01-18 cs.IR
Scalable Sequential Recommendation under Latency and Memory Constraints
IEEE member, California, USA(IEEE会员,加利福尼亚,美国);IEEE Senior Member, USA(IEEE高级会员,美国);NTT Data, USA(NTT Data,美国);East West Bank, USA(东西银行,美国)
HoloMambaRec通过结合全息降维和选择性状态空间编码器,在内存和延迟约束下实现高效序列推荐,优于SASRec并在MovieLens-1M上达到最优排名。
2026-01-29 cs.AI cs.IR
Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation
Nanyang Technological University(南洋理工大学)
针对序列推荐中物品多面性和用户偏好多样性的问题,提出FAME模型,利用多头注意力子嵌入和专家混合网络解耦分面偏好,并通过门控机制动态整合推荐,在四个数据集上验证了其有效性。
2025-02-10 cs.IR cs.LG
Improve Temporal Awareness of LLMs for Sequential Recommendation
本文针对LLMs时间感知不足的问题,提出三种利用历史交互时间信息的提示策略并聚合排序结果,在MovieLens-1M和Amazon Review上显著提升序列推荐的零样本性能。
2024-05-05 cs.IR
Multimodal Fusion And Sparse Attention-based Alignment Model for Long Sequential Recommendation
针对长序列推荐中多模态理解与用户多粒度兴趣建模的挑战,提出MUFASA模型,通过多模态融合层与稀疏注意力对齐层生成高质量表示,显著超越基线并在在线A/B测试中取得显著收益。
2025-08-13 cs.IR
Our Model Achieves Excellent Performance on MovieLens: What Does it Mean?
Nanyang Technological University(南洋理工大学)
本文深入分析MovieLens数据集的交互生成机制,发现其平台阶段差异、内部算法影响及交互顺序等因素与真实场景存在差异,指出在该数据集上表现优异的模型未必在实际应用中同样有效,其结果不应作为评估推荐系统的唯一依据。
2024-03-24 cs.AI cs.IR
Generative Sequential Recommendation with GPTRec
本文提出GPTRec,一种基于GPT-2的生成式序列推荐模型,通过SVD Tokenisation解决大词汇量问题,并引入Next-K策略生成相互依赖的推荐列表,在MovieLens-1M上达到与SASRec相当的质量且嵌入表减少40%。
2023-06-19 cs.IR
HyMoERec: Hybrid Mixture-of-Experts for Sequential Recommendation
HyMoERec 提出混合专家架构与自适应融合机制,解决序列推荐中用户行为和物品复杂性异质性问题,并在两个数据集上超越现有最优方法。
2025-11-09 cs.AI cs.IR
The Role of Fake Users in Sequential Recommender Systems
本文实证研究了虚假用户对序列推荐系统性能的影响,发现虚假用户虽未显著改变NDCG等传统指标,但会严重降低RLS指标,凸显了开发抗对抗攻击的弹性推荐系统的必要性。
2024-10-13 cs.IR
Multimodal Point-of-Interest Recommendation
该研究聚焦多模态兴趣点推荐领域,以餐厅推荐为切入点,结合Foursquare、FoodX-251数据集与LLaVA模型构建半多模态数据集,用Recformer框架训练的模型性能更优,验证了多模态推荐的研究方向。
2024-10-07 cs.IR cs.SI
Integrating Offline Reinforcement Learning with Transformers for Sequential Recommendation
针对序列推荐任务,提出一种基于预训练transformer初始化策略网络的完全离线强化学习框架,实验证明其收敛快速稳定且推荐质量优于监督学习方法。
2023-07-26 cs.IR
Fusing Similarity Models with Markov Chains for Sparse Sequential Recommendation
个性化序列行为预测是推荐系统的一个关键任务。为了预测用户动作,例如要购买的下一个产品、要观看的电影或要访问的地方,必须考虑长期用户偏好和顺序模式(即,短期动态)。矩阵分解和马尔可夫链方法已经成为两个独立但强大的范式,分别为这两个建模。结合这些想法,导致了统一的方法,同时适应长期和短期的动态建模成对用户项目和项目项目的相互作用。尽管这些方法在处理密集数据方面取得了成功,但它们受到稀疏性问题的挑战,稀疏性问题在现实世界的数据集中很普遍。近年来,基于相似性的方法已经被提出用于(序列未知)项目推荐,在稀疏数据集上取得了令人满意的结果。在本文中,我们提出了这样的方法与马尔可夫链融合,使个性化的顺序推荐。我们在各种大型真实数据集上评估我们的方法Fossil。我们在定量上表明,Fossil优于其他算法,特别是在稀疏数据集上,在定性上表明,它捕获了个性化的动态,并能够提出有意义的建议。
2016-09-28 cs.IR
