Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation
针对下一篮推荐忽视价格及商品—购物篮—用户交互建模不足的问题，提出BDHH动态异构超图方法，利用价格关系图与购物篮引导增强网络提升推荐准确率。
2024-09-18 cs.IR
Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping
University of Amsterdam（阿姆斯特丹大学）
提出下一个新篮子推荐任务及双向transformer模型BTBR，通过多种掩码与物品-篮子交换策略直接建模物品相关性，大幅提升仅含新物品篮子的推荐性能。
2023-08-02 cs.IR cs.LG
SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；T-Bank（T银行）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
针对下一购物篮推荐中物品组合复杂且深度学习表现不佳的问题，提出SAFERec算法，通过融合物品频率信息增强Transformer架构，在多个数据集上显著优于基线方法。
2024-12-20 cs.AI cs.IR
[RE] Modeling Personalized Item Frequency Information for Next-basket Recommendation
本文复现并扩展了基于个性化商品频率的TIFU-KNN下一篮推荐模型，通过多数据集与多指标验证其优于基线，并引入β-VAE架构，同时分析了公平性与小购物篮挑战。
2024-02-27 cs.IR
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications（北京邮电大学）；Renmin University of China（中国人民大学）
下一个购物篮推荐是市场购物篮分析中的一个重要环节，其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看，一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此，一个理想的推荐系统应该代表一个项目，考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示，其在所有事务之间是不变的，因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发，我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示（IERT）。在离线阶段，IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段，预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味，以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT的性能优于现有的基线方法，证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Airbnb, Inc（爱彼迎公司）；UC San Diego（加州大学圣地亚哥分校）；Walmart Labs（沃尔玛实验室）
购物篮内推荐减少了用户的探索时间，其中用户对购物篮的意图很重要。购物篮的意图可以从用户-物品协同过滤信号和多物品相关性两者中检索。通过定义一个篮子实体来表示篮子意图，我们可以将此问题建模为User-Basket-Item~（UBI）图中的篮子项目链接预测任务。以前的工作解决了这个问题，同时利用用户的项目交互和项目的项目交互。然而，以往研究的总体性和异质性特征很少。集体定义了每个节点的语义，这些节点应该从直接和间接连接的邻居聚合。异质性来自UBI图中的多类型交互以及多类型节点。为此，我们提出了一个新的框架命名为\textbf{BasConv}，这是基于图卷积神经网络。我们的BasConv模型有三种类型的聚合器，专门为三种类型的节点设计。它们共同从邻域和高阶上下文学习节点嵌入。此外，聚合器中的交互层可以区分不同类型的交互。在两个真实数据集上的大量实验证明了BasConv的有效性。我们的代码可在https://github.com/JimLiu96/basConv上获得。
2020-05-08 cs.IR cs.LG
Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation
针对下一购物篮推荐中的重复偏差，本文提出模型无关的后处理优化算法，在提升多样性与商品公平性的同时缓解重复推荐，并在三个真实数据集上验证有效。
2025-01-10 cs.IR
CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
CASE通过分离物品级节奏学习与跨物品交互，实现显式日历时间建模，提升大规模下篮回购推荐的精度、召回和NDCG。
