Personalized Image Editing in Text-to-Image Diffusion Models via Collaborative Direct Preference Optimization
Virginia Tech（弗吉尼亚理工大学）
本文提出协作直接偏好优化（C-DPO）框架，通过动态偏好图与图神经网络实现用户个性化嵌入，并整合到DPO目标中，使扩散模型的图像编辑更符合个体审美偏好，实验证明其优于基线方法。
2025-11-06 cs.AI cs.CV
Content Filtering Enriched GNN Framework for News Recommendation
了解准确的用户和新闻表征是新闻推荐的关键。尽管取得了很大的进步，现有的方法似乎有很强的偏见，内容表示或只是捕捉协同过滤关系。然而，这些方法可能会受到数据稀疏性问题（用户-新闻交互行为稀疏性问题）的影响，或者可能会受到高流行度新闻（或用户）的影响。在本文中，为了解决这些限制，我们提出了内容过滤丰富的GNN框架的新闻推荐，ConFRec在短。它与现有的基于GNN的新闻推荐方法兼容，可以同时捕获协作和内容过滤信息。在真实新闻推荐数据集上进行了全面的实验，以证明ConFRec在新闻推荐基线模型上的有效性。
2021-10-25 cs.IR
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征，而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架，即用于基于会话的推荐的邻域增强和时间感知推荐机（NETA）。首先，我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后，我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示，特别是单独考虑会话之间的时间新近性;最后，我们设计了一个简单的合作，注意力机制，以确定预测下一个项目时，互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
Unveiling Contrastive Learning's Capability of Neighborhood Aggregation for Collaborative Filtering
本文通过理论推导揭示对比学习目标的梯度下降等价于图卷积，证实其邻域聚合能力，提出LightCCF方法优化正样本选择，在稀疏数据集上提升训练效率与推荐准确率。
2025-04-14 cs.IR
Collaborative Memory Network for Recommendation Systems
推荐系统在现代在线平台中保持用户对个性化内容的参与方面发挥着至关重要的作用。深度学习已经彻底改变了许多研究领域，最近人们对将其应用于协同过滤（CF）的兴趣激增。然而，现有的方法组成深度学习架构与潜在因素模型忽略了CF模型，邻域或基于记忆的方法的主要类别。我们提出了协作记忆网络（CMN），一个深层的架构，以统一的两类CF模型利用潜在因素模型的全球结构和局部邻域为基础的结构在一个非线性的方式的优势。受记忆网络成功的启发，我们融合了记忆组件和神经注意力机制作为邻域组件。在存储器模块中具有用户和项目存储器的关联寻址方案编码与神经注意力机制耦合的复杂用户-项目关系，以学习用户-项目特定邻域。最后，输出模块联合利用用户和项目记忆的邻域来产生排名分数。将多个存储器模块堆叠在一起产生更深的架构，捕获日益复杂的用户-项目关系。此外，我们显示CMN组件，记忆网络和三类CF模型之间的强连接。综合实验结果表明，CMN在三个公共数据集上的有效性优于竞争基线。注意力权重的定性可视化提供了对模型推荐过程的深入了解，并表明存在高阶交互。
2018-06-21 cs.IR
Collaborate to Adapt: Source-Free Graph Domain Adaptation via Bi-directional Adaptation
National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；Zhejiang Lab（之江实验室）；Hangzhou Yugu Technology Co., Ltd.（杭州玉谷科技有限公司）
针对无法访问有标签源图的无监督图域适应问题，提出 GraphCTA 范式，通过模型适应与图适应的双向协作循环提升目标图性能，并在多个数据集上显著优于无源基线。
2024-03-03 cs.AI cs.LG
Graph-based Alignment and Uniformity for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（赛富时人工智能研究院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Electronic Science and Technology of China（电子科技大学）
针对超球面表示学习在推荐系统中的稀疏性问题，提出GraphAU，利用二部图高阶邻域聚合与分层对齐池化提升性能并达到最先进水平。
2023-08-18 cs.AI cs.IR cs.LG
A Complex Network Approach for Collaborative Recommendation
