Automating Gamification Personalization: To the User and Beyond
University of São Paulo（圣保罗大学）；University of Saskatchewan（萨斯喀彻温大学）
个性化游戏化探索有关用户的知识，以定制游戏化设计，以改善一刀切的游戏化。定制过程应同时考虑用户和上下文特征（例如，要完成的活动和地理位置），这导致需要多次定制。因此，需要用于自动化游戏化个性化的工具。出现的问题是，这些特征中的哪些是相关的，以及如何进行这种裁剪是开放的问题，并且缺乏所需的自动化工具。我们分两步解决这些问题。首先，我们进行了一项探索性研究，通过调查收集了参与者对他们认为对不同学习活动类型（LAT）最有用的游戏元素的意见。然后，我们通过条件决策树对意见进行建模，以解决上述裁剪过程。其次，作为第一步的产品，我们实现了一个推荐系统，该系统建议个性化的游戏化设计（使用哪些游戏元素），解决了自动化游戏化个性化的问题。我们的研究结果i）提供了LAT、地理位置和其他用户特征影响用户偏好的经验证据，ii）能够同时定义针对用户和上下文特征定制的游戏化设计，以及iii）为那些对设计个性化游戏化感兴趣的人提供技术帮助。主要的影响是，人口统计，游戏相关的特征，地理位置，LAT要做的，以及不同类型的信息（用户和上下文特征）之间的相互作用，应考虑在定义游戏化设计和个性化的游戏化设计可以改善我们的推荐系统的帮助。
2021-01-14 cs.AI cs.HC
Memory-Based vs. Context-Only Conditioning Produces Distinct Behavioral Patterns in Stateful Personalization
Georgia Institute of Technology（佐治亚理工学院）
通过比较上下文条件化和基于记忆的条件化在教师面向教育推荐系统中的行为，发现上下文推荐对当前问题响应更强，而基于记忆的推荐表现出历史依赖行为，包括相同输入下的学习者特异性分化。
2026-04-14 cs.AI cs.CL cs.IR
Extracting Interaction-Aware Monosemantic Concepts in Recommender Systems
本文提出了一种在推荐系统中提取交互感知的单义概念的方法，通过稀疏自动编码器揭示潜在语义结构，实现对用户和物品嵌入之间相互作用的保持，从而支持可控的个性化。
2025-11-22 cs.AI cs.IR cs.LG
From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Heudiasyc（于迪亚西实验室）
针对群体决策中冲突偏好和上下文因素等挑战，本文提出了上下文感知的多准则群体推荐系统（CA-MCGRS），利用多头注意力机制动态权衡特征，在四种场景下显著提升了推荐准确性。
2025-03-27 cs.AI cs.IR cs.LG
Dual Personalization on Federated Recommendation
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Maryland（马里兰大学）
本文提出PFedRec框架，通过双重个性化机制在用户和物品上实现细粒度个性化，生成轻量级用户特定模型，提升联邦推荐性能并保护隐私。
2023-05-13 cs.AI cs.IR cs.LG
Toward Holistic Evaluation of Recommender Systems Powered by Generative Models
Polytechnic University of Bari（巴里理工大学）；Duke University（杜克大学）；Bespoke Labs（Bespoke实验室）；ETH Zurich（苏黎世联邦理工学院）；Autónoma University of Madrid（马德里自治大学）；University of California, San Diego（加州大学圣地亚哥分校）
本文针对生成式推荐系统（Gen-RecSys）超越传统排序带来的新风险，将评估挑战分为加剧的现有问题和全新风险两类，并提出包含场景评估与多指标检查的整体评估框架，以指导负责任的部署。
2025-07-10 cs.AI cs.IR
Socially-Aware Recommender Systems Mitigate Opinion Clusterization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；TU Eindhoven（埃因霍温技术大学）
本文提出一种考虑用户社会网络的推荐系统，以缓解过滤气泡和意见极化问题。
2026-01-02 cs.AI cs.IR
JDRec: Practical Actor-Critic Framework for Online Combinatorial Recommender System
Tsinghua University（清华大学）
