Fairness Attacks on Recommender Systems
Department of Information Systems and Operations Management, College of Business, The University of Texas at Arlington(信息系统与运营管理系,商学院,德克萨斯大学阿灵顿分校);Department of Management Information Systems, Eller College of Management, the University of Arizona(管理信息系,埃勒管理学院,亚利桑那大学)
提出一种基于结构感知强化学习的公平性攻击方法,通过图编码和循环神经网络生成虚假交互,联合学习物品选择和性别选择策略,以加剧推荐系统的不公平性。
2026-06-27 cs.AI cs.IR
Performance-Driven QUBO for Recommender Systems on Quantum Annealers
School of Computing Technologies, RMIT University(RMIT大学计算机技术学院);Department of Information Engineering, University of Padua(帕多瓦大学信息工程系)
本文提出PDQUBO方法,通过量化特征对推荐系统性能的影响,结合量子退火器解决QUBO优化问题,实验显示其在特征选择任务中优于传统方法。
2026-04-30 cs.AI cs.IR
SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems
针对传统代理模型在次优条件下特征选择效果受限的问题,提出SELF方法,融合大语言模型语义推理与代理模型任务学习,在三个真实推荐数据集上验证了有效性。
2025-08-27 cs.IR
Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
本文研究隐式反馈排序任务中的推荐系统算法选择,基于72个数据集和24种算法构建元数据,发现预测算法排序可显著提升元模型相关性,且XGBoost在最佳算法识别上优于AutoGluon。
2024-09-09 cs.IR
Per-Instance Algorithm Selection for Recommender Systems via Instance Clustering
即使用户、推荐上下文、应用程序和用户界面稍有不同,推荐算法的执行也会有所不同。在其他领域,如组合问题求解中也可以类似地观察到,算法对每个实例的表现都不同。在这些领域中,元学习被成功地用于预测每个实例的最佳算法,以提高整体系统性能。到目前为止,推荐系统的每实例算法选择是不成功的。在本文中,我们提出了一个每实例的元学习器,聚类数据实例,并预测最好的算法看不见的情况下,根据集群成员。我们使用10个协作和4个基于内容的过滤算法测试我们的方法,用于不同的聚类参数,并发现在alpha=0.053(MAE:0.7107与LightGBM 0.7214; t检验)的最佳性能基础算法的显着改善。我们还探讨了我们的基础算法的性能评级数据集和经验表明,一个完美的算法选择器的错误单调减少较大的算法池。据我们所知,这是第一个有效的元学习技术,用于推荐系统中的每实例算法选择。
2020-12-30 cs.IR
Rethinking Recommender Systems: Cluster-based Algorithm Selection
本研究提出基于用户聚类的推荐算法选择方法,在八个数据集上验证其有效性,五个数据集的nDCG@10提升19.28%至360.38%。
2024-05-28 cs.IR
Unsupervised Proxy Selection for Session-based Recommender Systems
Pohang University of Science and Technology(浦项科技大学)
基于会话的推荐器系统(SRS)已经被积极地开发以推荐匿名短项目序列的下一个项目(即,届会)。与序列感知推荐系统不同,其中每个用户的整个交互序列可以用于对用户的短期兴趣和一般兴趣进行建模,SRS中缺乏用户相关信息使得难以从数据中直接导出用户的一般兴趣。因此,现有的SRS专注于如何有效地建模会话内的短期兴趣信息,但它们不足以捕捉用户的普遍兴趣。为此,我们提出了一种新的框架来克服SRS的限制,称为ProxySR,它模仿SRS中缺失的信息(即,用户的一般兴趣)。ProxySR以无监督的方式为输入会话选择代理,并将其与会话的编码短期兴趣相结合。由于代理与短期兴趣联合学习并由多个会话选择,代理学习扮演用户的一般兴趣的角色,并且ProxySR学习如何为输入会话选择合适的代理。此外,我们提出了另一个真实世界的情况下,一些用户登录,并离开他们的标识符在会话中的SRS,并修改ProxySR的情况。我们在真实世界数据集上的实验表明,ProxySR大大优于最先进的竞争对手,代理成功地模仿了用户的一般兴趣,没有任何用户相关的信息。