协同过滤（CF）是个性化服务推荐中使用最广泛和最成功的方法。在协同推荐方法中，基于邻域的方法由于其简单性、可扩展性、高效性和稳定性而受到广泛的欢迎。基于邻域的协同过滤方法找到K个最近的邻居到一个活跃的用户或K个最相似的评价项目的目标项目的推荐。传统的相似性度量使用共同评级项目的评级来找到一对用户之间的相似性。因此，传统的相似性度量不能计算有效的邻居在稀疏数据集。在本文中，我们提出了一个两阶段的方法，在第一阶段使用传统的相似性度量生成用户-用户和项目-项目网络。在第二阶段，引入了两种混合方法HB 1，HB 2，它们利用网络的结构相似性来找到K个最近邻居和K个与目标项最相似的项。为了显示措施的有效性，我们比较了性能的邻域为基础的CF使用国家的最先进的相似性措施与我们提出的结构相似性措施为基础的CF。一组真实数据的推荐结果表明，建议的措施为基础的CF在各种评价指标优于现有的措施为基础的CF。
2015-10-02 cs.IR
Revisiting Neighborhood-based Link Prediction for Collaborative Filtering
Carnegie Mellon University（卡内基梅隆大学）；Snap Inc.（Snap公司）
协同过滤是推荐系统中最成功和最基本的技术之一。近年来，基于图神经网络（GNN）的CF模型，如NGCF [31]，LightGCN [10]和GTN [9]取得了巨大的成功，并显着推进了最先进的技术水平。虽然有丰富的文献，这些作品使用先进的模型分别学习用户和项目表示，项目推荐本质上是用户和项目之间的链接预测问题。此外，虽然已经有早期的作品采用链接预测的协同过滤[5，6]，这种趋势在很大程度上已经让位于集中于从用户和项目节点聚合信息的作品，而不是直接建模链接。在本文中，我们提出了一个新的链接（连通性）评分的二分图，推广多个标准的链接预测方法。我们结合这个新的分数与用户-项目交互二分图中的迭代度更新过程来利用局部图结构，而无需任何节点建模。结果是一个简单的非深度学习模型，只有六个可学习的参数。尽管它很简单，但我们证明了我们的方法在四个广泛使用的基准测试中显着优于现有的最先进的基于GNN的CF方法。特别是，在亚马逊图书上，我们展示了召回和NDCG的60%以上的改进。我们希望我们的工作将邀请社区重新审视协同过滤的链接预测方面，通过将链接预测与项目推荐对齐，可以实现显着的性能增益。
2022-03-29 cs.IR cs.LG
Investigating Accuracy-Novelty Performance for Graph-based Collaborative Filtering
近年来，基于图的协同过滤（CF）推荐系统模型具有很高的准确性。这些基于图的协同过滤模型将用户与物品的交互行为视为一个图，借鉴了图神经网络（GNN）的成功经验，通过迭代进行邻域聚合来传播协作信号。虽然传统的CF模型是众所周知的，面临的挑战，流行的偏见，有利于流行的项目，人们可能会问“是否现有的基于图的CF模型减轻或加剧流行偏见的推荐系统？“为了回答这个问题，我们首先研究了w.r.t.准确性和新颖性为现有的基于图的CF方法。实验结果表明，大多数基于图的CF模型采用的对称邻域聚合加剧了流行度偏差，并且这种现象随着图传播深度的增加而变得更加严重。此外，我们从理论上分析了基于图的CF流行偏见的原因。然后，我们提出了一个简单而有效的插件，即r-numerNorm，通过控制邻域聚合过程中的归一化强度来实现准确性和新颖性的权衡。同时，r-RNN Norm可以平滑地应用于现有的基于图的CF骨干，而无需额外的计算。最后，在三个基准数据集上的实验结果表明，我们提出的方法可以提高新颖性，而不会牺牲各种基于图的CF骨干的准确性。
2022-04-27 cs.IR
A Unified Model for Recommendation with Selective Neighborhood Modeling
Shandong Normal University（山东师范大学）；National Innovative Institute of Defense Technology（国防科技大学创新研究院）；The University of Queensland（昆士兰大学）；Neusoft Education Technology Group（东软教育科技集团）
基于邻域的过滤器是协同过滤（CF）模型的一个主要类别。直觉是利用具有相似偏好的邻居来桥接看不见的用户-项目对并减轻数据稀疏性。许多现有的工作提出了神经注意力网络聚合邻居，并在特定的用户子集上放置更高的权重进行推荐。然而，邻域信息不一定总是有用的，并且邻域中的噪声会对模型性能产生负面影响。为了解决这个问题，我们提出了一种新的基于邻域的推荐器，其中混合门控网络被设计为自动分离相似的邻居从不同的（嘈杂的），并聚集这些相似的邻居，包括邻域表示。如果我们对邻域信息有信心，则还通过对邻域表示施加更高的权重来解决邻域中的置信度，反之亦然。此外，提出了一个用户邻居组件，明确规范用户邻居接近的潜在空间。这两个组件被组合成一个统一的模型，以互补的推荐任务。在三个公开数据集上进行的大量实验表明，该模型的性能始终优于最先进的基于邻域的分类器。我们还研究了所提出的模型的不同变体，以证明所提出的混合门控网络和用户邻居建模组件的潜在直觉。
2020-10-19 cs.AI cs.IR
Data Poisoning Attacks on Neighborhood-based Recommender Systems
Sun Yat-Sen University（中山大学）；South China University of Technology（华南理工大学）
目前，协同过滤推荐系统已被广泛应用于商业企业中以获取利润。基于邻域的协同过滤是一种常见而有效的方法。到目前为止，尽管它的有效性，有很少的努力，以探讨其鲁棒性和数据投毒攻击对其性能的影响。基于邻域的推荐系统容易被愚弄吗？为此，我们揭示了基于邻域的推荐系统的鲁棒性，并提出了一种新的数据投毒攻击框架编码的攻击目的和约束。首先给出了如何计算最优的数据投毒攻击，即UNAttack。我们注入一些精心设计的假用户的推荐系统，使目标项目将推荐给尽可能多的正常用户。在三个真实数据集上进行了大量的实验，以验证我们提出的方法的有效性和可移植性。此外，还发现了一些有趣的现象，例如：1）基于邻域的推荐系统具有很强的鲁棒性。2)虚假用户可以被转移到攻击最先进的协同过滤推荐系统，如神经协同过滤和贝叶斯个性化排名矩阵分解。
