UniRank: Unified List-wise Reranking via Confidence-Ordered Denoising
City University of Hong Kong(香港城市大学);Kuaishou Technology(快手科技)
UniRank通过结合自回归和非自回归方法,利用置信度有序去噪实现更高效的列表级重排序,实验显示其在多个数据集上均优于现有方法。
2026-05-11 cs.IR
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
Dual-Rerank: Fusing Causality and Utility for Industrial Generative Reranking
Kuaishou Technology(快手科技);Unaffiliated(无单位)
本文提出Dual-Rerank框架,通过序列知识蒸馏解决结构矛盾,利用列表式解耦重排优化解决优化差距,提升重排效率与用户满意度。
2026-04-08 cs.IR cs.LG
Efficient Personalized Reranking with Semi-Autoregressive Generation and Online Knowledge Distillation
University of Science and Technology of China(中国科学技术大学);Huawei(华为);Shanghai Jiao Tong University(上海交通大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出PSAD框架,通过半自动生成与在线知识蒸馏提升个性化重排序的效率和性能。
2026-03-07 cs.AI cs.IR
Breaking the Likelihood Trap: Consistent Generative Recommendation with Graph-structured Model
Peking University(北京大学);Kuaishou Technology(快手科技)
针对重排序中似然陷阱导致序列重复且质量低的问题,提出CONGRATS方法,通过图结构模型扩展解码空间并显式建模物品依赖,结合一致性可微训练直接学习用户偏好,显著提升推荐质量与多样性。
2026-06-03 cs.IR
Non-autoregressive Generative Models for Reranking Recommendation
Kuaishou Technology(快手科技);Peking University(北京大学);Tsinghua University(清华大学)
提出非自回归生成模型NAR4Rec用于推荐重排序,通过匹配模型、序列级不相似性训练和对比解码提升效率与效果,离线实验和在线测试验证其优越性,已在快手全面部署。
2025-03-25 cs.AI cs.IR
uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking
University of Amsterdam(阿姆斯特丹大学)
提出结合学习型稀疏检索与基于 LLM 的重排序和生成的多轮检索增强生成流水线,用于跨四个领域的对话系统,有效处理不可回答查询。
2026-06-11 cs.CL cs.IR
From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space
City University of Hong Kong(香港城市大学);Kuaishou Technology(快手科技);University of California San Diego(加利福尼亚大学圣地亚哥分校)
本文提出GloRank框架,通过生成全局标识符替代局部索引选择,解决推荐系统重排序中动作空间语义不一致的问题,实验表明其在基准和工业数据上均优于现有方法。
2026-04-28 cs.IR
SQUARE: Semantic Query-Augmented Fusion and Efficient Batch Reranking for Training-free Zero-Shot Composed Image Retrieval
National Sun Yat-sen University(国立中山大学)
本研究提出免训练两阶段框架SQUARE,通过MLLM生成描述增强查询嵌入、批量候选联合推理重排序,在四个CIR基准上取得优异零样本检索性能,轻量模型下仍表现良好。
2025-09-30 cs.CV cs.IR
Seasonality Based Reranking of E-commerce Autocomplete Using Natural Language Queries
Walmart Global Tech(沃尔玛全球技术)
本文提出基于神经网络NLP算法,将季节性信号纳入电商查询自动补全排序模型,端到端评估表明该方法提升了补全相关性与业务指标。
2023-08-03 cs.CL cs.IR cs.LG
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore(新加坡国立大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Singapore Management University(新加坡管理大学)
