Evaluation Metrics for Item Recommendation under Sampling
Google Research(谷歌研究院)
项目推荐的任务需要在给定上下文的情况下对大量项目进行排序。项目推荐算法使用依赖于相关项目位置的排名度量进行评估。为了加速度量的计算,最近的工作通常使用采样度量,其中仅对较小的随机项和相关项进行排名。本文研究采样度量更详细,并表明,采样度量与其确切的版本是不一致的。采样度量不持久化相对语句,例如,“算法A比B更好”,甚至出乎意料。此外,采样大小越小,度量之间的差异越小,并且对于非常小的采样大小,所有度量都收缩到AUC度量。
2019-12-04 cs.IR cs.LG
On Softmax Direct Preference Optimization for Recommendation
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Hokkaido University(北海道大学)
提出Softmax-DPO方法,将排序信息注入语言模型推荐系统,通过多负样本和部分排序损失提升个性化推荐性能,并在三个数据集上验证其有效性。
2024-11-07 cs.AI cs.IR
Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering
University of Electronic Science and Technology of China(电子科技大学);University of Science and Technology of China(中国科学技术大学);Huawei Cloud Computing Technologies Co., Ltd.(华为云计算技术有限公司)
变分自编码器(VAE)是一种典型的非线性协同过滤方法。然而,VAE的瓶颈在于对所有项目的softmax计算,因此它需要项目数量的线性成本来计算优化的损失和梯度。这阻碍了实际使用,因为在现实世界中有数百万个项目。重要性采样是一种有效的逼近方法,基于此方法导出了采样softmax。然而,现有的方法通常利用均匀或流行的采样器作为建议分布,导致梯度估计的大偏差。为此,我们建议基于反向多指标分解基于内积的softmax概率,从而实现次线性时间和高精度采样。在此基础上,提出了一种快速的变分自编码器(FastVAE)。在三个真实数据集上的实验表明,FastVAE在采样质量和效率方面都优于最先进的基线。
2022-05-30 cs.IR cs.LG
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展,有越来越多的关注,适当的评价推荐算法。在本文中,我们重新评估前N推荐算法的替代实验设置,考虑三个重要因素,即数据集分割,采样指标和域选择。我们选择了八种有代表性的推荐算法(包括传统方法和神经方法),并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项,我们在这三个因素上得出了一些重要的发现,这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation
Hefei University of Technology(合肥工业大学);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
由于用户经常使用二进制行为数据(隐式反馈)来表达他们的偏好,例如点击项目或购买产品,基于隐式反馈的协同过滤(CF)模型通过利用隐式用户-项目交互数据来预测用户可能喜欢的排名靠前的项目。对于每个用户,隐式反馈被分成两个集合:一个观察到的项目集有限的观察到的行为,和一个大的未观察到的项目集,混合负项目行为和未知行为。给定任何用户偏好预测模型,研究人员要么设计基于排名的优化目标,要么依赖于负项挖掘技术来进行更好的优化。尽管这些基于隐式反馈的模型的性能增益,推荐结果仍然是远远不能令人满意的,由于每个用户的观察项目集的稀疏性。为此,在本文中,我们探讨了隐式反馈的独特特性,并提出了Set 2setRank框架的建议。Set 2setRank的优化标准有两个方面:首先,我们设计了一个项目到项目集的比较,鼓励来自采样观察集的每个观察项目的排名高于来自采样未观察集的任何未观察项目。第二,我们模型集水平比较,鼓励从观察项目集总结的距离和最“硬”未观察到的项目从抽样的负面集之间的利润率。此外,还设计了一种自适应采样技术来实现这两个目标。我们必须注意到,我们提出的框架是模型不可知的,可以很容易地应用于大多数推荐预测方法,并在实践中是时间效率。最后,在三个真实世界的数据集上进行了大量的实验,证明了我们所提出的方法的优越性。
2021-05-26 cs.AI cs.IR
A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models
University of Würzburg(维尔茨堡大学)
