Cross Pairwise Ranking for Unbiased Item Recommendation
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
大多数推荐系统在观察到的交互数据上优化模型,这受到先前曝光机制的影响,并表现出许多偏差,如流行度偏差。损失函数,如最常用的逐点二进制交叉熵和成对贝叶斯个性化排名,是不是设计来考虑观察数据中的偏差。因此,在损失上优化的模型将继承数据偏差,甚至更糟,放大偏差。例如,一些受欢迎的项目占用了越来越多的曝光机会,严重损害了利基项目的推荐质量-被称为臭名昭著的马修效应。在这项工作中,我们开发了一种新的学习范式,称为交叉配对排名(CPR),实现无偏见的建议,而不知道曝光机制。与反向倾向评分(IPS)不同,我们改变了样本的损失项-我们创新地对多个观察到的相互作用进行一次采样,并将损失作为其预测的组合。我们从理论上证明了这种方法抵消了用户/项目倾向对学习的影响,消除了由暴露机制引起的数据偏差的影响。与IPS相似,我们提出的CPR确保了每个训练实例的无偏学习,而无需设置倾向分数。实验结果表明,CPR优于国家的最先进的去偏的解决方案,在模型的泛化和训练效率。这些代码可在www.example.com上获得。
2022-04-26 cs.IR cs.LG
Fairness in Recommendation Ranking through Pairwise Comparisons
Google(谷歌)
推荐系统是工业中机器学习最普遍的应用之一,许多服务使用它们来将用户与产品或信息相匹配。因此,重要的是要问:什么是可能的公平风险,我们如何量化它们,以及我们应该如何解决它们?在本文中,我们提供了一套新的度量标准,用于评估算法公平性的关注推荐系统。特别是,我们如何衡量公平性的基础上成对比较随机实验提供了一个易于处理的方法来推理公平性的排名推荐系统。在此指标的基础上,我们提供了一个新的正则化器,以鼓励在模型训练期间改进此指标,从而提高最终排名的公平性。我们将这种成对正则化应用于一个大规模的生产推荐系统,并表明我们能够显着提高系统的成对公平性。
2019-03-02 cs.AI cs.CY cs.IR
One-class Recommendation Systems with the Hinge Pairwise Distance Loss and Orthogonal Representations
Rakuten Group, Inc.(乐天集团股份有限公司)
在单类推荐系统中,目标是从一小组交互的用户和项目中学习模型,然后在大量具有未知交互的对中识别出正相关的用户-项目对。大多数以前的损失函数依赖于从具有未知交互的用户和项目中选择的不相似的用户和项目对,以获得更好的预测性能。这种策略引入了几个挑战,例如增加训练时间和通过选择“具有未知交互的相似对”作为不相似对来损害性能。本文的目标是只用相似集对模型进行训练。我们指出了三个平凡的解决方案,当模型只在相似的对上训练时,它们会收敛到:折叠,部分折叠和收缩解决方案。我们提出了两个条款,可以添加到文献中的目标函数,以避免这些解决方案。第一个是铰链成对距离损失,通过保持所有表示的平均成对距离大于余量来避免收缩和折叠解决方案。第二个是正交项,它使表示的维度之间的相关性最小化,并避免部分塌陷的解决方案。我们在公共和真实世界的数据集上进行了各种任务的实验。结果表明,我们的方法只使用相似的对优于国家的最先进的方法,使用相似的对和大量的不相似的对。
2022-08-31 cs.AI cs.IR
Context-aware Reranking with Utility Maximization for Recommendation
作为大型商业推荐系统的一项关键任务,重新排序已显示出通过揭示项目之间的相互影响来改善推荐结果的潜力。重新排序重新排列前一个排名阶段的初始排名列表中的项目,以更好地满足用户的需求。然而,与大多数现有方法不同的是,理想的重排序算法应该考虑反事实上下文--重排序列表中项目的位置和对齐。在这项工作中,我们提出了一种新的成对重排序框架,上下文感知重排序与效用最大化的建议(CRUM),最大限度地提高了整体效用后,有效地重排序。具体来说,我们首先设计了一个面向效用的评估器,它应用Bi-LSTM和图注意力机制通过反事实上下文建模来估计列表效用。然后,在评价者的指导下,我们提出了一个两两重排序模型,通过交换错位的项目对来为每个项目找到最合适的位置。在两个基准数据集和一个专有的真实世界数据集上进行的大量实验表明,CRUM在基于相关性的度量和基于效用的度量方面都显着优于最先进的模型。
2022-02-13 cs.IR
Personalized Recommendations via Active Utility-based Pairwise Sampling
本文提出一种基于效用的主动成对采样框架,通过从成对比较中学习偏好并选择最能提升最终推荐效用的查询,在电影推荐和大学招生场景中实现了更准确、数据高效且以用户为中心的个性化排序。
2025-08-12 cs.IR cs.LG
Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning
Michigan State University(密歇根州立大学)
推荐系统通过向用户推荐个性化的商品或服务,在缓解信息过载问题方面起着至关重要的作用。绝大多数传统的推荐系统将推荐过程视为一个静态的过程,并遵循固定的策略进行推荐。在本文中,我们提出了一种新的推荐系统的能力,不断提高其策略,在与用户的互动。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程(MDP),并利用强化学习(RL)通过推荐试错项目并从用户的反馈中接收这些项目的强化来自动学习最优策略。用户的反馈可以是积极的和消极的,这两种类型的反馈都有很大的潜力,以提高推荐。然而,负反馈的数量远远大于正反馈,因此同时将它们合并是具有挑战性的,因为正反馈可能被负反馈所掩盖。在本文中,我们开发了一种新的方法,将它们纳入建议的深度推荐系统(DEERS)框架。基于真实电子商务数据的实验结果验证了该框架的有效性。进一步的实验已经进行了理解的重要性,积极和消极的反馈建议。
2018-08-10 cs.IR cs.LG stat.ML
