Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表,这已经证明了它们在提高推荐质量方面的有效性。然而,大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型,这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中,我们提出了一种新的意图感知重排序模型与动态Transformer编码器(RAISE),旨在执行用户特定的预测,为每个单独的用户的基础上,她的意图。具体来说,我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块(IDM)。通过区分评论信息的重要性与共同注意力网络,潜在的用户意图可以显式地建模为每个用户项目对。然后,我们引入了一个动态的Transformer编码器(DTE),以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此,人们不仅可以实现更个性化的推荐,而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明,本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
Using the Open Meta Kaggle Dataset to Evaluate Tripartite Recommendations in Data Markets
这项工作解决了在数据市场中提供和评估建议的问题。由于推荐系统中的大多数研究都集中在用户和项目之间的二分关系(例如,电影),我们将这一观点扩展到用户,数据集和服务之间的三方关系,这是在数据市场中存在的。在这些实体之间,我们确定了四个推荐用例:(i)为用户推荐数据集,(ii)为用户推荐服务,(iii)为数据集推荐服务,以及(iv)为服务推荐数据集。使用开放的Meta Kaggle数据集,我们评估了这四个用例的基于流行度以及基于协作过滤的算法的推荐准确性,并发现推荐准确性强烈依赖于给定的用例。所提出的工作有助于三方推荐问题的一般和研究不足的投资组合,特别是数据市场的推荐系统的评估。
2019-08-27 cs.IR
Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations
Northwestern University(西北大学);Boston University(波士顿大学)
该研究提出一个评估LLM品牌推荐的框架,通过BRP@k和MRR@k指标及重复采样,发现推荐显著性更受市场可见性影响,且品牌可条件性检索,强调应视推荐为随机检索排名过程。
2026-09-16 cs.IR
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology(快手科技)
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 cs.IR
The Attention Market: Interpreting Online Fair Re-ranking as Manifold Optimization under Walrasian Equilibrium
University of Montreal(蒙特利尔大学);University of Amsterdam(阿姆斯特丹大学)
本文提出ManifoldRank算法,通过流形优化和Walras均衡框架,在信息检索中实现公平性与准确性的平衡。
2026-04-28 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功,人们对它们在匹配市场中的使用越来越感兴趣(例如,劳动)。虽然这有可能提高市场的流动性和公平性,但我们在本文中表明,天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中,候选人申请,然后得到雇主的评估,我们提出了一个新的推荐框架来模拟这种互动机制,并提出了有效的算法计算个性化的排名在这种情况下。我们发现,最佳排名不仅需要考虑候选人和雇主的潜在不同偏好,而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数(例如,单侧或互反相关性)是非常次优的--不仅对于个人用户,而且对于社会目标(例如,低失业率)。为了解决这个缺点,我们提出了第一种方法,用于联合优化市场上所有候选人的排名,以显式地最大化社会福利。除了理论推导,我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统,我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST(南京理工大学);Kuaishou Technology(快手科技)
本文提出RecoChain框架,整合生成与排序流程,通过层次语义ID预测生成候选项并基于SIM进行排序,提升推荐性能。
2026-04-28 cs.IR
Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
针对推荐系统模型架构常忽视个性化排序核心特性的问题,提出受排序目标梯度启发的图Transformer推荐模型Rankformer,搭配线性复杂度加速算法,实验证明其性能优于现有最优方法。
2025-03-21 cs.IR
Bridge the gap between network-based inference method and global ranking method in personal recommendation
本文研究了个性化推荐中基于网络的推理方法和全局排序方法之间的关系。通过理论分析,证明了全局排序方法下的推荐结果是无限次应用基于网络的推理方法的极限。
2015-07-15 cs.IR cs.SI
From Token Generation to Item Ranking: Direct Generative Recommendation with Semantic IDs
Central South University(中南大学);Hong Kong Polytechnic University(香港理工大学);National University of Defense Technology(国防科技大学);City University of Macau(澳门城市大学);Griffith University(格里菲斯大学)
SimGR通过在共享潜在空间中直接建模物品层面偏好分布,缓解了基于LLM推荐中生成解码的偏差问题。
2026-08-18 cs.IR
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练,比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响,发现重排序策略的作用更大。