2026-04-24 cs.IR cs.LG
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation
Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University（华中师范大学人工智能与教育新形态实验室）；School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院）；School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
本文提出TIDE模型，通过时间区间解耦专家架构和傅里叶时间编码，解决下篮推荐中习惯与探索的冲突问题，提升推荐效果。
2026-05-01 cs.IR
Robust Basket Recommendation via Noise-tolerated Graph Contrastive Learning
本文提出购物篮推荐框架BNCL，通过超图建模购物篮行为，并利用跨行为与行为内对比学习及一致性感知增强抑制多源噪声，在三个交易数据集上验证了其有效性。
2023-12-01 cs.IR
Mitigating Frequency Bias in Next-Basket Recommendation via Deconfounders
Walmart Global Tech（沃尔玛全球科技）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Indeed
最近的下一个购物篮推荐（NBR）的研究取得了很大的进展，利用个性化的项目频率（PIF）的主要特征之一，它衡量用户的互动与项目的频率。然而，将PIF作为显式特征会导致对频繁项的偏见。用户频繁购买的项目在基于PIF的推荐系统中被分配更高的权重，并且更频繁地出现在个性化推荐列表中。结果，系统将失去用户频繁购买的物品和用户从不购买的物品之间的公平和平衡。我们将这种个性化推荐列表的系统偏差称为频率偏差，它缩小了用户的浏览范围，降低了系统的效用。我们采用因果推理理论来解决这个问题。考虑到历史购买对用户未来兴趣的影响，用户和物品表示可以被视为因果图中的未观察到的混杂因素。在本文中，我们提出了一个deconfounder模型命名为FENDER（频率感知Deconfounder下一个篮子推荐），以减轻频率偏差。利用我们提出的去混淆理论和因果图，FENDER用神经张量层分解PIF，以获得用户和项目的替代混淆因素。然后，FENDER考虑这些替代混杂因素的影响，执行无偏倚的建议。实验结果表明，与三个数据集上的十个基线模型相比，FENDER获得了多样化和公平的结果，同时实现了具有竞争力的性能。进一步的实验说明了FENDER如何平衡用户的历史购买和潜在兴趣。
2022-11-16 cs.IR cs.LG
T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
T-REX通过基于Transformer的类别序列生成方法，解决在线杂货推荐中重复购买模式和复杂物品关系的挑战，提升推荐准确性。
2026-02-23 cs.IR cs.LG
Beyond Ranking Accuracy: Evaluating LLM-Cited Feature Rationales for Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
该研究针对下一个购物篮回购推荐，探究LLM作为独立推荐器的可行性，发现其排序能力不及监督排序器，但可作为经验证的解释组件，且理由质量需与排序准确率分开评估。
2026-09-01 cs.AI cs.IR
Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation?
本文针对下一篮推荐中超越准确性指标优化不足的问题，提出即插即用的TREx框架，将重复物品与探索物品分开处理，在保持高准确性的同时提升公平性与多样性，并反思现有评估范式的局限性。
2024-05-02 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
A Systematical Evaluation for Next-Basket Recommendation Algorithms
本文针对下一购物篮推荐（NBR）算法缺乏统一评估的问题，在相同数据集和实验设置下系统性地比较了多种代表性NBR算法的性能，为未来研究提供了统一的公平评估框架与参考。
2023-11-24 cs.IR
Learning to Counterfactually Explain Recommendations
ByteDance（字节跳动）