Fairly Adaptive Negative Sampling for Recommendations
成对学习策略对于优化隐式反馈数据上的推荐模型是普遍的,其通常通过区分正面(即,由用户点击)和否定项(即,通过负采样获得)。但是,不同项组(由项属性指定)的大小通常分布不均匀。我们根据经验发现,成对算法常用的均匀负采样策略(例如,BPR)可以继承这样的数据偏差和过度抽样的多数项目组作为负面的情况下,严重打击组公平的项目方面。在本文中,我们提出了一个公平自适应负采样方法(FairNeg),它通过自适应调整组级负采样分布在训练过程中,提高项目组的公平性。特别是,它首先感知模型的不公平状态,在每一步,然后调整组的采样分布与自适应动量更新策略,以更好地促进公平优化。此外,负采样分布Mixup机制提出,它优雅地结合现有的重要性感知采样技术,旨在挖掘信息负样本,从而允许实现多个优化目的。在四个公开数据集上的实验表明,该方法在组公平性增强和公平性-效用权衡方面具有明显的优势。
2023-02-16 cs.IR
Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
KU Leuven, Campus Kulak, Department of Public Health and Primary Care(KU莱顿大学);Itec, imec research group at KU Leuven(Itec);KU Leuven, Department of Mathematics(KU莱顿大学)
提出一种基于成对比较与属性感知的决策树偏好引导方法,通过同时收集物品评分与属性偏好并使用物品对替代单个物品,有效解决了冷启动用户的个性化推荐问题。
2025-10-31 cs.IR cs.LG
Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation
基于会话的推荐(SBR)关注在某个时间点的下一个项目预测。由于用户简档在这种情况下通常不可用,因此捕获位于项转换中的用户意图起着关键作用。现有的基于图神经网络的SBR方法将项目转换视为两两关系,忽略了项目间复杂的高阶信息。超图提供了一种自然的方式来捕捉超越成对关系,而其潜在的SBR仍然没有开发。在本文中,我们通过将基于会话的数据建模为超图来填补这一空白,然后提出一种超图卷积网络来改进SBR。此外,为了增强超图建模,我们设计了另一个图卷积网络,它是基于超图的线图,然后通过最大化通过两个网络学习的会话表示之间的互信息,将自监督学习集成到网络的训练中,作为辅助任务,以改善推荐任务。由于这两类网络都是基于超图的,可以看作是超图建模的两个通道,我们将我们的模型命名为\textbf{DHCN}(Dual Channel Hypergraph Convolutional Networks)。在三个基准数据集上的实验证明了该模型相对于SOTA方法的优越性,验证了超图建模和自监督任务的有效性。我们模型的实现可以在www.example.com上获得
2022-02-28 cs.IR
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题,提出利用LLM作为数据增强器,基于用户历史和物品描述推断偏好,并通过辅助成对损失将增强信号融入模型,显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
PSL: Rethinking and Improving Softmax Loss from Pairwise Perspective for Recommendation
State Key Laboratory of Blockchain and Data Security, Zhejiang University(区块链与数据安全国家重点实验室,浙江大学);College of Computer Science and Technology, Zhejiang University(计算机科学与技术学院,浙江大学)
本研究从成对视角分析Softmax损失,发现其与DCG关联不紧且对假负例敏感,提出用其他激活函数替换指数函数的成对Softmax损失(PSL),作为DCG更紧代理并增强鲁棒性。
2024-10-31 cs.AI cs.IR cs.LG
Scalable Personalised Item Ranking through Parametric Density Estimation
CyberAgent, Inc.(赛博特工公司);Waseda University(早稻田大学)
从内隐反馈中学习是具有挑战性的,因为一类问题的困难性质:我们只能观察到积极的例子。大多数传统的方法使用成对排序方法和负采样器来处理一类问题。然而,这种方法有两个主要缺点,特别是在大规模应用中;(1)由于二次计算成本,成对方法效率非常低;(2)由于训练额外的模型,即使是最近的基于模型的采样器(例如IRGAN)也无法实现实际效率。在本文中,我们提出了一种学习排名的方法,它实现了收敛速度相媲美的逐点对应,同时执行类似的成对对应的排名有效性。我们的方法估计的概率密度的积极项目为每个用户在一个丰富的类的分布,即。\emph{exponential family}。在我们的公式中,我们推导出一个损失函数和适当的负抽样分布的基础上最大似然估计。我们还开发了一个实用的技术风险近似和正规化计划。然后,我们讨论了我们的单模型方法是等价的一个IRGAN变种在一定的条件下。通过在真实数据集上的实验,我们的方法在有效性和效率方面优于逐点和逐对的方法。
2021-05-11 cs.IR cs.LG
Unbiased Pairwise Learning from Implicit Feedback for Recommender Systems without Biased Variance Control
针对隐式反馈中正负样本不确定及稀有项目被低估的问题,本文提出低方差无偏成对学习方法UPL,在避免有偏方差控制的同时提升推荐排序性能。
2023-04-14 cs.IR
Global Context Enhanced Graph Neural Networks for Session-based Recommendation