组合推荐（CR）系统在结果页面中每次向用户馈送项目列表，其中用户行为受到上下文信息和项目两者的影响。CR被公式化为一个组合优化问题，目标是最大化整个列表的推荐奖励。尽管它的重要性，它仍然是一个挑战，建立一个实用的CR系统，由于在网上环境的效率，动态，个性化的要求。特别是，我们撕裂的问题分为两个子问题，列表生成和列表评估。针对这些子问题设计了新颖实用的模型架构，旨在共同优化有效性和效率。为了适应在线情况，给出了一种自举算法，形成了一个演员-评论家强化框架，以探索更好的推荐模式，在长期的用户交互。离线和在线实验结果证明了JDRec框架的有效性。JDRec已应用于在线JD推荐，点击率提高2.6%，平台综合价值提高5.03%。我们将发布本研究中使用的大规模数据集，以贡献给研究界。
2022-07-27 cs.AI cs.IR cs.LG
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder（科罗拉多大学博尔德分校）
虽然推荐系统是由个性化定义的，但最近的工作表明了额外的，超越准确性目标的重要性，例如公平性。由于用户通常希望他们的推荐是纯粹个性化的，这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史，但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具，但这项工作并没有集中在推荐上。在这里，我们认为公平意识推荐系统和技术，以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究，调查用户的公平感，推荐系统，公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
Federated Recommender System with Data Valuation for E-commerce Platform
College of Computing（计算学院）；Informatics, Sungkyunkwan University, Suwon, Republic of Korea（信息学，顺天大学，Suwon，韩国）
针对联邦推荐中本地数据稀疏问题，提出FedGDVE方法，利用全局数据语义对齐样本增强本地图，通过预训练编码器、有效性预测器和强化学习采样，性能提升最高34.86%。
2025-09-14 cs.AI cs.LG
Practical and Secure Federated Recommendation with Personalized Masks
Hong Kong University of Science and Technology（香港科技大学）；Clustar；Peking University（北京大学）；Fuzhou University（福州大学）
联合推荐解决了推荐系统的数据孤岛和隐私问题。目前的联合推荐系统主要利用密码学或混淆方法来保护原始评分不被泄露。然而，前者带来了额外的通信和计算成本，后者损害了模型的准确性。这两种方法都不能同时满足推荐系统的实时反馈和精确个性化的要求。在本文中，我们提出了联邦屏蔽矩阵分解（FedMMF），以保护联邦推荐系统中的数据隐私，而不牺牲效率和效果。更详细地说，我们介绍了新的思想，个性化的面具只产生从本地数据，并将其应用在FedMMF。一方面，个性化口罩为参与者的私人数据提供了保护，而不会损失有效性。另一方面，结合自适应安全聚合协议，个性化掩码可以进一步提高效率。从理论上分析了个性化口罩的安全性。从经验上讲，我们还显示了所设计的模型在不同的现实世界的数据集上的优越性。
2022-06-20 cs.AI cs.CR cs.IR
Justification of Recommender Systems Results: A Service-based Approach
University of Torino（都灵大学）
随着对可预测和负责任的人工智能的需求不断增加，通过指定项目如何被建议或为什么它们是相关的来解释或证明推荐系统结果的能力已经成为主要目标。然而，当前的模型并没有显式地表示用户在与项目的整个交互过程中（从选择到使用）可能遇到的服务和参与者。因此，他们无法评估其对用户体验的影响。为了解决这个问题，我们提出了一种新的理由的方法，使用服务模型（i）提取经验数据的审查有关的所有阶段的互动项目，在不同的粒度级别，和（ii）组织的理由，这些阶段的建议。在一个用户研究中，我们比较了我们的方法与基线，反映了最先进的推荐系统的结果的理由。参与者评估了我们基于服务的合理化模型提供的感知用户意识支持，高于基线提供的支持。此外，我们的模型收到了较高的界面简洁性和满意度的评价，用户具有不同水平的Curriculum或低需要的认知（NfC）。显然，高NfC参与者更喜欢直接检查项目评论。这些研究结果鼓励通过服务模型，以证明推荐系统的结果，但建议调查的个性化策略，以适应不同的互动需求。
2022-11-07 cs.AI cs.HC cs.IR
Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A Multi-level Deep Learning Approach