2021-07-08 cs.AI cs.IR
FINALLY: A Dataset Recommender System for Recommender-Systems Research
University of Siegen(锡根大学)
针对推荐系统研究中数据集选择缺乏系统工具的问题,提出FINALLY数据集推荐系统,通过多种策略和配置生成满足约束的数据集集合,实验验证了其技术一致性与策略有效性。
2026-09-09 cs.IR
AEFS: Adaptive Early Feature Selection for Deep Recommender Systems
Renmin University of China(中国人民大学);University of Science and Technology of China(中国科学技术大学);Tencent(腾讯)
针对大规模推荐系统中晚期特征选择导致嵌入层参数庞大低效的问题,提出AEFS方法,通过双模型架构在嵌入层前自适应选择特征,在匹配SOTA性能的同时将嵌入层激活参数减少37.5%。
2025-09-15 cs.IR
GORACS: Group-level Optimal Transport-guided Coreset Selection for LLM-based Recommender Systems
针对大语言模型推荐系统微调成本过高的问题,提出组级最优传输引导的核心集选择框架GORACS,通过代理优化目标和两阶段组级选择算法,在降低微调成本的同时实现了优于现有基线和全量训练的性能。
2025-06-04 cs.IR
Algorithm Selection for Recommender Systems via Meta-Learning on Algorithm Characteristics
University of Siegen Siegen Germany;University of Siegen \& Recommender-Systems.com Siegen Germany;University of Siegen;University of Siegen \& Recommender-Systems.com
针对推荐系统算法选择难题,提出利用用户元特征和从源代码自动提取的算法特征的逐用户元学习方法,在六个数据集上平均NDCG@10提升8.83%,优于单一最佳算法基线,并缩小了与理论最优选择器的差距。
2025-08-06 cs.IR cs.LG
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay(法国萨克利实验室);Soda Team(Soda团队)
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架,通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性,同时保持用户相关性。
2025-06-22 cs.AI cs.IR
TayFCS: Towards Light Feature Combination Selection for Deep Recommender Systems
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出轻量级特征组合选择方法 TayFCS,通过泰勒展开评分器和逻辑回归消除高效筛选高阶特征组合,在三个基准数据集和在线 A/B 测试中验证了其有效性与商业价值。
2025-07-05 cs.AI cs.IR
Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations
Helmholtz-Zentrum Dresden-Rossendorf e.V.(德累斯顿-罗斯多夫赫尔姆霍兹中心);Charles University(查理大学);AGH University of Kraków(克拉科夫AGH科技大学);Czech Technical University in Prague(布拉格捷克理工大学)
本文提出一种混合推荐框架,结合元数据驱动的案例相似性和矩阵补全协同推理,用于多相流模拟中的闭合模型选择,通过描述特征为新案例提供定制化模型推荐,并利用历史模拟结果提升推荐质量。
2026-04-10 cs.IR
CASP: Support-Aware Offline Policy Selection for Two-Stage Recommender Systems
Texas A\&M University(德克萨斯大学)
CASP通过结合双重鲁棒价值估计和支持负担惩罚,解决两阶段推荐系统中策略选择的可靠性问题,确保在价值估计和支撑可信度冲突时选择低负担策略。