基于会话的推荐(SBR)是一个具有挑战性的任务,其目的是基于匿名的行为序列来推荐项目。现有的SBR模型用户偏好的解决方案几乎都是基于当前会话而不利用其他会话,这些会话可能包含与当前会话相关和不相关的项目转换。本文提出了一种新的方法,称为全局上下文增强的图神经网络(GCE-GNN),利用项目过渡在所有会话中,以更微妙的方式,更好地推断用户的偏好,当前会话。具体来说,GCE-GNN分别从会话图和全局图中学习两个级别的项嵌入:(i)会话图,通过对当前会话内的成对项转换进行建模来学习会话级别的项嵌入;(ii)全局图,通过对所有会话上的成对项转换进行建模来学习全局级别的项嵌入。在GCE-GNN中,我们提出了一种新的全局级项目表示学习层,该层采用会话感知的注意力机制来递归地合并全局图上每个节点的邻居嵌入。我们还设计了一个会话级项目表示学习层,它在会话图上使用GNN来学习当前会话中的会话级项目嵌入。此外,GCE-GNN聚合的学习项目表示在两个层次的软注意力机制。在三个基准数据集上的实验表明,GCE-GNN始终优于最先进的方法。
2021-06-09 cs.IR
Understanding the Role of Cross-Entropy Loss in Fairly Evaluating Large Language Model-based Recommendation
本文从理论和实验两方面论证交叉熵损失在基于大语言模型的推荐评估中被高估,指出传统方法因损失函数替换而被低估,并呼吁建立更客观的评估体系。
2024-02-22 cs.IR
Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking
RMIT University(皇家墨尔本理工大学)
本研究揭示基于LLM的列表式重排序存在位置偏差,引入多维度评估框架验证其会破坏偏好一致性,且均衡位置曝光无法修复该问题。
2026-08-05 cs.IR
A Cost-Sensitive Meta-Learning Strategy for Fair Provider Exposure in Recommendation
针对推荐系统中提供者群体曝光不均的问题,提出一种成本敏感元学习策略,在成对推荐模型中实现目标曝光公平且不损失推荐效用。
2024-01-24 cs.IR
Denoising Self-attentive Sequential Recommendation
基于transformer的顺序排序器非常强大,可以捕获短期和长期的顺序项依赖关系。这主要归功于他们独特的自我注意力网络,以利用序列中的成对项目-项目交互。然而,现实世界的项目序列往往是嘈杂的,这是特别真实的隐式反馈。例如,很大一部分点击与用户偏好不一致,许多产品最终得到负面评价或被退回。因此,当前用户操作仅取决于项目的子集,而不是整个序列。许多现有的基于transformer的模型使用完全注意力分布,这不可避免地将某些学分分配给不相关的项目。如果Transformers没有被适当地正则化,这可能导致次优性能。
2022-12-08 cs.IR
Translation-based Recommendation
对用户和项目之间以及项目本身之间的复杂交互进行建模是设计成功的推荐系统的核心。一个经典的设置是预测用户的个性化的顺序行为(或“下一个项目”的建议),其中的挑战主要在于建模的“三阶”之间的用户,她以前访问的项目(S),和下一个项目消费的互动。现有的方法通常将这些高阶交互分解为成对关系的组合,通过这种方式,用户偏好(用户-项目交互)和顺序模式(项目-项目交互)由单独的组件捕获。在本文中,我们提出了一个统一的方法,TransRec,这样的三阶关系建模的大规模序贯预测。方法上,我们嵌入到一个“过渡空间”的项目,用户被建模为翻译向量上操作的项目序列。从经验上讲,这种方法在广泛的真实世界数据集上的性能优于最先进的方法。数据和代码可在https://sites.google.com/a/eng.ucsd.edu/ruining-he/上获得。
2017-07-08 cs.IR
Fusing Similarity Models with Markov Chains for Sparse Sequential Recommendation
个性化序列行为预测是推荐系统的一个关键任务。为了预测用户动作,例如要购买的下一个产品、要观看的电影或要访问的地方,必须考虑长期用户偏好和顺序模式(即,短期动态)。矩阵分解和马尔可夫链方法已经成为两个独立但强大的范式,分别为这两个建模。结合这些想法,导致了统一的方法,同时适应长期和短期的动态建模成对用户项目和项目项目的相互作用。尽管这些方法在处理密集数据方面取得了成功,但它们受到稀疏性问题的挑战,稀疏性问题在现实世界的数据集中很普遍。近年来,基于相似性的方法已经被提出用于(序列未知)项目推荐,在稀疏数据集上取得了令人满意的结果。在本文中,我们提出了这样的方法与马尔可夫链融合,使个性化的顺序推荐。我们在各种大型真实数据集上评估我们的方法Fossil。我们在定量上表明,Fossil优于其他算法,特别是在稀疏数据集上,在定性上表明,它捕获了个性化的动态,并能够提出有意义的建议。
2016-09-28 cs.IR
Representation Learning and Pairwise Ranking for Implicit Feedback in Recommendation Systems
Univ. Grenoble Alpes/CNRS(格勒诺布尔阿尔卑斯大学/法国国家科学研究中心);Center for Energy Systems, Skolkovo Institute of Science(斯科尔科沃科技学院能源系统中心);T-4 and CNLS, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室T-4与CNLS);Center for Energy Systems, Skolkovo Institute of Science and Technology(斯科尔科沃科技学院能源系统中心)