目前,顺序项目推荐模型通过计算小项目子集(目标集)上的度量来进行比较,以加快计算速度。目标集包含相关项和从完整项集中采样的一组负项。两种众所周知的对负项进行抽样的策略是均匀随机抽样和按流行度抽样,以更好地逼近数据集中的项频率分布。最近发表的论文顺序项目推荐依赖于抽样的流行程度比较评估模型。然而,最近的工作已经表明,均匀随机抽样的评估可能与完整排名不一致,即,通过使用完整的项目集作为目标集评估度量获得的模型排名,这就提出了通过流行度抽样获得的排名是否等于完整排名的问题。在这项工作中,我们重新评估当前国家的最先进的顺序推荐模型的角度来看,这些采样策略是否有影响的模型的最终排名。因此,我们训练四个最近提出的顺序推荐模型在五个众所周知的数据集。对于每个数据集和模型,我们采用三种评估策略。首先,我们计算完整的模型排名。然后,我们评估所有的模型在两个不同的抽样策略,均匀随机抽样和流行度抽样的目标集上,常用的目标集大小为100,计算每个策略的模型排名,并相互比较。此外,我们改变采样目标集的大小。总体而言,我们发现,这两种抽样策略可以产生不一致的排名相比,完整的排名模型。此外,受欢迎程度抽样和均匀随机抽样并不总是产生相同的排名。
2021-07-27 cs.IR cs.LG
Embedding Items at Scale: Comparing GNN-Based and ID-Based Item Embeddings in the Yandex Ecosystem
Yandex
本文通过案例研究,在Yandex的三个产品场景中对比了基于GNN的预训练物品嵌入与端到端可训练物品嵌入,发现训练数据有限时预训练有帮助,大规模数据集上则无显著益处。
2026-07-30 cs.IR
Represent Items by Items: An Enhanced Representation of the Target Item for 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)
基于项目的协同过滤(ICF)在推荐系统、在线广告等工业应用中得到了广泛的应用。它通过用户与之交互的项目来模拟用户对目标项目的偏好。最近的模型使用注意力机制和深度神经网络等方法来更准确地学习用户表示和评分函数。然而,尽管它们的有效性,这些模型仍然忽略了一个问题,即ICF方法的性能在很大程度上取决于项目表示的质量,特别是目标项目表示。事实上,由于推荐中的长尾分布,大多数项目嵌入不能准确地表示项目的语义,从而降低了现有ICF方法的性能。在本文中,我们提出了一个增强的表示的目标项目,提取相关信息的同现项目。为了降低噪声和计算成本,我们设计了采样策略来采样固定数量的同现项。考虑到样本项对目标项的重要性不同,我们应用注意力机制有选择地采用样本项的语义信息。我们提出的基于共现的增强表示模型(CER)通过深度神经网络学习评分函数,并将目标项的原始表示和增强表示作为输入。与最先进的ICF方法相比,CER具有更强的表示能力。在两个公共基准上的大量实验证明了CER的有效性。
2021-04-26 cs.AI cs.IR
Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling
针对推荐系统中因物品数量增长导致传统负采样引入偏差的问题,提出一种纠正排名估计的方法,通过提供WARP和LambdaRank的采样批处理版本并改进排名估计,有效提升了推荐模型的训练效率与质量。
2024-10-10 cs.IR
SimCE: Simplifying Cross-Entropy Loss for Collaborative Filtering
Visa Research(威盛研究院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Rice University(莱斯大学);Vanderbilt University(范德堡大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对协同过滤中BPR损失收敛慢、次优的问题,提出利用SSM上界简化得到的SimCE损失,经12个基准数据集验证,其性能显著优于BPR和SSM。
2024-06-23 cs.AI cs.IR
Generating Negative Samples for Sequential Recommendation
Salesforce Research(赛富时研究院);UC San Diego(加州大学圣迭戈分校)
为了使顺序推荐(SR)成功,最近的工作集中在设计有效的顺序编码器,融合边信息,挖掘额外的积极自我监督信号。在每个时间步对负项进行抽样的策略探讨得较少。由于在训练期间用户的兴趣和模型更新的动态性,将来自用户的非交互项目集的随机采样项目视为负面可能是没有信息的。因此,该模型将不准确地学习用户对项目的偏好。识别信息消极是具有挑战性的,因为信息消极项目与动态变化的兴趣和模型参数(采样过程也应该是有效的)。为此,我们建议为SR(GenNi)生成阴性样本(项目)。基于当前SR模型的学习到的用户对项目的偏好,在每个时间步长处对负项目进行采样。提出了一种有效的实现,以进一步加快生成过程,使其可扩展到大规模的推荐任务。在四个公共数据集上的实验验证了为SR提供高质量阴性样本的重要性,并证明了GenNi的有效性和效率。
