Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升，健康饮食正引起越来越多的关注。然而，大多数现有的食品相关的研究工作集中在食谱检索，基于用户偏好的食物推荐，烹饪辅助，或菜肴的营养和热量估计，忽略了个性化的健康意识的食物推荐。因此，在这项工作中，我们提出了一个个性化的健康意识的食品推荐计划，即Market2Dish，映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分，即食谱检索，用户健康分析和健康意识的食物推荐。特别是，食谱检索的目的是获得可用的成分给用户，然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说，为了解决健康相关信息非常稀疏的问题，我们将一个词类交互机制纳入到所提出的深度模型中，以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐，我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外，大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；IBM T.J. Watson Research Center（IBM TJ沃森研究中心）；University of Connecticut（康涅狄格大学）
针对现有健康感知食品推荐系统个性化不足、缺乏可解释性的问题，该研究构建了两个相关基准，提出融合图学习与帕累托优化、LLM增强解释的MOPI-HFRS框架，兼顾用户偏好、个性化健康度与营养多样性。
2024-12-12 cs.IR cs.LG
Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants
Burger King Corporation（汉堡王公司）；Intel Corporation（英特尔公司）；Brown University（布朗大学）
得来速是快餐业中流行的销售渠道，消费者可以在不离开汽车的情况下购买食品。得来速推荐系统允许餐馆在客人点菜时在数字菜单板上显示食物推荐。电子商务场景中流行的推荐模型依赖于用户属性（如用户简档或购买历史）来生成推荐，而在得来速用例中很难获得此类信息。因此，在本文中，我们提出了一个新的推荐模型Transformer交叉Transformer（TxT），利用客人的订单行为和上下文功能（如位置，时间和天气）使用Transformer编码器的驱动器通过建议。实证结果表明，我们的TxT模型在汉堡王的得来速生产环境相比，现有的推荐解决方案取得了优异的成绩。此外，我们还实现了一个统一的系统，在同一个集群上运行端到端的大数据分析和深度学习工作负载。我们发现，在实践中，为整个管道维护单个大数据集群更有效，更节省成本。我们的推荐系统不仅对得来速场景有益，而且还可以推广到其他客户交互渠道。
2020-10-13 cs.AI cs.IR cs.LG
Food Recommendation: Framework, Existing Solutions and Challenges
越来越多的全球人口变得超重或肥胖，导致各种疾病（例如，糖尿病、缺血性心脏病，甚至癌症），这是由于不健康的饮食模式，如增加摄入高能量和高脂肪的食物。食物推荐对于缓解这一问题至关重要。遗憾的是，现代多媒体研究已经提高了许多领域（如电影和POI）的多媒体推荐的性能和体验，但在食品领域却很大程度上滞后。本文提出了一个统一的食物推荐框架，并指出了影响食物推荐的主要问题，包括建立个人模型、分析独特的食物特征、整合各种背景和领域知识。然后，我们回顾了这些问题的现有解决方案，最后阐述了在这一领域的研究挑战和未来的发展方向。据我们所知，这是第一个针对多媒体领域食物推荐研究的调查，并提供了一系列研究和技术，以使该领域的研究人员受益。
2019-11-19 cs.CY cs.IR cs.MM
An Integrated Framework for Contextual Personalized LLM-Based Food Recommendation
UNIVERSITY OF CALIFORNIA, IRVINE（加利福尼亚大学欧文分校）
针对个性化食物推荐系统组件碎片化及通用语言处理策略缺乏领域专业化的问题，提出集成框架 F-RLP，结合多媒体记录平台与 World Food Atlas，定制化利用 LLMs 实现上下文相关的个性化推荐。
2025-04-25 cs.AI cs.IR
Flavour Enhanced Food Recommendation
我们提出了一种机制，使用的风味特征，以提高食品推荐的质量。一个经验的方法来确定食物的味道被纳入一个推荐引擎的基础上主要的味觉神经。这样的系统具有通过使用味觉生物学领域知识基于与用户的风味简档的匹配来建议用户更可能喜欢的食物项目的优点。该初步计划旨在激发更强大的机制，通过该机制，食物的味道被视为食物推荐系统的主要特征集。我们的长期愿景是将其与健康因素相结合，向用户推荐健康美味的食物，以提高生活质量。
2019-08-21 cs.HC cs.IR cs.SI
A Lay User Explainable Food Recommendation System Based on Hybrid Feature Importance Extraction and Large Language Models