本文提出CARE框架,结合外部推荐系统和LLM进行上下文适应,提升对话推荐的准确性,实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
PIANO: Personalized Reranking via Information Aggregation Node for Music Search Optimization
NetEase Cloud Music(网易云音乐)
提出PIANO框架,通过查询驱动兴趣精炼器对齐用户历史与当前意图,并利用信息聚合节点在列表级别联合优化点击率和转化率,在网易云音乐上实现CTR+0.62%和CVR+4.45%的提升。
2026-06-16 cs.IR
Rank1: Test-Time Compute for Reranking in Information Retrieval
Johns Hopkins University(约翰霍普金斯大学)
Rank1利用测试时计算训练重排序模型,通过蒸馏推理语言模型(如R1)生成60万推理轨迹,实现最先进性能、分布外泛化及可解释推理链,并支持量化压缩。
2025-08-08 cs.CL cs.IR cs.LG
PSG: Pair-Space Generation for Efficient Generative Reranking
Kuaishou Tech(快手科技)
针对自回归生成式推荐重排序的局限,提出对空间生成(PSG)方法,理论上可提升生成速度与次优性,在快手部署后实现每用户停留时间0.178%的提升。
2026-07-30 cs.IR
Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan
Meituan(美团)
本文提出NSGR树基生成重排方法,通过分层生成和多尺度邻居损失提升推荐列表质量,已在美团餐饮平台部署。
2026-04-07 cs.IR
Ocean4Rec: Offline LLM-Derived OCEAN Profiles for Request-Time VOD Reranking
Samsung Electronics Republic of Korea(韩国三星电子公司);Samsung Electronics India(印度三星电子公司)
提出Ocean4Rec重排序层,利用LLM离线生成物品OCEAN画像,在请求时无需LLM调用,通过数值计算提升VOD推荐性能。
2026-05-22 cs.AI cs.IR
Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Roblox(罗布乐思公司);Columbia University(哥伦比亚大学);University of California, San Diego(加州大学圣地亚哥分校)
针对Roblox游戏推荐因文本特征稀疏不一致导致的内容差距问题,提出基于LLM的游戏档案生成与重排序方法,生成结构化游戏属性并验证其有效性,提升推荐相关性且已部署至生产环境。
2025-02-01 cs.AI cs.CL cs.IR
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
Bilibili Inc(哔哩哔哩公司)
本文提出一种面向约束的生成重排框架,通过整合序列生成与奖励估计,提升广告流中多目标优化的效率与效果。
2026-03-04 cs.IR
Denoising Neural Reranker for Recommender Systems
University of Science and Technology of China(中国科学技术大学);Kuaishou Technology(快手科技)
本文提出了一种去噪神经重排器(DNR),通过利用前一阶段的检索分数来改进推荐系统的两阶段检索重排框架,通过去噪、对抗训练和分布正则化等方法提升推荐效果。
2026-05-17 cs.IR
RIA: A Ranking-Infused Approach for Optimized listwise CTR Prediction
Beijing University of Posts and Telecommunications(北京邮电大学)
RIA提出一种融合排名的端到端框架,通过整合点评和列表级评估,提升CTR预测性能并优化效率。
2025-11-26 cs.AI cs.IR
Leveraging User Behavior History for Personalized Email Search
一个有效的电子邮件搜索引擎可以方便用户的搜索任务,提高他们的沟通效率。用户可能对电子邮件的各种排名信号有不同的偏好,例如基于他们手头的任务甚至他们的工作的相关性和新近度。因此,统一的匹配模式对于所有用户来说不是最佳的。相反,一个有效的电子邮件排名应该进行个性化的排名,考虑到用户的特点。已有的研究从不同的角度探索用户特征,使电子邮件搜索结果个性化。然而,很少关注用户的搜索历史来描述用户的特征。虽然用户的历史行为已被证明是有益的,作为上下文在Web搜索中,他们的电子邮件搜索的效果还没有被研究,仍然是未知的。鉴于这些观察,我们建议利用用户搜索历史作为查询上下文来描述用户,并建立一个上下文感知的电子邮件搜索排名模型。与以前基于原始文本的上下文相关排名技术相比,我们在搜索历史中使用排名功能。这使我们免于潜在的隐私泄露,同时为看不见的用户提供更好的泛化能力。因此,我们提出了一个上下文相关的神经排名模型(CNRM),编码的排名功能,在用户的搜索历史查询上下文,并表明它可以显着优于基线神经模型,而不使用上下文。我们还调查了从CNRM获得的查询上下文向量对最先进的学习排名模型LambdaMart通过聚类向量和合并聚类信息的好处。实验结果表明,在LambdaMart上也能获得明显更好的结果,表明查询聚类能够表征不同用户,有效地实现了排序模型的个性化。