Towards Effective Exploration/Exploitation in Sequential Music Recommendation
音乐流媒体公司每天总共提供数十亿首歌曲。基于无线电的音乐服务可以在歌曲之间散布音频广告作为产生收入的手段,很像传统的FM无线电。不管货币化方法如何,推荐系统应该决定何时播放已知收听者喜欢(利用)的内容和收听者新颖(探索)的内容。依赖于这种探索/利用类型框架的推荐系统已经被部署在各种各样的应用中,例如电影、书籍、音乐、购物等等。在这项工作中,我们调查不同的广告/歌曲序列对听众行为的影响。特别是,我们专注于探索新的歌曲内容的听众的影响,在听众的会话中的广告和歌曲的前一个序列。我们的研究结果表明,在考虑歌曲的探索和这种先前的序列有影响的听众的倾向,中断他们当前的会话时,事先序列的事项。
2018-12-07 cs.IR
Understanding Distribution Structure on Calibrated Recommendation Systems
本文通过实现十五个模型并在三个电影数据集上评估,研究校准推荐系统中用户画像、候选项目和推荐列表三种高维分布的结构,发现异常检测模型能更好地揭示分布模式,且校准推荐列表在偏好群体变化程度上与传统推荐列表相似。
2025-08-19 cs.IR cs.LG
Potential Factors Leading to Popularity Unfairness in Recommender Systems: A User-Centered Analysis
该研究从用户视角出发,探究推荐系统流行度偏差导致用户侧不公平的潜在因素,验证了用户类别兴趣、画像流行度多样性与不公平程度显著相关,为理解推荐公平性提供了用户层面的新依据。
2023-10-04 cs.IR
RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation
National Cheng Kung University(国立成功大学)
顺序推荐(SR)是根据用户当前访问的项目,为用户准确地推荐一个项目列表。当新用户不断进入现实世界时,一个关键的任务是拥有归纳SR,它可以在不重新训练的情况下生成用户和项目的嵌入。考虑到用户-项目交互可能非常稀疏,另一个关键任务是具有可转移的SR,可以将从一个具有丰富数据的领域中获得的知识转移到另一个领域。在这项工作中,我们的目标是提出整体SR,同时容纳传统的,归纳的,和可转移的设置。我们提出了一种新的基于深度学习的模型,关系时间注意图神经网络(RetaGNN),用于整体SR。首先,具有归纳和可转移的能力,我们训练一个关系关注GNN上的局部子图提取的用户项目对,其中可学习的权重矩阵是在用户,项目和属性之间的各种关系,而不是节点或边缘。其次,长期和短期的时间模式的用户偏好编码的建议顺序自我注意力机制。第三,设计了一个关系感知的正则化项,以更好地训练RetaGNN。在MovieLens,Instagram和Book-Crossing数据集上进行的实验表明,RetaGNN在传统,归纳和可转移的设置下可以胜过最先进的方法。导出的注意力权重也带来了模型的可解释性。
2021-01-29 cs.IR cs.LG cs.SI
Harnessing High-Level Song Descriptors towards Natural Language-Based Music Recommendation
本文将基于自然语言的音乐推荐表述为密集检索问题,评估语言模型在利用流派、情绪等高层歌曲描述符时的有效性,发现针对语言相似性、信息检索及描述映射进行微调可提升性能。
2024-11-18 cs.IR
Optimizing Recommendations using Fine-Tuned LLMs
Whiting School of Engineering EP Program(韦廷工程学院EP项目);John Hopkins University(约翰霍普金斯大学)
本文通过建模真实用户交互生成复杂聊天风格合成数据集,使推荐系统支持情绪、情节和主题等自然偏好查询,并验证其在模型训练与基准测试中的有效性。
2025-05-11 cs.AI cs.IR cs.LG
BiCoRec: Bias-Mitigated Context-Aware Sequential Recommendation Model
University of Witwatersrand(沃特瓦特斯兰大学);University of Johannesburg(约翰内斯堡大学)
BiCoRec通过共注意机制和一致性损失函数缓解推荐中的流行度偏见,提升小众物品推荐性能。
2025-12-15 cs.IR cs.LG
Context-aware Sequential Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Northeastern University(东北大学);Rice University(莱斯大学)
由于序列信息在用户行为建模中起着重要的作用,各种序列推荐方法已经被提出。基于马尔可夫假设的方法被广泛使用,但独立地结合了几个最新的组件。最近,基于递归神经网络(RNN)的方法已经成功地应用于几个顺序建模任务。然而,对于现实世界的应用,这些方法有困难的建模上下文信息,已被证明是非常重要的行为建模。在本文中,我们提出了一种新的模型,命名为上下文感知递归神经网络(CA-RNN)。CA-RNN采用自适应上下文特定输入矩阵和自适应上下文特定转移矩阵,而不是使用常规RNN模型中的常数输入矩阵和转移矩阵。自适应上下文特定输入矩阵捕捉用户行为发生的外部环境,如时间、位置、天气等,自适应上下文特定转移矩阵捕捉历史序列中相邻行为之间的时间间隔长度对全局序列特征转移的影响。实验结果表明,所提出的CA-RNN模型在两个公共数据集上,即,淘宝数据集和Movielens-1 M数据集。
