Intent-Aware Contextual Recommendation System
University of Southern California（南加州大学）；Adobe Research（Adobe 研究院）；Adobe（Adobe 公司）
推荐系统从用户历史中获取输入，使用内部排名算法来生成结果，并可能基于反馈优化此排名。然而，推荐系统通常不知道用户的实际意图，并且简单地动态地提供推荐，而没有正确地理解用户的思维过程。智能推荐系统不仅对用户有用，而且对想要了解用户倾向的企业也有用。找出用户的倾向或意图是一个难以解决的问题。考虑到这一点，我们试图创建一个智能系统，它将跟踪用户在Web应用程序上的活动，并确定用户在每个会话中的意图。我们设计了一种通过会话对用户活动进行编码的方法。然后，我们已经表示了用户看到的信息在一个高维格式，这是减少到较低的维度，使用张量分解技术。意图意识（或评分）方面在此阶段处理。最后，将用户活动数据与上下文信息相结合给出推荐分数。然后，使用过滤和协作推荐技术对最终推荐进行排名，以向用户显示前k个推荐。在当前系统中还设想提供反馈，其通知模型更新推荐系统中的各种权重。我们的整体模型旨在结合基于频率和基于上下文的推荐系统，并量化用户的意图，以提供更好的推荐。我们对真实世界的时间戳用户活动数据进行了实验，在向业务分析工具的用户推荐报告的设置中，结果优于基线。我们还调整了模型的某些方面，以获得优化的结果。
2017-11-28 cs.AI cs.IR cs.LG
TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest
Pinterest
本文提出TransAct，一种基于Transformer的实时用户行为序列模型，并与批量用户嵌入结合形成混合排序架构，已在Pinterest多个推荐场景中部署并验证有效。
2023-05-31 cs.AI cs.IR
Accelerating Recommendation System Training by Leveraging Popular Choices
University of British Columbia（不列颠哥伦比亚大学）；Microsoft（微软公司）
针对推荐模型训练中嵌入表访问高度倾斜的问题，提出FAE框架，采用热嵌入感知数据布局，利用GPU内存存储高频嵌入并加速执行，在保持准确率下训练时间分别减少2.3倍和1.52倍。
2021-09-28 cs.AI cs.AR cs.IR
Disentangling and Generating Modalities for Recommendation in Missing Modality Scenarios
KAIST（韩国科学技术院）
针对多模态推荐中模态缺失问题，提出DGMRec框架，通过解耦通用与特定模态特征并生成缺失模态，显著提升推荐性能并支持跨模态检索。
2025-04-23 cs.AI cs.IR
A Novel Mamba-based Sequential Recommendation Method
Huawei Technologies Co., Ltd.（华为技术有限公司）
本文提出多头潜在Mamba架构Hydra，通过低维Mamba层和位置编码高效建模长序列用户行为，在显著降低参数和训练时间的同时超越现有序列推荐方法，并支持多域扩展。
2025-04-10 cs.AI cs.IR
Top-N Recommendation with Novel Rank Approximation
Southern Illinois University（南伊利诺伊大学）
准确的推荐系统的重要性已经得到学术界和工业界的广泛认可。然而，推荐质量仍然相当低。最近，线性稀疏和低秩表示的用户项矩阵已被应用到产生前N个建议。这种方法使用核范数作为秩函数的凸松弛，并且比最先进的方法实现了更好的推荐准确性。在过去的几年里，利用非凸松弛求解秩最小化问题得到了越来越多的关注。一些实验结果表明，它可以提供一个更好的逼近原问题比凸松弛。在本文中，我们提出了一种新的秩近似，以提高Top-N推荐系统的性能，其中近似误差是可控的。在真实数据上的实验结果表明，该方法显著提高了Top- $N$的推荐准确率.