Ecole Nationale Supérieure d’Informatique d’Alger, ESI ex-INI Alger（阿尔及尔国立高等信息学院）；Centre de Recherche Panafricain en Management pour le Développement(CERPAMAD)（非洲管理发展研究中心）；Umeå University（于默奥大学）；Devoteam（德沃泰姆）；University of Luxembourg（卢森堡大学）；Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所）
本文提出一种基于混合特征重要性提取和大语言模型的食品推荐系统，旨在为普通用户提供更清晰、全面的推荐结果解释，提升用户信任和透明度。
2025-12-10 cs.IR
Hierarchical Attention Network for Visually-aware Food Recommendation
食物推荐系统在帮助用户确定想要吃的食物方面起着重要的作用。决定吃什么食物是一个复杂而多方面的过程，它受到许多因素的影响，如成分，食谱的外观，用户对食物的个人偏好，以及各种背景，如在过去的饭菜中吃了什么。在这项工作中，我们制定的食物推荐问题，预测用户偏好的食谱上的三个关键因素，确定用户的选择上的食物，即：1）用户的（和其他用户的）历史; 2）配方的成分;和3）的描述性图像的食谱。为了解决这个具有挑战性的问题，我们开发了一个专用的基于神经网络的解决方案层次注意力的食物推荐（HAFR），它能够：1）捕捉协同过滤效果，如类似的用户倾向于吃什么; 2）推断用户的偏好在成分水平;和3）学习用户偏好从食谱的视觉图像。为了评估我们提出的方法，我们构建了一个由AllRecipes.com的数百万评级组成的大规模数据集。大量的实验表明，我们的方法优于几个竞争的推荐解决方案，如因子分解机和视觉贝叶斯个性化排名的平均提高了12%，在预测用户对食物的偏好提供了有希望的结果。代码和数据集将在验收后发布。
2019-01-06 cs.IR
Food Recommendation With Balancing Comfort and Curiosity
针对旅行者在美食选择中平衡舒适感与好奇心的需求，提出KDS、MDS两种量化方法及对应排序策略，经自建数据集验证，MDS方法在多数场景下优于基线和KDS。
2025-03-24 cs.IR
Recommender for Its Purpose: Repeat and Exploration in Food Delivery Recommendations
本文针对外卖推荐中复购与探索行为的独特特征，提出 ReRec 和 ExpRec 两个独立模型，并在三个真实数据集上验证其在复购、探索及组合推荐任务中优于现有基线。
2024-02-22 cs.IR
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
An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations
Department of Biological and Agricultural Engineering, Texas A&M AgriLife Research（生物与农业工程系，德克萨斯A&M农业生命研究）
本文提出一种结合标准化营养数据库与大语言模型的LLM-RAG框架，通过健康饮食指数（HEI）指导实现个性化食品推荐，实验结果显示HEI平均提升6.45，用户HEI超过50的比例提升至61.26%。
2026-05-11 cs.AI cs.IR
Multi-modal Food Recommendation using Clustering and Self-supervised Learning
针对多模态食品推荐中预训练表示性能不佳的问题，提出CLUSSL框架，利用聚类构建模态特定图并通过自监督学习增强表示独立性，在真实数据集上超越现有基准。
2025-02-27 cs.IR
MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation
Georgia Institute of Technology（佐治亚理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究针对重复订单食品配送推荐，提出MARS模块化多智能体重排框架，分两阶段推荐，结合多种信号与推理。通过实验评估，贡献包括给出集成框架、证明预训练主干结合轻量级检索有竞争力、建立可重现评估设置。
2026-07-29 cs.AI cs.IR
Food Data in the Semantic Web: A Review of Nutritional Resources, Knowledge Graphs, and Emerging Applications
本文综述语义网中的食品数据资源、实体链接识别技术与食品知识图谱，总结其在个性化营养和食物交互等场景的应用及未来挑战。
2025-08-31 cs.IR
Personalized Recommendation of Dish and Restaurant Collections on iFood
iFood
针对食品配送平台，提出RED系统，用LightGBM分类器结合特征组、冷启动和偏差处理，实现iFood集合个性化推荐，A/B测试显著提升转化率。
2025-08-05 cs.IR cs.LG
Exploring the Spatiotemporal Features of Online Food Recommendation Service
