Multi-view Attention Fusion of Heterogeneous Hypergraph with Dynamic Behavioral Profiling for Personalized Learning Resource Recommendation
Faculty of Education, Southwest University（西南大学教育学院）
本文提出基于异构超图的统一模型，结合动态行为分析模块和多视角注意力融合模块，提升个性化学习资源推荐的性能，实验表明模型在多个数据集上表现优异。
2026-03-04 cs.CY cs.IR cs.LG
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger（Hike信使公司）；IIIT Delhi（德里印度理工学院）
我们提出了一个朋友推荐系统（链接预测的应用），使用边缘嵌入社交网络。大多数现实世界的社交网络是多图，其中一对用户之间可能存在不同类型的关系（例如聊天、友谊）。现有的网络嵌入技术没有利用来自不同边缘类型的信号，因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示，有效地利用多图的异质性。我们评估我们的模型在现实世界中，活跃的社交网络，该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
Privileged Graph Distillation for Cold Start 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）；Anhui University（安徽大学）
推荐系统中的冷启动问题是一个长期存在的挑战，它要求在没有任何历史交互记录的情况下，基于属性向新用户（项目）推荐。在这些推荐系统中，温暖的用户（项目）有特权的互动记录的合作信号相比，冷启动用户（项目），这些协同过滤（CF）信号被证明有竞争力的推荐性能。许多研究者提出学习协作信号嵌入空间和属性嵌入空间之间的相关性来改进冷启动推荐，其中用户和项目分类属性在许多在线平台中是可用的。然而，冷启动建议仍然受到两个嵌入空间建模和简单的空间变换假设的限制。由于用户-项目交互行为和用户（项目）属性自然形成了一个异构的图结构，本文提出了一个特权图蒸馏模型PGD。教师模型是由一个异构的图形结构的温暖的用户和项目的特权CF链接。学生模型由一个没有CF链接的实体-属性图组成。具体来说，教师模型可以通过从构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可以从教师嵌入学习具有特权CF嵌入的提取输出。我们提出的模型一般适用于不同的冷启动场景与新用户，新项目，或新用户新项目。最后，在真实世界数据集上的大量实验结果清楚地表明了我们提出的模型对不同类型的冷启动问题的有效性，在三个数据集上，平均$6.6\%, 5.6\%, $和$17.1\%$分别比最先进的基线有所改善。
2021-05-31 cs.IR cs.LG
DeepRec: An Open-source Toolkit for Deep Learning based Recommendation
University of New South Wales（新南威尔士大学）；Nanyang Technological University（南洋理工大学）；Zhengzhou Univeristy（郑州大学）
近年来，基于深度学习的推荐系统得到了广泛的研究。然而，每年提出的大量模型对研究人员和从业人员来说都是一个巨大的挑战，他们需要复制结果以进行进一步的比较。虽然部分论文提供了源代码，但它们采用了不同的程序设计语言或不同的深度学习包，这也提高了理解这些想法的难度。为了缓解这个问题，我们发布了开源项目：\textbf{DeepRec}。在这个工具包中，我们使用Python和广泛使用的深度学习包- Tensorflow实现了许多基于深度学习的推荐算法。三个主要的推荐场景：评级预测，前N推荐（项目排名）和顺序推荐。同时，DeepRec保持了良好的模块化和可扩展性，可以轻松地将新模型纳入框架。它在GNU通用公共许可证的条款下发布。源代码可以在github上找到：\url{https://github.com/cheungdaven/DeepRec}
2019-05-25 cs.IR cs.LG
Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works
Contata Solutions LLC（Contata Solutions有限责任公司）