2022-08-07 cs.AI cs.IR
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
图神经网络(GNN)被广泛用于推荐,以模拟用户和项目之间的高阶交互。现有的基于GNN的推荐方法依赖于用户项图的集中存储和集中模型学习。然而,用户数据是隐私敏感的,并且用户项图的集中存储可能引起隐私担忧和风险。本文提出了一种基于GNN的隐私保护推荐的联邦框架,该框架可以从分散的用户数据中集体训练GNN模型,同时利用高阶用户-项目交互信息,保护隐私。在我们的方法中,我们在本地训练GNN模型在每个用户客户端的基础上,从本地用户-项目交互数据推断的用户-项目图。每个客户端将GNN的局部梯度上传到服务器进行聚合,其进一步发送到用户客户端以更新局部GNN模型。由于局部梯度可能包含隐私信息,我们将局部差分隐私技术应用于局部梯度以保护用户隐私。此外,为了保护用户与之交互的项目,我们建议将随机采样的项目作为伪交互项目进行匿名。为了将高阶用户项交互,我们提出了一种用户项图扩展方法,可以找到相邻的用户与共同交互的项目和交换他们的嵌入扩展本地用户项图的隐私保护的方式。在6个基准数据集上的实验表明,该方法能够在有效保护用户隐私的同时,取得与现有的基于GNN的集中式推荐方法相竞争的结果。
2021-03-01 cs.IR
Keeping the Index Open: The Recommendation-Side Cost of Shared Search and Recommendation
Amazon Web Services(亚马逊网络服务)
提出RetrievalFormer双编码器Transformer,在高效近似最近邻检索框架下,实现对冷物品的推荐,其冷启动推荐效果优于多数基线方法,但热态推荐性能弱于部分重新训练基线。
2026-08-28 cs.IR cs.LG
A Rank-One Popularity Component in Dot-Product Recommender Scores:Population Theory and Prior-Separation Evidence
本文发现推荐系统中表示各向异性的根源在于条件训练分布,而非Transformer架构;通过分离物品边际项log p(i),可去除评分中的流行度偏差。
2026-06-23 cs.IR
Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations
用户兴趣挖掘是推荐系统中一个重要而又具有挑战性的课题,它体现了推荐模型和用户-项目交互之间的闭环效应。上下文强盗(CB)算法努力在探索和利用之间做出很好的权衡,使用户的潜在兴趣有机会暴露。然而,经典的CB算法只能应用于一个小的,抽样的项目集(通常数百),这迫使推荐系统中的典型应用仅限于候选人后排名,主页顶部项目排名,广告创意选择,或在线模型选择(A/B测试)。在本文中,我们介绍了两个简单但有效的分层CB算法,使一个经典的CB模型(如LinUCB和汤普森采样)能够探索用户的兴趣在整个项目空间,而不限于一个小的项目集。我们首先通过自底向上的聚类算法构建一个层次项目树,以粗到细的方式组织项目。然后,我们提出了一个层次CB(HCB)算法来探索用户的兴趣层次树。HCB算法将探索问题看作是一系列决策过程,目标是找到一条从根节点到叶子节点的路径,并将反馈信息反向传播到路径上的所有节点,进而提出了一种渐进式层次CB(pHCB)算法,该算法逐步扩展达到一定置信度的可见节点进行探索,以避免在顺序决策过程中对上层节点的误导性操作。在两个公共推荐数据集上的实验证明了该方法的有效性和灵活性。
2021-10-19 cs.IR
Selecting User Histories to Generate LLM Users for Cold-Start Item Recommendation
University of California, Davis(加州大学戴维斯分校);Google Inc.(谷歌公司);Google DeepMind(谷歌DeepMind)
本文提出利用强化学习框架,通过策略选择用户历史以生成LLM用户,提升冷启动物品推荐性能。
2025-11-27 cs.IR
Learning from Unreachable Rewards: Hint-Conditioned Reinforcement Learning for Generative Recommendation
Shanghai Jiao Tong University(上海交通大学);Mei Tuan(美团)
该研究提出HCGRec框架,通过提示感知信用分解优化语义ID生成式推荐,解决零奖励训练问题,在序列推荐基准上大幅提升性能并降低零优势样本占比。
2026-08-18 cs.AI cs.IR
One Sequential Recommendation Model Pretrained from Synthetic Priors Predicts Multiple Datasets