2024-08-22 cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF,将检索与排序集成于单一生成模型,通过排序驱动增强和自适应加权实现同步优化,显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段,根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而,这些模型可以容易地继承与用户的敏感属性(例如,人口统计学),并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中,我们提出了FairRank,这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的,我们建议使用一个共享的候选感知用户模型,以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻,分别学习候选感知用户嵌入,反映用户的兴趣在候选新闻和候选不变的用户嵌入,表明用户的内在兴趣。我们将对抗学习应用于这两种方法,以减少敏感用户属性带来的偏见。此外,我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签,使其相似,这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明,FairRank可以提高各种单塔新闻排名模型的公平性,而性能损失较小。
2022-04-01 cs.IR
On the Relationship between Explanation and Recommendation: Learning to Rank Explanations for Improved Performance
向用户解释为什么推荐某些项目是至关重要的,因为它可以帮助用户做出更好的决策,提高他们的满意度,并获得他们对推荐系统(RS)的信任。然而,现有的可解释的推荐系统通常将解释作为推荐模型的一个副输出,这存在两个问题:(1)由于产生的解释通常依赖于模型,因此难以对其进行评估;(2)因此,解释如何影响推荐性能的研究较少。在本文中,解释建议制定为一个排名任务,并从数据中学习,类似于项目排名的建议。这使得有可能通过排名度量(例如,NDCG)。此外,本文将传统的项目排序扩展为项目-解释联合排序形式化,以研究有目的地选择解释是否可以达到某些学习目标,例如,提高推荐性能。然而,一个很大的挑战是,稀疏性问题的用户-项目-解释数据将不可避免地比传统的用户-项目交互数据,因为不是每个用户-项目对可以与所有的解释。为了缓解这个问题,本文提出了通过将三元关系视为两组二元关系来执行两组矩阵分解。在三个大数据集上的实验验证了该方法在解释排序和项目推荐方面的有效性。
2022-10-23 cs.IR
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université(索邦大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Air Liquide(液化空气集团);Université Paris-Saclay(巴黎萨克雷大学)
提出将可解释推荐形式化为语句级排序问题,通过从评论中提取解释性语句并排序,避免生成式幻觉,支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation
Beihang University(北京航空航天大学);Baidu Inc.(百度公司);Hong Kong Institute of AI for Science, City University of Hong Kong(香港人工智能科学研究所,香港城市大学)
针对工业信息流推荐中检索排序分离及量化不稳定问题,提出统一框架UNIQUE,采用单层扁平量化与早期融合架构,在百度多场景部署,显著提升观看时长与分发量。
2026-09-22 cs.IR
From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation
Beijing Jiaotong University(北京交通大学);OPPO Research Institute(OPPO研究院);Peking University(北京大学);Nanyang Technological University(南洋理工大学)
本文提出FeCoSR框架,通过多对多协作模式和Semantics Soft Cross-Entropy解决跨市场推荐中的数据隔离和市场异质性问题,提升推荐性能。
2026-04-15 cs.IR
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of California San Diego(加州大学圣地亚哥分校);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院)
本文提出个人智能体中介推荐(PAMR)范式,主张将推荐控制权从平台端排序转向用户端证据中介,并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 cs.IR
An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation
该研究提出端到端多目标集成排序框架EMER,通过专用损失函数、新型样本组织与transformer架构优化短视频排序,配套离线在线一致评估系统,在快手部署后显著提升用户停留时长与7天生命周期指标。
2025-09-03 cs.IR
Dual prototype attentive graph network for cross-market recommendation
Xi’an Jiaotong–Liverpool University(西交利物浦大学)
本文提出双原型注意图网络用于跨市场推荐,通过整合市场特定和共享的见解提升推荐系统性能。
2025-08-08 cs.IR
GraphRAG-IRL: Personalized Recommendation with Graph-Grounded Inverse Reinforcement Learning and LLM Re-ranking
Purdue University(普渡大学);University of California, Davis(加州大学戴维斯分校);Iowa State University(爱荷华州立大学);University of Minnesota(明尼苏达大学)
GraphRAG-IRL结合图基础特征构建、反强化学习和基于人设的大语言模型重排序,通过最大熵反强化学习模型实现校准预排序,并利用LLM对短候选列表进行重排序,提升推荐效果。
2026-04-21 cs.IR
Learning k-Determinantal Point Processes for Personalized Ranking
针对现有个性化排序方法未优化集合排序、多样性不足的问题,提出基于k-DPP的集合概率比较优化准则LkP,可适配多种模型,在三个真实数据集上提升了推荐的相关性与多样性。
2024-06-23 cs.IR
EXTRA: Explanation Ranking Datasets for Explainable Recommendation
近年来,可解释推荐系统的研究引起了学术界和工业界的广泛关注,产生了各种各样的可解释模型。因此,它们的评估方法因模型而异,这使得比较不同模型的可解释性变得非常困难。为了实现评估推荐解释的标准方式,我们为EXplanaTion Ranking(表示为EXTRA)提供了三个基准数据集,可解释性可以通过面向排名的指标来衡量。然而,构建这样的数据集带来了巨大的挑战。首先,在现有的推荐系统中,用户-项目-解释三元组交互很少,因此如何找到替代方案成为一个挑战。我们的解决方案是从用户评论中识别几乎相同的句子。这个想法然后导致第二个挑战,即,如何有效地将数据集中的句子分类为不同的组,因为它具有二次运行时复杂度来估计任何两个句子之间的相似性。为了缓解这个问题,我们提供了一个更有效的方法,基于局部敏感哈希(LSH),可以检测近似重复的次线性时间为给定的查询。此外,我们公开了我们的代码,以允许社区中的研究人员创建自己的数据集。