随着互联网上数字信息量的指数级增长，在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内找到相关信息的最方便的方式。近年来，深度学习的进展在语音识别、图像处理和自然语言处理领域获得了极大的关注。与此同时，最近的一些研究已经表明了深度学习在推荐系统和信息检索领域的实用性。在这篇简短的综述中，我们将介绍使用各种深度学习技术变体在推荐领域取得的最新进展。我们将综述分为三个部分：协作系统、基于内容的系统和混合系统。该综述还讨论了深度学习集成推荐系统对几个应用领域的贡献。本文最后讨论了深度学习在各个领域的推荐系统中的影响，以及深度学习是否比传统的推荐系统有任何显着的改进。最后，我们还提供了未来的研究方向，这是可能的基础上使用的深度学习在推荐系统的当前状态。
2017-12-20 cs.IR cs.LG
Deep Learning Recommendation Model for Personalization and Recommendation Systems
Northwestern University（西北大学）；Harvard University（哈佛大学）；Facebook（脸书）
随着深度学习的出现，基于神经网络的推荐模型已经成为处理个性化和推荐任务的重要工具。这些网络与其他深度学习网络有很大的不同，因为它们需要处理分类特征，并且没有得到很好的研究或理解。在本文中，我们开发了一个最先进的深度学习推荐模型（DLRM），并在PyTorch和Caffe2框架中实现了它。此外，我们设计了一个专门的并行化方案，利用嵌入表上的模型并行来减轻内存限制，同时利用数据并行从全连接层向外扩展计算。我们将DLRM与现有的推荐模型进行了比较，并描述了其在Big Basin AI平台上的性能，证明了其作为未来算法实验和系统协同设计基准的有用性。
2019-05-31 cs.IR cs.LG
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET））
基于位置的社交网络（LBSN）使用户能够通过分享他们的签到、意见、照片和评论来与朋友和熟人进行社交。LBSN产生的大量数据开辟了一条新的研究途径，催生了一个新的推荐系统子领域，称为兴趣点（POI）推荐。POI推荐技术本质上利用用户的历史签到和其他多模态信息（诸如POI属性和友谊网络）来推荐适合于用户的下一组POI。大量早期的工作都集中在传统的机器学习技术上，使用数据集中手工制作的特征。随着最近深度学习研究的激增，我们已经目睹了利用不同的深度学习范例的各种各样的POI推荐工作。这些技术在问题表述、提出的技术、使用的数据集和特征等方面存在很大差异。据我们所知，这项工作是对所有主要的基于深度学习的POI推荐工作的第一次全面调查。我们的工作分类和批判性地分析了最近的POI推荐工作的基础上不同的深度学习范式和其他相关功能。这篇评论可以被认为是POI推荐领域的研究人员或从业人员的食谱。
2020-11-20 cs.IR cs.LG
Heterogeneous Hypergraph Embedding for Recommendation Systems
Griffith University（格里菲斯大学）；Hanoi University of Science and Technology（河内科技大学）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；The University of Queensland（昆士兰大学）
本文提出知识增强异构超图推荐系统KHGRec，通过协作知识异构超图建模高阶交互，结合跨视图自监督学习与注意力机制，在多个数据集上平均提升5.18%，并验证了噪声鲁棒性和冷启动性能。
2024-07-04 cs.AI cs.IR cs.LG
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
Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
推荐系统（RS）对于电子商业平台来说是必不可少的，可以帮助满足用户的巨大需求。如何在异构的电子商业场景中捕捉用户兴趣并为用户进行精准推荐，仍然是一个持续研究的课题。然而，大多数现有的研究忽略了场景的内在关联：从平台收集的日志数据可以自然地划分为不同的场景（例如，国家、城市、文化）。我们观察到，这些情景是异质的，因为它们之间存在巨大差异。因此，统一模型难以有效地捕获复杂的相关性（例如，差异和相似性），从而严重降低了推荐结果的准确性。针对电子商业中的多场景推荐问题，提出了一种基于场景感知的交互学习（SAML）推荐模型。我们首先介绍了一种基于嵌入和注意力的特征表示方法，它将特征映射到全局和特定于嵌入的子空间中。然后，我们引入一个辅助网络来模拟所有场景中的共享知识，并使用多分支网络来模拟特定场景之间的差异。最后，我们采用了一种新的相互单元，自适应学习各种场景之间的相似性，并将其纳入多分支网络。我们在公共数据集和工业数据集上进行了大量的实验，实验结果表明，SAML的性能始终显著优于最先进的方法。
2020-12-16 cs.IR cs.LG