本文系统分析在线食品推荐服务的时空特征，揭示自注意力建模时空序列的不足，并提出优化的时空序列方法与动态上下文适应模型，通过离线和在线实验验证其可行性与优越性。
2023-08-08 cs.IR
Characterizing and Predicting Repeat Food Consumption Behavior for Just-in-Time Interventions
Singapore Management University（新加坡管理大学）；National Taiwan University（台湾大学）
人类是习惯的动物。在日常生活中，人们倾向于在几天内重复食用类似类型的食物，并且当消费变得过于单调时偶尔切换到食用不同类型的食物。然而，新的和重复的消费行为还没有被研究在食品推荐的研究。更重要的是，预测个人日常饮食习惯的能力对于提高食物推荐系统在促进健康生活方式改变方面的有效性至关重要。在这项研究中，我们使用来自一个名为MyFitnessandum（MFP）的流行在线健身社区的大规模消费数据来分析重复食物消费的模式，对各种最先进的算法进行离线评估预测第二天的食物消费，并分析它们在不同人口统计群体和背景下的表现。实验结果表明，结合探索和开发和时间动态的算法是更有效的第二天推荐任务比大多数国家的最先进的算法。
2019-09-17 cs.CY cs.IR cs.LG
Food Recommender Systems: Important Contributions, Challenges and Future Research Directions
食物的推荐很重要，原因有很多。通过数字来源获得烹饪灵感正变得越来越受欢迎;推荐其他类型食物的系统也越来越受欢迎，例如餐馆的饭菜或超市的产品。多年来，研究人员一直在研究这类系统，他们不仅可以帮助人们找到他们可能想吃的食物，还可以帮助他们更健康地滋养自己。本文提供了一个国家的最先进的所谓的食品推荐系统的总结，突出了开创性的和最新的方法来解决这个问题，以及重要的专业化，如食品推荐系统的用户群或系统，促进健康饮食。此外，我们还讨论了在设计recsys的食品所涉及的各种挑战，总结了从过去的研究中吸取的教训，并概述了我们认为是重要的未来方向和开放的问题，该领域。通过提供这些贡献，我们希望为研究人员和从业人员提供有用的资源。
2017-11-10 cs.CY cs.HC cs.IR
MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention
College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
提出MetaPlate框架，结合反事实解释、机器学习预测和RAG-LLM，生成个性化膳食建议以预防餐后高血糖，经注册营养师评估证明其可行性和有效性。
2026-06-11 cs.AI cs.HC cs.IR
Seasonality Patterns in 311-Reported Foodborne Illness Cases and Machine Learning-Identified Indications of Foodborne Illnesses from Yelp Reviews, New York City, 2022-2023
本研究结合纽约市311报告与Yelp评论，并用HSAN识别餐馆相关食源性疾病的季节性模式，但未发现显著双变量关联，强调需融合多源数据和专家判断。
2024-05-09 cs.IR
Investigating the Association Between Text-Based Indications of Foodborne Illness from Yelp Reviews and New York City Health Inspection Outcomes (2023)
Columbia University, Department of Computer Science（哥伦比亚大学计算机科学系）
本研究使用 HSAN 分类器提取 Yelp 评论中的食源性疾病信号，并与 NYC DOHMH 的 2023 年餐馆检查结果比较，发现二者在人口普查区层面相关性很弱。
2025-10-18 cs.CL cs.IR
Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）
食物选择是个人的和复杂的，对我们的长期健康和生活质量有重大影响。通过帮助用户做出明智和满意的决定，推荐系统（RS）有可能支持用户做出更健康的食物选择。智能用户建模是实现这一潜力的关键挑战。本文研究了基于Ensemble Topic Modeling（EnsTM）的特征识别技术，用于高效的用户建模和食谱推荐。它基于EnsTM的研究结果，提出了一种简化的数据表示格式和智能用户建模策略，使捕获用户偏好快速，高效和交互。这种方法支持个性化，即使在冷启动场景中也是如此。本文提出了两种不同的EnsTM为基础的和一个混合EnsTM为基础的嵌入式系统。我们通过一项有48名参与者的用户研究，使用230，876个食谱的大规模真实语料库，比较了所有三种基于EnsTM的变体，并与传统的基于内容（CB）的方法进行比较。基于EnsTM的神经网络的性能明显优于CB方法。除了承认多领域的内容，如口味，人口统计和成本，我们提出的方法还考虑到用户的营养偏好，并帮助他们找到不同的营养类别下的食谱。此外，它提供了出色的覆盖范围，并使用户的饮食习惯的隐式理解。随后的分析也揭示了某些特征与更健康的生活方式之间的相关性。
2019-07-31 cs.IR cs.LG
Yum-me: A Personalized Nutrient-based Meal Recommender System
