Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation
针对多行为推荐中表示学习的过平滑与高频偏差问题，提出 CascadingRank，通过级联行为图和迭代排序实现个性化推荐并取得显著性能提升。
2025-02-17 cs.IR
Out-of-Town Recommendation with Travel Intention Modeling
Baidu Research（百度研究院）
外地推荐是为那些离开家乡地区，访问他们以前从未去过的地区的用户而设计的。为外地用户推荐兴趣点（POI）是具有挑战性的，因为外地签到行为不仅取决于用户的家乡偏好，而且还取决于用户的旅行意图。此外，用户的旅游意图是复杂的和动态的，这导致了很大的困难，准确地理解这样的意图。在本文中，我们提出了一个旅行意图感知的外地推荐框架，名为TRAINOR。拟议的TRAINOR框架在三个方面有别于现有的外地培训员。首先，利用图神经网络来表征用户的家乡签到偏好和外地签到行为中的地理约束。其次，用户特定的旅行意图被制定为一个聚合相结合的家乡偏好和一般的旅行意图在一起，其中一般的旅行意图被认为是一个混合的固有意图，可以学习的神经主题模型（NTM）。第三，一个非线性映射函数，以及一个矩阵分解的方法，分别用于转移用户的家乡偏好和估计外地POI的表示。在真实数据集上进行的大量实验验证了TRAINOR框架的有效性。此外，所学习的旅行意图可以提供有意义的解释，以理解用户的旅行目的。
2021-02-06 cs.IR cs.LG
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用，其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐，用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下，项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤，该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果，以最大化期望的总体效用。然而，为了模拟多个推荐项目的复杂交互，由于有限的硬件资源和系统延迟的限制，重新排序阶段通常只能处理几十个候选项。因此，排名阶段对于大多数应用程序来说仍然是必不可少的，以便为重新排名阶段提供高质量的候选集。在本文中，我们提出了一个解决方案命名为Slate-Aware排名（SAR）的排名阶段。通过隐式地考虑候选项之间的关系，它显著地提高了重新排序阶段的候选集的质量，并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
Dual-disentangle Framework for Diversified Sequential Recommendation
针对序列推荐中用户兴趣与意图纠缠导致多样性不足的问题，提出模型无关的双解耦框架DDSRec，通过交互建模和表示学习的解耦来平衡准确性与多样性，实验验证其有效性。
2025-08-05 cs.IR
HiFIRec Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation
School of Computer Science and Artificial Intelligence, Wuhan Textile University（武汉纺织大学计算机科学与人工智能学院）；Wuhan University of Technology（武汉理工大学）；University of Southern Queensland（昆士兰科技大学）
HiFIRec通过差异行为建模纠正高频但低意图行为的影响，提升多行为推荐的性能。
2025-12-01 cs.IR cs.SI
Exploiting Positional Information for Session-based Recommendation
目前的电子商务平台，基于会话的推荐系统被开发来预测用户对下一个项目的推荐偏好。虽然会话通常可以反映用户的当前偏好，但是会话内的用户意图的局部转移仍然可能存在。具体地，在会话内的早期位置发生的交互通常指示用户的初始意图，而稍后的交互更可能表示最新的意图。在现有的方法中很少考虑这样的位置信息，这限制了它们捕获不同位置处的相互作用的重要性的能力。为了充分利用会话中的位置信息，本文提出了一个理论框架，对位置信息进行了深入的分析。我们正式定义了前向感知和后向感知的属性，以评估位置编码方案捕获初始和最新意图的能力。根据我们的分析，现有的位置编码方案通常是前向感知的，这很难表示在会话中的意图的动态。为了增强用于基于会话的推荐的位置编码方案，提出了双重位置编码（DPE）以考虑前向感知和后向感知两者。基于DPE，我们提出了一种新的位置推荐器（PosRec）模型，该模型采用了一个精心设计的位置感知门控图神经网络模块，充分利用位置信息进行基于会话的推荐任务。在两个电子商务基准数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，PosRec的优越性，通过比较它与最先进的基于会话的推荐模型。
2021-07-09 cs.IR
Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations
Northwestern University（西北大学）；Boston University（波士顿大学）
该研究提出一个评估LLM品牌推荐的框架，通过BRP@k和MRR@k指标及重复采样，发现推荐显著性更受市场可见性影响，且品牌可条件性检索，强调应视推荐为随机检索排名过程。
2026-09-16 cs.IR
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology（快手科技）
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 cs.IR
Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement
College of Computer, Qinghai Normal University（青海师范大学计算机学院）；The State Key Laboratory of Tibetan Intelligent Information Processing and Application（藏语智能信息处理及应用国家重点实验室）；Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province（青海省藏文信息处理与机器翻译重点实验室）；Key Laboratory of Tibetan Information Processing, Ministry of Education（藏文信息处理教育部重点实验室）
针对序列推荐中用户多重意图难以区分的问题，提出MIDCL，利用VAE解耦多意图并设计两类对比学习范式，提升推荐性能与可解释性。
2024-05-08 cs.AI cs.HC cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST（南京理工大学）；Kuaishou Technology（快手科技）
本文提出RecoChain框架，整合生成与排序流程，通过层次语义ID预测生成候选项并基于SIM进行排序，提升推荐性能。
2026-04-28 cs.IR
Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
针对推荐系统模型架构常忽视个性化排序核心特性的问题，提出受排序目标梯度启发的图Transformer推荐模型Rankformer，搭配线性复杂度加速算法，实验证明其性能优于现有最优方法。
2025-03-21 cs.IR
From Token Generation to Item Ranking: Direct Generative Recommendation with Semantic IDs
Central South University（中南大学）；Hong Kong Polytechnic University（香港理工大学）；National University of Defense Technology（国防科技大学）；City University of Macau（澳门城市大学）；Griffith University（格里菲斯大学）
SimGR通过在共享潜在空间中直接建模物品层面偏好分布，缓解了基于LLM推荐中生成解码的偏差问题。
2026-08-18 cs.IR
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练，比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响，发现重排序策略的作用更大。
2024-08-22 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功，人们对它们在匹配市场中的使用越来越感兴趣（例如，劳动）。虽然这有可能提高市场的流动性和公平性，但我们在本文中表明，天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中，候选人申请，然后得到雇主的评估，我们提出了一个新的推荐框架来模拟这种互动机制，并提出了有效的算法计算个性化的排名在这种情况下。我们发现，最佳排名不仅需要考虑候选人和雇主的潜在不同偏好，而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数（例如，单侧或互反相关性）是非常次优的--不仅对于个人用户，而且对于社会目标（例如，低失业率）。为了解决这个缺点，我们提出了第一种方法，用于联合优化市场上所有候选人的排名，以显式地最大化社会福利。除了理论推导，我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统，我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF，将检索与排序集成于单一生成模型，通过排序驱动增强和自适应加权实现同步优化，显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
Bridge the gap between network-based inference method and global ranking method in personal recommendation
本文研究了个性化推荐中基于网络的推理方法和全局排序方法之间的关系。通过理论分析，证明了全局排序方法下的推荐结果是无限次应用基于网络的推理方法的极限。
2015-07-15 cs.IR cs.SI
Multi-behavior Graph Contextual Aware Network for Session-based Recommendation
基于会话的推荐（Session Based Recommendation，SBR）中，预测短时间序列的下一次交互是一个具有挑战性的任务，而多行为会话推荐考虑了会话序列中的多种交互类型，如点击和购买，以充分捕捉更有效的用户意图表示，尽管现有的基于多行为的SBR方法性能优越，但仍存在一些严重的局限性：（1）现有的研究大多集中在单一的下一行为目标类型上，未能对多个行为会话进行统一建模。(ii)以前的方法也忽略了各种下一个行为和历史行为序列之间的语义关系，这是重要的信号，以获得当前的潜在意图SBR。(iii)现有模型建立的全局跨会话项-项图可能会包含语义和上下文噪声，从而实现多行为会话推荐。为了克服限制（i）和（ii），我们提出了两个新的任务SBR，这需要将历史行为和下一个行为到统一的多行为推荐建模。为此，我们设计了一个多行为图上下文感知网络（MGCNet）的多行为会话为基础的建议的两个任务。具体来说，我们建立了一个多行为的全局项目转移图的基础上，涉及所有的交互类型的所有会话。基于全局图，MGCNet基于局部上下文意图将全局兴趣表示附加到最终项目表示，以解决限制（iii）。最后，我们显式地利用下一个行为信息来指导SBR的一般兴趣和当前意图的学习。在三个公共基准数据集上的实验表明，MGCNet在基于会话的多行为推荐中的性能优于现有的模型。