在本文中,我们提出了一种新的排名框架,协同过滤的总体目标是学习用户的偏好,通过最大限度地减少成对的排名损失。我们表明,最小化问题涉及到相关的随机变量,并提供了一个理论分析,证明了在最坏的情况下,所有用户选择的积极和消极的项目的最小数量的经验风险最小化的一致性。我们进一步推导出一个神经网络模型,共同学习一个新的表示的用户和项目在一个嵌入式空间,以及用户的偏好关系对项目。的学习目标是基于三种情况下的排名损失,控制的能力的模型,以保持从用户的喜好,以及,在学习的嵌入式空间中定义的点积的能力,以产生的排序引起的项目的排序。所提出的模型本质上适合于隐式反馈,并且只涉及很少的参数估计。通过对隐式数据的几个真实世界的基准测试进行广泛的实验,我们显示了与单独学习相比,同时学习偏好和嵌入的兴趣。我们还表明,我们的方法是非常有竞争力的最好的国家的最先进的协同过滤技术提出的隐式反馈。
2018-07-12 cs.CL cs.IR stat.ML
Estimating Propensity for Causality-based Recommendation without Exposure Data
本文提出PropCare框架,在仅有交互数据、无曝光或倾向性真实标签的条件下估计倾向性与曝光,并结合物品流行度实现有竞争力的因果关系推荐,同时给出因果效应偏差的理论分析和实验验证。
2023-11-01 cs.IR
Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
Taobao & Tmall Group of Alibaba(阿里巴巴淘宝天猫集团)
针对触发式推荐中点击率预测的需求,提出CRRN模型,通过触发-目标交互层、级联兴趣融合模块和类别辅助成对损失优化,在工业与公开数据集及在线A/B测试中均优于现有方法。
2026-08-25 cs.IR
A Critical Reexamination of Intra-List Distance and Dispersion
本研究批判性重新审视了多样化推荐中的ILD和离散度目标,揭示了它们在项目选择上的潜在缺陷,并提出了可通过带宽参数在两者间插值的Gaussian ILD目标,通过真实数据实验验证了理论与极端行为。
2023-05-23 cs.IR
TRec: Sequential Recommender Based On Latent Item Trend Information
推荐系统在在线Web应用中扮演着重要的角色。顺序推荐系统利用用户与项目交互的最新历史信息,进一步对用户的短期偏好进行建模。大多数顺序推荐方法忽略了不断变化的项目流行度的重要性。我们从直觉中提出了这个模型,即用户交互最多的项目可能在过去很受欢迎,但最近可能会过时。为此,本文提出了一种新的顺序推荐方法TRec,TRec从隐式用户交互历史中学习项目趋势信息,并将项目趋势信息整合到下一个项目推荐任务中.然后使用自注意力机制来学习更好的节点表示。我们的模型是通过基于排序的成对优化来训练的。我们在四个基准数据集上用七种基线方法进行了大量的实验,实验结果表明,我们的方法在保持较低运行时间开销的同时,性能优于其他最先进的方法。我们的研究证明了项目趋势信息在推荐系统设计中的重要性,并且我们的方法也具有很高的效率,这使得它在现实世界中是实用的。
2020-09-11 cs.IR
Multimodal Item Scoring for Natural Language Recommendation via Gaussian Process Regression with LLM Relevance Judgments
University of Toronto(多伦多大学);Sungkyunkwan University(成均馆大学)
针对自然语言推荐中单模态评分函数的局限性,提出GPR-LLM方法,利用高斯过程回归结合LLM相关性判断建模多模态评分函数,在最小标注预算下显著优于基线方法。
2025-10-31 cs.IR
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程,候选项生成和建议有效地帮助用户找到最适合他们的项目。因此,识别可互换的可替代项目开辟了新的机会,以改善所生成的候选人的质量。当用户正在浏览特定类型的产品(例如,笔记本电脑)购买,替代品的准确推荐(例如,配备更好的笔记本电脑)可以为用户提供更合适的选择,从而大大增加成功购买的机会。然而,现有的方法仅仅把这个问题作为挖掘成对项目关系,而没有考虑用户的个人偏好。此外,可替代的关系是通过学习项目的潜在表示隐含地识别,导致不可解释的推荐结果。在本文中,我们提出了属性感知的协同过滤(A2 CF)执行替代推荐解决问题,从个性化和可解释性的角度。而不是直接建模的用户-项目的交互,我们提取明确的和极化的项目属性与情感分析,之后的属性,用户和项目的表示同时学习的用户评论。然后,通过将属性视为用户和项目之间的桥梁,我们可以彻底建模用户-项目偏好(即,个性化)和项目-项目关系(即,替代)的建议。此外,A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验,证明了A2 CF的推荐有效性和解释质量。
2020-05-19 cs.IR
Listwise Preference Alignment Optimization for Tail Item Recommendation
Australian Artificial Intelligence Institute (AAII) and School of Compute Sicence, Faculty of Engineering and Information Technology, University of Technology Sydney(澳大利亚人工智能研究所(AAII)和计算机科学学院,工程与信息技术学院,新南威尔士大学)
本文提出 LPO4Rec,将 Bradley-Terry 模型扩展为列表式比较并推导闭式最优策略,结合自适应负采样与重加权优先尾部物品,在三个数据集上相比 10 个基线最高提升 50% 性能并减少 17.9% GPU 内存。
2025-07-03 cs.IR cs.LG
Breaker: Removing Shortcut Cues with User Clustering for Single-slot Recommendation System
Meituan Group(美团集团)
针对单槽推荐系统中用户内在倾向导致捷径偏差的问题,本文提出Breaker模型,通过用户表示聚类辅助任务与多塔结构结合,并采用延迟参数更新机制,在美团在线实验中显著提升推荐效果。
2025-06-01 cs.IR cs.LG