Integrating User and Item Reviews in Deep Cooperative Neural Networks for Movie Recommendation
University of Patras（帕特雷大学）
用户评价包括在线平台上的大量信息。这种信息源被大多数现有的推荐系统所忽视，尽管它有可能缓解稀疏性问题并提高建议的质量。这项工作提出了一个深度模型，用于从评论文本中同时学习项目属性和用户行为。深度合作神经网络（DeepCoNN）是由两个并行的神经网络在其最后一层连接而成的建议模型。其中一个网络专注于从用户提交的评论中学习用户行为，而另一个网络则从用户评论中学习物品属性。在顶部，添加了一个共享层来连接这两个网络。与因子分解机器方法类似，共享层允许为人和事物获取的潜在因子彼此交互。根据实验结果，在许多数据集上，DeepCoNN超过了所有基线推荐系统。
2022-06-22 cs.IR cs.LG
A Simple Deep Personalized Recommendation System
Vrbo, part of Expedia Group（Vrbo，亿客行集团旗下品牌）
推荐系统是在双边度假租赁市场中匹配列表和旅行者的关键工具。这样的系统需要高容量来从大规模的隐式信号中提取用户对项目的偏好。为了学习这些偏好，我们提出了一个简单的深度个性化推荐系统来计算旅行者的条件嵌入。我们的方法结合了监督结构中的列表嵌入，以构建短期历史背景，从而为旅行者提供个性化建议。部署在生产环境中，这种方法计算效率高，可扩展，并允许我们捕获非线性依赖关系。我们的离线评估表明，使用深度平均网络创建的旅行者嵌入可以将下游转化预测模型的精度提高7%，优于更复杂的在线购物体验个性化基准方法。
2019-08-06 cs.IR cs.LG
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations
Shanghai University of Finance and Economics（上海财经大学）；Northeastern University（东北大学）
在顺序推荐领域，基于深度学习（DL）的方法在过去几年中受到了很多关注，并超过了基于马尔可夫链和基于因子分解的传统模型。然而，很少有系统的研究，特别是关于如何设计一个有效的DL模型的顺序推荐。因此，本文针对上述问题，重点研究了基于DL的顺序推荐系统。具体来说，我们说明了顺序推荐的概念，提出了一个现有的算法分类的三种类型的行为序列，总结了影响基于DL的模型的性能的关键因素，并进行相应的评估，以证明这些因素的影响。我们通过系统地概述这一领域的未来方向和挑战来结束这一调查。
2020-10-10 cs.IR cs.LG
Simultaneous Relevance and Diversity: A New Recommendation Inference Approach
Smule（Smule公司）；Virginia Tech（弗吉尼亚理工大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
相关性和多样性对于推荐系统的成功都很重要，因为它们可以帮助用户从大量的项目中发现一组紧凑的候选人，这些候选人不仅有趣，而且具有探索性。挑战在于，在传统的推荐系统中，相关性和多样性通常是两个相互竞争的目标，这需要在开发和探索之间进行经典的权衡。传统上，更高的多样性往往意味着牺牲相关性，反之亦然。我们提出了一种新的方法，异构推理，它扩展了一般的协同过滤（CF）通过引入一种新的方式CF推理，否定到肯定。异构推理实现发散相关性，其中相关性和多样性作为一个推荐模型中的两个合作目标相互支持，并且其中推荐多样性是相关性推理过程的固有结果。受益于其简洁性和灵活性，我们的方法适用于各种复杂程度的各种推荐场景/用例。我们对公共数据集和真实生产数据的分析和实验表明，我们的方法在相关性和多样性方面同时优于现有方法。
2020-09-27 cs.IR cs.LG cs.SI
Deep Exploration for Recommendation Systems
Meta AI；Stanford University（斯坦福大学）
本文将推荐系统建模为序贯决策问题，针对稀疏奖励下难以获取有效延迟反馈的挑战，提出深度探索方法，并在高保真工业级模拟器实验中证实其相较现有算法取得巨大改进。
2023-07-30 cs.AI cs.IR cs.LG
A Large-Scale Deep Architecture for Personalized Grocery Basket Recommendations
Walmart Labs（沃尔玛实验室）
随着越来越多的消费者通过Amazon Fresh、Instacart和WalmartGrocery等平台进行在线杂货购物，迫切需要在整个客户旅程中提供相关建议。在本文中，我们介绍了一个生产内篮杂货推荐系统，RTT2Vec，它产生实时个性化的产品推荐，以补充用户当前的杂货篮。我们对我们的系统进行了广泛的离线评估，并证明了预测指标比基线最先进的篮内推荐模型提高了9.4%。我们还提出了一种近似推理技术，比精确推理方法快11.6倍。在生产中，我们的系统增加了平均购物篮大小，改进了产品发现，并使用户能够更快地结账