2021-09-24 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
On the Relationship between Explanation and Recommendation: Learning to Rank Explanations for Improved Performance
向用户解释为什么推荐某些项目是至关重要的，因为它可以帮助用户做出更好的决策，提高他们的满意度，并获得他们对推荐系统（RS）的信任。然而，现有的可解释的推荐系统通常将解释作为推荐模型的一个副输出，这存在两个问题：（1）由于产生的解释通常依赖于模型，因此难以对其进行评估;（2）因此，解释如何影响推荐性能的研究较少。在本文中，解释建议制定为一个排名任务，并从数据中学习，类似于项目排名的建议。这使得有可能通过排名度量（例如，NDCG）。此外，本文将传统的项目排序扩展为项目-解释联合排序形式化，以研究有目的地选择解释是否可以达到某些学习目标，例如，提高推荐性能。然而，一个很大的挑战是，稀疏性问题的用户-项目-解释数据将不可避免地比传统的用户-项目交互数据，因为不是每个用户-项目对可以与所有的解释。为了缓解这个问题，本文提出了通过将三元关系视为两组二元关系来执行两组矩阵分解。在三个大数据集上的实验验证了该方法在解释排序和项目推荐方面的有效性。
2022-10-23 cs.IR
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université（索邦大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Air Liquide（液化空气集团）；Université Paris-Saclay（巴黎萨克雷大学）
提出将可解释推荐形式化为语句级排序问题，通过从评论中提取解释性语句并排序，避免生成式幻觉，支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation
Beihang University（北京航空航天大学）；Baidu Inc.（百度公司）；Hong Kong Institute of AI for Science, City University of Hong Kong（香港人工智能科学研究所，香港城市大学）
针对工业信息流推荐中检索排序分离及量化不稳定问题，提出统一框架UNIQUE，采用单层扁平量化与早期融合架构，在百度多场景部署，显著提升观看时长与分发量。
2026-09-22 cs.IR
A Practical Two-stage Ranking Framework for Cross-market Recommendation
跨市场推荐是指在资源稀缺的目标市场中，利用用户在资源丰富的目标市场中的行为向用户推荐产品，这对于电子商务企业来说是至关重要的，但目前研究较少。在本文中，我们提出了我们在跨市场推荐竞赛中采用的详细解决方案，即，第2022章.为了更好地利用目标市场和源市场之间的协作信号和相似性，我们仔细考虑了多个特征以及由深度图推荐模型（图神经网络，DeepWalk等）组成的堆叠学习模型。和传统推荐模型（ItemCF、UserCF、Swing等）。此外，我们采用基于树的集成方法，例如，LightGBM在预测任务中显示出优越的性能，以生成最终结果。我们在XMRec数据集上进行了全面的实验，验证了我们的模型的有效性。我们团队WSDM_Coggle_提出的解决方案被选为第二名。
2022-04-27 cs.IR
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；University of California San Diego（加州大学圣地亚哥分校）；Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）
本文提出个人智能体中介推荐（PAMR）范式，主张将推荐控制权从平台端排序转向用户端证据中介，并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 cs.IR
An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation
该研究提出端到端多目标集成排序框架EMER，通过专用损失函数、新型样本组织与transformer架构优化短视频排序，配套离线在线一致评估系统，在快手部署后显著提升用户停留时长与7天生命周期指标。
2025-09-03 cs.IR
GraphRAG-IRL: Personalized Recommendation with Graph-Grounded Inverse Reinforcement Learning and LLM Re-ranking
Purdue University（普渡大学）；University of California, Davis（加州大学戴维斯分校）；Iowa State University（爱荷华州立大学）；University of Minnesota（明尼苏达大学）
GraphRAG-IRL结合图基础特征构建、反强化学习和基于人设的大语言模型重排序，通过最大熵反强化学习模型实现校准预排序，并利用LLM对短候选列表进行重排序，提升推荐效果。
2026-04-21 cs.IR
Learning k-Determinantal Point Processes for Personalized Ranking
针对现有个性化排序方法未优化集合排序、多样性不足的问题，提出基于k-DPP的集合概率比较优化准则LkP，可适配多种模型，在三个真实数据集上提升了推荐的相关性与多样性。
2024-06-23 cs.IR