2026-04-24 cs.IR cs.LG stat.ML
Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting
AIRI, HSE University(AIRI,俄罗斯伏尔加格勒国立大学)
提出基于协同重要性加权的特征选择策略,通过混合矩阵分解和最大体积算法排序特征,在冷启动推荐中以最少特征实现高准确度与高效率。
2025-08-08 cs.IR cs.LG
Deep Learning feature selection to unhide demographic recommender systems factors
Universidad Politécnica de Madrid(马德里理工大学)
从隐藏因素中提取人口特征是一个创新概念,提供了多种相关应用。矩阵分解模型生成的因子不包含语义知识。本文提出了一种基于深度学习的方法:DeepUnHide,能够从协同过滤推荐系统中的用户和项目因素中提取人口统计信息。所提出的方法的核心是基于梯度的定位在图像处理文献中使用,突出每个分类类的代表性地区。验证实验使用两个公共数据集和当前基线。结果表明,与最先进的特征选择方法相比,DeepUnHide在进行特征选择和人口统计分类方面具有优越性。相关的和直接的应用包括推荐解释,公平的协同过滤和推荐给用户群体。
2020-06-17 cs.CV cs.IR cs.LG
MvFS: Multi-view Feature Selection for Recommender System
NAVER Corporation(NAVER公司);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对推荐系统中特征选择偏向频繁特征的问题,提出多视图特征选择方法MvFS,利用多子网络网络和独立重要性评分策略,实现更均衡有效的特征选择,实验验证其优于现有基线。
2023-09-06 cs.IR cs.LG
Cross-Dataset Propensity Estimation for Debiasing Recommender Systems
Cornell University(康奈尔大学)
用于推荐系统训练的数据集往往会受到用户和商家选择偏差引起的分布偏移的影响。本文研究了选择偏差对不同量化数据集的影响。然后,我们利用来自不同源分布的两个不同量化的数据集,通过应用来自因果推理的逆概率评分方法来减轻分布偏移。从经验上讲,我们的方法比单数据集方法和组合两个数据集的替代方法获得了显着的性能改进。
2022-12-22 cs.IR cs.LG stat.ME
Training seeds and model-selection stability in recommender-system evaluation
Aalborg University(奥尔堡大学);Johannes Kepler University Linz(约翰开普勒林茨大学);ISISTAN, CONICET-UNCPBA(ISISTAN、CONICET-UNCPBA)
该研究通过固定数据划分、调整训练种子分析其对推荐系统评估的影响,发现种子变异可检测且会影响评估稳定性,建议将训练种子纳入评估协议。
2026-09-03 cs.IR cs.LG
FairFS: Addressing Deep Feature Selection Biases for Recommender System
University of Science and Technology of China(中国科学技术大学);Huawei Noah's Ark Lab(华为诺亚实验室)
FairFS通过正则化和聚合方法解决推荐系统中深度特征选择的层、基线和近似偏差问题,提升特征选择的准确性和效率。
2026-02-23 cs.IR cs.LG
Peeling Back the Layers: An In-Depth Evaluation of Encoder Architectures in Neural News Recommenders
University of Mannheim(曼海姆大学);University of Würzburg(维尔茨堡大学)
本文系统评估神经新闻推荐器中的主流新闻与用户编码器,从表示相似性、推荐列表重叠和整体性能三方面揭示复杂编码未必更优,为简化架构选择提供依据。
2024-10-02 cs.AI cs.IR
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify;Carnegie Mellon University(卡内基梅隆大学)
研究通过针对性数据选择缓解时间分布漂移导致的性能下降,采用梯度表示与分布匹配提升模型性能,实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