Spectrum-enhanced Pairwise Learning to Rank
Tsinghua University(清华大学)
为了增强推荐系统的性能,边信息被广泛地利用各种特征(例如,视觉特征和文本特征)。然而,边信息也存在一些不足:(1)在所有推荐任务中,边信息并不总是可用的;(2)边信息只针对项目,很少有描述用户的高层次特征。为了解决这些差距,我们引入了光谱特征提取的两个超图结构的购买记录。谱特征描述了图空间中用户/项目的\textit{similarity},这对于推荐至关重要。我们利用频谱特征来建模用户的偏好和项目的属性,将它们纳入矩阵分解(MF)模型。除了建模,我们还使用光谱特征进行优化。贝叶斯个性化排名(BPR)被广泛用于优化隐式反馈数据中的模型。然而,在BPR中,所有缺失值都被视为负样本,而其中许多确实是不可见的正样本。我们丰富的积极的样本,通过计算用户/项目之间的相似度的频谱特征。其核心思想是:(1)相似的用户应该对相同的项目有相似的偏好;(2)用户应该对相似的项目有相似的感知。在两个真实数据集上的大量实验证明了谱特征的有用性和我们的谱增强成对优化的有效性。我们的模型明显优于几种最先进的模型。
2019-05-02 cs.IR cs.LG
Towards Sample-Efficient and Stable Reinforcement Learning for LLM-based Recommendation
University of Science and Technology of China(中国科学技术大学)
本文提出RISER框架,通过强化学习提升LLM推荐的效率和稳定性,有效解决样本效率低和训练不稳定问题。
2026-01-31 cs.IR
Generative Flow Network for Listwise Recommendation
针对现有列表式推荐方法组合空间探索难、多样性不足的问题,提出基于生成流网络的GFN4Rec方法,通过对数尺度奖励匹配损失和自回归选择模型兼顾推荐质量与多样性,在模拟环境和真实数据集上验证有效。
2023-06-09 cs.IR
Adversarial Personalized Ranking for Recommendation
National University of Singapore(新加坡国立大学);Fudan University(复旦大学);Chengdu University of Information Technology(成都信息工程大学)
项目推荐是一个个性化的排序任务。为此,许多推荐系统使用成对排序目标来优化模型,例如贝叶斯个性化排名(BPR)。使用矩阵分解(MF)-推荐中最广泛使用的模型-作为示范,我们表明,优化它与BPR导致推荐模型是不稳健的。特别是,我们发现,由此产生的模型是非常容易受到对抗性扰动的模型参数,这意味着可能很大的误差推广。为了增强推荐模型的鲁棒性,从而提高其泛化性能,我们提出了一个新的优化框架,即对抗个性化排名(APR)。简而言之,我们的APR通过执行对抗训练来增强成对排名方法BPR。它可以被解释为玩一个极大极小博弈,其中BPR目标函数的最小化同时防御对手,这增加了对模型参数的对抗性扰动以最大化BPR目标函数。为了说明它是如何工作的,我们通过在用户和项目的嵌入向量上添加对抗扰动来实现MF上的APR。在三个公开的真实数据集上进行的大量实验证明了APR的有效性--通过使用APR优化MF,它比BPR平均提高了11.2%,并实现了最先进的项目推荐性能。我们的实现可以在https://github.com/hexiangnan/adversarial_personalized_ranking上获得。
2018-08-12 cs.IR cs.LG stat.ML
Recommendation with Attribute-aware Product Networks: A Representation Learning Model
随着商业智能的繁荣,推荐系统已经发展到一个新的阶段,我们不仅关心推荐什么,而且关心为什么推荐。因此,建议的可解释性成为研究的焦点,并在电子商务中变得非常理想。沿着这条线的不确定性研究通常从不同的角度利用项目属性和相关性,但他们还缺乏一种有效的方法来结合这两种类型的信息,以进行个性化兴趣的深度学习。鉴于此,我们提出了一种新的图结构,\emph{attribute network},基于项目的共同购买网络和重要属性。然后提出了一种新的神经模型称为\emph{eRAN}属性网络的可解释性和冷启动能力产生的建议。具体而言,eRAN首先通过深度自编码器将属性网络中连接的项目映射到低维嵌入向量,然后应用注意力机制对属性对用户的吸引力进行建模,由此可以导出个性化的项目表示。此外,成对排序损失被构造到eRAN中以改善推荐,假设用户共同购买的项目对应该比那些在个性化视图中具有负采样的非配对项目更相似。在真实数据集上的实验表明,与一些最先进的竞争对手相比,我们的方法是有效的。特别是,eRAN在以更高的准确性推荐冷启动项目以及理解复杂的共同购买行为背后的用户偏好方面显示出其独特的能力。
2020-09-23 cs.IR
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模,这可能无法完全建模项目和它们的边信息之间的关系。此外,在现实世界的系统中,并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文,并且用通用或特殊值填充它们,例如,未知,这可能导致次优性能。为了解决边信息顺序排序器的局限性,我们定义了一种方法来融合边信息,并通过提出一个统一的任务来缓解边信息缺失的问题,即缺失信息填补(MII),它随机屏蔽给定序列中的一些特征字段,包括项目ID,然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段,顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型,称为缺失信息填补推荐(MIIR),建立在MII的思想,同时填补缺失项目的特征值,并预测下一个项目。我们设计了一个密集融合自注意(DFSA)机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明,MIIR,由MII监督,实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