推荐系统从业者面临着越来越大的压力来解释推荐。我们探索如何使用反事实逻辑来解释建议，即“如果您没有与以下项目交互，我们不会推荐它。“与传统的解释逻辑相比，反事实解释更容易理解，技术上更可验证，并且在让用户控制推荐方面更具信息性。生成这种解释的主要挑战是计算成本，因为它需要反复重新训练模型，以获得由于缺乏用户历史而导致的推荐效果。我们提出了一个基于学习的框架，以产生反事实的解释。其核心思想是训练一个代理模型，以了解删除用户历史子集对推荐的影响。为此，我们首先在删除历史子集后人工模拟建议的反事实结果。然后我们训练一个代理模型来学习历史删除和由删除引起的推荐的相应变化之间的映射。最后，为了生成解释，我们找到最有可能删除推荐的代理模型预测的历史子集。通过离线实验和在线用户研究，我们表明，我们的方法相比，基线，可以生成更反事实有效，更令人满意的用户认为的解释。
2023-02-08 cs.AI
TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning
University of Electronic Science and Technology of China（电子科技大学）；University of Macau（澳门大学）
针对多模态推荐系统中数据删除影响不均匀的问题，提出TRU框架，通过层级化干预实现更高效的去学习，提升保留与遗忘的平衡。
2026-09-02 cs.AI
An Algorithm for Recommending Groceries Based on an Item Ranking Method
Praxis Business School（Praxis商学院）
本研究提出一种新的网上购物推荐系统算法。该算法是基于这样的观点，因为杂货物品通常是批量购买的，杂货推荐系统应该能够批量推荐物品。该算法根据添加到篮子中的物品计算出用户可能烹饪的菜肴，并相应地推荐配料。我们的算法不依赖于用户评分。顾客通常没有耐心对他们购买的食品进行评价。因此，需要设计不依赖于用户评级的算法。该算法不使用蛮力搜索，而是将搜索空间限制为仅几个可能的食物类别的集合。每一种食物又分为几个小类。例如，“炒饭”和“印度香饭”是属于食物类别“米饭”的食物子类别。对于每个食品类别，项目根据它们如何区分食品子类别进行排名。对于激活的搜索空间中的每个食物子类别，该算法附加一个分数。分数是根据添加到篮子中的项目的排名计算的。一旦分数超过阈值，其对应的子类别将被激活。然后，该算法使用一个篮子食谱相似性措施，以确定最好的食谱匹配内激活的子类别。这在很大程度上减小了搜索空间。我们可以说，该算法在某种意义上类似于基于内容的推荐系统，但它不受限制的内容，过度专业化，或新用户的问题。
2021-05-03 cs.IR cs.LG
On the Effectiveness of Unlearning in Session-Based Recommendation
Shandong University（山东大学）；Leiden University（莱顿大学）
针对会话推荐中遗忘效果不佳的问题，提出SRU框架，通过子模型划分与注意力聚合，结合三种额外删除策略，提升遗忘效率与推荐性能。
2023-12-22 cs.AI cs.IR
Neural Network Based Next-Song Recommendation
National Chiao Tung University（台湾交通大学）；Academia Sinica（中央研究院）
最近，考虑购买物品之间的顺序关系的下一个物品/购物篮推荐系统引起了研究者的关注。序列模式的使用已经提高了几种推荐任务的性能。受自然语言处理（NLP）技术的启发，本文提出了一种基于神经网络（NN）的下一首歌曲推荐系统CNN-rec。然后，我们比较了所提出的系统与几个神经网络为基础的和经典的推荐系统的下一首歌曲推荐任务。验证结果表明，所提出的系统优于经典系统，并具有可比的性能与国家的最先进的系统。
2016-06-24 cs.AI cs.IR cs.LG
Spectral Biclustering-Driven Scalability for Post-Hoc Explainability in Recommender Systems
School of Engineering, CUNEF Universidad（CUNEF大学工程学院）；School of Civil Engineering, Universidad Politécnica de Madrid（马德里理工大学土木工程学院）
研究推荐系统事后可解释性的可扩展性问题，提出用谱双聚类驱动的块删除诊断框架，通过对用户和项目分组并删除交互块减少重新训练次数，在两种推荐范式和两个数据集上评估，揭示推荐对交互块的敏感性及用户段差异，提供实用分析框架。
2026-07-22 cs.IR
Global-Local Item Embedding for Temporal Set Prediction
Naver R&D Center（Naver研发中心）；NAVER CLOVA；NAVER AI LAB（NAVER AI实验室）
时间集预测正变得越来越重要，因为许多公司在其在线业务中采用推荐系统，例如，购物篮的个性化购买预测。虽然以前的大多数技术都集中在利用用户的历史，但将其与其他人的历史相结合的研究仍然具有未开发的潜力。本文提出了全局-局部项目嵌入（GLOIE），学习利用整个用户以及在一个用户的名称作为全局和局部信息，以区分两个时间模式的时间属性集。GLOIE使用变分自编码器（VAE）和基于动态图的模型来捕获全局和局部信息，然后应用注意力来整合结果项嵌入。此外，我们建议将Tweedie输出用于VAE的解码器，因为它可以很容易地对零膨胀和长尾分布进行建模，这比高斯或多项式更适合于几种真实世界的数据分布。当在三个公共基准上进行评估时，我们的算法在大多数排名指标中始终优于以前的最先进的方法。