2016-02-26 cs.AI cs.IR stat.ML
Leveraging Federated Learning and Edge Computing for Recommendation Systems within Cloud Computing Networks
Duke University（杜克大学）；New York University（纽约大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；San Diego State University（圣地亚哥州立大学）
本文提出结合联邦学习与边缘计算的分层联邦学习框架及去中心化缓存算法，以提升云计算网络中推荐系统的通信效率、缓存利用率与用户体验质量。
2024-03-13 cs.AI
CoCoB: Adaptive Collaborative Combinatorial Bandits for Online Recommendation
School of Computer Science and Technology, Donghua University（东华大学计算机科学与技术学院）；Shanghai Institute of Artificial Intelligence for Education, East China Normal University（华东师范大学上海人工智能教育研究院）
本文提出CoCoB算法，通过用户侧与物品侧的双侧老虎机架构自适应利用邻居偏好，解决了聚类老虎机中相似用户定义不清及缺乏合适邻居时的推荐质量下降问题，并在三个数据集上取得F1平均提升2.4%的效果。
2025-05-05 cs.AI cs.IR cs.LG
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz（约翰开普勒林茨大学计算感知研究所）；Human-centered AI Group, AI Lab, Linz Institute of Technology（林茨理工大学人工智能实验室以人为中心的人工智能组）
本文提出多模态单分支嵌入网络SiBraR，通过权重共享编码交互数据与多模态辅助信息，有效解决冷启动与缺失模态场景下的推荐问题，显著优于现有方法。
2024-09-26 cs.AI cs.IR cs.LG
Leveraging 3D LiDAR Sensors to Enable Enhanced Urban Safety and Public Health: Pedestrian Monitoring and Abnormal Activity Detection
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
该研究提出融合LiDAR与IoT的双模型框架，用改进PV-RCNN做3D检测、PointNet分类行人活动，还通过Blender构建模拟数据集解决数据稀缺问题，助力城市交通管理与公共健康。
2024-04-17 cs.AI cs.CV cs.LG
CLIP-Actor: Text-Driven Recommendation and Stylization for Animating Human Meshes
POSTECH（浦项科技大学）；Yonsei University（延世大学）
我们提出了CLIP-Actor，一个文本驱动的运动推荐和神经网格风格化系统，用于人体网格动画。CLIP-Actor通过推荐运动序列和优化网格样式属性，使3D人体网格动画符合文本提示。我们建立了一个文本驱动的人体运动推荐系统，利用大规模的人体运动数据集的语言标签。给定自然语言提示，CLIP-Actor以由粗到细的方式建议符合文本的人体运动。然后，我们的新的zero-shot神经风格优化详细化和纹理化推荐的网格序列，以符合时间一致和姿态不可知的方式提示。这是独特的，因为先前的工作未能生成合理的结果时，艺术家设计的网格的姿势不符合从一开始的文本。我们进一步提出了时空视图增强和掩码加权嵌入注意力，通过利用多帧人体运动和拒绝渲染不良的视图来稳定优化过程。我们证明了CLIP-Actor仅从自然语言提示中产生具有详细几何形状和纹理的运动中的合理的和人类可识别的风格的3D人体网格。
2022-07-21 cs.AI cs.CV cs.GR
LLM-Enhanced User-Item Interactions: Leveraging Edge Information for Optimized Recommendations
Arizona State University（亚利桑那州立大学）
本文提出将图边信息通过提示设计和注意力机制融入LLM，以整合图结构与文本生成视角，提升个性化推荐的相关性和质量。
2025-07-17 cs.AI cs.IR
Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）；RIIS & SIME, Shanghai University of Finance and Economics（上海财经大学RIIS与SIME机构）；China Mobile Research Institute（中国移动研究院）