2019-12-01 cs.CR cs.IR cs.LG
Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
该研究提出神经树协同过滤（NTCF）框架，将图协同过滤重新建模为树结构并基于曲率分配节点特定传播深度，其性能优于多数GCF模型，可作为骨干集成到自监督模型中，经多数据集实验验证了优越性。
2026-08-12 cs.IR
SplitGNN: Splitting GNN for Node Classification with Heterogeneous Attention
Ant Group（蚂蚁集团）
随着隐私泄露事件的频繁发生和各国隐私法的颁布，数据所有者不愿意直接与任何其他方共享其原始数据和标签。实际上，许多原始数据都存储在图形数据库中，特别是对于金融而言。对于协作构建图神经网络（GNN），联邦学习（FL）可能不是垂直分区设置的理想选择，其中隐私和效率是主要关注点。此外，几乎所有现有的联邦GNN主要是针对同构图设计的，这将各种类型的关系简化为同一类型，从而在很大程度上限制了其性能。我们通过提出一个基于分裂学习的GNN（SplitGNN）来弥合这一差距，其中该模型分为两个子模型：局部GNN模型包括所有与私有数据相关的计算以生成局部节点嵌入，而全局模型通过聚合所有参与者的局部嵌入来计算全局嵌入。我们的SplitGNN允许孤立的异构邻域被协作利用。为了更好地捕获表示，我们提出了一种新的异构注意力（HAT）算法，并使用基于节点和基于路径的注意力机制来学习各种类型的节点和边缘的多跳关系功能。我们证明了SplitGNN在两个标准公共数据集和真实数据集的节点分类任务上的有效性。大量的实验结果验证了我们提出的SplitGNN显着优于最先进的（SOTA）方法。
2023-01-27 cs.AI cs.LG
An Integrated Recommender Algorithm for Rating Prediction
推荐系统目前广泛应用于许多电子商务系统中，如Amazon、eBay等，其目的是帮助用户找到他们可能感兴趣的商品。在文献中，基于邻域的协同过滤和矩阵分解是推荐系统中常用的两种方法。在本文中，我们结合这两种方法与个性化的权重。我们假设每个用户都有自己的偏好，而不是对这两种方法使用固定的权重。实验结果表明，该算法的性能优于基于邻域的协同过滤算法、矩阵分解算法及其组合。
2016-08-05 cs.IR cs.SI
Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning
Baidu Research, Baidu Inc.（百度研究院（百度公司））；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Tsinghua University（清华大学）
提出基于图神经网络的KnowDDI方法，利用生物医学知识图谱增强药物表示并学习知识子图，实现准确且可解释的药物相互作用预测，在基准数据集上达到最先进性能。
2024-03-19 cs.AI cs.LG
Frequency-aware Graph Signal Processing for Collaborative Filtering
Fudan University（复旦大学）；Shanghai Key Laboratory of Data Science, Fudan University（复旦大学上海市数据科学重点实验室）；Microsoft Research Asia（微软亚洲研究院）；Shanghai Institute of Intelligent Electronics & Systems, Fudan University（复旦大学上海智能电子与系统研究院）
本文提出频率感知图信号处理方法FaGSP，通过级联滤波器捕获用户/物品独特与共有特征，并行滤波器利用高阶邻域信息，结合两者提升推荐准确性与效率。
2024-02-13 cs.IR cs.LG
Text Enriched Sparse Hyperbolic Graph Convolutional Networks
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）
异构网络连接包含具有不同边缘类型的文本的信息节点，通常用于存储和处理各种现实世界应用中的信息。图神经网络（GNN）及其双曲变体分别通过邻域聚合和分层特征提取提供了一种有前途的方法来在低维潜在空间中对此类网络进行编码。然而，这些方法通常忽略元路径结构和可用的语义信息。此外，这些方法对训练数据中存在的噪声敏感。为了解决这些局限性，在本文中，我们提出了文本丰富的稀疏双曲图卷积网络（TESH-GCN），使用语义信号捕获图的元路径结构，并进一步提高对大型异构图的预测。在TESH-GCN中，我们提取语义节点信息，它依次作为连接信号，从重构的双曲图卷积层的稀疏邻接张量中提取相关节点的局部邻域和图级元路径特征。这些提取的特征与来自语言模型的语义特征（为了鲁棒性）一起用于最终的下游任务。在各种异构图数据集上的实验表明，我们的模型在链接预测的任务上大大优于当前最先进的方法。我们还报告了减少训练时间和模型参数相比，现有的双曲线的方法，通过重新制定的双曲线图卷积。此外，我们通过在图结构和文本中实验不同级别的模拟噪声来说明我们的模型的鲁棒性，并且通过分析提取的元路径来解释TESH-GCN的预测。
2022-07-07 cs.IR cs.LG cs.SI