EXTRA: Explanation Ranking Datasets for Explainable Recommendation
近年来，可解释推荐系统的研究引起了学术界和工业界的广泛关注，产生了各种各样的可解释模型。因此，它们的评估方法因模型而异，这使得比较不同模型的可解释性变得非常困难。为了实现评估推荐解释的标准方式，我们为EXplanaTion Ranking（表示为EXTRA）提供了三个基准数据集，可解释性可以通过面向排名的指标来衡量。然而，构建这样的数据集带来了巨大的挑战。首先，在现有的推荐系统中，用户-项目-解释三元组交互很少，因此如何找到替代方案成为一个挑战。我们的解决方案是从用户评论中识别几乎相同的句子。这个想法然后导致第二个挑战，即，如何有效地将数据集中的句子分类为不同的组，因为它具有二次运行时复杂度来估计任何两个句子之间的相似性。为了缓解这个问题，我们提供了一个更有效的方法，基于局部敏感哈希（LSH），可以检测近似重复的次线性时间为给定的查询。此外，我们公开了我们的代码，以允许社区中的研究人员创建自己的数据集。
2021-05-08 cs.IR
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
Shenzhen University（深圳大学）；Kuaishou Technology（快手科技）
针对视频推荐中上游多任务模型输出的用户偏好预测含噪导致的排序不稳定问题，提出双侧鲁棒集成排序框架DrEM，通过风险去噪鲁棒损失与排序一致性正则化提升性能，经实验验证有效。
2026-08-14 cs.IR
OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
Tencent Inc.（腾讯公司）
OneRanker通过统一生成与排序架构，解决广告推荐中生成与排序的脱节问题，提升业务指标表现。
2026-11-06 cs.IR
Finetuning Large Language Model for Personalized Ranking
针对大语言模型预训练数据与推荐任务需求不匹配的问题，提出直接多偏好优化框架DMPO，通过同时优化正负样本概率提升推荐效果，在少样本及跨域推荐中表现优异且具备可解释性。
2024-06-20 cs.IR
Knowledge Graph-based Session Recommendation with Adaptive Propagation
提出基于知识图谱的会话自适应传播推荐方法，通过多类型边构建知识图谱并自适应聚合邻居信息，使会话推荐主干模型性能提升10%-20%，并在工业案例中实现2%提升。
2024-02-17 cs.IR
Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
针对推荐系统排序阶段图卷积计算成本过高的问题，提出仅在测试期间应用的非参数图卷积重排序策略，作为即插即用模块显著提升排序质量且几乎不增加计算开销。
2025-07-14 cs.IR
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习（FL）已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务，例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功，但许多重要的深度学习用例，如排名和推荐任务，都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习（FEL）作为解决方案，以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本，实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明，与传统的设备上联邦学习相比，FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
LazFormer: Scaling Transformers for Industrial Recommendation via Transferable Generative Pre-training
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对工业推荐中Transformer扩展的计算消耗和负迁移问题，提出LazFormer，采用生成式预训练、可迁移残差适配器及非对称多轮训练，提升排序性能。
2026-09-15 cs.IR
SCASRec: A Self-Correcting and Auto-Stopping Model for Generative Route List Recommendation
AMAP, Alibaba Group（高德地图，阿里巴巴集团）；Beijing Institute of Technology（北京理工大学）；Southern University of Science and Technology（南方科技大学）
SCASRec通过整合排序与冗余消除，解决传统多阶段推荐中目标不一致、冗余处理不灵活和阶段分离导致的性能问题，实现端到端优化。
2026-05-08 cs.IR
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中，已经探索了个性化推荐中的相关性和公平性之间的权衡，目标是最小化对某些人口统计学的学习歧视，同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性（MMR）重新排名的方法，它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验，并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果，并通过对一组查询图像的排名结果进行定量分析，来检查相关性和公平性之间的权衡。我们表明，我们提出的方法可以在排名结果中包含公平性，同时获得比基线更高的精度，而我们的案例研究表明，即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