2016-09-19 cs.AI cs.IR
End-to-End Personalization: Unifying Recommender Systems with Large Language Models
University of Windsor(温莎大学)
本文提出一种结合图注意力网络与大型语言模型的混合推荐框架,通过LLM增强嵌入和混合损失函数,在MovieLens数据集上提升推荐准确性与可解释性。
2025-08-02 cs.IR cs.LG
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems
本文提出DLCRec框架,通过将推荐过程分解为类型预测、类型填充和物品预测三个子任务,并结合数据增强技术,实现对基于大语言模型推荐系统中多样性的细粒度控制,在多个场景中优于现有基线。
2025-01-06 cs.IR
gSASRec: Reducing Overconfidence in Sequential Recommendation Trained with Negative Sampling
University of Glasgow(格拉斯哥大学)
针对负采样导致序列推荐模型过度自信的问题,本文提出 gBCE 损失与 gSASRec 模型,通过增加负样本缓解概率高估,并在三个数据集上以更低训练成本超越 BERT4Rec。
2023-08-14 cs.IR cs.LG
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology(佐治亚理工学院);TU Wien(维也纳工业大学)
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题,提出可嵌入多种深度架构的对比学习损失,用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
Hierarchical Context enabled Recurrent Neural Network for Recommendation
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST));Clova AI Research, NAVER Corp.(NAVER公司Clova AI研究部)
长期的用户历史不可避免地反映了个人兴趣随时间的变化。对用户历史的分析需要鲁棒的序列模型来预测用户兴趣的变化和衰减。用户历史通常由各种RNN结构建模,但推荐系统中的RNN结构仍然存在长期依赖性和兴趣漂移。为了解决这些挑战,我们建议HCRNN与全球,本地和临时利益的三个层次的背景下。这种结构的设计保留了用户的全局长期利益,以反映局部的子序列的利益,并照顾到每个过渡的临时利益。此外,我们提出了一个分层的上下文为基础的门结构,以纳入我们的\textit{interest drift assumption}。当我们提出一个新的RNN结构时,我们用一个互补的\textit{bi-channel attention}结构来支持HCRNN,以利用层次上下文。我们在CiteULike,MovieLens和LastFM的顺序推荐任务上实验了建议的结构,我们的模型在顺序推荐中表现出最好的性能。
2019-04-26 cs.IR cs.LG cs.SI
Multi-behavioral Sequential Prediction with Recurrent Log-bilinear Model
随着互联网应用的快速发展,协同过滤中的顺序预测已经成为一个新兴的和关键的任务。鉴于特定用户的行为历史,预测他或她的下一个选择在改善各种在线服务方面起着关键作用。同时,具有多种行为类型的场景越来越多,而现有的工作主要研究具有单一行为类型的序列。马尔可夫链模型作为一种广泛使用的方法,是基于一个强的独立性假设。作为两种经典的神经网络序列建模方法,递归神经网络不能很好地建模短期上下文,对数双线性模型不适合长期上下文。在本文中,我们提出了一个递归对数双线性(RLBL)模型。它可以用特定于行为的转换矩阵对历史序列中的多种类型的行为进行建模。RLBL应用递归结构来建模长期上下文。它对每个隐藏层中的多个项进行建模,并采用特定于位置的转换矩阵来对短期上下文进行建模。此外,考虑到行为历史中的连续时间差是动态预测的关键因素,我们进一步扩展了RLBL,用时间特定的转移矩阵代替位置特定的转移矩阵,从而提出了时间感知的递归对数双线性(TA-RLBL)模型。实验结果表明,在三个数据集上,所提出的RLBL模型和TA-RLBL模型比竞争性比较方法有显著的改进,Movielens-1 M数据集,全球恐怖主义数据库和天猫数据集,具有不同数量的行为类型。
2017-01-27 cs.IR
Effective Diversification of Multi-Carousel Book Recommendation
Open University of the Netherlands(荷兰开放大学);OCLC;University of Groningen(格罗宁根大学)
针对多轮播图书推荐场景下轮播本身无法提升推荐多样性的问题,本文基于协同过滤算法提出多种图书推荐多样化方法,设计对应评估指标,实现了推荐准确率与非准确率维度的良好平衡。
2025-11-18 cs.AI cs.IR
Sparse Feature Factorization for Recommender Systems with Knowledge Graphs