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon（亚马逊）；The Ohio State University（俄亥俄州立大学）；École de Technologie Supérieure（高等技术学院）；University of Minnesota（明尼苏达大学）
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查，基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处，描述了关键的设计选择实现一个基于邻居的推荐系统，并给出了实际的信息，如何使这些选择。本章涵盖了广泛的方法，包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
User Embedding based Neighborhood Aggregation Method for Inductive Recommendation
Microsoft Research India（微软印度研究院）
我们考虑在推荐设置中学习用户和项目的潜在特征（aka嵌入）的问题。只给出一个用户-项目交互图，目标是为每个用户推荐项目。传统的方法采用基于矩阵分解的协同过滤方法。最近的使用图卷积网络的方法（例如，LightGCN）实现最先进的性能。他们学习用户和项目嵌入。大多数现有方法的一个主要缺点是它们不是归纳的;它们不能概括在训练过程中看不到的用户和项目。此外，现有的网络模型相当复杂，难以训练和规模。受LightGCN的启发，提出了一种协同过滤CF-GCN的图卷积网络建模方法。我们只学习用户嵌入，并使用执行邻域聚合的轻变体CF-LGCN-U导出项目嵌入，由于降低了模型复杂度，因此具有可扩展性。CF-LGCN-U模型自然具有对新项目的归纳能力，我们提出了一个简单的解决方案来推广新用户。我们展示了所提出的模型是如何与LightGCN相关的。作为副产品，我们提出了一个简单的解决方案，使LightGCN感应。我们在几个基准数据集上进行了全面的实验，并证明了所提出的方法的能力。实验结果表明，类似的或更好的泛化性能是实现比最先进的方法在两个转导和归纳设置。
2021-02-16 cs.IR cs.LG
Boosting Simple Collaborative Filtering Models Using Ensemble Methods
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在本文中，我们将研究集成学习的协同过滤方法的性能的影响。我们提出了几个系统的方法来生成一个合奏的协同过滤模型的基础上，一个单一的协同过滤算法（单模型或同质合奏）。我们提出了一个适应机器学习中的几个流行的集成技术的协同过滤域，包括装袋，助推，融合和随机注入。我们评估所提出的方法上的几种类型的协同过滤基础模型：k- NN，矩阵分解和邻域矩阵分解模型。经验评估表明，预测的改善相比，所有的基础CF算法。特别是，我们表明，与单个强CF模型（如矩阵分解）相比，简单（弱）CF模型（如k-NN）的集合的性能具有竞争力，同时需要一个数量级的计算成本。
2012-11-13 cs.IR cs.LG stat.ML
Explore User Neighborhood for Real-time E-commerce Recommendation
Center for Data Science, Peking University（北京大学数据科学中心）；Alibaba Group（阿里巴巴集团）
推荐系统在现代在线服务中发挥着至关重要的作用，例如亚马逊和淘宝。传统的个性化方法主要关注用户-项目（UI）关系，由于其高效性和有效性，在工业环境中得到了广泛的应用。尽管他们的成功，我们认为，这些方法忽略了本地信息隐藏在类似的用户。为了解决这个问题，基于用户的方法利用相似的用户关系，在本地的角度进行推荐。然而，传统的基于用户的方法，如userKNN和矩阵分解，是难以部署在实时的应用，因为这样的转导模型必须重新计算或重新训练与任何新的交互。为了克服这一挑战，我们提出了一个框架称为自互补协同过滤~（SCCF），它可以作出建议与全球和本地的信息在实时的。一方面，它利用UI关系和用户邻域来捕获全局和局部信息。另一方面，它可以识别相似的用户为每个用户在实时的通过推断用户表示的飞行与归纳模型。该框架可以无缝地集成到现有的归纳UI方法中，并受益于用户邻域，只需很少的额外计算。这也是在实时的设置中应用基于用户的方法的第一次尝试。通过在4个公开数据集上的大量离线实验以及在淘宝网上的大规模在线A/B测试，验证了SCCF的有效性和效率。
2021-02-28 cs.AI cs.IR
Collaborative Similarity Embedding for Recommender Systems
我们提出了协作相似性嵌入（CSE），一个统一的框架，利用全面的合作关系，可在用户项二分图的表示学习和推荐。在该框架中，我们区分两种类型的邻近关系：直接邻近和k阶邻域邻近。虽然从前者学习利用从图中可观察到的直接用户-项目关联，但从后者学习利用隐式关联，例如用户-用户相似性和项目-项目相似性，这可以提供有价值的信息，特别是当图稀疏时。此外，为了提高可扩展性和灵活性，我们提出了一种采样技术，专门设计用于捕获两种类型的邻近关系。在八个基准数据集上的大量实验表明，CSE比最先进的推荐方法具有更好的性能。
2019-02-19 cs.IR cs.SI
Neighborhood Troubles: On the Value of User Pre-Filtering To Speed Up and Enhance Recommendations