Xi’an Jiaotong-Liverpool University(西交利物浦大学);McGill University(麦吉尔大学)
本文提出基于认知不确定性的冷启动推荐框架 CREU,借助 PaiDEs 高效度量模型对训练知识的利用效率,从而优化冷启动场景下的用户-物品交互推荐性能。
2025-08-08 cs.IR
Group-Buying Recommendation for Social E-Commerce
团购作为社交电子商业网站的新兴购买形式,如拼多多,最近取得了巨大的成功。在这种新的商业模式中,用户,发起者,可以发起一个群组,并将产品分享到他们的社交网络,当有足够的朋友,参与者,加入它,交易就成交了。社会化电子商业的团购推荐是在用户发起团购时推荐商品清单,对团购成功率和销售额起着重要作用。然而,为团购设计个性化推荐模型是一个全新的问题,很少有人探索。在这项工作中,我们采取的第一步,探讨社会电子商业的团购推荐问题,并开发了一个GBGCN方法(简称团购图卷积网络)。考虑到存在多种类型的行为(launch和join)和结构化的社交网络数据,我们首先提出构造有向异构图来表示行为数据和社交网络。然后,我们开发了一个多视图嵌入传播的图卷积网络模型,它可以提取复杂的高阶图结构来学习嵌入。最后,由于一个失败的团购意味着丰富的偏好的发起者和参与者,我们设计了一个双成对的损失函数来提取这些偏好信号。我们收集了一个真实世界的团购数据集,并进行实验,以评估性能。实验结果表明,我们提出的GBGCN可以显着优于基线方法的2.69%-7.36%。代码和数据集在https://github.com/Sweetnow/group-buying-recommendation上发布。
2020-11-05 cs.IR
From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation
Pohang University of Science and Technology(浦项科技大学);Sungkyunkwan University(成均馆大学)
针对序列推荐中Transformer模型的相似性偏差问题,提出PRISM模块,通过多视角透镜校准注意力以捕捉物品全谱关系,在七个基准上优于现有模型。
2026-09-17 cs.IR
Contrastive Multi-Level Graph Neural Networks for Session-based Recommendation
Shandong Normal University(山东师范大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
针对基于会话的推荐中数据稀疏问题,提出对比式多层图神经网络CM-GNN,融合多层级物品转换信息并通过对比学习增强表示,在多个基准数据集上性能优于现有SBR方法。
2023-11-06 cs.AI cs.IR
SPR:Supervised Personalized Ranking Based on Prior Knowledge for Recommendation
School of Automation Engineering(自动化工程学院);University of Electronic Science and Technology of China(电子科技大学)
推荐系统的目标是通过用户与项目的交互历史来建模每个用户与每个项目之间的相关性,从而最大化正样本得分,最小化负样本得分。目前,两种流行的损失函数被广泛用于优化推荐系统:逐点和成对。尽管这些损失函数被广泛使用,但是,存在两个问题。(1)这些传统的损失函数不能很好地适应推荐系统的目标,也不能充分利用先验知识信息。(2)这些传统的损失函数收敛速度慢,给各种推荐模型的实际应用带来困难。为了解决这些问题,我们提出了一种新的损失函数命名为基于先验知识的监督个性化排名(SPR)。该方法通过利用原始数据中每个用户或项目的交互历史的先验知识来改善BPR损失。与BPR不同的是,SPR不是构造<用户,正项,负项>三元组,而是构造<用户,相似用户,正项,负项>四元组。虽然SPR非常简单,但它非常有效。大量的实验表明,我们提出的SPR不仅实现了更好的推荐性能,而且还显着加快收敛速度,从而显着减少所需的训练时间。
2022-07-07 cs.AI cs.IR
Pseudo-Implicit Feedback for Alleviating Data Sparsity in Top-K Recommendation
我们提出了PsiRec,一种新的用户偏好传播推荐器,它采用伪隐式反馈来丰富原始稀疏隐式反馈数据集。PsiRec的三个独特特征是:(i)它将用户-项目交互视为二分图,并从这个角度对伪隐式反馈进行建模;(ii)其基于随机游走的方法从这个二分图中提取图结构信息,以估计伪隐式反馈;以及(iii)它采用Skip-gram启发的伪隐式反馈中的置信度度量,该伪隐式反馈捕获用户和项目之间的逐点互信息。这种伪隐式反馈最终被纳入一个新的潜在因素模型,以估计用户的偏好,在极端稀疏的情况下。PsiRec在精度@10和召回率@10方面比最先进的协作去噪自动编码器提高了21.5%和22.7%。我们的实现可以在https://github.com/heyunh2015/PsiRecICDM2018上获得。
2019-01-03 cs.IR cs.SI
Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems
学习排序自2010年左右引入以来,是一种有效的推荐方式。著名的算法,如贝叶斯个性化排名和协作少即是多过滤,在学术界和工业界都留下了深刻的影响。然而,大多数学习排序方法专注于提高技术准确性指标,如AUC,MRR和NDCG。推荐系统的其他评价指标,如公平性,直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明,我们的算法是有竞争力的技术精度指标评估时,与其他算法。更重要的是,在我们的实验部分中,我们证明了Pareto Pairwise Ranking是最公平的算法,与其他9个当代算法相比。
2022-12-06 cs.AI cs.IR cs.LG