The University of Sydney（悉尼大学）
借助机器学习算法，推荐系统已经成功地应用于许多领域。然而，此类应用程序往往使用多维用户数据，这引起了对用户隐私泄露的广泛关注。与此同时，可穿戴技术使用户能够通过嵌入式传感器收集与健身相关的数据，以监测他们的状况或实现个性化的健身目标。在本文中，我们提出了一种新的隐私意识的个性化健身推荐系统。我们引入了一个多层次的深度学习框架，该框架从可穿戴物联网设备收集的大规模真实健身数据集中学习重要特征，以获得智能健身建议。与大多数现有的方法不同，我们的方法通过从感官数据推断用户的健身特征来实现个性化，从而最大限度地减少了明确收集用户身份或生物特征信息（如姓名、年龄、身高、体重）的需要。特别是，我们提出的模型和算法预测（a）个性化的运动距离建议，以帮助用户达到目标卡路里，（b）个性化的速度序列建议，以调整运动速度给定的性质和所选的路线，以及（c）个性化的心率序列，以指导用户的潜在健康状况，为未来的锻炼。我们对真实世界Fitbit数据集的实验评估表明，与类似研究相比，预测运动距离，速度序列和心率序列的准确性很高。此外，与现有的研究相比，我们的方法是新颖的，因为它不需要收集和使用用户的敏感信息，因此它保护了用户的隐私。
2022-03-23 cs.AI
FedFlex: Federated Learning for Diverse Netflix Recommendations
Vrije Universiteit Amsterdam Netherlands；Georgia Institute of Technology Mexico；Centrum Wiskunde \& Informatica Netherlands；Georgia Institute of Technology
针对联邦推荐中隐私与多样性的矛盾，提出FedFlex两阶段框架，结合本地矩阵分解微调与MMR重排序，在线实验表明BPR优于SVD，MMR提升排序质量且不损害用户满意度。
2025-10-07 cs.AI cs.DC cs.IR
An End-to-End ML System for Personalized Conversational Voice Models in Walmart E-Commerce
Walmart Labs（沃尔玛实验室）
由于推荐系统的发展，在电子商业领域搜索产品和做出产品决策变得越来越容易。个性化和推荐系统已经携手帮助客户满足他们的购物需求，并在此过程中改善他们的体验。随着购物对话平台的日益普及，大规模构建个性化模型以处理大量涌入的数据并实时执行推理变得非常重要。在这项工作中，我们提出了一个端到端的个性化会话语音商务机器学习系统。我们包括对模型的隐式反馈，模型训练，更新评估和实时推理引擎的组件。我们的系统为沃尔玛杂货店的客户提供个性化的语音购物，目前可通过Google Assistant，Siri和Google Home设备使用。
2020-11-02 cs.AI cs.IR cs.LG
Textual User Taste: Natural-Language User Context for Foundation-Model Recommender System at Scale
Spotify
本文提出文本化用户品味系统，从收听行为生成自然语言品味画像并部署于Spotify，集成行为嵌入后提升MRR 0.6%和NDCG@7 2.2%，作为可解释、可引导的用户上下文接口。
2026-09-29 cs.AI
Beyond Retrieval: Generating Narratives in Conversational Recommender Systems
Google（谷歌公司）
针对LLM难以整合推荐知识生成适配推荐的自然语言的问题，本文提出对话式推荐叙事生成数据集REGEN及CF-LLM融合基线架构，验证了两类嵌入结合可提升生成效果。
2024-12-10 cs.AI cs.CL cs.IR
Recognising the importance of preference change: A call for a coordinated multidisciplinary research effort in the age of AI
University College London（伦敦大学学院）；Aligned AI；University of Oxford（牛津大学）
随着人工智能变得越来越强大，在日常生活中无处不在，了解和管理人工智能系统对我们生活和决策的影响势在必行。现代机器学习系统经常改变用户行为（例如，个性化推荐系统学习用户偏好以提供改变在线行为的推荐）。行为变化的外部性是偏好变化。本文主张建立一个多学科的努力，专注于理解人工智能系统如何改变偏好：偏好科学。我们将偏好操作化，以整合来自不同学科的概念，概述元偏好和偏好变化偏好的重要性，并提出一个初步的框架偏好如何变化。我们区分了偏好改变、允许的偏好改变和直接的偏好操纵。多种学科为这一框架提供了独特的见解。
2022-03-30 cs.AI cs.HC
Multi-View Interactive Collaborative Filtering