本文提出KG-CRS，通过将用户-物品图与物品-属性图融合为动态图并利用邻居传播学习嵌入，有效建模属性、用户和物品间关系，在三个数据集上验证了其在推荐和对话任务中的优越性。
2024-08-02 cs.AI cs.IR
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
Leveraging Memory Retrieval to Enhance LLM-based Generative Recommendation
针对LLM有限上下文窗口导致忽略用户长期兴趣的问题，提出AutoMR框架，通过存储并检索长期兴趣信息用于下一项目生成，有效提升了生成式推荐性能。
2025-04-29 cs.IR
Leveraging the Dynamics of Leadership in Group Recommendation Systems
针对传统群体推荐忽视成员互动的问题，本文提出基于图论建模成员关系与信任动态的餐厅推荐算法，以促进共识并提升群体满意度。
2025-03-17 cs.HC cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
CBPF: leveraging context and content information for better recommendations
推荐系统帮助用户在大量的信息中找到合适的项目。已经提出了不同类型的推荐系统。其中，上下文感知推荐系统的目标是尽可能多地个性化的建议，根据上下文的情况下，用户是。在本文中，我们提出了一种方法集成到推荐过程中的上下文信息建模无论是基于项目的或基于用户的影响的情况下，评级，使用皮尔逊相关系数。所提出的解决方案的目的是在推荐过程中利用内容和上下文信息。我们评估并显示我们的方法在三个不同的上下文数据集上的有效性，并根据这些数据集的特性，特别是输入数据的稀疏程度和可用信息量，分析我们的方法的变体的性能。
2018-10-01 cs.IR
Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家级试点软件工程学院））；The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；Central South University（中南大学）；National University of Singapore（新加坡国立大学）；Jinan University（暨南大学）
针对跨域推荐中多模态数据利用不足和侧用户被忽视的问题，提出MuSiC模型，通过多模态与大语言模型提取特征，并利用跨域扩散模块为冷启动用户生成目标域特征向量，在Amazon数据集上取得最优性能。
2025-07-05 cs.AI cs.IR
Leveraging Large Language Models for Pre-trained Recommender Systems
针对大语言模型与推荐系统有效整合的难题，提出新型预训练推荐模型RecSysLLM，通过数据、训练和推理的独特设计融合领域知识与LLM能力，在基准和真实场景中验证了有效性，为构建统一推荐系统提供新路径。
2023-08-21 cs.IR
Modeling and Leveraging Prerequisite Context in Recommendation
Prediction可以在用户的决策中发挥至关重要的作用，但推荐系统还没有充分利用这种上下文背景知识。传统的推荐系统（RS）主要是丰富的上下文由静态的用户简档和项目描述，忽略了上下文逻辑和约束，他们的用户项目交互。例如，RS可以在用户已经与另一项交互作为其先决条件的条件下推荐项。从概念侧信息建模先决条件上下文可以克服这一弱点。我们提出了先决条件驱动的推荐（PDR），一个通用的上下文感知框架，先决条件的上下文显式建模，以促进推荐。我们首先设计了一个先决条件知识链接（PKL）算法，以策展数据集，促进PDR研究。利用它，我们构建了一个跨越三个领域的75k+高质量的先决条件概念数据集。然后，我们贡献PDRS，PDR的神经实例。通过多层感知器联合优化先决条件学习和推荐任务，我们发现PDRS在所有三个领域的表现始终优于基线模型，平均幅度为7.41%。重要的是，PDRS在冷启动场景中表现尤其出色，改善高达17.65%。
2022-09-23 cs.IR
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
Leveraging Large Language Models for Sequential Recommendation
本文研究如何利用大语言模型改进序列推荐，提出三种方法，并证明用 LLM 嵌入初始化 BERT4Rec 可将 NDCG 提升 15-20%。
2023-09-17 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce
本研究提出了一种基于LLM的电子商务个性化推荐系统框架，通过对用户评论和产品描述进行深度语义理解并结合上下文数据动态推荐，显著提升了推荐准确率、召回率、点击率及多样性，改善了用户体验并促进销售增长。