在本文中，我们提出的工作进展应用用户预过滤，以加快和增强基于协同过滤的建议。我们建议预过滤用户，以提取一组较小的候选邻居，谁表现出大量的重叠实体，并计算最终的用户相似性，基于此设置。为了实现这一点，我们利用高性能的搜索引擎Apache Solr的功能，并将它们集成到一个可扩展的推荐系统。我们已经在从Foursquare收集的数据集上评估了我们的方法，我们的评估结果表明，我们提出的用户预过滤步骤可以帮助实现更好的运行时性能以及整体推荐准确性的提高。
2018-08-20 cs.IR
CityHood: An Explainable Travel Recommender System for Cities and Neighborhoods
本文提出 CityHood，结合 Google Places 评论与多维指标进行兴趣建模，在 CBSA 和 ZIP code 尺度提供由 LIME 与自然语言解释支持的城市及社区旅行推荐。
2025-07-24 cs.IR cs.SI
Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出DPAA框架，通过自适应嵌入感知交互加权和层间加权，缓解GNN协同过滤中的流行偏差问题，实验表明其优于现有方法。
2026-10-06 cs.IR cs.LG
Improving Collaborative Filtering Recommendation via Graph Learning
JD Logistics（京东物流）
本文通过图学习方法改进协同过滤推荐，利用图信号处理技术构建稀疏高质量图，提升计算效率并保持推荐准确性。
2025-12-15 cs.HC cs.IR
A Topology-Aware Positive Sample Set Construction and Feature Optimization Method in Implicit Collaborative Filtering
Beijing Institute of Technology（北京理工大学）
本文提出TPSC-FO方法，通过拓扑感知的正样本集构建与特征优化，提升隐式协同过滤中对用户潜在偏好的学习准确性。
2026-02-20 cs.IR
Consensus-Driven Group Recommendation on Sparse Explicit Feedback: A Collaborative Filtering and Choquet-Borda Aggregation Framework
Hanoi University of Business and Technology（河内工商大学）；Intracom University, Vietnam（越南 Intracom 大学）；Pitech lab, Hanoi, Vietnam（河内 Pitech 实验室）；Appen Data Technology, Vietnam（越南 Appen 数据技术公司）；Hai Phong University, Vietnam（越南海防大学）
本文提出一种融合协同过滤与模糊聚合的群体推荐框架，通过改进的相似度度量和Choquet积分提升稀疏反馈下的共识稳定性与公平性。
2026-01-14 cs.IR
Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation
针对现有图对比学习推荐方法中对比视图协同信息易被破坏的问题，提出CoGCL框架，通过多级向量量化生成离散码，从邻域结构和语义相关性构建强协同信息的三视图，有效提升推荐效果。
2024-12-09 cs.IR
CoBaR: Confidence-Based Recommender
University of São Paulo（圣保罗大学）
基于邻域的协同过滤算法通常对每个用户或项目采用固定的邻域大小，尽管用户组或项目组可以根据用户的偏好具有不同的长度。在本文中，我们提出了一个扩展的非个性化推荐的基础上的置信区间和层次聚类生成最佳规模的用户组。评估表明，该技术优于传统的推荐算法在四个公开可用的数据集。
2018-08-21 cs.IR cs.LG
Markov Random Fields for Collaborative Filtering
Netflix（网飞）
在本文中，我们通过高斯马尔可夫随机场（MRF）的项目之间的依赖关系，推荐给用户的协作过滤问题。我们建立在Besag的自正态参数化和伪似然的基础上，这不仅可以实现计算效率的学习，而且还将MRF和稀疏逆协方差估计与自动编码器和邻域模型（协作过滤中的两种成功方法）连接起来。我们提出了一种新的近似学习稀疏的MRF，其中的权衡精度和训练时间可以控制。与各种基线（包括深度非线性模型）相比，仅用一小部分训练时间，所提出的方法就在我们实验中使用的所有三个众所周知的数据集上实现了具有竞争力的排名准确性，特别是在具有最多项目的数据集上的准确性提高了20%。
2019-10-21 cs.IR cs.LG stat.ML
General Debiasing for Graph-based Collaborative Filtering via Adversarial Graph Dropout
针对图协同过滤中邻域聚合放大交互图偏差的问题，本文提出对抗图丢弃框架AdvDrop，通过对抗学习将邻域拆分为缓解偏差和感知偏差两个视图，并保持表示不变性，在多个数据集上实现无偏表示和性能提升。
2024-02-21 cs.IR
Position-aware Graph Transformer for Recommendation
提出PGTR框架，通过位置编码将节点位置和结构信息融入图Transformer，结合Transformer的全局建模与GCN的局部特征提取，有效捕获长程协同过滤信号，提升推荐性能并增强对稀疏性和噪声的鲁棒性。
2024-12-25 cs.IR
A Robust Hierarchical Graph Convolutional Network Model for Collaborative Filtering
Kyushu University（九州大学）