Korea Advanced Institute of Science & Technology(韩国科学技术院)
提出SRPFN,一种基于先验数据拟合网络的序列推荐模型,通过离线预训练于合成先验序列,无需目标域梯度更新即可进行单次前向预测,在多个基准上达到最优或次优性能。
2026-06-16 cs.IR
Candidate Set Sampling for Evaluating Top-N Recommendation
本文研究离线Top-N推荐评估中候选集采样策略与流行度偏差的交互,并通过仿真验证采样候选集能否降低指标估计偏差。
2023-09-21 cs.IR
Personalized Bundle List Recommendation
Peking University(北京大学);Alibaba Group(阿里巴巴集团)
产品捆绑销售,向客户提供产品组合,是在线电子商务和离线零售商常用的营销策略之一。一个高质量的捆绑包可以概括常见的感兴趣的项目,而跨捆绑包的多样性可以提升用户体验,并最终增加交易量。在本文中,我们形式化的个性化捆绑列表推荐作为一个结构化的预测问题,并提出了一个捆绑生成网络(BGN),它分解成质量/多样性部分的决定性点过程(DPP)的问题。BGN使用一个典型的编码器-解码器框架,提出了一个特征感知的softmax,以减轻传统的softmax的不充分的表示,并集成了屏蔽束搜索和DPP选择,以产生高质量和多样化的束列表与适当的束大小。我们在三个公共数据集和一个工业数据集上进行了广泛的实验,其中两个数据集是从共同购买记录中生成的,另外两个数据集是从真实世界的在线捆绑服务中提取的。BGN在所有数据集上的质量、多样性和响应时间方面明显优于最先进的方法。特别是,BGN平均提高了16\%的最佳竞争对手的精度,同时保持最高的多样性在四个数据集,并产生一个3.85倍的响应时间的改善,在捆绑列表推荐问题的最佳竞争对手。
2019-04-03 cs.AI cs.IR
Learning Recommender Systems with Soft Target: A Decoupled Perspective
针对推荐系统标准Softmax损失易忽略潜在正反馈与真负反馈差异的问题,提出解耦软标签优化框架及对应损失函数与软标签生成算法,经多模型多数据集实验验证有效且通用。
2024-10-09 cs.IR
Rethinking Contrastive Learning for Graph Collaborative Filtering: Limitations and a Simple Remedy
KAIST(韩国科学技术院)
本文通过分析图协同过滤的预测机制,发现对比学习目标(如采样Softmax损失)在优化中存在局限性,并提出一种类型感知的对比学习目标NT-SSM,通过选择性加权结构相似的邻居对来提升推荐性能。
2026-05-20 cs.IR
NMKFR: A Robust Framework for Time-Aware Cold-Start Recommendation
School of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院)
针对新项目冷启动推荐难题,提出 NMKFR 框架,结合 Titans 语义编码器与时间卡尔曼跟踪,经亚马逊视频游戏等数据集实验,其性能最优且不确定性相关行为受限。
2026-07-30 cs.IR
Bootstrap Latent Representations for Multi-modal Recommendation
针对多模态推荐中辅助图计算开销大、负样本引入噪声的问题,提出无需辅助图和负样本的自监督模型BM3,通过自举潜在对比视图和多目标优化提升性能并大幅缩短训练时间。
2023-05-01 cs.IR
Fine-tuning Partition-aware Item Similarities for Efficient and Scalable Recommendation
City University of Hong Kong(香港城市大学);Harbin Institute of Technology(哈尔滨工业大学)
协同过滤(CF)是一种被广泛研究的推荐解决方案。图卷积网络(GCN)最近在CF中的成功证明了通过图建模高阶关系的有效性,而重复的图卷积和迭代批量优化限制了它们的效率。相反,项目相似性模型试图通过有效的交互编码来构建直接的关系。尽管它们的性能很好,但不断增长的项目数量导致相似性建模过程的二次增长,带来了严重的可扩展性问题。本文研究了最新的GCN模型中为提高效率而采用的图抽样策略,并在抽样图中识别出潜在的项目组结构。在此基础上,我们提出了一种新的项目相似性模型,该模型引入了图划分,以限制每个分区内的项目相似性建模。具体来说,我们表明,原始图的谱信息是很好地保持全球层面的信息。然后,它被添加到微调局部项目的相似性与一个新的数据增强策略作为分区感知的先验知识,共同应对分区带来的信息丢失。在4个数据集上进行的实验表明,该模型比GCN模型有10倍的加速性能,比项目相似度模型节省了95%的参数存储空间.