2020-02-13 cs.IR cs.LG stat.ML
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
Deep Content-User Embedding Model for Music Recommendation
KAIST（韩国科学技术院）；NAVER corp.（NAVER公司）
最近，基于深度学习的推荐系统已经被积极地探索以使用混合方法来解决冷启动问题。然而，大多数以前的研究提出了一种混合模型，其中协同过滤和基于内容的过滤模块是独立训练的。端到端方法将不同的模态数据作为输入并联合训练模型可以提供更好的优化，但尚未得到充分的探索。在这项工作中，我们提出了深度内容用户嵌入模型，一个简单而直观的架构，结合了用户项交互和音乐音频内容。我们评估模型上的音乐推荐和音乐自动标记任务。结果表明，该模型显着优于以前的工作。我们还讨论了各种方向，以进一步改善所提出的模型。
2018-07-18 cs.IR cs.LG cs.MM
Human Interaction with Recommendation Systems
Stanford University（斯坦福大学）；Google Brain（谷歌大脑）
许多推荐算法依赖于用户数据来生成推荐。但是，这些建议也会影响从未来用户那里获得的数据。这项工作旨在了解这种动态相互作用的影响。我们提出了一个简单的模型，随着时间的推移，不同的偏好的用户到达。基于这个模型，我们证明了天真的估计，即那些忽略这个反馈回路，是不一致的。我们表明，相合估计量是有效的近视剂的存在。我们的结果进行了验证，使用广泛的模拟。
2018-03-28 cs.LG stat.ML
A Deep Hybrid Model for Recommendation Systems
Istanbul Technical University（伊斯坦布尔理工大学）
从电子商务到社交网站，推荐一直是一个长期存在的问题。目前的研究大多集中在传统的推荐方法上，如基于内容的推荐或协同过滤，而对混合推荐系统的研究相对较少。由于深度学习在包括计算机视觉和自然语言处理在内的不同领域取得的最新进展，深度学习在推荐系统中也受到了广泛关注。有几项研究利用用户和项目的ID嵌入来实现深度神经网络的协同过滤。然而，这样的研究并没有利用输入的其他分类或连续特征。在本文中，我们提出了一种新的深度神经网络架构，它不仅包括ID嵌入，而且还包括辅助信息，如职位发布和职位推荐系统的候选人的功能，这是一个互惠推荐系统。在一个工作站点数据集上的实验结果表明，该方法比利用ID嵌入的深度学习模型提高了推荐结果。
2020-09-21 cs.AI cs.LG stat.ML
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Heterogeneous Acceleration Pipeline for Recommendation System Training
The University of British Columbia（不列颠哥伦比亚大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出异构加速流水线 Hotline，通过数据与模型感知调度，将流行与非流行 embedding 分别置于 GPU 和 CPU 执行，相比 Intel 优化的 CPU-GPU DLRM 基准将端到端训练时间减少 2.2 倍。
2024-04-28 cs.AI cs.AR cs.LG
DeepFair: Deep Learning for Improving Fairness in Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
推荐系统中缺乏偏见管理导致少数群体收到不公平的推荐。此外，公平与精确之间的权衡使得很难获得同时符合这两项标准的建议。在这里，我们提出了一种基于深度学习的协同过滤算法，该算法在不知道用户的人口统计信息的情况下，提供了公平性和准确性之间的最佳平衡的推荐。实验结果表明，它是可能的，使公平的建议，而不会失去一个显着比例的准确性。
2020-06-09 cs.AI cs.LG stat.ML
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
Recommendation system using a deep learning and graph analysis approach
University of Qom（库姆大学）