Feature Selection for Recommender Systems with Quantum Computing
Politecnico di Milano(米兰理工大学);ContentWise(ContentWise公司)
量子计算在几个科学领域开辟新的未探索的可能性的承诺已经讨论了很长时间,但直到最近,由于缺乏功能性量子计算机,这种讨论主要局限于理论算法论文。直到最近几年,小型但功能强大的量子计算机才被更广泛的研究界所使用。特别是一个范例,量子退火,可以用来采样的最佳解决方案的一些NP-硬优化问题与经典的运筹学工具,提供了一个方便的访问这种新兴技术的潜力。最自然地适合这个数学公式的任务之一是特征选择。在本文中,我们研究如何设计一个混合的特征选择算法的推荐系统,利用领域知识和行为隐藏在用户交互数据。我们将特征选择表示为优化问题,并在D-Wave提供的真实量子计算机上解决它。结果表明,所提出的方法在选择有限的一组重要特征方面是有效的,量子计算机正变得足够强大,可以进入更广泛的应用科学领域。
2021-10-11 cs.IR cs.LG quant-ph
RouteRec: Strict Evaluation of Recommender-Agent Selection and Aggregation
University of Birmingham(伯明翰大学)
研究在推荐系统异构代理选择中,RouteRec框架在成本约束下比较请求级硬选与项目级学习聚合,发现在MovieLens-1M数据集上,请求级选择粗糙,项目级聚合更有前景,不同聚合方式有不同效果。
2026-07-14 cs.CL cs.IR
Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System
Roblox
本文提出HIE和HDD两种无模型方法,用于识别推荐系统中驱动异质处理效应的特征,提升上下文多臂老虎机性能。
2025-11-30 cs.IR cs.LG stat.ML
Ensemble Boost: Greedy Selection for Superior Recommender Systems
本文提出基于 Greedy Ensemble Selection(GES)的推荐集成方法,融合十个模型的 top-k 结果生成 top-n 推荐,并在五个数据集上验证其显著优于最佳单一模型。
2024-07-07 cs.IR
A Model-based Multi-Agent Personalized Short-Video Recommender System
本文提出基于强化学习与协作式多智能体的短视频推荐框架,通过基于模型的学习缓解样本选择偏差,最大化用户观看时长,并已在数亿用户规模的平台上部署验证。
2024-05-03 cs.AI cs.IR
Auto-Surprise: An Automated Recommender-System (AutoRecSys) Library with Tree of Parzens Estimator (TPE) Optimization
Trinity College Dublin(都柏林圣三一学院)
我们介绍Auto-Surprise,一个自动推荐系统库。Auto-Surprise是Surprise推荐系统库的扩展,简化了算法选择和配置过程。与开箱即用的Surprise库相比,Auto-Surprise在使用MovieLens,Book Crossing和Jester Datasets进行评估时表现更好。它还可能导致选择具有显著较低运行时间的算法。与Surprise的网格搜索相比,Auto-Surprise在RMSE方面表现同样好或略好,并且在寻找最佳超参数方面明显更快。
2020-08-19 cs.IR cs.LG stat.ML
Meta-Learned Per-Instance Algorithm Selection in Scholarly Recommender Systems
推荐系统算法的有效性在不同的现实世界中是不同的。由于可用算法的数量以及它们不同的性能,很难为场景选择最佳算法。此外,不可能选择一个单一的算法,将最佳地为所有的推荐请求。我们将元学习应用于学术文章推荐的算法选择问题。我们训练随机森林、梯度提升机和广义线性模型,以从基于内容相似性的算法池中预测最佳算法。我们在离线数据集上评估我们的学术文章推荐方法,并尝试预测每个实例的最佳算法。与所有基本算法的平均F1相比,最佳元学习模型的F1平均增加了88%(F1; 0.0708 vs 0.0376),并且能够正确选择每个基本算法(配对t检验; p < 0.1)。与单一最佳基础算法相比,元学习器的F1高出3%(F1; 0.0739 vs 0.0717)。我们进一步对我们的方法进行在线评估,通过我们的推荐即服务平台Mr. DLib进行A/B测试。我们在2019年1月至3月期间向用户提供148 K建议。与随机选择算法相比,使用我们的元学习方法生成的推荐的用户参与度显着增加(点击率(CTR); 0.51% vs. 0.44%,卡方检验; p < 0.1),但是我们的方法并没有产生比单独的最佳算法更高的CTR(CTR; MoreLikeThis(Title):0.58%)。