Rowan University（罗文大学）；College of Science and Mathematics（科学与数学学院）
本文提出MV-ICTR算法，融合评分与上下文信息建模用户偏好和物品特征，并结合多臂老虎机策略实现在线个性化，显著提升冷启动场景下的推荐性能。
2023-05-14 cs.AI cs.IR cs.LG
Personalized Recommendation Models in Federated Settings: A Survey
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
本文系统综述了联邦推荐系统中的个性化建模研究，梳理其从中心化到联邦范式的演进，定义联邦个性化概念，分析技术挑战并总结有前景的解决方法，为该领域提供首份整合性技术参考。
2025-03-10 cs.AI cs.IR
Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback
Kara Technology - Dpt R&D（Kara Technology - 研发部）；Groupe ESEO - ERIS（ESEO集团 - ERIS）
最近的多臂强盗（MAB）和组合多臂强盗（COM-MAB）的工作显示出良好的结果的全球准确性度量。在推荐系统的情况下，这可以通过个性化来实现。然而，对于组合在线学习方法，个性化意味着大量的用户反馈。当用户需要直接和频繁地征求时，这种反馈可能很难获得。对于正在进行业务数字化的许多活动领域来说，在线学习是不可避免的。因此，已经实现了允许隐式用户反馈检索的许多方法。然而，这种隐含的反馈可能会误导或低效的代理的学习。在这里，我们提出了一种新的方法，减少了显式反馈所需的组合多臂强盗（COM-MAB）算法的数量，同时提供了类似的水平的全局精度和学习效率的经典竞争方法。在本文中，我们提出了一种新的方法来考虑用户的反馈，并使用三种不同的策略进行评估。尽管有限数量的反馈返回的用户（低至20%的总数），我们的方法获得了类似的结果，那些国家的最先进的方法。
2020-09-16 cs.AI cs.LG stat.ML
Research on Conversational Recommender System Considering Consumer Types
针对现有对话推荐系统忽视用户异质决策风格和知识水平的问题，提出CT-CRS框架，融合消费者类型建模与逆强化学习，在多个数据集上提升推荐成功率并减少交互轮次。
2025-09-09 cs.AI cs.IR cs.SI
Non-Stationary Latent Bandits
Google Research（谷歌研究院）
推荐系统的用户经常表现在一个非固定的方式，由于他们的不断变化的喜好和口味随着时间的推移。在这项工作中，我们提出了一个实用的方法，快速个性化的非固定用户。关键的想法是将这个问题框定为潜在的强盗，其中用户行为的原型模型是离线学习的，用户的潜在状态是从其与模型的交互中在线推断的。我们称这个问题为一个非平稳的潜在的强盗。我们提出了汤普森采样算法的遗憾最小化在非平稳的潜在土匪，分析他们，并评估他们在现实世界的数据集。我们方法的主要优势在于它可以与丰富的离线学习模型相结合，这些模型可能会被错误指定，然后使用后验采样在线微调。通过这种方式，我们自然地结合了线下和在线学习的优势。
2020-12-01 cs.AI cs.LG
PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems
Department of Computer Engineering（计算机工程系）；Amirkabir University of Technology (Tehran Polytechnic)（阿美里克大学（德黑兰理工大学））
本文提出PBiLoss，一种基于正则化的损失函数，通过惩罚模型对流行项的倾向来提升基于图的推荐系统的公平性，实验表明其能有效减少推荐的流行度和多样性指标，同时保持准确性。
2026-04-29 cs.AI cs.IR cs.NE
GEMRec: Towards Generative Model Recommendation
NYU Shanghai（上海纽约大学）
针对生成式 AI 可依据提示创造“无限”物品的新推荐场景，本文提出提示-模型检索与生成物品排序两阶段框架，并发布 GEMRec-18K 数据集以支持生成式模型推荐研究。
2023-12-07 cs.AI cs.IR
NEXUS-MI: Communication-Aware Federated Personalization for Gateway-Coordinated Motor-Imagery Brain-Computer Interfaces
University of Notre Dame（圣母大学）
NEXUS-MI提出网关协调的通信感知联邦个性化框架，通过将同步视为学习与通信控制问题，在BCICIV-2a和OpenBMI上减少约42%骨干流量，同时保持准确性并揭示受试者水平脆弱性。
2026-09-10 cs.LG cs.NI
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