当用户连接到互联网来满足他的需求时，他经常会遇到大量的相关信息。推荐系统是一种对信息进行大规模过滤并提供用户满意和感兴趣的项目的技术。机器学习方法的进步，特别是深度学习，使得推荐系统取得了巨大的成就，尽管这些系统仍然受到诸如冷启动和稀疏性问题等挑战。为了解决这些问题，通常使用诸如用户通信网络的上下文信息。本文提出了一种基于矩阵分解和图分析的推荐方法。此外，我们利用深度自动编码器来初始化用户和项目的潜在因素，深度嵌入方法从用户信任图中收集用户的潜在因素。该方法在两个标准数据集上实现。实验结果和比较表明，该方法优于现有的国家的最先进的推荐方法。我们的方法优于其他比较方法，并取得了很大的改善。
2021-07-13 cs.LG cs.SI stat.ML
Real-Time Learning from An Expert in Deep Recommendation Systems with Marginal Distance Probability Distribution
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）
推荐系统在当今的数字世界中发挥着重要作用。它们已经在诸如音乐平台的各种应用中得到应用，Spotify和电影流媒体服务，例如，网飞体育锻炼推荐系统的研究较少。久坐不动的生活方式已经成为几种疾病和医疗费用的主要驱动力。在本文中，我们开发了一个推荐系统的日常锻炼活动的用户的基础上，他们的历史，个人资料和类似的用户。开发的推荐系统使用了深度递归神经网络与用户配置文件的注意力和时间注意力机制。此外，练习推荐系统与流推荐系统有很大的不同，因为我们无法从练习推荐系统的参与者那里收集点击反馈。因此，我们提出了一个实时的【形】的，专家在环主动学习过程。主动学习器计算每个用户在每个时间步的推荐器的不确定性，并在确定性低时向专家请求推荐。本文推导了边际距离的概率分布函数，并利用它来确定何时向专家征求反馈。我们在mHealth数据集上的实验结果显示，将实时的【形】主动学习者与推荐系统结合后，准确性得到了提高。
2022-04-04 cs.AI cs.CV cs.HC
Towards Personalized Bangla Book Recommendation: A Large-Scale Heterogeneous Book Graph Dataset
East West University（东西方大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
2026-06-08 cs.IR cs.LG
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation
College of Computer and Information Science, Southwest university（西南大学计算机与信息科学学院）；College of Computer and Information Science, Chongqing normal university（重庆师范大学计算机与信息科学学院）
针对现有图推荐方法忽视学术网络非对称影响的问题，提出MIARec模型，利用引力衡量学者间相互影响并融入特征聚合，通过多通道聚合捕获子网络个体与依赖嵌入，在真实数据集上超越基线模型。
2025-10-14 cs.IR cs.LG
Modeling Multi-Hop Semantic Paths for Recommendation in Heterogeneous Information Networks
The Chinese University of Hong Kong（香港中文大学）；University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Brown University（布朗大学）；Shanghai Jiao Tong University（上海交通大学）；University of Southern California（南加州大学）
本文提出一种多跳路径感知的异构信息网络推荐框架，通过路径选择、语义表示和注意力融合建模用户偏好，在Amazon-Book等数据集上显著提升HR@10、Recall@10等指标。
2025-05-09 cs.IR cs.LG
RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation
Meta MRS
针对跨域推荐中多域细粒度实体关系整合难题，提出可扩展图学习框架RankGraph，采用GPU加速GNN与对比学习，将图预训练表示融入推荐基础模型，在线A/B测试实现点击率与转化率提升。
2025-09-03 cs.IR cs.LG
Heterogeneous Sequel-Aware Graph Neural Networks for Sequential Learning
The State University of New York at Buffalo（纽约州立大学布法罗分校）