2019-12-18 cs.DL cs.IR
One-at-a-time: A Meta-Learning Recommender-System for Recommendation-Algorithm Selection on Micro Level
推荐算法的有效性通常通过评估指标来评估,例如均方根误差,F1或点击率,在整个数据集上计算。通常基于这些总体度量来选择最佳算法。但是,对于所有用户、项目和上下文,没有单一的最佳算法。根据总体评价结果选择单一算法并不是最优的。在本文中,我们提出了一种基于元学习的方法来推荐,其目的是选择最好的算法,为每个用户项目对。我们使用MovieLens 100 K和1 M数据集来评估我们的方法。我们的方法(RMSE,100 K:0.973; 1 M:0.908)没有优于单一最佳算法SVD++(RMSE,100 K:0.942; 1 M:0.887)。我们还开发了元学习器之间的区别,操作每个实例(微观级别),每个数据子集(中级级别)和每个数据集(全局级别)。我们的评估表明,与使用的整体最佳算法相比,假设完美的微观元学习器将MovieLens 100 K和1 M数据集的RMSE提高25.5%。
2018-11-30 cs.IR
Intelligent Algorithm Selection for Recommender Systems: Meta-Learning via in-depth algorithm feature engineering
Abstract Intelligent Systems Group University of Siegen(摘要智能系统组 柏林西格恩大学)
本研究通过为推荐算法构建深度特征集,结合元学习进行算法选择,发现算法特征虽提升Top-1选择准确率,但整体性能仍受限于用户特征主导,NDCG@10未显著提升。
2025-09-24 cs.IR cs.LG
MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);National University of Singapore(新加坡国立大学)
推荐系统通常面对包含高度个性化的用户历史数据的异构数据集,其中没有单个模型可以为每个用户提供最佳推荐。我们在公共和私人数据集上观察到这种普遍存在的现象,并解决了模型选择问题,以优化每个用户的推荐质量。我们提出了一个元学习框架,以促进推荐系统中的用户级自适应模型选择。在这个框架中,使用来自所有用户的数据来训练一个模型选择器的集合,在此基础上,通过元学习来训练模型选择器,以便使用用户特定的历史数据为每个用户选择最佳的单个模型。我们在两个公共数据集和一个真实的生产数据集上进行了广泛的实验,证明我们提出的框架在AUC和LogLoss方面比单个模型基线和样本级模型选择器有所改进。特别是,这些改进可能会导致巨大的利润增长时,部署在在线推荐系统。
2020-05-05 cs.IR cs.LG stat.ML
Towards the D-Optimal Online Experiment Design for Recommender Selection
Walmart Labs(沃尔玛实验室);Instacart
通过在线探索-开发来选择最佳推荐器越来越受到人们的关注,传统的A/B测试速度慢且成本高,离线评估容易受到历史数据的影响。找到最佳的在线实验是不平凡的,因为用户和显示的建议都带有上下文特征,这些特征对奖励来说是信息性的。虽然这个问题可以通过多武装匪徒的镜头正式化,现有的解决方案被发现不太令人满意,因为一般的方法不占案件的具体结构,特别是我们研究的电子商务建议。为了填补这一空白,我们利用经典统计文献中的\emph{D-optimal design}来实现探索过程中的最大信息增益,并揭示它如何与在线推理的现代基础设施无缝匹配。为了证明最优设计的有效性,我们提供了半合成模拟研究,并提供了已发布的代码和数据,以实现再现性。然后,我们使用我们在Walmart.com上的部署示例来充分说明所提出的方法的实际见解和有效性。
2022-03-26 cs.IR cs.LG stat.ML
Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems
针对推荐系统中现有去偏差方法仅考虑单因素的问题,本研究提出一种受物品和评分值共同影响的多因素选择偏差纠正方法,并采用平滑和交替梯度下降技术降低估计方差,在真实与合成数据集上证明了其比单因素方法更有效且鲁棒。
2024-04-29 cs.IR
VideolandGPT: A User Study on a Conversational Recommender System