Cornell University（康奈尔大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Weill Cornell Medical College（威尔康奈尔医学院）
基于营养的膳食建议有可能帮助个人预防或管理糖尿病和肥胖等疾病。然而，了解人们的食物偏好，并提出建议，同时吸引他们的口味和满足营养期望是具有挑战性的。现有的方法要么只学习高级偏好，要么需要很长的学习时间。我们提出了Yum-me，一个个性化的基于营养的膳食推荐系统，旨在满足个人的营养期望，饮食限制和细粒度的食物偏好。Yum-me通过一个基于视觉测验的用户界面实现了一个简单而准确的食物偏好分析程序，并将学习到的个人资料投射到营养适当的食物选项领域，以找到对用户有吸引力的食物。我们提出的设计和实现的Yum-me，并进一步描述和评估两个创新的贡献。第一个贡献是一个开源的最先进的食品图像分析模型，名为FoodDist。我们通过仔细的基准测试展示了FoodDist的卓越性能，并讨论了其在各种饮食应用中的适用性。第二个贡献是一个新的在线学习框架，学习食物偏好的项目和成对的图像比较。我们评估的框架在227个匿名用户的实地研究，并证明它优于其他基线的显着保证金。我们进一步通过60人的用户研究对Yum-me的可行性和有效性进行了端到端验证，其中Yum-me将推荐接受率提高了42.63%。
2017-04-30 cs.AI cs.CV cs.HC
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Fiducia: A Personalized Food Recommender System for Zomato
本文介绍了Fiducia，一个食品评论系统，涉及一个管道，处理从Zomato（印度最大的餐厅搜索和发现服务）获得的餐厅相关评论。Fiducia专门针对流行的咖啡馆食品项目，并设法在评论中分别识别与每个项目有关的相关信息。它对这些文本进行情感检查，并根据用户-项目和项目-项目的相似性为特定项目建议合适的餐厅。实验结果表明，情感分析模块的Fiducia达到了85%以上的准确率，我们最终的推荐系统达到了约1.01击败其他基线的RMSE。
2019-03-25 cs.IR cs.SI
Given Users Recommendations Based on Reviews on Yelp
在我们的项目中，我们专注于基于NLP的混合推荐系统。数据来自Yelp Data。对于我们的混合推荐系统，我们有两个主要组成部分：第一部分是嵌入与BERT模型和word 2 vec模型的评论;第二部分是实现一个基于项目的协同过滤算法，以计算不同类别的餐厅下的每个评论的相似度。最后，在相似度分数的帮助下，我们能够根据用户记录的评论向他们推荐最匹配的餐厅。编码工作分为几个部分：选择样本和数据清洗，处理，嵌入，计算相似性，计算预测和误差。由于数据的大小，每个部分将生成一个或多个JSON文件作为里程碑，以减少内存压力和每个部分之间的通信。
2021-12-03 cs.CL cs.IR
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 Food Recommender System in Academic Environments Based on Machine Learning Models
Tarbiat Modares University（塔比阿特·莫达雷斯大学）
本文针对大学环境中的饮食健康问题，构建了结合协同过滤、基于内容和基于知识的混合食物推荐系统，对比了多种机器学习模型，发现AdaBoost在准确率上表现最佳（73.70%）。
2023-06-26 cs.IR cs.LG
Mining User/Movie Preferred Features Based on Reviews for Video Recommendation System
在这项工作中，我们提出了一种基于评论挖掘用户偏好和推荐的方法。关于推荐问题已经有了很多研究。然而，大多数的研究都超越了用户生成的一个方面--内容，如用户评分、用户反馈等来陈述用户偏好。在一个方面存在的问题是缺乏挖掘来陈述用户偏好。作为示范，在协同过滤推荐中，我们试图找出拥挤用户的偏好趋势，然后使用该趋势来预测当前用户的偏好。因此，真实的用户偏好与拥挤人群的趋势之间存在差距。此外，由于用户经常评论产品的各个方面，因此可以通过挖掘用户评论来解决用户偏好。为了解决这个问题，我们主要集中在挖掘用户评论中的产品方面和用户方面，以直接表示用户的偏好。对于冷启动项目问题，我们还考虑了社会网络分析。针对冷启动用户问题，采用协同过滤算法。该框架足够通用，可以应用于不同的推荐领域。从理论上讲，我们的方法将实现显着的增强。
2017-02-09 cs.CL cs.IR
Extended Recommendation Framework: Generating the Text of a User Review as a Personalized Summary
University P. et M. Curie, Sorbonne-Universités（皮埃尔与玛丽·居里大学（索邦大学））；CNRS（法国国家科学研究中心）
我们建议增加评级为基础的推荐系统，为用户提供额外的信息，这可能有助于他在他的选择或理解的建议。我们在这里考虑作为一个新的任务，与项目相关联的个性化评论的生成。我们使用一个提取的摘要公式来生成这些评论。我们还表明，这两个信息源，评级和项目，可用于估计评级和生成摘要，从而提高性能，为每个系统相比，使用一个单一的来源。除了这两个贡献，我们展示了如何个性化的极性分类器可以整合的评级和文本方面。总的来说，该系统为用户提供了三个个性化的建议提示：评级，文本和极性。我们在两个数据集上对这三个组成部分进行了评估，并对每个任务使用了适当的措施。