Modeling User Behaviour in Research Paper Recommendation System
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
在推荐系统的设计中，用户意图往往是动态变化的，它被认为是对用户建模的一个重要因素。最近的研究开始关注预测用户意图（用户想要什么），而不是用户偏好（用户喜欢什么）。在这项工作中，用户意图模型提出了基于深度顺序主题分析。该模型根据感兴趣的主题预测用户的意图。提出了一种由潜在狄利克雷分配（LDA）和Word2Vec组成的混合主题模型（HTM），用于获取用户感兴趣的主题和偏好历史。HTM发现真实的论文主题估计词的主题分布，其中包括句法和语义之间的相关性的话。接下来，为了对用户意图进行建模，提出了基于长短期记忆（LSTM）的顺序深度学习模型。该模型考虑了时间上下文，即用户看到的两个连续文件的点击之间的时间差。对真实世界研究论文数据集的大量实验表明，所提出的方法显着优于最先进的方法。此外，所提出的方法引入了一个新的路线图来模拟用户活动适合的研究论文推荐系统的设计。
2021-07-16 cs.IR cs.LG
LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
Meta Platforms, Inc.（Meta平台公司）
研究工业广告推荐中稀疏特征排序问题，提出仅用CPU的LO-FAR工作流程，通过轻量级局部估计器排序，在生产数据集上约两小时完成排序，保留下游归一化熵增益，证明简单局部过滤器在成本和周转约束下是实用生产选择。
2026-07-24 cs.IR
Within-basket Recommendation via Neural Pattern Associator
Loblaw Digital（罗布劳数字公司）；Dalhousie University（达尔豪斯大学）
针对篮内推荐忽视用户多意图、多粒度及意图切换的问题，提出神经模式关联器（NPA），通过向量量化学习意图码本并注意力查找，在杂货与音乐数据集上显著优于现有方法。
2024-03-14 cs.IR cs.LG
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran（德黑兰大学）
近年来，基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程，并根据用户的即时反馈来更新推荐模型，而传统的推荐方法忽略了这一点，因此受到了研究者的关注。现有的工程有两个明显的缺点。首先，低效的排名功能产生Top-N推荐列表。第二，关注推荐准确性，而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统，该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模，并最大化期望的长期回报。此外，我们建议利用Spotify的ANNoy算法来找到最相似的项目，以生成演员网络的动作。在此基础上，使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外，我们应用位置编码来计算表示用户的交互序列，而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明，我们提出的模型能够根据用户的偏好生成一个多样化的，而相关的推荐列表。
2021-10-29 cs.AI cs.IR
POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation
Kuaishou Technology（快手科技）
针对实时推荐系统中用户兴趣动态漂移和工业级多阶段排序结构未被充分利用的问题，提出POEM框架，利用上游排序模块的实时多任务分数构建动态偏序序列，实现细粒度兴趣建模与系统目标一致优化，在快手线上部署取得显著提升。
2026-06-29 cs.IR
Personalized Transformer-based Ranking for e-Commerce at Yandex
针对电商召回导向模型的特征不适配排序阶段的问题，提出基于Transformer的双塔模型两阶段训练法及上下文去偏技术，在Yandex上线后提升了推荐排序性能。
2023-10-09 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差：受欢迎的产品会被频繁推荐，而不太受欢迎的小众产品则很少推荐或根本不推荐。然而，推荐“长尾”中被忽视的产品对企业至关重要，因为它们不太可能被发现。在本文中，我们引入了一个个性化的多样化重新排名的方法，以增加不太受欢迎的项目的建议，同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤，可以应用于任何推荐系统的输出。我们表明，我们的方法是能够更有效地管理流行的偏见，与现有的方法相比，基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
Intent-aware Ranking Ensemble for Personalized Recommendation
本文提出意图感知排序集成模型IntEL，通过学习物品级个性化权重融合不同目标的排序列表，以同时满足用户多种行为意图，并在理论上和两个大规模数据集上验证了其有效性。
2023-04-15 cs.IR
Candidate Generation with Binary Codes for Large-Scale Top-N Recommendation