RTL Nederland B.V.(RTL荷兰公司);Maastricht University(马斯特里赫特大学)
本文提出基于ChatGPT的VideolandGPT对话式推荐系统,通过用户偏好和个性化候选选择提升推荐效果,用户研究表明个性化版本在准确性和满意度上更优,但两者在公平性上存在不一致问题。
2023-09-07 cs.AI cs.IR
Theoretically Accurate Regularization Technique for Matrix Factorization based Recommender Systems
正则化是解决机器学习算法过拟合问题的一种常用技术。大多数正则化技术依赖于正则化系数的参数选择。插入法和交叉验证法是岭回归、Lasso回归和核回归等回归方法中最常用的两种参数选择方法。基于矩阵分解的推荐系统也严重依赖于正则化技术。大多数人选择单个标量值来独立或共同正则化用户特征向量和项目特征向量。在本文中,我们证明了这种选择正则化系数的方法是无效的,我们提供了一个理论上准确的方法,优于最广泛使用的方法在准确性和公平性指标。
2022-05-21 cs.IR cs.LG
Skellam Rank: Fair Learning to Rank Algorithm Based on Poisson Process and Skellam Distribution for Recommender Systems
针对推荐系统存在的选择、曝光、流行度等偏差问题,提出基于泊松过程与Skellam分布的公平排序学习算法Skellam Rank,其准确率具竞争力且公平性显著优于现有算法。
2023-06-11 cs.IR
Are Quantum Computers Practical Yet? A Case for Feature Selection in Recommender Systems using Tensor Networks
Skolkovo Institute of Science and Technology(斯科尔科沃科技学院);IE University(IE大学);Artificial Intelligence Research Institute(人工智能研究院)
协同过滤模型通常比基于内容的过滤模型性能更好,并且不需要仔细的特征工程。然而,在冷启动场景中,协作信息可能是稀缺的或甚至不可用的,而内容信息可能是丰富的,但是也是嘈杂的并且获取起来昂贵。因此,选择特定的功能,提高冷启动建议成为一个重要的和不平凡的任务。在Nembini等人最近的方法中,特征选择由协作模型和基于内容的模型之间的相关兼容性驱动。该问题被公式化为二次无约束二进制优化(QUBO),由于其NP-困难的复杂性,在D-Wave提供的量子计算机上使用量子退火来解决。受报告结果的启发,我们认为当前的量子退火机在这个问题上更优越,而是专注于经典算法。特别是,我们通过TTOpt来解决QUBO问题,TTOpt是最近提出的一种基于张量网络和多线性代数的黑盒优化器。我们展示了这种方法对于具有数千个特征的大型问题的计算可行性,并根据经验证明,在所有检查的数据集上,找到的解决方案与使用D-Wave获得的解决方案相当。
2022-05-12 cs.IR cs.LG
u-cf2vec: Representation Learning for Personalized Algorithm Selection in Recommender Systems
协同过滤(CF)已经成为解决推荐系统(RS)问题的标准方法。协同过滤算法试图通过收集多个用户的个人兴趣来预测用户的兴趣。有多种CF算法,每种算法都有自己的偏差。机器学习从业者必须事先为每个任务选择最佳算法。在推荐系统中,不同的算法对于同一数据集内的不同用户具有不同的性能。Meta Learning(MtL)已经被用于为给定问题选择最佳算法。Meta Learning通常用于为整个数据集选择算法。使其适应于为RS中的单个用户选择算法涉及几个挑战。最重要的是元特征的设计,在典型的Meta学习中,元特征表征数据集,而在这里,它们必须表征单个用户。这项工作提出了一个新的元学习为基础的框架命名为$μ$ -cf2 vec为每个用户选择最好的算法。我们建议使用表示学习技术来提取元特征。表示学习试图提取可以在其他学习任务中重用的表示。在这项工作中,我们还使用不同的强化学习技术来实现框架,以评估哪一种技术对解决这一任务更有用。在Meta级别,Meta学习模型将使用元特征来提取知识,这些知识将用于为每个用户预测最佳算法。我们使用MovieLens 20 M数据集评估了该框架的实现。我们的实现在Meta级别上取得了一致的收益,然而,在基础级别上,我们只取得了边际收益。
2021-03-09 cs.IR
Exploring Data Splitting Strategies for the Evaluation of Recommendation Models