2023-02-10 cs.IR cs.LG
IFA: Interaction Fidelity Attention for Entire Lifelong Behaviour Sequence Modeling
针对终身行为序列采样导致信息损失的问题,提出 IFA 范式,利用 linear transformer 一次性建模候选集与完整序列,并通过目标物品关系建模和训练推理一致性损失,在快手离线与在线实验中验证了效果与效率。
2024-06-14 cs.IR
Understanding the Role of Cross-Entropy Loss in Fairly Evaluating Large Language Model-based Recommendation
本文从理论和实验两方面论证交叉熵损失在基于大语言模型的推荐评估中被高估,指出传统方法因损失函数替换而被低估,并呼吁建立更客观的评估体系。
2024-02-22 cs.IR
DREAM: Dynamic Refinement of Early Assignment Mappings
Kuaishou Technology(快手科技)
针对SID生成式推荐中冷启动项目因静态编码导致的性能瓶颈,提出DREAM框架,通过意图感知分词器、冻结骨干评估和动态波束机制三阶段渐进精炼,显著提升冷启动推荐效果。
2026-06-05 cs.IR
A Theoretical Analysis of Recommendation Loss Functions under Negative Sampling
本文理论分析了推荐系统中CCE、BCE和BPR三种损失函数在负采样下的下界性质,证明CCE提供最紧下界,且单负样本时BPR与CCE等价,实验验证了理论结果。
2025-04-19 cs.IR
Scalable Cross-Entropy Loss for Sequential Recommendations with Large Item Catalogs
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);HSE University(高等经济大学);Artificial Intelligence Research Institute(人工智能研究院)
针对序列推荐中完整交叉熵损失在大型物品目录下 GPU 内存开销过大的问题,提出 SCE 损失,通过最大内积搜索选择关键输出近似 softmax,最高降低 100 倍峰值内存且保持推荐质量。
2024-11-30 cs.IR cs.LG
Mood-Aware Music Recommendation: Integrating User Affective Signals into Ranking Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出一种情绪条件排序框架,通过能量-效价空间的softmax采样将用户情感信号融入推荐过程,单盲实验表明能提升推荐质量。
2026-06-15 cs.AI cs.IR
Learning Graph ODE for Continuous-Time Sequential Recommendation
针对用户偏好动态演化及交互时间非均匀问题,本文提出GDERec图常微分方程框架,利用两个交替训练的定制GNN从非规则观测中学习连续时间用户与物品表示,并在五个基准上验证其优于现有方法。
2024-01-20 cs.IR
Sequential Recommendation via Stochastic Self-Attention
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Spotify(声田);Pinterest Inc(拼趣公司);Beihang University(北京航空航天大学)
序贯推荐是通过对用户先前行为的动态建模来预测下一个项目的一种方法,受到了广泛的关注。基于转换器的方法,它嵌入项目作为向量,并使用点积自我注意力来衡量项目之间的关系,表现出优越的能力,现有的顺序方法。然而,用户的真实世界的顺序行为是\textit{\textbf{uncertain}},而不是确定性的,提出了一个重大的挑战,目前的技术。我们进一步建议,基于点积的方法不能完全捕获\textit{\textbf{collaborative transitivity}},它可以在序列内的项目-项目转换中导出,并且对冷启动项目是有益的。我们进一步指出,BPR损失没有约束的积极和抽样的负面项目,这误导了优化。我们提出了一种新的\textbf{STO}随机\textbf{S} elf- \textbf{A} tension ~(STOSA)来克服这些问题。特别是,STOSA将每个项目嵌入为随机高斯分布,其协方差编码不确定性。我们设计了一个新的Wasserstein自我注意模块来描述序列中的项目-项目位置关系,它有效地将不确定性纳入模型训练。Wasserstein的注意也启发了协作传递性学习,因为它满足三角不等式。此外,我们引入了一个新的正则化项的排名损失,这保证了积极和消极的项目之间的相异性。在五个真实世界的基准数据集上进行的大量实验表明,该模型优于最先进的基线,特别是在冷启动项目上。代码在\u…
2022-03-05 cs.AI cs.IR cs.LG
Turning Dross Into Gold Loss: is BERT4Rec really better than SASRec?