2021-03-17 cs.IR
Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
Korea University(高丽大学);KT Corporation(KT公司)
针对LLM推荐系统中物品侧信息利用不足的问题,提出CAIRO框架,通过结构化元数据、轻量级画像器生成上下文特异性物品画像,提升了LLM重排序性能。
2026-08-24 cs.AI cs.CL cs.IR
GRN: Generative Rerank Network for Context-wise Recommendation
重新排序在推荐系统中引起了越来越多的关注,它将输入的排序列表重新排列成最终的排序列表,以更好地满足用户的需求。大多数现有的方法通过逐点或列表模型的评分对候选人进行重新排序。尽管有效,忽略了每个项目和它的上下文之间的相互影响,在最终的排名列表往往使贪婪的策略为基础的重排序方法次优。在这项工作中,我们提出了一个新的上下文明智的重排名框架命名为生成重排名网络(GRN)。具体来说,我们首先设计了评估器,它应用Bi-LSTM和自我注意力机制对带标签的最终排名列表中的上下文信息进行建模,更精确地预测每个项目的交互概率。然后,我们详细介绍了生成器,配备了GRU,注意力机制和指针网络,从输入的排名表中逐步选择项目。最后,我们应用交叉熵损失训练评估器,并随后,策略梯度,以优化生成器的指导下,评估器。实证结果表明,GRN一致和显着优于国家的最先进的逐点和列表的方法。此外,在淘宝应用的一个热门推荐场景中成功部署后,GRN在PV和IPV指标上分别实现了5.2%和6.1%的性能提升。
2021-04-07 cs.IR
GReF: A Unified Generative Framework for Efficient Reranking via Ordered Multi-token Prediction
Shanghai University(上海大学);Emory University(埃默里大学)
针对多阶段推荐中重排序两阶段范式存在的端到端训练难、自回归推理效率低的问题,提出统一生成式框架GReF,结合Gen-Reranker、Rerank-DPO后训练与OMTP机制,实现性能与效率兼具的重排序,已在快手落地并提升推荐效果。
2025-10-29 cs.AI cs.IR cs.LG
Enriching User Shopping History: Empowering E-commerce with a Hierarchical Recommendation System
Istanbul Technical University(伊斯坦布尔理工大学);ITU AI Research and Application Center(伊斯坦布尔理工大学AI研究与应用中心)
针对用户跨平台购物导致历史不完整的问题,提出分层推荐系统,先预测缺失历史再推荐,显著提升NDCG@10和HR@10。
2024-03-15 cs.AI cs.IR
Beyond Positive History: Re-ranking with List-level Hybrid Feedback
针对重排序仅利用物品级正反馈的问题,提出 RELIFE,通过解耦兴趣、序列偏好混合和比较感知模式提取建模列表级混合反馈,并以对比学习对齐历史与候选列表模式,显著超越现有 SOTA 基线。
2024-10-28 cs.IR
Long-History User Transformers for Real-Time Ad Ranking
Yandex;Yandex, Applied AI Institute(Yandex 应用人工智能研究所)
研究如何解决在线广告中长交互历史与快速服务约束的冲突,采用离线变换器异步编码历史并缓存,运行时模型结合缓存与最新事件,经预训练和微调,提升了广告排名指标和收入,且不增加延迟。
2026-07-17 cs.IR
Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
在现代电子商务中,顾客的行为包含着丰富的信息,消费习惯,偏好的动态。最近,基于会话的推荐越来越流行,以探索客户的交互行为的时间特性。然而,现有的研究主要是利用短期行为,没有充分考虑客户的长期稳定的偏好和演变。在本文中,我们提出了一种新的行为密集型神经网络(BINN)的下一个项目推荐结合用户的历史稳定的偏好和目前的消费动机。具体来说,BINN包含两个主要组件,即,神经项目嵌入和区分行为学习。首先,提出了一种基于用户交互的项目嵌入方法,以获得每个项目的统一表示。然后,通过嵌入的项目和项目序列上的交互行为,BINN有区别地学习目标用户的历史偏好和当前动机。因此,BINN可以更好地为目标用户推荐下一个项目。最后,为了评估BINN的性能,我们在两个真实世界的数据集上进行了广泛的实验,即,天池和JD.实验结果清楚地证明了BINN的有效性与几个国家的最先进的方法相比。