有效的方法来评估推荐系统是至关重要的,这样的系统可以在一个健全的方式进行比较。推荐系统评估的一个通常被忽视的方面是数据分割策略的选择。在本文中,我们都表明,没有标准的分裂策略,分裂策略的选择可以有很大的影响排名的推荐系统。特别是,我们进行了实验,比较了三种常见的分割策略,研究了它们对两个数据集的七种最先进的推荐模型的影响。我们的研究结果表明,所采用的分裂策略是一个重要的混杂变量,可以显着改变国家的最先进的系统的排名,使许多目前发表的文献不可比,即使使用相同的数据集和指标。
2020-07-26 cs.IR
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
AutoML for Deep Recommender Systems: A Survey
推荐系统在信息过滤中发挥着重要作用,并已被用于不同的场景,如电子商务和社交媒体。随着深度学习的兴起,深度推荐系统通过捕捉非线性信息和项目-用户关系表现出了优越的性能。然而,深度推荐系统的设计严重依赖于人类经验和专家知识。为了解决这个问题,引入了自动机器学习(AutoML)来自动搜索深度推荐系统不同部分的合适候选人。本调查对这一领域的文献进行了全面的回顾。首先,我们提出了AutoML深度推荐系统(AutoRecSys)的抽象概念,描述了它的构建块,并将其与传统的AutoML技术和推荐系统区分开来。其次,我们提出了一个分类法作为一个分类框架,包含特征选择搜索,嵌入维搜索,特征交互搜索,模型架构搜索,和其他组件搜索。此外,我们特别强调了搜索空间和搜索策略,因为它们是连接每个类别中所有方法的共同线索,使从业者能够分析和比较各种方法。最后,我们提出了四个未来有前途的研究方向,将导致这条研究线。
2023-01-02 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法,如协同过滤,只依赖于用户和项目之间的相似性,根据用户的偏好提供推荐。然而,协同过滤可能会导致提供差的推荐,因为它不依赖于其他有用的可用数据,如用户的位置,因此,建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的,例如电影推荐系统。为了提高推荐的准确性和质量,本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中,用户的位置已被利用,并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验,讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
A Payload Optimization Method for Federated Recommender Systems
National University of Computer and Emerging Technology(国立计算机与新兴技术大学);Huawei Technologies Oy (Finland) Co. Ltd(华为技术(芬兰)有限公司);ComparablesAI Oy
介绍了一种用于联邦推荐系统的有效负载优化方法。在联邦学习(FL)中,在服务器和用户之间移动的全局模型有效负载取决于要推荐的项目的数量。当项目数量增加时,模型有效负载也会增加。如果FRS在生产模式下运行,则这对它来说是一个挑战。为了解决有效载荷的挑战,我们制定了一个多臂强盗解决方案,选择了部分全球模型,并将其传输给所有用户。选择过程由一种新的适合FL系统的奖励函数指导。据我们所知,这是第一个寻求解决项目相关有效载荷的优化方法。使用三个基准推荐数据集对该方法进行了评估。实证验证证实,所提出的方法优于简单的方法,不受益于土匪的项目选择的目的。此外,我们已经证明了我们提出的方法的实用性,通过严格评估的有效载荷减少的建议性能下降的影响。我们的方法实现了高达90%的减少模型负载,产生只有$\sim$ 4%-8%的损失,在高度稀疏的数据集的推荐性能
2021-07-27 cs.AI cs.IR cs.LG
iHAS: Instance-wise Hierarchical Architecture Search for Deep Learning Recommendation Models
本文提出实例级分层架构搜索框架 iHAS,通过搜索、聚类和重训练三阶段为不同实例自动优化嵌入维度,有效解决了推荐系统中统一嵌入维度导致的过拟合与高成本问题。
2023-09-14 cs.IR
Context-aware adaptive personalised recommendation: a meta-hybrid
Slovak University of Technology(斯洛伐克工业大学);Kempelen Institute of Intelligent Technologies(凯姆佩伦智能技术研究所)