Exploiting Preferences in Loss Functions for Sequential Recommendation via Weak Transitivity
Omnious AI(奥米纽斯人工智能公司);University of Pittsburgh(匹兹堡大学)
针对序列推荐损失函数将下一物品视为唯一正样本、忽略未观察物品间偏好结构的问题,提出利用弱传递性把偏好层级转化为分数相对顺序的扩展目标,并验证其优于基线。
2024-08-01 cs.IR cs.LG
Addressing the Extreme Cold-Start Problem in Group Recommendation
向一组用户推荐商品的任务,也就是集团的建议,正受到越来越多的关注。然而,在推荐系统中固有的冷启动问题被放大的群体推荐,因为在实践中,群体和项目之间的交互数据是非常稀缺的。大多数现有的工作利用组和项目之间的关联,以减轻数据稀缺的问题。然而,现有的方法不可避免地失败,在极端的冷启动的情况下,缺乏组和项目之间的关联。为此,我们设计了一个适合极端冷启动场景的EXreme cold-star群组推荐模型。EXTRE背后的基本思想是利用图卷积神经网络的极限理论来建立组和项之间的隐式关联,而这些关联的推导不需要显式的交互数据,因此适用于冷启动场景。EXTRE的训练过程依赖于新定义的和可解释的一致性和差异性概念,而不是常用的负抽样与成对排序,这可以提高组推荐的性能。大量的实验验证了所提出的模型EXTRE的有效性。
2022-10-18 cs.IR cs.SI
Unbiased Pairwise Learning to Rank in Recommender Systems
Tencent(腾讯)
如今,推荐系统已经影响到人们生活的方方面面。为了提供个性化的高质量推荐结果,常规系统通常训练逐点排序器以预测目标的绝对值并利用明显的浅塔来估计和减轻位置偏差的影响。然而,对于这样的训练范例,优化目标与排名度量有很大不同,排名度量重视排名靠前的项目的相对顺序,而不是每个项目的预测精度。此外,由于现有系统倾向于在较高位置推荐更相关的项目,因此基于浅塔的方法难以将用户反馈精确地归因于位置或相关性的影响。因此,如果我们设法解决上述问题,我们将有一个令人兴奋的机会来提高性能。无偏的学习排序算法,这是验证模型的相对相关性准确的基础上嘈杂的反馈,是有吸引力的候选人,并已被应用在许多应用程序与单一的分类标签,如用户点击信号。然而,现有的无偏LTR方法不能正确地处理包含分类标签和连续标签的多个反馈。因此,我们设计了一种新的无偏LTR算法来解决这些挑战,该算法创新性地以成对的方式对位置偏差进行建模,并引入成对的信任偏差来明确地分离位置偏差,信任偏差和用户相关性。在公共基准数据集和内部实时流量上的实验结果表明,该方法对分类标签和连续标签都有较好的效果。
2021-11-30 cs.AI cs.IR
Debiased Explainable Pairwise Ranking from Implicit Feedback
University of Louisville(路易斯维尔大学)
最近的工作在推荐系统中强调了公平的重要性,特别是在偏见和透明度,除了预测准确性。在本文中,我们专注于最先进的成对排名模型,贝叶斯个性化排名(BPR),它以前被发现在预测准确性方面优于逐点模型,同时也能够处理隐式反馈。具体来说,我们解决了BPR的两个局限性:(1)BPR是一个黑箱模型,不解释其输出,从而限制了用户对建议的信任,以及分析师审查模型输出的能力;(2)由于数据是非随机缺失(MNAR),BPR容易受到暴露偏差的影响。这种曝光偏差通常会转化为对最不受欢迎的项目的不公平,因为它们有被推荐系统曝光不足的风险。在这项工作中,我们首先提出了一种新的可解释的损失函数和相应的矩阵分解为基础的模型,称为可解释的贝叶斯个性化排名(EBPR),生成建议以及基于项目的解释。然后,我们从理论上量化额外的曝光偏差所造成的可解释性,并使用它作为基础,提出一个无偏估计的理想EBPR损失。其结果是一个排名模型,恰当地捕捉了去偏见和可解释的用户偏好。最后,我们对三个真实世界的数据集进行了实证研究,证明了我们提出的模型的优点。
2021-07-30 cs.AI cs.IR cs.LG
CosRec: 2D Convolutional Neural Networks for Sequential Recommendation
University of California, San Diego(加州大学圣地亚哥分校)
序列模式在构建现代推荐系统中起着重要的作用。为此,几个推荐系统已经建立在马尔可夫链和递归模型(等)之上。尽管这些顺序模型在一系列任务中已经被证明是成功的,但它们仍然难以揭示用户购买历史中嵌套的复杂关系。在本文中,我们认为,成对关系建模直接导致一个有效的表示顺序功能,并捕捉复杂的项目相关性。具体来说,我们提出了一个用于顺序推荐的2D卷积网络(CosRec)。它将一系列项编码为三向张量;使用2D卷积滤波器学习局部特征;并以前馈方式聚合高阶交互。在两个公共数据集上的定量结果表明,我们的方法优于传统方法和最近的基于序列的方法,在各种评估指标上实现了最先进的性能。
2019-08-27 cs.IR cs.LG
Joint Variational Autoencoders for Recommendation with Implicit Feedback
Ontario Tech University(安大略理工大学)
变分自编码器(VAE)最近在隐式反馈的协同过滤中表现出很好的性能。这些现有的推荐模型学习用户表示来重建或预测用户偏好。我们介绍了联合变分自编码器(JoVA),两个VAE的合奏,其中VAE共同学习用户和项目表示,并共同重建和预测用户的喜好。这种设计允许JoVA同时捕获用户-用户和项目-项目的相关性。通过使用基于铰链的成对损失函数(JoVA-Hinge)扩展JoVA的目标函数,我们进一步将其专门用于具有隐式反馈的top-k推荐。我们在几个真实世界数据集上的广泛实验表明,在各种常用指标下,JoVA-Hinge的性能优于一系列最先进的协同过滤方法。我们的实证结果也证实了JoVA铰链优于现有的方法,冷启动用户与有限数量的训练数据。
2020-08-17 cs.IR cs.LG stat.ML
IteRank: An iterative network-oriented approach to neighbor-based collaborative ranking