2018-08-03 cs.IR
Repository-level Code Search with Neural Retrieval Methods
针对仓库级代码搜索任务,提出结合BM25提交消息检索与CodeBERT神经重排序的多阶段系统,利用提交历史辅助漏洞修复,在7个开源仓库数据集上较BM25基线的MAP、MRR和P@1提升达80%,助力LLM智能体代码理解。
2025-02-10 cs.IR
HistLLM: A Unified Framework for LLM-Based Multimodal Recommendation with User History Encoding and Compression
HistLLM提出统一多模态推荐框架,通过用户历史编码模块将多模态交互压缩为单令牌表示,提升LLM处理用户偏好的效率与准确性。
2025-04-22 cs.IR cs.MM
Leveraging Search History for Improving Person-Job Fit
人岗匹配作为在线招聘平台的核心技术,可以通过将职位与合格候选人准确匹配来提高招聘效率。然而,现有的研究主要集中在推荐场景,而忽略了另一个重要的渠道,连接职位与求职者,即搜索。直观地说,搜索历史包含了丰富的用户求职行为,是用户求职意向的重要证据。本文提出了一种新的搜索历史增强的人-职匹配模型SHPJF。为了利用职位/简历中的文本内容和用户的搜索历史记录,我们提出了两个具有不同用途的组件。对于文本匹配部分,我们设计了一个基于BERT的文本编码器,用于捕获简历和职位描述之间的语义交互。对于意图建模组件,我们设计了基于Transformer架构的两种意图建模方法:基于点击序列的意图建模和基于查询文本序列的意图建模。为了捕捉潜在的工作意图,我们进一步提出了一个意图聚类技术,以识别和总结的主要意图从搜索日志。在一个大型真实招聘数据集上的大量实验证明了我们方法的有效性。
2022-03-27 cs.IR
Developing a Visual Interactive Search History Exploration System
当用户在系统内搜索时,他们进行不同的查询并检查各种结果。这些对象形成了一个隐式的个人图书馆,代表所获得的知识。在我们的研究中,我们的目标是为用户提供可视化的搜索历史和交互方法来组织历史。最根本的问题是搜索历史探索在用户搜索过程中可以发挥什么作用。在本文中,我们想介绍一个原型系统的搜索历史探索的思想和讨论的方法来解决上述问题。
2013-11-04 cs.HC cs.IR
Efficient user history modeling with amortized inference for deep learning recommendation models
LinkedIn Corporation(领英公司)
针对DLRM中Transformer用户历史建模延迟高的问题,通过将候选物品追加到历史列表末尾的早期融合方式,适配摊销推理算法M-FALCON,在保证效果的同时降低30%推理延迟,已在LinkedIn相关场景部署。
2024-12-09 cs.IR cs.LG
DV365: Extremely Long User History Modeling at Instagram
Meta Platforms, Inc.(Meta平台公司);OpenAI;Independent(独立研究者)
本研究提出基于离线嵌入的超长用户历史建模方案 DV365,通过多切片与摘要化策略生成高泛化用户表示,最高支持 70,000 历史长度,在 Instagram 和 Threads 的 15 个模型中上线并产生重大增量影响。
2025-05-31 cs.IR cs.LG
User Behavior Retrieval for Click-Through Rate Prediction
点击率(CTR)预测在现代在线个性化服务中起着关键作用。在实际应用中,有必要通过对用户的连续行为建模来捕捉用户的兴趣漂移,从而建立准确的点击率预测模型。然而,随着用户在平台上积累越来越多的行为数据,序列模型利用每个用户的整个行为历史变得不平凡。首先,直接输入长的行为序列将使在线推理时间和系统负载变得不可行。第二,在如此长的历史中有很多噪声使顺序模型学习失败。当前的工业解决方案主要截断序列,并且仅将最近的行为馈送到预测模型,这导致诸如周期性或长期依赖性的序列模式没有嵌入最近的几个行为中,而是嵌入很久以前的历史中的问题。为了解决这些问题,在本文中,我们认为它从数据的角度,而不仅仅是设计更复杂的模型,并提出了用户行为检索CTR预测(UBR4CTR)框架。在UBR4CTR中,最相关和最合适的用户行为将首先使用可学习的搜索方法从整个用户历史序列中检索。然后,这些检索到的行为被输入到一个深度模型中,以进行最终预测,而不是简单地使用最近的行为。将UBR4CTR应用于工业模型管道具有很高的可行性和较低的成本。三个真实世界的大规模数据集上的实验证明了我们提出的框架和模型的优越性和有效性。
2020-05-28 cs.IR
UnifiedSSR: A Unified Framework of Sequential Search and Recommendation