近年来,深度学习和基于因子分解的协同过滤推荐模型无疑主导了推荐系统的场景。然而,尽管这些方法具有出色的性能,但它们需要与嵌入的大小成比例的训练时间,并且当考虑边信息用于计算推荐列表时,训练时间进一步增加。事实上,在这些情况下,我们有大量的高质量的功能,产生的模型更加复杂,难以训练。本文通过介绍KGFlex来解决这个问题:一种稀疏因子分解方法,可以提供更大程度的表达能力。为了实现这一结果,KGFlex分析历史数据,以了解用户决策所依赖的维度(例如,电影导演、音乐类型、作家的国籍)。KGFlex将每个项目特征表示为嵌入,并将用户-项目交互建模为与用户相关的项目属性的因子化熵驱动组合。KGFlex通过让用户只更新他们决策所依据的相关功能来简化培训过程。换句话说,用户项目预测由仅考虑相关特征的用户的个人视图介导。大量的实验结果表明,该方法的有效性,考虑到推荐结果的准确性,多样性和诱导偏见。KGFlex的公开实现可在https://split.to/kgflex上获得。
2021-07-29 cs.IR
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg(维尔茨堡大学)
多人在线竞技场(MOBA)游戏,如Dota 2,每年吸引数十万玩家。尽管玩家基数很大,但吸引新玩家仍然很重要,以防止游戏社区变得不活跃。然而,进入MOBA游戏通常要求很高,需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品,这取决于各种游戏因素,如已经购买的物品,团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家,例如,新的球员或球员返回游戏后,较长的休息时间,专注于游戏的其他方面。由于顺序项目推荐(SIR)已被证明在各个领域(例如电子商务、电影推荐或播放列表延续)都是有效的,因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究,我们收集、分析和发布了Dota-350 k,这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明,考虑购买顺序的模型是最有效的。与其他领域相比,我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 cs.IR cs.LG
Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation
Hefei University of Technology(合肥工业大学);National University of Singapore(新加坡国立大学);Auhui University(安徽大学)
本文提出HaNoRec框架,通过自适应偏好优化解决多模态序列推荐中的样本不平衡和跨模态语义偏差问题,提升推荐性能。
2026-04-07 cs.IR
Zero-Shot Next-Item Recommendation using Large Pretrained Language Models
Singapore Management University(新加坡管理大学)
本研究提出零样本下一项推荐(NIR)提示策略,通过3步提示引导GPT-3生成候选项目并推荐排名列表,在MovieLens 100K上实现强零样本性能,超越部分全量训练的序列推荐模型。
2023-04-06 cs.CL cs.IR
A new system-wide diversity measure for recommendations with efficient algorithms
推荐系统通常对按类型聚类的项目目录和按人口统计学或心理学属性自然聚类为用户类型的用户库进行操作。以前关于全系统多样性的工作主要集中在定义这些类别之间的意图感知指标,并最大限度地提高所产生的建议的相关性,但没有从项目和用户两个角度结合多样性的概念。在这项工作中,(1)我们引入了两个新的系统范围内的多样性度量,同时解决多样化的问题,每个用户看到的项目的类别,多样化的用户类型,每个项目显示,并保持高推荐质量。我们将其建模为用户和项目之间候选推荐的二分图上的子图选择问题。(2)在不相交的项目类别和用户类型的情况下,我们表明,由此产生的问题可以在多项式时间内精确地解决,通过减少到最小成本流问题。(3)在非不相交的类别和用户类型的情况下,我们证明了NP-完全的目标,并提出了有效的近似算法使用的子模块的目标。(4)最后,我们在MovieLens-1 m和Netflix数据集上验证了我们的算法的有效性,并表明为我们的目标设计的算法在销售多样性指标上也表现良好,甚至在一些意图感知的多样性指标上也表现良好。我们的实验结果证明了我们的新的复合多样性指标的有效性。
2019-08-27 cs.IR
Toward Safe and Human-Aligned Game Conversational Recommendation via Multi-Agent Decomposition
Roblox Corporation(Roblox公司);University of Cambridge(剑桥大学)
MATCHA通过多智能体框架提升游戏对话推荐的安全性与人本对齐,实现更精细的个性化和更强的对抗防御能力。
2026-02-25 cs.CL cs.HC cs.IR
X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking
San Jose State University(圣何塞州立大学)
X-KGRank是一种知识图谱检索增强推荐框架,结合协同过滤与LLM解释,在MovieLens-1M数据集上提升了推荐指标,且小参数LLM可实现相当的解释质量但更易产生事实错误。
2026-08-04 cs.AI cs.IR