本文提出异构续作感知图神经网络 HSAL-GNN，联合建模时间性物品序列与高阶用户嵌入，并在合成及真实数据集上验证其优于或可比于现有序列学习方法。
2025-06-05 cs.IR cs.LG
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan（美团）
针对异构行为导致的特征稀疏与知识碎片化问题，提出基于 LLM 的异构知识提取、融合与指令微调方法，显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络（GNN）已经成为推荐系统中对图结构数据建模的强大工具。然而，现实生活中的推荐场景通常涉及异构关系（例如，社会感知的用户影响、知识感知的项目依赖性），其包含丰富的信息以增强用户偏好学习。在本文中，我们研究了异构图增强的关系学习推荐的问题。近年来，对比自监督学习在推荐中取得了成功。鉴于此，我们提出了一种异构图对比学习（HGCL），它能够将异构关系语义与对比学习-增强跨不同视图的知识转移的用户-项目交互建模。然而，异构边信息对交互的影响可能因用户和项目而异。为了推进这一想法，我们用Meta网络增强了异构图对比学习，以允许个性化知识Transformer具有自适应对比增强。在三个真实数据集上的实验结果证明了HGCL的优越性。通过消融研究，验证了HGCL方法中的关键组件，有利于提高推荐性能。模型实现的源代码可在链接https://github.com/HKUDS/HGCL上获得。
2023-03-02 cs.IR
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而，它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及，这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域，它利用社会信息来缓解数据稀疏和冷启动问题，并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而，现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法，提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同，Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外，Hete-CF是一种通用方法，并且可以在任意社交网络中使用，包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP（一种典型的异构信息网络）和MeeShop（一种典型的基于事件的社交网络）两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络（用户-用户关系）和用户-项目交互都自然地表示为图结构数据，因此图神经网络（GNN）已被广泛应用于社交推荐。在这项工作中，我们提出了一个端到端的异构全局图学习框架，即图学习增强异构图神经网络（GL-HGNN）的社会推荐。GL-HGNN的目标是学习一个异构的全局图，在一个统一的角度，充分利用用户之间的关系，用户之间的相互作用和项目之间的相似性。为此，我们设计了一个图学习器（GL）的方法来学习和优化用户-用户和项目-项目连接分别。此外，我们采用了异构图神经网络（HGNN）从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量，我们进一步提出了基于锚点的图学习器（AGL），以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 cs.IR
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性，异构信息网络（HIN）已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的，异构的数据关系，包含各种信息，可能不相关的推荐任务。因此，有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题，我们提出了一个基于课程预训练的异构子图Transformer（称为\emph{CHEST}）与新的\emph{data characterization}，\emph{representation model}和\emph{learning algorithm}。具体来说，我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图，包含足够的和相关的上下文信息用于推荐。然后，我们通过一个异构的子图Transformer，在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义（\eg图结构和路径语义）。此外，我们设计了一个课程预训练策略，提供了一个初级到高级的学习过程，我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明，我们提出的方法优于一些有竞争力的基线，特别是当只有有限的训练数据。