从大型语料库中生成前N个推荐对于大规模执行来说是计算昂贵的。在工业环境中，通常采用基于候选生成和重新排序的方法来缓解效率问题。然而，仍有待充分研究如何以及这些计划近似完整的排名（或需要多少候选人才能实现良好的近似），或开发系统的方法来有效地产生高质量的候选人。在本文中，我们试图调查这些问题，通过提出一个基于候选生成和重新排名的框架（CIGAR），它首先学习一个偏好保持二进制嵌入构建一个哈希表检索候选人，然后学习重新排名的候选人使用实值排名模型与面向候选人的目标。我们对由数百万用户/项目和数亿交互组成的几个大规模真实数据集进行了全面的研究。我们的研究结果表明，CIGAR显着提高了Top-N的准确性，对国家的最先进的推荐模型，同时减少查询时间的数量级。我们希望这项工作可以引起更多的关注，在推荐系统中的候选生成问题。
2019-09-12 cs.IR
Contextual Personalized Re-Ranking of Music Recommendations through Audio Features
用户可以通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。访问如此大的目录，创造了相关的歌曲推荐的需要。然而，用户偏好本质上是高度主观的并且根据上下文（例如，适合早上的音乐不适合晚上）。此外，一个用户在给定上下文中可能偏好的音乐可能不同于另一个用户在相同上下文中偏好的音乐（即，被认为是早安音乐的内容因用户而异）。准确地表示这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可以基于高级音频特征，例如节奏和效价。因此，在本文中，我们提出了一个上下文重新排名算法，在特定的上下文条件下的用户偏好的音频特征表示的基础上。我们使用#NowPlaying-RS数据集来评估我们的重新排名算法的性能，该数据集包含从Twitter上抓取的用户收听事件，并富含歌曲音频功能。我们比较了全球（所有用户的上下文）和个性化（每个用户的上下文）模型的基础上，这些音频功能。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同，个性化模型创建上下文条件的用户特定音频特征表示，并在333个不同用户中进行测量。我们表明，个性化模型优于全球模型时，使用精度和平均精度指标进行评估。
2020-09-06 cs.IR
Hybrid Multi-Criteria Preference Ranking by Subsorting
针对多准则推荐中帕累托排序分数不可微的问题，提出一种结合主排序与子排序的混合多准则排序方法，并在OpenTable和Yahoo!Movies数据上验证了其优势及对Top-N推荐的可持续性。
2023-06-20 cs.IR
Token-Controlled Re-ranking for Sequential Recommendation via LLMs
COREC通过令牌增强的重排序框架，实现用户对推荐结果的细粒度控制，提升推荐效果与个性化水平。
2025-11-22 cs.IR cs.LG
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题，提出融入协同思想的排序对齐推荐方法，有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
Understanding the Ranking Loss for Recommendation with Sparse User Feedback
针对稀疏正反馈下CTR预测中BCE导致负样本梯度消失的问题，本文揭示辅助排序损失通过增大负样本梯度改善优化，并经理论、公开实验及腾讯在线系统验证有效。
2024-07-05 cs.IR
PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
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）
推荐系统的目标是向用户提供最符合其兴趣的有序项目列表。作为推荐流程中的一项关键任务，重新排序近年来受到越来越多的关注。与单独对每个项目进行评分的传统排名模型相比，重新排名旨在明确地对项目之间的相互影响进行建模，以进一步细化给定初始排名列表的项目的排序。在本文中，我们提出了一个个性化的重新排序模型（称为PEAR）的基础上，上下文化的Transformer。PEAR对现有方法进行了几项重大改进。具体来说，PEAR不仅捕获功能级和项目级的交互，而且还从初始排名列表和历史点击项目列表中对项目上下文进行建模。除了项目级别的排名分数预测，我们还通过列表级别的分类任务来增强PEAR的训练，以评估用户对整个排名列表的满意度。在公共数据集和生产数据集上的实验结果表明，与以前的重新排序模型相比，PEAR具有更好的有效性。
2022-03-23 cs.IR cs.LG
Enhancing Recommendation Diversity by Re-ranking with Large Language Models
Insight Centre for Data Analytics（数据分析洞察中心）；School of Computer Science & IT（计算机科学与信息技术学院）；University College Cork（科克大学学院）
本文研究利用大语言模型进行推荐多样性重排序，通过零样本提示让 GPT 与 Llama 从候选列表生成多样化排序，实验表明其优于随机方法但暂逊于传统方法。
2024-06-17 cs.IR cs.LG
Attention-based neural re-ranking approach for next city in trip recommendations
Edinburgh（爱丁堡）；Saint-Petersburg（圣彼得堡）
本文描述了一种解决旅游预订系统下一个目的地城市推荐问题的方法。我们提出了一个两阶段的方法：一个启发式的候选人选择方法和一个注意力神经网络模型的候选人重新排名。我们的方法的灵感来自列表学习排名方法和自然语言处理的最新发展，特别是Transformer架构。我们使用这种方法来解决Booking.com推荐挑战我们的团队使用这种方法在挑战中获得了第5名，在数据集的封闭部分上获得了0.555的准确度@4值。
2021-03-23 cs.IR cs.LG