提出统一框架UnifiedSSR,通过双分支网络联合学习搜索与推荐场景的用户行为历史,并设计面向意图的会话建模模块捕捉动态意图,在三个数据集上显著优于现有方法。
2023-10-21 cs.IR
When LLM-Inferred User Context Adds Value in Production Streaming Recommendation
DePaul University(迪波大学);Comcast Technology AI(康卡斯特技术AI)
本研究在生产级流式推荐中评估LLM生成与聚合用户画像,发现其优劣取决于消费模式,建议按模式选择策略。
2026-10-01 cs.IR
Robustness and User-Perceived Value of Popularity Calibration in Music Recommendation: A User Study
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);Jönköping University(延雪平大学);Know-Center GmbH(Know-Center有限公司);Know Center Research GmbH(Know Center研究有限公司);University of Graz(格拉茨大学);Graz University of Technology(格拉茨工业大学);Linz Institute of Technology(林茨理工学院)
该研究通过用户实验探究音乐推荐中流行度校准的感知价值与鲁棒性,发现用户能感知不同流行度构成的列表差异但不偏好校准型,且JSD与感知流行度的关联受多种因素影响,计算与用户判断的流行度标签契合度弱。
2026-08-07 cs.IR
Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerceRecommendations
许多电子商务网站使用推荐系统或个性化排名来个性化搜索结果。然而,很大一部分用户没有预先的交互,使得不可能使用协同过滤或依赖用户历史进行个性化。即使是最活跃的用户也可能一年只访问几次,并且可能有不稳定的需求或不同的人物角色,这使得他们的个人历史充其量只是一个稀疏和嘈杂的信号。本文研究了当我们不能依赖于用户历史记录时,其他用户交互的大规模可用性仍然允许我们从上下文数据中构建有意义的配置文件,以及这些上下文配置文件是否有助于定制排名,例如来自主要在线旅行代理Booking.com的数据。我们的主要发现有三个方面:首先,我们从典型的电子商务应用程序的角度来描述连续冷启动问题(CoCoS)。第二,由于在典型的现实世界应用中没有明确的情境上下文,因此大规模使用的事务日志中的隐式线索可以捕获情境上下文的基本特征。第三,可以离线创建上下文用户简档,从而与单个巨大的非上下文模型相比,产生一组较小的模型,使得上下文排名可用,CPU和内存占用可以忽略不计。最后,我们得出结论,在对实时用户的在线A/B测试中,我们的上下文排名器在非上下文基线上大幅提高了用户参与度,点击率(CTR)提高了20%。这清楚地证明了上下文用户简档在真实应用程序中的价值。
2016-07-26 cs.IR
Adapting Generative Recommenders for Multi-Turn Interaction
National Taiwan University(国立台湾大学);Johns Hopkins University(约翰斯·霍普金斯大学)
提出INTEGER,通过路由令牌、历史重新锚定和行为回放,将生成式推荐扩展到多轮对话,在保持准确性的同时提升交互质量,并在Amazon数据集上显著提升Hit@10。
2026-10-07 cs.IR
ChronicleRec: Pre-training Temporally Anchored Tokens for Lifelong User Modeling
Tencent Inc.(腾讯);University of New South Wales(新南威尔士大学)
ChronicleRec通过预训练时间锚定令牌,将超长用户行为序列压缩为有序摘要,解耦终身建模与在线评分,在工业推荐中提升效果。
2026-09-14 cs.IR
Multi-trends Enhanced Dynamic Micro-video Recommendation
内容共享平台上爆炸式生成的微视频要求推荐系统能够轻松地进行个性化微视频发现。微视频推荐的最新进展在基于历史行为挖掘用户当前偏好方面取得了显着的性能。然而,大多数的推荐系统忽略了用户偏好的动态性和时变性,利用历史挖掘的偏好预测未来的微视频可能会降低推荐系统的有效性。在本文中,我们提出了DMR框架显式建模动态多趋势的用户的当前偏好,并作出预测的基础上的历史和未来的潜在趋势。设计了DMR框架,该框架包括:1)隐式用户网络模块,用于识别具有相似兴趣的其他用户的序列片段,并提取在时间顺序上位于所识别的片段之后的序列片段; 2)多趋势路由模块,用于将所提取的每个序列片段分配到一个趋势组中,并更新相应的趋势向量; 3)历史-未来趋势预测模块联合使用历史偏好向量和未来趋势向量来产生最终点击率。我们在两个公开的真实世界数据集上验证了DMR在多个最先进的微视频播放器上的有效性。比较广泛的分析进一步证明了动态多趋势建模在微视频推荐中的优越性。
2021-10-08 cs.IR