2021-09-05 cs.IR cs.LG
Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context
Walmart Global Tech（沃尔玛全球技术）
针对食品杂货顾客的跨品类一般商品推荐问题，提出融合 LLM 检索、购物篮分析与实时购物车上下文排序的 XP 两阶段框架，在线 A/B 测试中显著提升加购率。
2025-09-29 cs.AI cs.IR
Proximity Graph Maintenance for Fast Online Nearest Neighbor Search
近似最近邻（ANN）搜索是用于（例如，）推荐系统的部署。最近的研究使基于邻近图的方法引起了从业者的注意-基于邻近图的方法优于其他解决方案，如量化，哈希和基于树的ANN算法家族。在当前的推荐系统中，随着用户和项目的动态变化，数据点的插入、删除和查询以在线方式流入系统。由于邻近图是通过将数据点作为新顶点插入到图中来增量地构造的，因此邻近图很好地支持在线插入和查询。然而，一个数据点的删除会导致删除一个顶点从邻近图索引，而没有适当的图索引更新机制在以前的研究中讨论。为了解决这个问题，我们提出了一个增量邻近图维护（IPGM）算法的在线人工神经网络。IPGM支持顶点删除和插入的邻近图。给定一个顶点删除请求，我们彻底调查的解决方案，以更新顶点的连接。建议的更新方案消除了性能下降的在线人工神经网络方法上的邻近图，使算法适用于实际系统。
2022-06-22 cs.IR
Variational Bayesian Context-aware Representation for Grocery Recommendation
University of Glasgow（格拉斯哥大学）
杂货推荐是一种重要的推荐用例，其目的是根据用户的购物历史来预测用户将来可能选择购买哪些物品。然而，现有的方法只表示每个用户和项目的单确定性点在一个低维连续空间。此外，这些方法中的大多数都是通过使用简单的基于Skip-gram的公式最大化同现可能性来训练的，这限制了它们嵌入的表达能力和由此产生的推荐性能。在本文中，我们提出了变分贝叶斯上下文感知表示（VBCAR）模型的杂货店推荐，这是一种新的变分贝叶斯模型，学习用户和项目的潜在向量，利用购物篮上下文信息，从过去的用户-项目交互。我们训练我们的VBCAR模型的基础上的贝叶斯Skip-gram框架加上摊销变分推理，使它可以学习更多的表达潜在的表示，集成了非线性和贝叶斯行为。在一个大型的真实世界杂货推荐数据集上进行的实验表明，我们提出的VBCAR模型可以显着优于现有的最先进的杂货推荐方法。
2019-10-29 cs.IR cs.LG
A Self-Correcting Sequential Recommender
针对误点击和遗漏物品导致的交互序列噪声问题，本文提出 STEAM，通过逐物品保留、删除、插入及两种自监督校正机制联合训练推荐器，在三个真实数据集上优于现有基线。
2023-04-21 cs.IR
Retrieval-Augmented Purifier for Robust LLM-Empowered Recommendation
The Hong Kong Polytechnic University（香港理工大学）
本文提出RETURN框架，通过检索外部协同信号净化被投毒的用户画像，以即插即用方式增强LLM推荐系统鲁棒性，并在三个数据集上验证其有效性。
2025-04-03 cs.AI cs.IR
Privacy Preserving Inference of Personalized Content for Out of Matrix Users
Institute for Clarity in Documentation（清晰文档研究所）；Inria Paris-Rocquencourt（巴黎-rocquencourt研究所）；Rajiv Gandhi University（拉贾夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒姆研究实验室）；Stanford University（斯坦福大学）
本文提出 DeepNaniNet，一种基于归纳图架构和 BERT 文本嵌入的隐私保护推荐框架，通过“内容篮子”用户表示与自编码器泛化策略解决冷启动问题，并在 CiteULike 和 AnimeULike 数据集上取得领先性能。
2025-08-12 cs.AI cs.IR cs.LG
Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems
本文指出现有推荐系统去学习基准脱离实际，提出涵盖多任务和真实场景的新基准设计期望，并通过初步实验验证定制去学习算法在序列推荐中显著优于通用算法且延迟极低。