2014-12-17 cs.CL cs.IR
Non-IID Recommender Systems: A Review and Framework of Recommendation Paradigm Shifting
Advanced Analytics Institute, University of Technology Sydney（悉尼科技大学高级分析学院）
虽然推荐在我们的生活、学习、工作和娱乐中扮演着越来越重要的角色，但我们收到的推荐往往是不相关的、重复的或无趣的产品和服务。现有的推荐理论和推荐系统都假设推荐用户和推荐项目是独立同分布的，这是造成这种不良推荐的一个重要原因。另一个现象是，虽然已经做出了巨大的努力来对用户或项目的特定方面进行建模，但总体用户和项目特征及其非IID性却被忽视了。本文首先讨论了推荐的非IID性质和特征，然后从耦合性和异质性两个角度，建立了非IID的理论框架，以期对推荐问题的内在本质有一个深入而全面的理解。这种非IID推荐研究触发了从IID到非IID推荐研究的范式转变，并有望提供知情的，相关的，个性化的和可操作的建议。它创造了令人兴奋的新方向和基本解决方案，以解决各种复杂性，包括冷启动，基于稀疏数据，跨域，基于组和先令攻击相关的问题。
2020-07-01 cs.IR cs.LG
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
Tsinghua University（清华大学）；Tencent（腾讯）
推荐系统旨在为用户提供项目推荐，并且通常面临数据稀疏问题（例如，冷启动）。最近，预训练的模型已经显示出它们在领域和任务之间的知识传递的有效性，这可能会缓解推荐系统中的数据稀疏性问题。在这项调查中，我们首先提供了一个审查的推荐系统与预训练。此外，我们通过实验展示了预训练对推荐系统的好处。最后，我们讨论了几个有前途的方向，为未来的研究推荐系统与预训练。
2020-09-19 cs.CL cs.IR
Joint Deep Modeling of Users and Items Using Reviews for Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
大量的信息存在于用户撰写的评论中。这种信息源被大多数当前的推荐系统所忽略，但它可以潜在地缓解稀疏性问题并提高推荐质量。在本文中，我们提出了一个深度模型，从评论文本中联合学习项目属性和用户行为。提出的模型，命名为深度合作神经网络（DeepCoNN），由两个并行的神经网络耦合在最后一层。其中一个网络专注于利用用户撰写的评论来学习用户行为，另一个网络则从为项目撰写的评论中学习项目属性。在顶部引入共享层以将这两个网络耦合在一起。共享层使得为用户和项目学习的潜在因子能够以类似于因子分解机器技术的方式彼此交互。实验结果表明，DeepCoNN在各种数据集上的性能明显优于所有基线推荐系统。
2017-01-17 cs.IR cs.LG
Investigating Health-Aware Smart-Nudging with Machine Learning to Help People Pursue Healthier Eating-Habits
University College Dublin（都柏林大学学院）；School of Computer Science（计算机学院）
食物选择和饮食习惯直接有助于我们的长期健康。这使得食品推荐系统成为解决全球肥胖和营养不良危机的潜在工具。在过去的十年里，人工智能和医学研究人员越来越多地投资于研究工具，这些工具可以指导和帮助人们在食物和饮食方面做出健康和深思熟虑的决定。在许多典型的推荐系统领域，智能轻推已经被证明可以有效地塑造用户的消费模式。近年来，知识性的推动和激励选择也开始在食品领域受到关注。为了开发智能推动以促进更健康的食物选择，我们将机器学习和RS技术与世界卫生组织、食品标准局和英国国家卫生服务局等公认的卫生组织的食品健康指南相结合。在本文中，我们讨论了我们的研究，有说服力的可视化，使用户意识到推荐食谱的健康。在这里，我们提出了三种新的推动技术，WHO-气泡滑块，FSA-ColorCoading和DRCI-MLCP，鼓励用户选择更健康的食谱。我们还提出了一个基于主题建模的份量推荐算法。为了评估我们提出的智能轻推，我们进行了一项在线用户研究，有96名参与者和92250个食谱。结果表明，在食物决策过程中，适当的健康线索使用户更有可能点击，浏览和选择健康的食谱，而不是不太健康的食谱。
2021-10-05 cs.AI cs.HC cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）；Aalborg University（奥尔堡大学）