MuonRec: Shifting the Optimizer Paradigm Beyond Adam in Scalable Generative Recommendation
Shanghai Jiao Tong University（上海交通大学）
MuonRec通过引入Muon优化器提升可扩展生成推荐系统的训练效率和排名质量，优于Adam/AdamW基线。
2026-11-04 cs.AI cs.IR
PLIERS: a Popularity-Based Recommender System for Content Dissemination in Online Social Networks
IIT-CNR（意大利国家研究委员会信息学与电信研究所）；University of Milano（米兰大学）
本文提出基于流行度的标签推荐系统PLIERS，通过匹配用户已有物品与标签的流行度，在算法复杂度与个性化之间取得平衡，并在真实在线社交网络数据集上验证其在个性化、相关性和新颖性方面优于现有方法。
2023-07-06 cs.IR cs.LG
Integrating Topic Models and Latent Factors for Recommendation
目前，在各种网络应用中，存在着大量的在线项目，这使得建立有效的个性化推荐系统，以节省用户的信息搜索的努力成为一个重要的任务。协同过滤（CF）技术是目前应用最广泛、最成功的个性化推荐方法之一，它根据用户的历史选择以及其他用户的历史选择进行推荐。最流行的CF方法，如潜在因素模型（LFM），是通过理解用户意见的隐藏维度或因素来建模用户如何评估项目。如何对这些隐藏因素进行建模是提高推荐系统性能的关键。在这项工作中，我们考虑的旅游规划服务的酒店推荐问题，通过整合的位置信息和用户的推荐偏好。直觉是，用户偏好可以在不同的位置上动态地改变，因此将用户的历史决策视为静态的或普遍适用的在现实世界的应用中可能是不可行的。例如，用户在商务旅行时可能更喜欢具有标准配置的连锁品牌酒店，而在娱乐旅行时他们可能更喜欢独特的本地酒店。在本文中，我们的目标是提供旅行级个性化的用户推荐。
2021-12-28 cs.AI cs.IR
Exploring AI in Fashion: A Review of Aesthetics, Personalization, Virtual Try-On, and Forecasting
本文综述了四个领域的方法、数据集和评估指标，涵盖美观、个性化、虚拟试穿和预测，探讨了技术方法与推荐系统的关系及跨领域依赖，识别了集成AI驱动时尚系统面临的挑战和未来方向。
2026-03-19 cs.CV cs.LG
Memory Assisted LLM for Personalized Recommendation System
National University of Singapore（新加坡国立大学）
本文提出记忆辅助个性化LLM（MAP），通过为用户构建历史画像并基于相似度提取相关记忆整合到提示中，解决了现有LLM个性化方法成本高或无法及时更新用户历史的问题，实验证明其在单域和跨域推荐中均优于常规方法。
2025-11-03 cs.AI cs.IR
When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI Personalization
本文提出情境充分性理论，区分相关与不相关情境，通过全因子实验证明相关情境提升推荐适当性，并引入情境充分性前沿以确定最小相关集，推动个性化从增加数据转向精准识别需求。
2026-10-02 cs.AI cs.LG
Meta-Learning for Cold-Start Personalization in Prompt-Tuned LLMs
Northwestern University（西北大学）；Columbia University（哥伦比亚大学）
本文提出一种元学习框架，通过参数高效的提示微调实现LLM推荐系统的冷启动个性化，在多个数据集上超越基线并以275毫秒级实时适应能力支持金融风险画像。
2025-07-22 cs.AI cs.LG
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine（加州大学欧文分校）
本文提出ChatDiet框架，通过集成个人因果模型与群体模型并利用LLM编排，实现个性化、可解释且交互式的营养导向食物推荐，在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
Forward Once for All: Structural Parameterized Adaptation for Efficient Cloud-coordinated On-device Recommendation
Zhejiang University（浙江大学）；Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院）；Shanghai Jiao Tong University（上海交通大学）