2021-06-12 cs.IR
Heterogeneous User Modeling for LLM-based Recommendation
针对开放域推荐中跨域异构行为建模难题，本文提出 HUM，通过行为 token 压缩、掩码机制和领域重要性分数提升效果与鲁棒性。
2025-07-27 cs.IR
TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations
Guangdong University of Technology（广东工业大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）；Cornell University（康奈尔大学）
顺序推荐的目的是在给定用户历史行为的特定时间点为用户选择最合适的项目。现有的方法通常基于马尔可夫链等基于转变的方法对用户行为序列进行建模。然而，这些方法也隐含地假设用户是彼此独立的，而没有考虑用户之间的影响。事实上，这种影响在序列推荐中起着重要的作用，因为用户的行为很容易受到其他人的影响。因此，希望聚合用户行为和用户之间的影响，这是在时间上演变的，并涉及到用户和项目的异构图。在本文中，我们将动态用户项异构图，提出了一种新的顺序推荐框架。结果，可以考虑历史行为以及用户之间的影响。为了实现这一点，我们首先形式化的顺序推荐作为一个问题，以估计条件概率给定的时间动态异构图和用户行为序列。之后，我们利用条件随机场聚合的异构图和用户行为的概率估计，并采用伪似然方法来推导出一个易于处理的目标函数。最后，我们提供了所提出的框架的可扩展和灵活的实现。在三个真实数据集上的实验结果不仅证明了该方法的有效性，而且为序列推荐提供了一些有意义的发现。
2022-07-08 cs.IR cs.LG
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题，提出 MCL 模型，通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构，提升了推荐鲁棒性。
2025-05-30 cs.IR
Recommendation Through Mixtures of Heterogeneous Item Relationships
推荐系统已经扩散作为通用的方法来模拟各种各样的消费者交互数据。具体实例利用范围从用户反馈、项目关系、地理位置、社会影响（等）的信号。通常，研究表明，利用特定信号（在精心设计的模型中）可以在特定数据集上提供更高保真的建议。当然，实际情况更加微妙，许多信号的组合可能在发挥作用，或者受到个人用户不同比例的青睐。在这里，我们寻求开发一个框架，能够结合这种异构项目的关系，同时建模（a）什么样的模式的建议是用户可能会受到在特定的时间点;（b）什么是最好的建议，从每一种模式。我们的方法借鉴了混合专家方法和知识图谱嵌入的思想。我们发现，我们的方法自然会产生更准确的建议比替代品，同时也提供直观的“解释”背后的建议，它提供。
2018-08-29 cs.IR
Towards Practical Large-scale Dynamical Heterogeneous Graph Embedding: Cold-start Resilient Recommendation
本文提出了一种两阶段方法，结合HetSGFormer和ILLE，以实现大规模动态异构图嵌入的冷启动鲁棒性和高效更新。
2025-12-15 cs.IR cs.LG
HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation
针对TSR模型忽略物品侧异构特征的问题，提出含HTFL和HCT的HeterRec模型，通过物品异构令牌化、分层因果特征提取及LMP损失优化，在离线和在线数据集上实现更优性能。
2025-04-19 cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation
Peking University（北京大学）；University of Washington（华盛顿大学）
由于异构信息网络可以模拟用户与项目交互过程中丰富的上下文信息，因此被广泛用于解决推荐系统中的稀疏性和冷启动问题。图神经网络能够通过在图上的传播来编码这种丰富的上下文信息。然而，现有的异构图神经网络忽略了不同方面潜在因素的纠缠性。此外，现有方法中的Meta路径被简化为节点对之间的连接路径或边信息，忽略了路径中丰富的语义信息。在本文中，我们提出了一种新的解纠缠异构图注意力网络DisenHAN顶部- $N$推荐，学习解纠缠用户/项目表示从不同的方面在一个异构的信息网络。特别是，我们使用Meta关系来分解节点对之间的高阶连接，并提出了一个解开嵌入传播层，它可以迭代地识别Meta关系的主要方面。我们的模型从目标用户/项目的每个Meta关系中聚合相应的方面特征。通过不同层次的嵌入传播，DisenHAN能够显式地捕捉协同过滤效果的语义。在三个真实世界数据集上的广泛实验表明，DisenHAN始终优于最先进的方法。我们通过富有洞察力的案例研究和可视化进一步证明了学习到的解纠缠表示的有效性和可解释性。