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征，并以结构化的形式提供它们的解释。众所周知，用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面，最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本，我们的目标是表明生成的文本可以成功地用于解释建议。在本文中，我们提出了一个框架，包括流行的审查为导向的生成模型，旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集，其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法，我们采用DeepCoNN，一种新的面向评论的推荐系统，使用深度神经网络，通过均方根误差（RMSE）来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知，这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
Understanding the Effectiveness of Reviews in E-commerce Top-N Recommendation
现代电子商业网站包含不同的信息源，如数字评级、文本评论和图像。这些信息可以用来帮助推荐。通过文本评论，用户明确表达了她对该项目的亲和力。之前的研究发现，通过使用从这些评论中提取的信息，我们可以更好地描述用户的显式偏好以及项目特征，从而提高推荐性能。然而，以往的算法大多只将评论信息用于评分预测等显式反馈问题，而对于top-N推荐等隐式反馈排名问题，评论信息的利用还没有得到充分的研究。针对这一缺陷，本文研究了电子商业环境下文本评论信息对top-N推荐的有效性。我们采用了几个SOTA审查为基础的评级预测模型的前N个推荐任务，并比较它们与现有的前N个推荐模型的性能和效率。我们发现，仅利用评论信息的模型不能获得比香草隐反馈矩阵分解方法更好的性能。当利用评论信息作为正则化子或辅助信息时，隐反馈矩阵分解方法的性能可以进一步提高。然而，最佳的模型结构，利用文本评论的电子商业前N推荐尚未确定。
2021-09-19 cs.IR
Learning Hierarchical Review Graph Representations for Recommendation
用户评论数据已被证明是有效的，在解决不同的推荐问题。以前的基于评论的推荐方法通常采用复杂的组合模型，如递归神经网络（RNN）和卷积神经网络（CNN），从评论数据中学习语义表示以进行推荐。然而，这些方法主要捕获词窗口中相邻词之间的局部依赖性，并且它们平等地对待每个评论。因此，它们可能无法有效地捕获单词之间的全局依赖性，并且往往容易受到噪声评论信息的影响。在本文中，我们提出了一种新的基于评论的推荐模型，命名为评论图神经网络（RGNN）。具体来说，RGNN为每个用户/项目构建了一个特定的评论图，它提供了一个关于用户/项目属性的全局视图，以帮助削弱噪音评论信息造成的偏见。提出了一种类型感知的图注意力机制来学习词的语义嵌入。此外，提出了一种个性化的图池算子来学习评论图的分层表示，以形成每个用户/项目的语义表示。我们在两个真实世界的数据集上将RGNN与最先进的基于评论的推荐方法进行了比较。实验结果表明，在均方误差（MSE）方面，RGNN始终优于基线方法。
2021-01-24 cs.IR
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分：用户和项目嵌入学习，其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息，利用历史评论丰富了用户/项目嵌入学习能力，或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展，我们认为，目前的解决方案，基于审查的建议遭受两个缺点。首先，由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图，如何更好地利用这种独特的图结构进行推荐？其次，虽然目前大多数模型都受到用户行为的限制，但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件？为此，在本文中，我们提出了一种新的审查感知图对比学习（RGCL）框架的审查为基础的推荐。具体来说，我们首先构建一个具有功能增强边缘的评论感知用户项目图，其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边，可以帮助专心地学习每个邻居节点的权重，用于用户和项目表示学习。之后，我们设计了两个额外的对比学习任务（即，节点鉴别和边缘鉴别），为推荐过程中的两个组件提供自监督信号。最后，在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
Mathematical Modeling of Competitive Group Recommendation Systems with Application to Peer Review Systems
在本文中，我们提出了一个数学模型来捕捉各种因素，可能会影响竞争群体推荐系统的准确性。我们将此模型应用于同行评审系统，即，会议或研究资助审查，这是我们科学界的一个重要组成部分。我们探讨了一些重要的问题，即，每篇论文的评论数量如何影响整体推荐的准确性？评分汇总政策是否会影响最终推荐？评审员的偏好如何影响最终推荐的准确性？为了回答这些重要的问题，我们正式分析我们的模型。通过这些分析，我们获得的见解如何设计一个随机算法，这是计算效率和渐近准确的竞争群体推荐系统的准确性评估。我们得到了一些有趣的观察结果：即，对于中等级别的会议，每篇论文三篇评论足以获得高准确度的推荐。对于著名的会议，一篇论文可能需要至少7篇评论才能达到高准确性。我们还提出了一个异构的审查策略，需要相等或更少的审查工作量，但可以提高超过一个同质的审查策略的建议准确性高达30%。我们相信我们的模型和方法是研究竞争性群体推荐系统的重要基石。