基于邻居的协作排名(NCR)技术遵循三个连续的步骤向每个目标用户推荐项目:首先,它们计算用户之间的相似性,然后,它们基于计算出的相似性来估计目标用户的成对偏好的一致性。最后,他们使用估计的成对偏好来推断目标用户的项目的总排名。这种一般的方法面临着一些问题,因为排名数据通常是稀疏的,因为用户通常只比较了几对项目,因此,用户之间的相似性是基于有限的信息计算的,并且不足以准确地推断偏好一致性的真实值,并且可能导致项目的无效排名。本文提出了一个名为IteRank的新框架,它将数据建模为包含用户和成对偏好的二分网络。然后,它同时细化用户的相似性和偏好的一致性使用随机游走方法在这个图结构。它在另一个网络结构中使用第一步中的信息,以同时调整偏好的一致性和项目的排名。使用这种方法,IteRank可以克服由数据稀疏性引起的一些现有问题。实验结果表明,IteRank提高了推荐的性能相比,最先进的NCR技术,使用传统的NCR框架的推荐。
2018-11-04 cs.IR cs.SI
Addressing Class-Imbalance Problem in Personalized Ranking
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Brandeis University(布兰迪斯大学);Sun Yat-Sen University(中山大学);Yahoo Research(雅虎研究院);University of Notre Dame(圣母大学)
成对排序模型已被广泛用于解决推荐问题。其基本思想是通过将项目分为\emph{positive}样本(如果存在用户-项目交互)和\emph{negative}样本(否则)来学习用户偏好项目的排名。由于可观察的相互作用数量有限,成对排序模型面临严重的\emph{class-imbalance}问题。我们的理论分析表明,目前基于采样的方法会导致顶点级别的不平衡问题,这使得学习项目嵌入的范数在一定的训练迭代后趋于无穷大,从而导致梯度消失,影响模型推理结果。因此,我们提出了一种高效的\emph{\underline{Vi}tal \underline{N}egative \underline{S}ampler}(VINS)来缓解成对排名模型的类不平衡问题,特别是对于通过梯度方法优化的深度学习模型。VINS的核心是一个具有拒绝概率的偏差采样器,它倾向于接受具有比给定正项更大程度权重的负候选项。在实际数据集上的测试结果表明,该方法在保持甚至提高top-N项目推荐中排序结果质量的同时,对于由浅入深的排序模型,可以将训练速度提高30%~ 50%.
2020-09-08 cs.IR cs.LG
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);IIT Bhilai(印度理工学院比莱校区)
系统提供的建议解释是实现透明和可信赖的AI的重要组成部分。然而,在最先进的研究中,这是一个单向信号,以提高用户的接受度。在本文中,我们把解释的作用,并调查他们如何有助于提高质量的建议本身。我们设计了一个人在环框架,称为ELIXIR,用户反馈的解释是利用成对学习的用户偏好。ELIXIR利用对推荐和解释的反馈来学习用户特定的潜在偏好向量,通过基于项目相似性的邻域的标签传播来克服稀疏性。我们的框架实例化使用广义图推荐通过随机游走与重启。一个真实的用户研究的有见地的实验表明,在项目级反馈的电影和书籍推荐显着改善。
2021-04-30 cs.AI cs.IR cs.LG
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中,当用户-项目交互数据稀疏时,经常使用社会关系来提高推荐质量。大多数现有的社会推荐模型利用成对关系挖掘潜在的用户偏好。然而,现实生活中的用户之间的交互是非常复杂的,用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系,而其潜力,以改善社会推荐是未被开发。在本文中,我们填补了这一空白,并提出了一个多通道超图卷积网络,通过利用高阶用户关系来增强社交推荐。从技术上讲,网络中的每个通道都编码一个超图,通过超图卷积来描述一个常见的高阶用户关系模式。通过聚合通过多个渠道学习的嵌入,我们获得全面的用户表示,以生成推荐结果。然而,聚合操作也可能掩盖不同类型的高阶连接性信息的固有特性。为了弥补聚合损失,我们创新性地将自监督学习融入超图卷积网络的训练中,以分层互信息最大化的方式重新获得连通性信息。在多个真实数据集上的实验结果表明,该模型的性能优于SOTA方法,消融实验验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
2022-02-27 cs.IR cs.SI
Prompt-Based LLMs for Position Bias-Aware Reranking in Personalized Recommendations
本文提出结合传统推荐模型与LLM的混合框架,通过结构化提示重排序,并研究位置偏差影响,实验发现LLM重排序未优于基础模型。
2025-05-27 cs.CL cs.IR
Modeling Cognitive Processes in Social Tagging to Improve Tag Recommendations
随着Web 2.0的出现,标签查询器已经成为重要的工具,其目的是支持用户为他们的书签资源查找描述性标签。虽然目前的算法在标签预测准确性方面提供了良好的结果,但它们通常是以数据驱动的方式设计的,因此,缺乏对人们将标签分配给资源时所起作用的认知过程的透彻理解。本文旨在对社会标签中的这些认知动力学进行建模,以便改进标签推荐并更好地理解其底层过程。作为这个方向的第一次尝试,我们已经实现了个体微观层面(例如,对资源或时间动态进行分类)和集体宏观级(例如,模仿其他用户的标签)以新颖的标签推荐算法的形式进行处理。从BibSonomy,CiteULike和Delicious收集的数据集的初步结果表明,我们提出的方法可以优于当前最先进的算法,如协同过滤,FolkRank或成对交互张量因子分解。我们的结论是,推荐系统可以通过纳入人类认知的相关原则进行改进。
2018-05-30 cs.HC cs.IR