2021-06-21 cs.IR cs.LG cs.SI
TIMBRE: Efficient Job Recommendation On Heterogeneous Graphs For Professional Recruiters
针对职位推荐中的冷启动、时序敏感和信息整合难题，本文提出时序异构图方法TIMBRE，结合图神经网络实现高效时序推荐，并用推荐系统指标进行验证。
2024-11-06 cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
Heterogeneous Graph Neural Network for Personalized Session-Based Recommendation with User-Session Constraints
推荐系统为用户提供了一个适当限制的最近在线的大量信息。基于会话的推荐是推荐系统的一个子领域，它试图通过解释由项目序列组成的会话来推荐项目。最近，在这些会话中包括用户信息的研究正在取得进展。然而，难以生成包括由用户生成的会话表示的高质量用户表示。在本文中，我们考虑各种关系的图创建会话通过异构注意力网络。约束还强制用户表示考虑会话中呈现的用户偏好。它试图通过在培训过程中的额外优化来提高性能。该模型在各种真实数据集上的性能优于其他方法。
2022-06-26 cs.AI cs.IR
Heterogeneous Information Network-based Interest Composition with Graph Neural Network for Recommendation
异构信息网络（HINs）由于其能够用元路径来建模各种辅助信息而被广泛应用于推荐系统。然而，现有的基于HIN的推荐模型通常通过简单的加权求和或级联来融合来自不同元路径的信息，缺乏元路径之间的兴趣组合能力，从而限制了性能的提高。在本文中，我们提出了一个基于HIN的兴趣组合推荐模型（HicRec）。具体地说，用户和项目表示学习与图神经网络的图形结构和功能在每个元路径，和参数共享机制，在这里使用，以确保用户和项目表示是在相同的潜在空间。然后，通过用户和项目表示的组合来计算用户对来自每对相关元路径的每个项目的兴趣。通过元路径内和元路径间的用户兴趣组合得到用户的单一兴趣，并进行推荐。在三个真实世界的数据集上进行了大量的实验，结果表明，我们提出的HicRec模型优于基线。
2022-03-08 cs.IR
SLIF-MR: Self-loop Iterative Fusion of Heterogeneous Auxiliary Information for Multimodal Recommendation
针对多模态知识图结构在训练中被冻结导致融合不充分的问题，提出SLIF-MR框架，利用前一训练周期的项目表示作为反馈信号动态优化异构图结构，并结合语义一致性学习策略，显著提升了推荐的准确性和鲁棒性。
2025-07-14 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
TrNews: Heterogeneous User-Interest Transfer Learning for News Recommendation
HKUST（香港科技大学）
我们研究如何解决未来的跨语料库新闻推荐未见过的用户。这是传统的基于内容的推荐技术经常失败的问题。幸运的是，在现实世界的推荐服务中，一些出版商（例如，每日新闻）可能已经积累了具有许多消费者的大语料库，其可以用于新部署的发布者（例如，政治新闻）。为了充分利用现有的语料库，我们提出了一个迁移学习模型（称为TrNews）的新闻推荐，从源语料库的知识转移到目标语料库。为了解决不同的用户兴趣和不同的词分布在语料库中的异质性，我们设计了一个基于翻译的迁移学习策略来学习源和目标语料库之间的表示映射。学习的翻译器可以用于为未来的未见过的用户生成表示。我们通过对真实世界数据集的实验表明，TrNews在四个指标方面优于各种基线。我们还表明，我们的翻译是有效的现有的迁移策略。
2021-01-27 cs.AI cs.CL cs.IR
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题，提出BiPNet，利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好，实验验证其优越性。
2023-11-02 cs.IR