图卷积网络（GCN）已经取得了巨大的成功，并已应用于包括推荐系统在内的各个领域。然而，GCN仍然遭受许多问题，如训练困难，过度平滑，容易受到对抗攻击，等区别于目前的GCN为基础的方法，简单地采用GCN推荐，在本文中，我们致力于建立一个强大的GCN模型的协同过滤。首先，我们认为，递归地将消息从不同的顺序邻居混合不同的节点消息不可避免地，这增加了训练的难度;相反，我们选择单独聚合不同的顺序邻居消息与一个简单的GCN模型已被证明是有效的，然后我们积累在一起，在一个分层的方式，而不引入额外的模型参数。其次，我们提出了一种解决方案，以减轻过度平滑随机丢弃邻居消息在每一层，这也很好地防止过拟合，提高了鲁棒性。在三个真实数据集上的大量实验证明了该模型的有效性和鲁棒性。
2020-04-30 cs.IR cs.LG
Cross-Domain Recommendation for Cold-Start Users via Neighborhood Based Feature Mapping
协同过滤（CF）是推荐系统中广泛采用的技术。传统的CF模型主要集中在预测用户对单个领域（如电影领域或音乐领域）中的项目的偏好。这类模型面临的一个主要挑战是数据稀疏性问题，特别是CF无法对完全没有评级的冷启动用户做出准确的预测。虽然跨域协同过滤（Cross-Domain Collaborative Filtering，CDCF）算法可以有效地在不同领域之间传递用户的评分偏好，但由于数据的极端稀疏性，现有的CDCF模型仍然难以处理目标领域中的冷启动用户。在本文中，我们提出了一个跨域潜在特征映射（CDLFM）模型的冷启动用户在目标领域。首先，为了更好地刻画稀疏域中用户的特征，考虑到用户在评分行为上的相似性关系，提出了基于用户相似性的矩阵分解算法（MFUS），提出了三种相似性度量。其次，为了实现跨领域的知识转移，我们提出了一种基于邻域的梯度提升树方法来学习跨领域用户潜在特征映射函数。对于每个冷启动用户，我们学习他/她的特征映射函数的基础上的潜在特征对的那些链接的用户有相似的评级行为与冷启动用户在辅助域。根据映射函数和冷启动用户在辅助领域的潜在特征，预测冷启动用户在目标领域的偏好。从亚马逊交易数据中提取的两个真实数据集的实验结果表明，我们提出的模型对其他国家的最先进的方法的优越性。
2018-03-05 cs.IR cs.SI
On Context-Dependent Clustering of Bandits
University of Insubria（因苏布里亚大学）；University of Cambridge（剑桥大学）；IIT Kanpur（坎普尔印度理工学院）；Telefonica Research（西班牙电信研究院）；Amazon Berlin（亚马逊柏林）
我们研究了一种新的集群的强盗算法CAB的协同推荐任务，实现了底层的反馈共享机制，通过估计在上下文相关的方式用户的邻域。CAB通过将协作效应纳入推理以及以无缝交错探索-利用权衡和协作步骤的方式进行学习过程，从而与最先进的方法截然不同。我们证明了遗憾的界限下的各种假设的数据，表现出明确的依赖于预期数量的集群超过用户，一个自然的衡量统计难度的学习任务。在生产和真实世界数据集上的实验表明，CAB相对于具有代表性的最先进的方法池提供了显着提高的预测性能。
2017-02-27 cs.AI cs.IR cs.LG
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology（卡努西科技大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
随着网络信息的广泛增长，推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明，这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益，同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法，这是一种多方面的后处理偏差缓解算法，可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明，该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果，我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering
School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院）；Alibaba Group（阿里巴巴集团）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域）
基于LLM的属性增强协同过滤框架，通过拓扑连接性转换语义知识，提升协同过滤效果。
2026-02-24 cs.IR
Chiron: A Robust Recommendation System with Graph Regularizer
推荐系统已经被商业服务提供商广泛用于向用户给出建议。协同过滤（CF）系统是目前最流行的推荐系统之一，它利用聚集用户群的行为历史来提供个性化的推荐，当几乎所有用户都忠实地表达自己的意见时，协同过滤系统是有效的。然而，它们很容易受到恶意用户的影响，这些用户会偏向他们的输入，以改变特定项目组的整体评级。CF系统主要分为两类-基于邻域和基于（矩阵）因子分解-并且对抗性输入的存在会影响这两类中的推荐，导致估计和预测的不稳定性。虽然不同的协同过滤算法的鲁棒性已被广泛研究，设计一个有效的系统，是免疫操纵仍然是一个重大的挑战。在这项工作中，我们提出了一种新的“混合”推荐系统与自适应图为基础的用户/项目的相似性正则化-“凯龙”。Chiron将降维（通过因子分解）的性能优势与邻域聚类（通过正则化）的优势联系起来。我们证明，使用广泛的比较实验，凯龙星是耐操纵的大型和致命的攻击。