2024-10-02 cs.IR
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST（韩国科学技术院计算机学院）
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而，以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一：无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性，当他们被排名，自回归方法未能考虑到无序，因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法，其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明，我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
Leveraging Artist Catalogs for Cold-Start Music Recommendation
University of Tartu（塔尔图大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Recombee
本文提出利用艺术家目录信息解决音乐推荐中的冷启动问题，通过引入艺术家层面的协同信号提升推荐效果，提出ACARec模型在召回率和NDCG指标上显著优于内容基线方法。
2026-04-08 cs.IR
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan（萨斯喀彻温大学）；Singapore Management University（新加坡管理大学）；McLaren Applied（迈凯伦应用技术公司）
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验，期望具有一种推荐系统，其不仅可以建议项目（例如，GitHub存储库），而且还包括要对建议项目执行的活动（例如，forking一个repository）。为此，我们提出了一种新的方法，称为Keen 2Act，它将推荐问题分解为两个阶段：Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的（子）集合。然后，Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务，同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法，并获得了令人鼓舞的结果，Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Leveraging Tripartite Interaction Information from Live Stream E-Commerce for Improving Product Recommendation
University of Science and Technology of China（中国科学技术大学）；Tencent（腾讯）；JD AI Research（京东人工智能研究院）；Harbin Institute of Technology（哈尔滨工业大学）；Microsoft Research Asia（微软亚洲研究院）
最近，一种新的在线购物形式变得越来越流行，它将直播与电子商业活动相结合。主播介绍产品并与观众互动，从而大大提高了产品销售的性能。尽管直播电子商业已经在行业中得到了成功的应用，但在数据科学界还没有得到很好的研究。为了填补这一空白，我们调查了这个全新的场景，并收集了一个真实世界的实时流媒体电子商业（LSEC）数据集。与传统的电子商业活动不同，主播在LSEC活动中扮演着举足轻重的角色。因此，关键是要充分利用主播、用户和产品之间丰富的交互信息。我们首先对三方互动数据进行数据分析，量化主播对用户购买行为的影响。基于分析结果，我们将三方信息建模为异构图，可以将其分解为多个二部图，以便更好地捕捉影响。本文提出了一种新的流媒体直播电子商业图神经网络框架（LSEC-GNN）来学习每个二分图的节点表示，并进一步设计了一种多任务学习方法来改进产品推荐。在两个不同尺度的真实世界数据集上的大量实验表明，我们的方法可以显着优于各种基线方法。
2021-06-07 cs.AI cs.IR
Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
Leveraging Multi-aspect Time-related Influence in Location Recommendation