Music Recommendation System for Million Song Dataset Challenge
本文描述了一个在百万歌曲数据集挑战赛中获得第八名的系统。给定100万用户的完整收听历史和110000用户的一半收听历史,参与者应该预测缺失的一半。该系统采用基于记忆的协同过滤方法和基于用户的相似度。MAP@500评分为0.15037。
2012-09-17 cs.IR cs.SI
Sequential recommendation with metric models based on frequent sequences
INSA Lyon(里昂国立应用科学学院);CNRS(法国国家科学研究中心);LIRIS UMR5205;Visiativ;Université Lyon1(里昂第一大学)
建模用户偏好(长期历史)和用户动态(短期历史)是建立高效的顺序推荐系统的最重要的。挑战在于成功地结合整个用户的历史和他最近的行动(顺序动态),以提供个性化的建议。现有的方法捕获顺序动态的用户使用固定顺序马尔可夫链(通常是一阶链),而不管用户,这限制了用户的过去的影响,建议和能力,以适应其长度的用户简档。在这篇文章中,我们建议使用频繁序列来识别用户历史中最相关的部分。最突出的项目,然后在一个统一的度量模型中使用,该模型嵌入基于用户偏好和顺序动态的项目。大量的实验表明,我们的方法优于最先进的,特别是在稀疏数据集。我们表明,考虑不同长度的序列,提高了建议,我们还强调,这些序列提供的建议解释。
2020-08-12 cs.IR cs.LG stat.ML
Memory Assisted LLM for Personalized Recommendation System
National University of Singapore(新加坡国立大学)
本文提出记忆辅助个性化LLM(MAP),通过为用户构建历史画像并基于相似度提取相关记忆整合到提示中,解决了现有LLM个性化方法成本高或无法及时更新用户历史的问题,实验证明其在单域和跨域推荐中均优于常规方法。
2025-11-03 cs.AI cs.IR
SPAR: Personalized Content-Based Recommendation via Long Engagement Attention
The University of British Columbia(不列颠哥伦比亚大学);Meta AI;MBZUAI(穆罕默德·本·扎耶德人工智能大学)
SPAR框架利用预训练语言模型、多注意力层和注意力稀疏机制,以会话方式编码长时用户历史,并结合LLM提取全局兴趣,在基准数据集上超越现有最先进方法。
2024-05-22 cs.CL cs.IR
From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation
College of Computer Science, Chongqing University(重庆大学计算机学院);MAIS, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所MAIS部门);Independent Researcher(独立研究员);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院航空航天信息研究所);Department of Computer Science, City University of Hong Kong(香港城市大学计算机科学系)
本文提出Masked History Learning框架,通过重建掩码的历史项目增强对用户行为的理解,从而提升推荐准确性。
2026-04-23 cs.CL cs.IR
Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability
Pohang University of Science and Technology(浦项科技大学);Korea Advanced Institute of Science and Technology(韩国高等科学技术研究院)
顺序推荐系统通过捕捉用户的兴趣漂移,实现了有效的推荐。现有的顺序模型有两组:以用户为中心的模型和以项目为中心的模型。以用户为中心的模型基于每个用户的顺序消费历史来捕获个性化的兴趣漂移,但是没有明确地考虑用户对物品的兴趣是否持续超过训练时间,即,兴趣可持续性。另一方面,以项目为中心的模型考虑的是用户的一般兴趣在训练时间后是否持续,但它不是个性化的。在这项工作中,我们提出了一个推荐系统,利用这两类模型。我们提出的模型捕捉个性化的兴趣可持续性,表明是否每个用户的项目的兴趣将持续超过训练时间或没有。我们首先制定了一个任务,需要预测哪些项目,每个用户将消费在最近一段时间的训练时间的基础上用户的消费历史。然后,我们提出了简单而有效的计划,以增加用户的稀疏消费历史。大量的实验表明,该模型优于10个基线模型在11个真实世界的数据集。这些代码可在https://github.com/dmhyun/PERIS上获得。
2022-09-14 cs.AI cs.IR cs.LG
Federated Learning for Ranking Browser History Suggestions
Google Research(谷歌研究院);Mozilla(谋智基金会)