2016-11-15 cs.CR cs.IR
Local Collaborative Autoencoders
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）
Top-N推荐是一个具有挑战性的问题，因为复杂和稀疏的用户-项目交互应该得到充分的解决，以实现高质量的推荐结果。本地潜在因素的方法已成功地用于多个本地模型，以捕捉不同的用户偏好与不同的子社区。然而，以前的研究没有充分发掘当地模式的潜力，并未能确定许多小的和连贯的子社区。在本文中，我们提出了本地协作自动编码器（LOCA），一个广义的本地潜在因素框架。具体而言，LOCA在训练和推理阶段采用不同的邻域范围。此外，LOCA使用了一种新的子社区发现方法，最大限度地提高了覆盖率的联盟的本地模型，并采用了大量的不同的本地模型。通过采用自动编码器作为基础模型，LOCA捕获了潜在的非线性模式，这些模式代表了子社区中有意义的用户-项目交互。实验结果表明，LOCA是可扩展的，在几个公共基准测试中，LOCA的查全率和NDCG的查全率分别为2.99%~4.70%和1.02%~7.95%。
2021-03-30 cs.IR cs.LG
Graph Meets LLM: A Novel Approach to Collaborative Filtering for Robust Conversational Understanding
Amazon Alexa AI（亚马逊Alexa人工智能部门）
本文提出协同查询重写方法，通过构建用户反馈交互图并利用多跳遍历和LLM增强索引，以处理未见查询，提升对话系统的稳健性。
2023-06-19 cs.AI cs.IR cs.LG
COMET: Convolutional Dimension Interaction for Collaborative Filtering
Nanyang Technological University（南洋理工大学）；Stony Brook University（石溪大学）；The Institute of Cancer Research（英国癌症研究院）；University of Florida（佛罗里达大学）；Singapore Institute of Manufacturing Technology (SIMTech), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）新加坡制造技术研究院（SIMTech））
基于表示学习的推荐模型在推荐技术中占据主导地位。然而，现有的方法大多假设历史交互作用和嵌入维是相互独立的，从而忽略了历史交互作用和嵌入维之间的高阶交互作用信息。在本文中，我们提出了一种新的表示学习为基础的模型称为COMET（卷积维互作用），同时建模的历史相互作用和嵌入维之间的高阶相互作用模式。具体来说，COMET首先将历史交互作用的嵌入水平叠加，形成两个“嵌入图”。通过这种方式，内部相互作用和维度相互作用可以被同时具有不同大小的内核的卷积神经网络（CNN）利用。一个完全连接的多层感知器（MLP），然后应用到获得两个相互作用向量。最后，用户和项目的表示通过学习的交互向量来丰富，其可以进一步用于产生最终预测。在各种公开隐式反馈数据集上的大量实验和消融研究清楚地证明了我们所提出的方法的有效性和合理性。
2023-03-12 cs.IR cs.LG
Less is More: Reweighting Important Spectral Graph Features for Recommendation
尽管图卷积网络（GCN）在推荐系统和协同过滤（CF）中取得了巨大的成功，但其核心组件（\textit{i.e.,}邻域聚合）对推荐的作用机制还没有得到很好的研究。为了揭示GCN在推荐方面的有效性，我们首先从光谱的角度对其进行分析，并发现了两个重要的发现：（1）只有一小部分强调邻域平滑性和差异性的谱图特征有助于推荐准确性，而大多数图信息可以被认为是甚至降低性能的噪声，以及（2）邻域聚集的重复强调平滑特征并且以无效的方式滤除噪声信息。基于上述两个发现，我们提出了一个新的GCN学习计划的建议，取代neihgborhood聚合与一个简单而有效的图去噪编码器（GDE），它作为一个带通滤波器，以捕捉重要的图形功能。我们表明，我们提出的方法消除了过度平滑，可以与考虑任意跳邻域的无限层GCN相媲美。最后，我们动态调整负样本上的梯度，以加快模型训练，而不会引入额外的复杂性。在五个真实数据集上的大量实验表明，我们提出的方法不仅优于最先进的方法，而且比LightGCN实现了12倍的加速比。
2022-04-24 cs.IR
Collaborative Translational Metric Learning
POSTECH（浦项科技大学）；Oath（奥兹公司）；Microsoft Research Asia（微软亚洲研究院）
最近，基于矩阵分解的推荐方法因三角不等式违反而受到批评。虽然已经提出了几种基于度量学习的方法来克服这个问题，现有的方法通常将每个用户投影到度量空间中的单个点，因此不足以正确地建模隐式反馈中的用户-项目关系的强度和异质性。在本文中，我们提出了transCF发现这种潜在的用户项目关系体现在隐式的用户项目交互。受知识图谱嵌入推广的翻译机制的启发，利用用户和项目的邻域信息构造用户-项目特定的翻译向量，并根据用户与项目的关系将用户翻译到项目。我们所提出的方法优于几个国家的最先进的方法的前N推荐七个现实世界的数据高达17%的命中率。我们还对通过我们提出的方法学习的翻译向量进行了广泛的定性评估，以确定采用隐式基于反馈的建议的翻译机制的好处。
2019-06-04 cs.IR cs.LG stat.ML