2012-04-12 cs.IR cs.PF
Minimizing Mindless Mentions: Recommendation with Minimal Necessary User Reviews
最近，研究人员将注意力转向了只使用最少必要数据的推荐系统。这种趋势是由这样一种想法所告知的，即推荐系统不应该使用比为了向用户提供有用的推荐所需要的更多的用户交互。在这份立场文件中，我们提出了将最小必要数据的想法应用于使用用户评论的推荐系统的案例。我们认为，个人用户评论的内容应该最小化。具体来说，作为训练数据生成建议的评论或用于帮助用户决定购买或消费的评论应该被自动编辑，以仅包含所需的信息。
2022-09-09 cs.IR
You Get What You Chat: Using Conversations to Personalize Search-based Recommendations
之前关于个性化推荐的工作集中在利用来自用户特定查询、点击、喜欢和评级的明确信号。本文探讨了利用不同来源的隐含信号的兴趣和品味：用户之间的在线聊天。本文提出了一种基于搜索的个性化实体推荐的表达模型和有效方法。来自聊天的用户模型增强了不同的方法，用于对中等粒度查询的实体答案进行重新排名。本文提出了具体的技术，以提高用户模型捕获特定领域的词汇和基于实体的扩展。实验是基于一个受控的用户研究，涵盖三个领域的在线聊天的集合：书籍，旅游，食品。我们评估不同的配置，并比较基于聊天的用户模型对简洁的用户简档从问卷调查。总体而言，这两种变体在NCDG@20方面表现相当，但在某些领域各有优势。
2021-09-10 cs.IR
On Faithfulness and Coherence of Language Explanations for Recommendation Systems
University of California, San Diego（加州大学圣迭戈分校）
评论包含丰富的信息，产品的特点和用户的兴趣，因此通常用于提高推荐系统的性能。具体来说，以前的工作表明，共同学习执行审查生成提高评级预测性能。同时，这些模型生成的评论作为推荐解释，为用户提供预测评级的见解。然而，尽管现有的模型可以生成流畅的、类似人类的评论，但目前还不清楚这些评论在多大程度上充分揭示了联合预测评级背后的基本原理。在这项工作中，我们进行了一系列的评估，探测国家的最先进的模型和他们的审查生成组件。我们发现，所产生的解释是脆弱的，需要进一步的评估，然后才被视为字面上的理由估计评级。
2022-09-12 cs.AI cs.CL 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
Improving Recommendation Systems with User Personality Inferred from Product Reviews
人格是一种心理因素，它反映了人们的偏好，反过来又影响他们的决策。我们假设对用户个性的准确建模可以提高推荐系统的性能。然而，获取这样的个性特征既敏感又昂贵。为了解决这个问题，我们引入了一种新的方法，自动提取公共产品评论文本的个性特征。然后，我们设计和评估三个上下文感知的推荐架构，利用配置文件来测试我们的假设。在两个新的人格数据集Amazon-beauty和Amazon-music上的实验验证了我们的假设，表现出3- 28%的性能提升。我们的分析发现，不同的人格类型对推荐性能的贡献不同：开放和外向的人格对音乐推荐最有帮助，而尽责的人格对美容产品推荐最有帮助。
2023-03-21 cs.IR
How Useful are Reviews for Recommendation? A Critical Review and Potential Improvements
International Institute of Information Technology（国际信息技术学院）；University of California, San Diego（加州大学圣地亚哥分校）
我们调查了越来越多的工作，旨在通过使用评论文本来改善推荐系统。一般来说，这些论文认为，既然评论“解释”了用户的意见，它们应该有助于推断预测评级或购买的潜在维度。纳入审查的方案从简单的正则化到神经网络方法。我们的初步发现揭示了报告结果中的几个差异，部分原因是（例如）尽管实验设置或数据预处理发生了变化，但仍在论文间复制结果。首先，我们尝试一个全面的分析，以解决这些歧义。进一步的调查需要讨论一个更大的问题，即用户评论对推荐的“重要性”。通过广泛的实验，我们观察到几种情况下，最先进的方法未能优于现有的基线，特别是当我们偏离了一些狭义的设置，审查是有用的。最后，我们为我们的观察提供假设，试图描述在什么条件下审查可能是有帮助的。通过这项工作，我们的目标是评估该领域的发展方向，并鼓励强有力的实证评估。
2020-05-25 cs.IR cs.LG cs.SI
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology（香港科技大学）；Nanjing University（南京大学）
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法，专注于明确的反馈，因此面临着收集他们的困难。同时，提出了基于评分的方法，对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而，它通常忽略了一种重要的信息：项目评论。项目审查不仅证明了用户的偏好，而且还有助于减轻冷启动问题，失败的协同过滤。在本文中，我们提出了两个新颖而简单的模型，将项目评论贝叶斯个性化排名。在每个模型中，我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上，我们发现了解释用户反馈变化的评论维度，这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析，以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