本文提出 Forward-OFA，通过结构控制器与结构引导参数映射，为异构设备动态构建专属端上重排网络，仅需一次前向传播即可适配并避免梯度冲突。
2025-01-06 cs.AI cs.DC cs.IR
Recommendation as Language Processing (RLP): A Unified Pretrain, Personalized Prompt & Predict Paradigm (P5)
Rutgers University（罗格斯大学）
长期以来，不同的推荐任务通常需要设计特定于任务的架构和培训目标。因此，很难将学习到的知识和表示从一个任务转移到另一个任务，从而限制了现有推荐方法的泛化能力，例如，顺序推荐模型几乎不能应用或转移到评论生成方法。为了解决这些问题，考虑到语言可以描述几乎任何事物，语言基础是表示各种问题或任务的强大媒介，我们提出了一种灵活统一的文本到文本推荐范式，称为“预训练、个性化提示和预测范式”（P5），它将各种推荐任务统一在一个共享的框架中。在P5中，所有数据（如用户-项目交互、用户描述、项目元数据和用户评论）都被转换为通用格式--自然语言序列。来自自然语言的丰富信息帮助P5捕获更深层次的语义以用于个性化和推荐。具体来说，P5在预训练期间学习具有相同语言建模目标的不同任务。因此，它作为各种下游推荐任务的基础模型，允许与其他模态轻松集成，并支持基于提示的基于提示的推荐。P5将推荐系统从浅模型、深模型、大模型推向了新的高度，并将使推荐系统的技术形态发生革命性的变化，朝着通用推荐引擎的方向发展。通过针对不同用户的自适应个性化提示，P5能够以zero-shot或Few-Shot的方式进行预测，并大大减少了大量微调的必要性。在几个推荐基准上，我们进行了实验，以显示P5的有效性。我们在https://github.com/jeykigung/P5上发布源代码。
2023-01-02 cs.AI cs.CL cs.IR
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）；University of Guilan（吉兰大学）；University of Southern California（南加州大学）
兴趣点（POI）推荐系统为用户提供个性化推荐，帮助企业吸引潜在客户。尽管它们取得了成功，但最近的研究表明，高度数据驱动的建议可能会受到数据偏见的影响，导致对不同利益相关者（主要是消费者（用户）和提供者（物品））的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理，而忽略了推荐系统是在双边市场中工作的。本文研究了（i）活跃用户的不公平性，（ii）热门项目的不公平性，（iii）推荐的准确性（个性化）之间的相互作用，作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别，以根据他们的活动水平来衡量用户公平性。对于项目公平性，我们将项目分为短头、中尾和长尾组，并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型（例如，在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文（CF）表明，大多数表现良好的模型严重遭受流行偏见的不公平性（提供商不公平性）。此外，我们的研究表明，大多数推荐模型不能同时满足消费者和生产者的公平性，这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而，这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
With a Little Help From My Friends: Collective Manipulation in Risk-Controlling Recommender Systems
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）
研究揭示风险控制推荐系统因依赖聚合反馈易受集体对抗操控影响，通过实验证明小群体可通过平台功能降低非对抗用户nDCG表现，并提出将保障从群体层面转向用户层面的缓解策略。
2026-03-30 cs.IR cs.LG cs.SI
Negative Feedback for Music Personalization
SiriusXM Radio Inc.（SiriusXM广播公司）
本文研究互联网广播下一歌曲推荐中的负反馈利用，证明真实负反馈作为训练目标和用户跳过作为序列输入可显著缩短训练时间、提升准确率与覆盖率。
2024-06-06 cs.IR cs.LG
Fairness Vs. Personalization: Towards Equity in Epistemic Utility
UC San Diego（加州大学圣迭戈分校）
本文揭示个性化推荐与常规公平性实现之间的内在冲突，提出以公平（equity）作为认知效用下的替代方案，并给出目标映射与利益相关者政策建议。
2023-09-05 cs.IR cs.LG
Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations
Rensselaer Polytechnic Institute（拉特兰理工学院）
提出轻量级神经符号框架，通过推理时自适应用户知识图谱抑制特征共现，引导LLM产生多样化推荐，实验证明提高新颖性且保持质量。
2025-09-08 cs.IR cs.LG
Privacy-preserving and yet Robust Collaborative Filtering Recommender as a Service
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究院（LIST））
协同过滤服务器以牺牲最终用户的隐私为代价提供有效的个性化服务。随着社会对隐私保护的日益关注和隐私保护法规的日益严格，设计一种既能保护隐私又能为隐私敏感用户提供推荐服务的鲁棒的推荐器成为一个迫切的研究挑战。我们的分析表明，现有的解决方案在几个方面存在不足，包括缺乏对最终用户的精确输出的关注和忽略相关的鲁棒性问题。在本文中，我们提供了一个通用的系统结构，潜在因素为基础的协同过滤过滤器，制定他们的模型训练和预测计算阶段，还描述了一个新的安全模型。针对务实的解决方案，我们首先展示了如何构建隐私保护，但强大的模型训练阶段的基础上现有的解决方案。然后，我们提出了两个密码协议来实现隐私保护的预测计算阶段，这取决于是否涉及额外的代理。与标准的Top-k推荐不同，作为我们隐私设计策略的结果，我们让最终用户检索预测高于阈值的未评级项目。实验结果表明，我们的新协议是相当有效的。
2019-10-09 cs.CR cs.IR cs.LG
UNICON: A unified framework for behavior-based consumer segmentation in e-commerce
Zalando SE（Zalando SE（扎兰多））
本文提出统一深度学习框架UNICON，利用消费者行为数据学习长期潜在表示，同时支持相似人群扩展与数据驱动细分，并验证其在时尚电商混合推荐中改善消费者体验的有效性。
2023-09-18 cs.IR cs.LG
Dynamic Prior Thompson Sampling for Cold-Start Exploration in Recommender Systems
Roblox
动态先验汤普森采样通过控制新项目与现有项目的竞争概率，提升推荐系统冷启动探索的精度和效率。
2026-02-01 cs.LG
Robust Reinforcement Learning Objectives for Sequential Recommender Systems
McGill University（麦吉尔大学）；Mila - Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Borealis AI（博雷亚利斯人工智能公司）
针对序列推荐结合强化学习面临的离策略训练、动作空间大、奖励数据稀缺及负采样不稳定等问题，提出结合增强的对比目标与改进方法，在真实数据集上实现更优鲁棒性和SOTA性能。
2024-04-18 cs.AI cs.IR cs.LG
Operationalizing the Legal Principle of Data Minimization for Personalization
Microsoft Research（微软研究院）；University of Maryland（马里兰大学）；Max Planck Institute for Innovation and Competition（马克斯·普朗克创新与竞争研究所）
欧盟《通用数据保护条例》（GDPR）第5条第1款（c）项要求“个人数据应[.]充分、相关，并限于与处理目的相关的必要内容（“数据最小化”）"。迄今为止，“目的限制”和“数据最小化”的法律和计算定义在很大程度上仍不明确。特别是，这些原则的解释对于通过个性化优化用户体验并且不严格要求个人数据汇集用于基本服务的交付的信息访问系统是一个开放的问题。在本文中，我们发现缺乏对数据最小化原则的同质解释，并探索了适用于个性化背景的两个操作定义。我们在推荐系统领域的实证研究的重点是提供关于（i）不同数据最小化定义的可行性，（ii）不同推荐算法对最小化的鲁棒性，以及（iii）不同最小化策略的性能的基本见解。我们发现，由数据最小化引起的性能下降可能不是很大，但是它可能会对不同的用户产生不利的影响-这一发现对不同的正式最小化定义的可行性有影响。总体而言，我们的分析揭示了个性化背景下数据最小化问题的复杂性，并映射了剩余的计算和监管挑战。
2020-05-28 cs.CY cs.IR cs.LG
On the Importance of News Content Representation in Hybrid Neural Session-based Recommender Systems
CI&T；Brazilian Aeronautics Institute of Technology（巴西航空技术学院）；University of Klagenfurt（克拉根福大学）；Instituto Tecnológico de Aeronáutica（航空技术学院）