本文提出一种元混合推荐方法,利用机器学习根据用户上下文和偏好动态选择最优推荐算法,在MovieLens和The Movie DB上理论性能比单一方法提升20-50%。
2024-10-17 cs.AI cs.IR
The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems
Northwestern Kellogg(凯洛格商学院);University College London(伦敦大学学院);University of Minnesota - Twin Cities(明尼苏达大学双城校区)
本文在 MovieLens 平台收集用户对未体验项目的信念数据,构建结合评分、信念与推荐的数据集,以支持分析无推荐时的用户选择、衡量推荐效果并原型化利用信念数据的算法。
2024-08-02 cs.AI cs.HC cs.IR
Informed Dataset Selection
针对推荐系统研究中数据集选择依赖流行度、缺乏系统方法的问题,研究团队开发了实现APS框架的APS Explorer工具,通过多算法多指标分析数据集并引入分类与距离度量,推动数据集选择转向循证实践。
2025-09-30 cs.IR
Dynamic Embedding Size Search with Minimum Regret for Streaming Recommender System
City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);The Chinese University of Hong Kong(香港中文大学)
该研究将流式推荐中的动态嵌入维度搜索建模为 bandit 问题,提出 DESS 方法,以非平稳方式最小化用户与物品两侧的选择遗憾,并在理论和四个公开数据集上验证其性能、内存与时间优势。
2023-08-15 cs.AI cs.IR
Selection and Exploitation of High-Quality Knowledge from Large Language Models for Recommendation
针对LLM生成知识存在的幻觉、冗余和同质化问题,提出KSER框架,通过知识过滤模块(ESFNet)和嵌入空间对齐模块选择并利用高质量知识,并设计了两种训练策略,有效提升了推荐系统性能。
2025-08-10 cs.AI cs.IR
Do Evidence-Reading Diagnostics Improve Interface Selection in Small LLM Recommenders?
本研究通过行为测试评估证据阅读诊断特征是否有助于选择小型LLM推荐接口,实验显示这些特征未显著提升NDCG@5,但相似用户证据可改善提示效果。
2026-09-30 cs.IR cs.LG
Recommendation with User Active Disclosing Willingness
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
推荐系统已经在大量的实际应用中得到了部署,深刻地影响着人们的日常生活和生产,传统的推荐模型大多收集尽可能全面的用户行为信息,以便进行准确的偏好估计。然而,考虑到隐私、偏好形成和其他问题,用户可能不希望公开他们用于训练模型的所有行为。在本文中,我们研究了一种新的推荐模式,其中允许用户表示他们的“意愿”披露不同的行为,并通过权衡推荐质量以及违反用户的“意愿”的优化模型。更具体地说,我们将推荐问题公式化为多人游戏,其中动作是表示项目是否参与模型训练的选择向量。为了有效地解决这一问题,本文设计了一种基于影响函数的推荐质量优化算法,降低了搜索推荐质量的时间开销,并将其扩展为多个锚点选择向量,通过大量的实验验证了该模型在平衡推荐质量和用户披露意愿方面的有效性。
2022-10-25 cs.AI cs.IR
MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation
NCSOFT Co.(NCsoft公司)
本文提出了一个推荐系统,以减轻冷启动问题,可以估计用户的喜好,只有少量的项目。为了在冷态下识别用户的偏好,现有的推荐系统,如Netflix,最初向用户提供项目;我们称这些项目为证据候选人。然后根据用户选择的项目进行推荐。以前的推荐研究有两个局限性:(1)消费了几个项目的用户推荐效果不佳;(2)用于识别用户偏好的候选证据不足。我们提出了一个基于元学习的推荐系统MeLU来克服这两个限制。从元学习,它可以快速采用新的任务与几个例子,MeLU可以估计新用户的偏好与一些消费项目。此外,我们提供了一个证据候选人选择策略,确定定制的偏好估计区分项目。我们用两个基准数据集对MeLU进行了验证,所提出的模型比两个比较模型在数据集上的平均绝对误差减少了至少5.92%。我们还进行了一个用户研究实验,以验证证据选择策略。
2019-07-31 cs.AI cs.IR cs.LG