兴趣点推荐的目的是挖掘用户的访问历史，并找到他/她可能喜欢的地方。虽然位置推荐方法已经得到了广泛的研究和改进，但利用包括时间方面在内的各种影响因素仍然存在挑战。受时间包括许多颗粒槽（例如分钟、小时、天、周等）的事实的启发，在本文中，我们定义了一个新的问题来执行推荐，通过利用所有不同的时间因素。特别是，我们认为，大多数现有的方法只专注于有限数量的时间相关的功能和忽视其他人。此外，在推荐中考虑特定粒度（例如，一天中的时间）并不总是适用于每个用户或每个数据集。为了解决这些问题，我们提出了一个概率生成模型，命名为多方面时间相关影响（MATI），以促进POI推荐。我们还开发了一种新的优化算法的基础上期望最大化（EM）。我们的MATI模型首先检测一个用户的时间多变量方向使用她的签到日志在基于位置的社交网络（LBSNs）。然后，它使用用户和建议的位置之间的时间相关性进行推荐。我们的方法是适应各种类型的推荐系统，可以有效地工作在多个时间尺度。在两个大规模LBSN数据集上的实验结果验证了该方法的有效性。
2017-01-03 cs.CY cs.IR
Causal Intervention for Leveraging Popularity Bias in Recommendation
推荐系统通常会面临流行性偏差问题：从数据角度看，项目交互频率呈现不均匀（长尾）分布;从方法角度看，协同过滤方法容易通过过度推荐流行项目而放大偏差。在推荐系统中考虑人气偏差无疑是至关重要的，现有的工作主要是消除偏差效应。然而，我们认为，并非所有的数据偏见都是坏的-有些项目表现出更高的受欢迎程度，因为它们更好的内在质量。盲目追求无偏学习可能会删除数据中的有益模式，降低推荐准确性和用户满意度。本文研究了推荐中一个尚未被探索的问题--如何利用人气偏差来提高推荐的准确率。关键在于两个方面：如何在训练过程中消除流行度偏差的不良影响，以及如何在生成top-K推荐的推理阶段注入所需的流行度偏差。这对推荐生成过程的因果机制提出了质疑。沿着这条线，我们发现，项目的流行度之间的暴露项目和观察到的相互作用，造成偏见放大的不良影响的混淆的作用。为了实现我们的目标，我们提出了一个新的训练和推理模式推荐命名为流行偏见去混淆和调整（PDA）。它消除了模型训练中的混杂流行度偏差，并通过因果干预调整推荐分数与期望的流行度偏差。我们展示了潜在因素模型的新范式，并在三个真实世界的数据集上进行了广泛的实验。实证研究表明，去基训练有助于发现用户的真实兴趣，而引入流行度偏差的推理调整可以进一步提高推荐准确率。
2021-05-13 cs.IR
Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations
Cornell University（康奈尔大学）；Northeastern University（东北大学）
本文提出PAIR框架，通过结合用户活动水平和项目流行度偏好，重加权推荐系统中的用户和项目，以减少流行偏见并提升整体推荐性能。
2026-01-25 cs.IR
Leveraging Two Types of Global Graph for Sequential Fashion Recommendation
随着服装零售业和在线电子商务的发展，在线服装购物越来越受到人们的重视，服装序列推荐在其中具有重要的意义。建立一个有效的序列式时尚推荐模型的关键在于捕捉两类模式：用户的个人时尚偏好和相邻商品之间的过渡关系。这两类模式通常分别与用户-项交互和项-项转换建模相关。然而，由于大量的用户和项目以及稀疏的历史交互，这是很难训练一个有效的和高效的顺序时尚推荐模型。为了解决这些问题，我们建议利用两种类型的全局图，即，用户-项目交互图和项目-项目转换图，以通过在图上合并高阶连接来获得增强的用户和项目表示。此外，我们采用了LightGCN的图核在两个图中的信息传播，并提出了一种新的设计项目-项目转移图。在两个已建立的序列时尚推荐数据集上的实验验证了该方法的有效性和效率。
2021-05-30 cs.IR cs.MM
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
Learning to Augment for Casual User Recommendation
来到推荐平台的用户在活动水平上是异质的。通常存在一群核心用户，他们定期访问平台，每次访问都会消费大量内容，而其他人则是偶尔访问平台，每次消费较少的临时用户。因此，来自核心用户的消费活动通常主导用于学习的训练数据。由于核心用户可以表现出与休闲用户不同的活动模式，在历史用户活动数据上训练的推荐系统在休闲用户上的性能通常比核心用户差得多。为了弥补这一差距，我们提出了一个模型无关的框架L2Aug，通过数据增强来改善对临时用户的推荐，而不牺牲核心用户体验。L2Aug由一个数据增强器提供支持，该数据增强器学习生成增强的交互序列，以便为临时用户微调和优化推荐系统的性能。在四个真实世界的公共数据集上，L2Aug优于其他处理方法，并为临时用户和核心用户实现了最佳的顺序推荐性能。我们还在在线仿真环境中测试了L2Aug，并提供实时反馈，以进一步验证其有效性，并展示其在支持不同增强操作方面的灵活性。
2022-04-02 cs.IR
Leveraging Review Properties for Effective Recommendation