新闻推荐系统被设计为通过个性化他们的用户体验来为在线读者呈现相关信息。在这种情况下，一个特别的问题是在线读者通常是匿名的，这意味着这种个性化只能基于与用户的最后几次记录的交互，一种名为基于会话的推荐的设置。新闻领域的另一个特殊性是，不断发布新的文章，应该立即考虑推荐。为了解决这个项目的冷启动问题，在推荐时考虑项目的实际内容是很重要的。因此，混合办法往往被认为是这种情况下的首选方法。在这项工作中，我们分析了在混合神经新闻推荐系统中考虑内容信息的重要性。我们对比了内容感知和内容不可知的技术，并探讨了使用不同内容编码的影响。在两个公共数据集上的实验证实了采用混合方法的重要性。此外，我们表明，内容编码的选择可以产生的性能的影响。
2019-09-06 cs.IR cs.LG
FedFNN: Faster Training Convergence Through Update Predictions in Federated Recommender Systems
Eurecat（Eurecat技术中心）；Huawei UK Research Centre（华为英国研究中心）；Huawei Ireland Research Centre（华为爱尔兰研究中心）
本文提出FedFNN算法，通过监督学习利用已采样用户的权重更新预测未采样用户的更新，在联邦推荐系统中实现比领先方法快5倍的训练收敛速度，并在客户端可用性有限时表现更优。
2023-09-14 cs.IR cs.LG
ChatGPT and Persuasive Technologies for the Management and Delivery of Personalized Recommendations in Hotel Hospitality
Upsell；University of the Aegean（爱琴海大学）
本文探讨了将ChatGPT与说服技术集成以自动化改进酒店推荐系统，通过案例研究验证其在提升用户参与度、满意度、转化率及酒店收入方面的潜力。
2023-07-26 cs.AI cs.CL cs.IR
COUPA: An Industrial Recommender System for Online to Offline Service Platforms
Ant Group（蚂蚁集团）
本文提出工业推荐系统 COUPA，通过时间感知点过程和个性化位置选择器刻画用户偏好并缓解位置偏差，已在支付宝 O2O 场景部署并验证效果。
2023-04-25 cs.IR cs.LG
Personalized Reinforcement Learning with a Budget of Policies
Technion（以色列理工学院）
本文提出表征马尔可夫决策过程（r-MDPs）框架，通过少量代表性策略在监管约束下实现个性化，并开发两种基于K-means思想的深度强化学习算法，在模拟环境中验证了其个性化效果与可扩展性。
2024-01-12 cs.LG
Inference Time Feature Injection: A Lightweight Approach for Real-Time Recommendation Freshness
st Qiang Chen（第一作者）；nd Venkatesh Ganapati Hegde（第二作者）；rd Hongfei Li（第三作者）
本文提出一种轻量级方法，在推理时注入近期观看历史，提升长视频流媒体推荐的新鲜度和用户参与度。
2025-12-11 cs.LG
An Unbiased Data Collection and Content Exploitation/Exploration Strategy for Personalization
Yahoo Research（雅虎研究院）；Yahoo Personalization Team（雅虎个性化团队）
个性化系统和推荐系统的任务之一是根据用户的个人兴趣显示内容项。为了实现这样的目标，这些系统随着时间的推移学习用户兴趣，并且尝试呈现针对用户简档定制的内容项。根据用户的偏好推荐商品在过去几年中得到了广泛的研究，这主要归功于Netflix竞争的流行。在真实环境中，用户可能会被这些项目的子集所吸引并与它们进行交互，只留下部分反馈给系统，以便在下一个周期中学习，这会导致系统出现重大偏差，从而导致用户参与度指标无法随着时间的推移而改善的情况。问题不仅仅是系统的一个组成部分。从用户收集的数据通常用于许多不同的任务，包括学习排名功能，构建用户简档和构建内容分类器。一旦数据出现偏差，所有这些下游用例也会受到影响。因此，通过用户交互收集无偏见的数据将是有益的。传统上，无偏的数据汇集是通过显示从内容池中均匀采样的项来完成的。然而，这种简单的方案是不可行的，因为它会危及用户参与度指标，并且需要很长时间来收集用户反馈。在本文中，我们介绍了一个用户友好的无偏数据汇集框架，利用开发和勘探文献中开发的方法。我们讨论的框架是如何不同于正常的多臂强盗问题，为什么需要这样的方法。为了有效地平衡用户体验和数据汇集，我们设计了一种新的伯努利排序列表的汤普森抽样。该方法是从一个真正的桶测试验证，我们表现出强大的结果相比，旧的算法
2016-04-12 cs.IR cs.LG