A Zero Attentive Relevance Matching Networkfor Review Modeling in Recommendation System
用户评论和项目评论对于推荐系统的构建是有价值的。一般来说，现有的基于评论的推荐方法可以大致分为两类：分别从评论中构建静态用户和项目表示的连体模型，以及根据评论的相似性或关系动态编码用户和项目的基于交互的模型。虽然基于交互的模型具有更大的模型容量，更好地拟合人类购买行为，但现有基于交互的模型的一些问题的模型设计和假设导致其性能不如现有的连体模型。在本文中，我们确定了现有的基于交互的推荐模型的三个问题，并提出了一对夫妇的解决方案，以及一个新的基于交互的模型，将审查数据的评级预测。我们的模型实现了一个相关性匹配模型与正则化的训练损失，以发现用户相关的信息，从长项目评论，它也适应了零注意力策略，以动态平衡项目相关和项目无关的信息提取用户评论。在Amazon Product Benchmark数据集上的实证实验和案例研究表明，我们的模型可以从评论中提取有效且可解释的用户/项目表示，并且优于多种基于评论的推荐模型。
2021-08-01 cs.IR
A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems
使用评论来学习用户和项目表示对于推荐系统是重要的。当前基于评论的方法可以分为两类：（1）基于卷积神经网络（CNN）的模型，其从用户/项目评论中提取n-gram特征;（2）基于递归神经网络（RNN）的模型，其从用户和项目的评论中学习全局上下文表示。尽管他们的成功，CNN和RNN的模型在以前的研究遭受自己的缺点。虽然基于CNN的模型在建模文本中的长依赖关系方面很弱，但基于RNN的模型由于无法并行计算而在训练和推理方面很慢。针对这些问题，本文提出了一种新的文本编码器模型，将卷积网络和自注意网络相结合，对文本中的局部和全局交互进行建模。由于不同的词、句子和评论对用户和项目表示的重要性不同，我们通过对句子进行词编码，在句子层、评论层和用户/项目层分层构建评论模型，对评论的句子进行编码，以及对用户和项目表示的评论进行编码。在Amazon Product Benchmark上的实验表明，与现有的基于评论的推荐模型相比，我们的模型可以获得更好的性能。
2020-11-26 cs.IR
A Review-Driven Neural Model for Sequential Recommendation
在电子商务中，为购买的商品撰写评论是表达用户意见的一个独特渠道。最近，已经提出了许多基于深度学习的解决方案，通过利用用户评论进行评级预测。相比之下，很少有人尝试将用户评论所覆盖的语义信号用于协同过滤任务。在本文中，我们提出了一个新的评论驱动的神经顺序推荐模型（RNS），考虑用户的内在偏好（长期）和顺序模式（短期）。详细地说，RNS被设计成用从评论中提取的方面感知表示来编码每个用户或项目。给定一个用户的历史购买项目的序列，我们设计了一个新的层次注意力机制注意力机制，以捕捉在工会和个人级别的序列模式。在三个不同领域的真实数据集上的实验表明，RNS比最新的最先进的顺序推荐模型获得了显着的性能改善。
2019-07-01 cs.IR
Do Reviews Matter for Recommendations in the Era of Large Language Models?
本文研究了在大语言模型时代，文本评论对推荐系统的影响，通过比较深度学习和LLM方法，发现LLMs在数据稀疏和冷启动条件下表现更优，且移除评论不影响推荐准确性。
2025-12-15 cs.IR
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题，提出以评论为中心的对比对齐框架ReCAFR，通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示，在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
A Review on Recommendation Systems: Context-aware to Social-based
互联网用户的数量迅速增长，吸引了公司和合作机构充分利用推荐基础设施。因此，在线广告公司出现，以帮助我们在众多项目和用户的存在。即使作为用户，您也可能发现自己被一组您认为可能需要的项目淹没，但您不确定是否应该尝试它们。这些项目可以是在线服务，产品，地点，甚至是一个人的友谊。因此，我们需要推荐系统来铺平道路，帮助我们做出正确的决定。本文综述了传统推荐系统、推荐系统评价和度量、上下文感知推荐系统和基于社会的推荐系统。虽然很难在一篇简短的综述文章中包含所有信息，但我们试图对推荐系统的基本要素进行介绍性综述。有关各章的更详细的资料将在相应的参考文献中找到。为了以不同的方式解释这个概念，我们提供了幻灯片，可在https://www.slideshare.net/MahdiSeyednejad/recommender-systems-97094937上获得。
2018-11-28 cs.IR cs.SI