Sber(俄罗斯联邦储蓄银行)
本文指出在相同损失函数下,SASRec在质量和训练速度上均显著优于BERT4Rec,且使用负采样时需大幅增加负样本数量才能保持优势。
2023-09-14 cs.AI cs.IR cs.LG
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
Are LLM-based Recommenders Already the Best? Simple Scaled Cross-entropy Unleashes the Potential of Traditional Sequential Recommenders
本研究指出 LLM 在序列推荐中的优势源于不公平的实验设置,通过理论证明 CE 损失的优越性并提出扩大采样归一化项的方法,释放了传统推荐模型的潜力,使其超越 LLM。
2024-08-26 cs.IR
From ID-based to ID-free: Rethinking ID Effectiveness in Multimodal Collaborative Filtering Recommendation
本文提出IDFREE,一种无ID的多模态协同过滤推荐基线,用多模态特征和位置编码替代ID特征,通过自适应图模块和对比学习,在三个数据集上平均性能提升72.24%。
2025-10-27 cs.IR cs.MM
SOLAR: SVD-Optimized Lifelong Attention for Recommendation
SOLAR通过SVD-Attention优化低秩结构,提升推荐系统中长序列建模效率,实现0.68%的视频观看量增长。
2026-10-01 cs.CV cs.IR cs.LG
Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院);Walmart Global Tech(沃尔玛全球技术)
本文提出IGRec模型,通过自门控解耦用户兴趣、Gumbel-Softmax聚合生成群体表示,并采用双训练评分预测,利用群体信息缓解数据稀疏和冷启动问题,在三个数据集上验证了有效性。
2023-11-16 cs.IR cs.LG
Distributional Domain-Invariant Preference Matching for Cross-Domain Recommendation
针对非重叠跨域推荐中偏好映射的挑战,提出分布域不变偏好匹配方法,通过分层逼近域级偏好分布并最小化分布距离,实现跨域偏好对齐。
2023-09-04 cs.IR
MSL: Not All Tokens Are What You Need for Tuning LLM as a Recommender
本文针对 LLM 推荐微调中 LML 与目标不一致及错误负样本问题,提出 MSL 掩码无效 token,并结合 ATS 缓解梯度消失,在四个数据集上显著提升推荐性能。
2025-06-07 cs.IR
Cut Binary Cross Entropy: Efficient Large-Vocabulary Loss and Gradient Kernels for Sequential Recommendation
Google Cloud(谷歌云)
针对序列推荐中大词表多标签BCE损失的内存爆炸问题,提出CutBCE,一种基于JAX/Pallas的精确硬件加速算子,通过融合重构、片上计算和动态内存管理,在TPU上消除OOM并大幅提升训练速度。
2026-10-06 cs.AI cs.AR cs.IR
Correct and Weight: A Simple Yet Effective Loss for Implicit Feedback Recommendation
Department of Computer Science, University at Albany(大学 at Albany 计算机科学系);Department of Management Information Systems, West Virginia University(西弗吉尼亚大学管理信息学系);Department of Electrical and Computer Engineering, Duke University(杜克大学电气与计算机工程系);Department of Computer Science and Engineering, University of Notre Dame(诺特大学计算机科学与工程系)
本文提出了一种简单有效的隐式反馈推荐损失函数,通过纠正假负样本影响和动态加权机制提升推荐性能。
2026-01-07 cs.IR cs.LG
Domain-Adaptive and Scalable Dense Retrieval for Content-Based Recommendation
Aditya Birla Group(阿迪提亚·布尔拉集团)
本文提出了一种基于双塔双编码器的可扩展密集检索系统,通过领域适应提升基于内容的推荐效果,实现高效服务和模型压缩。
2026-01-31 cs.IR cs.LG