许多最先进的推荐系统通过考虑用户发布的显式项目评论在表示用户偏好和描述项目属性方面的有用性来利用它们。这些发布的评论可以具有各种相关联的属性，诸如它们的长度、自从它们被发布以来的它们的年龄、或者它们的项目评级。然而，目前尚不清楚这些不同的审查属性如何有助于其相应的审查在解决建议任务中的有用性。特别是，用户在考虑评论的不同方面（即属性）时表现出不同的偏好，以做出关于项目的决定。因此，在学习用户偏好和项目属性的同时，对评论属性和评论有用性之间的关系进行建模是很重要的。因此，我们建议使用相关的可用属性对评论进行建模。我们介绍了一种新的审查属性为基础的推荐模型（RPRM），学习审查属性是更重要的比别人在捕捉有用的评论，从而提高推荐结果。此外，受用户信息采纳框架的启发，我们将两个损失函数和一个负抽样策略集成到我们提出的RRRM模型中，以确保评论的属性与用户的偏好相关。我们使用著名的Yelp和Amazon数据集来检查RPRM的有效性。我们的研究结果表明，RRRM显着优于经典和五个国家的最先进的基线。此外，我们实验表明，使用我们提出的损失函数和负采样策略的优势，进一步提高了推荐性能的建议。
2021-02-05 cs.IR
"Beyond the past": Leveraging Audio and Human Memory for Sequential Music Recommendation
针对序列音乐推荐难以推荐新曲目的问题，提出利用音频信息预测新曲目ACT-R激活并融入评分过程的模型，实验证明有效，并公开数据和代码。
2025-08-04 cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
ProEx: A Unified Framework Leveraging Large Language Model with Profile Extrapolation for Recommendation
ProEx通过多维度资料外推提升推荐系统性能，利用链式推理构建多样化的用户和物品资料，以增强推荐效果。
2025-12-12 cs.IR
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
针对短视频推荐中现有方法直接用观看时长作标签存在语义利用不足、引入偏差的问题，提出去偏多语义提取标注框架DML，通过分位数构建多语义标签并结合因果调整去偏，经实验验证可有效挖掘用户真实兴趣、提升参与度。
2023-08-28 cs.IR
Towards welfare-oriented recommendations in activity-travel behavior
University of Houston（休斯顿大学）；New York University（纽约大学）
该研究针对活动-出行行为领域推荐系统忽视用户福利的问题，提出福利导向推荐框架，通过正效用概率、遗憾最小化准则设计算法，经智能体模拟验证，为优化推荐系统提供了实用方案。
2026-08-19 cs.CY cs.IR
Factorization Machines Leveraging Lightweight Linked Open Data-enabled Features for Top-N Recommendations
随着链接开放数据（LOD）的普及和相关的增长，可以通过LOD访问的免费访问的知识，利用LOD的推荐系统已被广泛研究基于各种方法，如基于图或使用不同的机器学习模型与LOD启用功能。许多先前的方法需要构造附加图以运行基于图的算法或通过组合用户-项目交互（例如，喜欢、不喜欢）和来自LOD的背景知识。在本文中，我们研究了基于特别轻量级的LOD功能的因子分解机（FM），这些功能可以通过公共SPARQL端点直接获得，而无需任何额外的努力来构建图。首先，我们的目标是研究使用FM与这些轻量级的LOD功能相比，是否可以提供有竞争力的性能学习排名的方法，利用LOD以及其他成熟的方法，如kNN项目和BPRMF。其次，我们感兴趣的是找出在多大程度上每一组LOD功能的推荐性能的贡献。标准数据集上的实验评估表明，我们提出的方法使用FM与轻量级的LOD功能提供了最好的性能相比，其他方法在五个评估指标。此外，基于不同的LOD功能集的推荐性能的研究表明，属性对象列表和项目的PageRank分数是有用的，以提高性能，并可以提供最佳的性能，通过使用它们一起FM。我们观察到，主题属性列表的项目并没有贡献的推荐性能，而是降低了性能。
2017-07-28 cs.IR
Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation
Yonsei University（延世大学）
针对现有群体推荐方法需复杂昂贵训练的问题，提出Group-GF方法，通过构建多视图项目相似性图、发现独特多项式图滤波器并聚合，实现极快推荐且兼具高准确性。
2025-02-13 cs.AI cs.IR cs.IT
Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
本文提出基于认知不确定性的冷启动推荐框架 CREU，借助 PaiDEs 高效度量模型对训练知识的利用效率，从而优化冷启动场景下的用户-物品交互推荐性能。
2025-08-08 cs.IR
Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning
University of Engineering
针对套装推荐中需利用非对称物品关联的问题，提出融合因果敏感关系与图传播的双视图多视图学习方法BunCa，结合对比学习优化表示，在三个基准数据集上验证了有效性。
2024-08-13 cs.AI cs.IR
EEG-SVRec: An EEG Dataset with User Multidimensional Affective Engagement Labels in Short Video Recommendation
本文提出首个带有用户多维情感参与标签的短视频推荐EEG数据集EEG-SVRec，通过融合EEG信号与自我评估，建立评分预测基准并验证其对推荐性能的提升，为理解用户情感与认知机制及改进短视频推荐提供了新视角。
2024-04-01 cs.IR
You Don't Bring Me Flowers: Mitigating Unwanted Recommendations Through Conformal Risk Control
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；European Commission（欧盟委员会）；Joint Research Centre (JRC)（联合研究中心）；DISI, University of Trento（特伦托大学DISI学院）
本文提出一种模型无关、无分布假设的保形风险控制方法，利用物品二元反馈及隐式反馈扩展推荐集，可证明且低成本地减少个性化推荐中的不良内容。
2025-07-09 cs.AI cs.IR
Leveraging the structure of musical preference in content-aware music recommendation
IRIT（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
最先进的音乐推荐系统是基于协同过滤的，它根据用户的收听习惯和与其他用户的简档的相似性来预测用户的兴趣。这些方法对歌曲内容是不可知的，因此面临冷启动问题：如果没有收听历史，它们就不能推荐新的歌曲。为了解决这个问题，内容感知推荐结合了关于歌曲的信息，这些信息可以用于推荐新项目。属于这一类的大多数方法利用用户注释的标签，声学特征或深度学习的特征。因此，这些内容特征不具有明确的音乐含义，因此从音乐偏好的角度来看，它们不一定相关。在这项工作中，我们建议，而不是利用一个模型的音乐偏好，起源于音乐心理学领域。从低层次的声学特征，我们提取三个因素（唤醒，效价和深度），这已被证明是适当的描述音乐品味。然后，我们将这些集成到一个协同过滤框架的内容感知音乐推荐。在大规模数据上进行的实验表明，该方法能够解决冷启动问题，同时使用紧凑且有意义的音乐特征集。
2021-02-09 cs.IR cs.SD eess.AS
Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations
College of Computer, Nanjing University of Posts and Telecommunications（南京邮电大学计算机学院）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出UGPIG方法，通过剪枝用户图解决空间异质性忽视问题，并构建意图图缓解区域历史交互数据稀疏性，从而有效提升可持续发展模式推荐性能。
2023-09-21 cs.IR cs.LG
Leveraging Opposite Gender Interaction Ratio as a Path towards Fairness in Online Dating Recommendations Based on User Sexual Orientation
针对在线约会推荐中用户性取向公平性研究不足的问题，提出异性交互比例（OGIR）指标量化群体不公平，并设计基于重新加权和重新排序的公平推荐系统，有效缓解群体数量与校准不平衡，在维持模型效用的同时显著提升公平性。
2024-02-19 cs.IR
Leveraging Code-Mixed Product Metadata and User Feedback for Personalized Recommendation on Daraz Bangladesh
East West University（东西大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
针对孟加拉国电商平台代码混合评论，通过k-core阈值消融实验评估六类模型，发现Banglish词汇碎片化导致NDCG@10下降46.8%，为低资源代码混合环境下的推荐研究建立可复现评估基础。
2026-06-16 cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题，提出将媒体框架作为可控维度的推荐多样化方法，首次用三类规范性指标评估，实现未接触框架曝光度最高提升50%，同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