GDSRec: Graph-Based Decentralized Collaborative Filtering for Social Recommendation
基于用户-项目交互和用户-用户社交关系生成推荐是基于web的系统中的常见用例。这些连接可以自然地表示为图结构的数据，因此利用图神经网络（GNNs）进行社会推荐已成为一个有前途的研究方向。然而，现有的基于图的方法没有考虑用户（项目）的偏差偏移。例如，来自挑剔的用户的低评级可能并不意味着对该项目的负面态度，因为用户倾向于在常见情况下分配低评级。这些统计数据应被考虑到图形建模过程中。虽然过去的一些工作考虑的偏见，我们认为，这些方法只把它们作为标量，不能捕捉隐藏在数据中的完整的偏见信息。此外，用户之间的社会联系也应该是可区分的，这样具有相似项目偏好的用户之间会有更多的影响。为此，我们提出了基于图的分散式协同过滤社交推荐（GDSRec）。GDSRec将偏差视为向量，并将其融合到学习用户和项目表示的过程中。通过分散的邻域聚集来捕获统计偏差偏移，而社会连接强度根据偏好相似性来定义，然后将其纳入模型设计中。我们在两个基准数据集上进行了大量的实验，以验证所提出的模型的有效性。实验结果表明，建议GDSRec实现优越的性能相比，国家的最先进的相关基线。我们的实现在\url{https://github.com/MEICRS/GDSRec}中可用。
2022-05-20 cs.IR
Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出PPD方法，通过估计交互级流行度并移除节点表示中的流行度成分，修正GNN协同过滤中的流行度偏差，提升推荐质量。
2026-03-15 cs.IR
Adversarial Collaborative Filtering for Free
Visa Research（维萨研究院）
针对现有对抗协同过滤缺乏理论保障、计算开销大的问题，本文提出SharpCF方法，通过引入轨迹损失实现无额外成本的对抗训练，兼具理论依据与性能优势。
2023-08-20 cs.IR cs.LG
SAHC-NS: Structure-Aware and Hardness-Calibrated Negative Sampling for Implicit Collaborative Filtering
Beijing Institute of Technology（北京理工大学）
本文针对隐式协同过滤负采样忽略跨层结构差异与候选池难度的问题，提出SAHC-NS方法，通过分层匹配分数与难度校准模块提升负采样效果，实验验证其优于现有方法。
2026-08-25 cs.IR
L^2CL: Embarrassingly Simple Layer-to-Layer Contrastive Learning for Graph Collaborative Filtering
Sun Yat-sen University（中山大学）；Platform and Content Group, Tencent（腾讯平台与内容事业群）
提出L2CL层间对比学习框架，仅用一跳对比学习捕获图结构语义，避免数据增强噪声，在五个数据集上超越现有协同过滤方法。
2024-07-19 cs.IR cs.LG
Decentralized Recommender Systems
本文提出了一个分散的推荐系统，制定流行的协同过滤（CF）模型到一个分散的矩阵完成形式的一组用户。通过这种方式，数据存储和计算是完全分布式的。每个用户只能与其邻域交换有限的信息，避免了集中式融合。该系统的优点包括保护用户隐私，以及更好的可扩展性和鲁棒性。我们将我们提出的算法与FlickerUserFavor数据集上的几种最先进的算法进行了比较，并证明了分散式算法可以获得与其他算法相比具有竞争力的性能。
2015-03-05 cs.IR
Bootstrapping User and Item Representations for One-Class Collaborative Filtering
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
单类协同过滤（OCCF）的目标是识别正相关但尚未交互的用户-项目对，其中只有一小部分正用户-项目交互（例如，用户的隐式反馈）。对于正交互和负交互之间的判别建模，大多数以前的工作在某种程度上依赖于负采样，这是指将未观察到的用户-项目对视为负，因为实际的负交互是未知的。然而，负抽样方案有严重的局限性，因为它可能会选择“积极的，但未观察到的”对作为负。本文提出了一种新的OCCF框架，命名为BUIR，它不需要负采样。为了使正相关用户和项目的表示彼此相似，同时避免崩溃的解决方案，BUIR采用了两个相互学习的不同编码器网络;第一个编码器被训练来预测第二个编码器的输出作为其目标，而第二个编码器通过缓慢地近似第一个编码器来提供一致的目标。此外，BUIR通过对编码器输入应用随机数据增强，有效地解决了OCCF的数据稀疏问题。基于用户和项目的邻域信息，BUIR在每次编码时随机生成每个积极交互的增强视图，然后通过这种自我监督来进一步训练模型。我们广泛的实验表明，BUIR一致和显着优于所有的基线方法的大幅度，特别是对于稀疏的数据集，其中任何关于负相互作用的假设是不太有效的。
2021-05-13 cs.IR cs.LG
CADC: Encoding User-Item Interactions for Compressing Recommendation Model Training Data
University of Southern California（南加州大学）
本文提出CADC方法，通过矩阵分解捕获用户-物品交互历史以丰富嵌入表示，随后对训练数据集进行均匀随机采样，在大幅减少数据集大小的同时最小化模型准确率下降。
2024-07-24 cs.AI cs.IR cs.LG