联邦学习是机器学习的一个新的子领域,它允许在不收集训练数据本身的情况下拟合模型。用户不共享数据,而是通过仅向服务器发送权重更新来协作训练模型。为了提高Firefox URL栏中建议的排名,我们使用联邦学习来训练一个隐私保护方式的用户交互模型。这个经过训练的模型取代了手工制作的启发式算法,我们的结果表明,用户现在少输入半个字符就能找到他们想要的东西。为了能够将我们的系统部署到真实用户,而不会在培训期间降低他们的体验,我们将优化过程设计得非常强大。为此,我们使用Rprop的变体进行优化,并实施额外的保护措施。通过使用数值梯度近似技术,我们的系统能够优化Firefox中目前基于手工制作的算法的任何内容。我们的论文表明,联邦学习可以成功地用于训练模型的隐私尊重的方式。
2019-11-26 cs.IR cs.LG stat.ML
Sliding Window Training -- Utilizing Historical Recommender Systems Data for Foundation Models
Netflix(网飞公司)
本文提出滑动窗口训练技术,在不增加模型输入维度的前提下将长用户历史序列纳入推荐系统基础模型训练,有效提升了模型对长期用户偏好的学习及预训练物品质量。
2024-08-21 cs.IR cs.LG
Review Based Rating Prediction
Ben-Gurion University(本·古里安大学)
推荐系统是当今电子商务应用中的重要单元,如定向广告、个性化营销和信息检索等。近年来,上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比,基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法,通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理(NLP)和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准,它显示了根据用户当前上下文,它有多受欢迎。在我们的系统中,上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用,我们使用我们的方法从客户的电影评论中挖掘上下文数据,并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议,并且应该出现在产品页面中的推荐项目列表中。我们的评估表明,与标准预测方法相比,我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Make It Long, Keep It Fast: End-to-End 10K Long User Behavior Sequence Modeling for Billion-Scale Douyin Recommendation
ByteDance Beijing China(字节跳动北京中国);ByteDance Shanghai China(字节跳动上海中国);ByteDance San Jose CA USA(字节跳动加州圣何塞 USA);ByteDance Hangzhou Zhejiang China(字节跳动杭州浙江中国)
本文提出了一种端到端的推荐系统,能够处理长达10000个用户行为序列,通过引入堆叠的目标到历史交叉注意力机制、请求级别批量处理策略以及长度外推训练策略,实现了在大规模Douyin推荐中的高效长序列建模。
2026-05-19 cs.IR cs.LG
Forecasting Live Chat Intent from Browsing History
University of California, San Diego(加利福尼亚大学圣迭戈分校);Lowe’s Companies, Inc.(劳氏公司)
本文提出一种两阶段方法,先利用微调Transformer对浏览历史进行高层意图分类,再结合LLM生成细粒度用户意图,并通过LLM自动评估验证了该方法的显著性能优势。
2024-09-01 cs.AI cs.CL cs.IR
Interacting Attention-gated Recurrent Networks for Recommendation
Delft University of Technology(代尔夫特理工大学);Nanyang Technological University(南洋理工大学)
捕获用户对项目的偏好的时间动态对于推荐是重要的。现有的方法主要假设用户-项目交互历史中的所有时间步都与推荐同等相关,然而这并不适用于用户-项目交互经常意外发生的现实场景。更重要的是,它们分别学习用户和项目动态,因此无法捕捉它们对用户-项目交互的联合影响。为了更好地模拟用户和项目动态,我们提出了交互式注意力门控递归网络(IARN),它采用注意力模型来衡量每个时间步的相关性。特别是,我们提出了一种新的注意力计划,以学习用户和项目的历史中的交互方式的注意力分数,从而考虑到用户和项目之间的依赖关系的动态塑造用户-项目的交互。通过这样做,IARN可以在预测用户对不同项目的偏好时有选择地记住用户历史的不同时间步骤。因此,我们的模型可以为推荐结果提供有意义的解释,这可以通过辅助功能进一步增强。对真实世界数据集的广泛验证表明,IARN始终优于最先进的方法。
2017-09-07 cs.AI cs.IR cs.LG