2025-09-18 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet（圣菲-锥形研究所）
本文提出一种新颖的价值感知推荐方法，同时解决用户-物品数据的高维性和稀疏性问题，并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中，并基于此计算客户相似性，支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
A Universal Sets-level Optimization Framework for Next Set Recommendation
针对下一个集合推荐现有方法目标函数局限于单物品比较、忽略集合依赖与多样性的问题，提出基于SDPP的通用集合级优化框架SNSRec，在真实数据集上的相关性与多样性表现均优于现有方法。
2024-10-30 cs.IR
EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation
Carleton University（卡尔顿大学）
EviSnap通过证据引用生成可信解释，提升冷启动跨领域推荐系统的可解释性与准确性，实验显示其优于现有基线方法。
2026-01-09 cs.AI cs.IR
Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
NVIDIA（英伟达）
本文提出部署于Allegro平台的AlleCompanion检索框架，结合类别约束双塔架构与多源互补类别映射ComCat，过滤共购噪声，提升互补推荐效果，服务超2000万活跃用户并带动GMV增长。
2026-09-07 cs.AI cs.IR cs.LG
Many-to-one Recurrent Neural Network for Session-based Recommendation
EURECOM（欧洲通信学院）；Amadeus SAS（艾玛迪斯公司）
本文介绍了D2KLab团队对RecSys Challenge 2019的方法，该方法侧重于根据用户会话推荐住宿的任务。当一个人说“酒店的房间很大，员工很友好，效率很高”时，他是什么感觉？它是积极的。类似于一个句子中的单词序列，人们可以确认感觉是什么，分析用户在网站上执行的一系列动作可以预测用户在购物会话结束时将添加到他的购物篮中的物品。我们建议使用一个多对一的循环神经网络，学习的概率，用户将点击一个住宿的基础上，他在浏览会话期间执行的动作序列。更具体地说，我们将基于规则的算法与门控递归单元RNN相结合，以便对显示给用户的住宿列表进行排序。我们在验证集上优化了RNN，调整了超参数，如学习率，批量大小和适应嵌入大小。这种与情感分析任务的类比给出了有希望的结果。然而，它在训练阶段的计算要求很高，需要进一步调整。
2020-08-25 cs.IR cs.LG stat.ML
Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年，仅在亚马逊，网络用户每秒订购73件商品，并对他们的消费体验做出大量评论。随着Web的成熟，变得社会化和参与性，协作过滤器是搜索有关人员，事件和产品的在线信息的基本补充。在Web 2.0中，连接的消费者创建的不仅仅是内容（例如评论），而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是，它促进了互联消费者更有效地搜索和浏览复杂的网络，并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实，在计算机和营销研究的相关研究，以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上，我们描述了一个分类的推荐系统的基础上两个家庭的标准：如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号，并作为一个桥梁，在商业和营销文献的相关问题。我们的分析集中在一对一营销，基于网络的营销，网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下，建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
Model-agnostic post-hoc explainability for recommender systems
School of Civil Engineering, Universidad Politécnica de Madrid（马德里理工大学土木工程学院）；School of Engineering, CUNEF University（CUNEF大学工程学院）
本研究针对推荐系统因深度学习降低可解释性的问题，提出并评估了模型无关的删除诊断方法，通过比较缺失特定数据训练的模型性能来量化影响，在NCF和SVD模型及MovieLens等数据集上验证了其通用性。
2025-09-12 cs.IR cs.LG