2021-05-08 cs.IR
Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation
随着电子商务中数据的爆炸式增长,冷启动成为推荐系统中的一个关键问题。大多数现有的研究提出,以减轻冷启动问题也被称为混合推荐系统,学习表示的用户和项目相结合的用户项目的互动和用户/项目的内容信息。然而,以前的混合方法经常遭受低效率的在线推荐与大规模的项目,因为他们的目的是投影到连续的潜在空间中的在线推荐是昂贵的。为此,我们提出了一个协同生成哈希(CGH)框架,以提高效率,表示用户和项目的二进制代码,然后快速哈希搜索技术可以用来加快在线推荐。此外,建议CGH可以产生潜在的用户或项目的营销应用,其中生成网络的设计与最小描述长度(MDL)的原则,这是用来学习紧凑和信息的二进制代码。在两个公共数据集上的实验表明,在各种环境下的建议竞争基线的优势,并分析其在营销应用的可行性。
2020-11-02 cs.IR
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
Shenzhen University(深圳大学);Kuaishou Technology(快手科技)
针对视频推荐中上游多任务模型输出的用户偏好预测含噪导致的排序不稳定问题,提出双侧鲁棒集成排序框架DrEM,通过风险去噪鲁棒损失与排序一致性正则化提升性能,经实验验证有效。
2026-08-14 cs.IR
OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
Tencent Inc.(腾讯公司)
OneRanker通过统一生成与排序架构,解决广告推荐中生成与排序的脱节问题,提升业务指标表现。
2026-11-06 cs.IR
Finetuning Large Language Model for Personalized Ranking
针对大语言模型预训练数据与推荐任务需求不匹配的问题,提出直接多偏好优化框架DMPO,通过同时优化正负样本概率提升推荐效果,在少样本及跨域推荐中表现优异且具备可解释性。
2024-06-20 cs.IR
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升,健康饮食正引起越来越多的关注。然而,大多数现有的食品相关的研究工作集中在食谱检索,基于用户偏好的食物推荐,烹饪辅助,或菜肴的营养和热量估计,忽略了个性化的健康意识的食物推荐。因此,在这项工作中,我们提出了一个个性化的健康意识的食品推荐计划,即Market2Dish,映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分,即食谱检索,用户健康分析和健康意识的食物推荐。特别是,食谱检索的目的是获得可用的成分给用户,然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说,为了解决健康相关信息非常稀疏的问题,我们将一个词类交互机制纳入到所提出的深度模型中,以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐,我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外,大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习(FL)已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务,例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功,但许多重要的深度学习用例,如排名和推荐任务,都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习(FEL)作为解决方案,以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本,实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明,与传统的设备上联邦学习相比,FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
Fast and Examination-agnostic Reciprocal Recommendation in Matching Markets
针对匹配市场现有推荐方法计算成本高且依赖特定考察函数的问题,提出基于可转移效用匹配模型的快速且与考察无关的互惠推荐算法,在合成与真实数据上实现了更优或持平的匹配数并支持大规模数据。
2023-07-27 cs.IR
Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
针对推荐系统排序阶段图卷积计算成本过高的问题,提出仅在测试期间应用的非参数图卷积重排序策略,作为即插即用模块显著提升排序质量且几乎不增加计算开销。
2025-07-14 cs.IR
LazFormer: Scaling Transformers for Industrial Recommendation via Transferable Generative Pre-training
Alibaba International Digital Commerce Group(阿里巴巴国际数字商业集团)
针对工业推荐中Transformer扩展的计算消耗和负迁移问题,提出LazFormer,采用生成式预训练、可迁移残差适配器及非对称多轮训练,提升排序性能。
2026-09-15 cs.IR
SCASRec: A Self-Correcting and Auto-Stopping Model for Generative Route List Recommendation
AMAP, Alibaba Group(高德地图,阿里巴巴集团);Beijing Institute of Technology(北京理工大学);Southern University of Science and Technology(南方科技大学)
SCASRec通过整合排序与冗余消除,解决传统多阶段推荐中目标不一致、冗余处理不灵活和阶段分离导致的性能问题,实现端到端优化。
2026-05-08 cs.IR
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中,已经探索了个性化推荐中的相关性和公平性之间的权衡,目标是最小化对某些人口统计学的学习歧视,同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性(MMR)重新排名的方法,它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验,并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果,并通过对一组查询图像的排名结果进行定量分析,来检查相关性和公平性之间的权衡。我们表明,我们提出的方法可以在排名结果中包含公平性,同时获得比基线更高的精度,而我们的案例研究表明,即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran(德黑兰大学)
近年来,基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程,并根据用户的即时反馈来更新推荐模型,而传统的推荐方法忽略了这一点,因此受到了研究者的关注。现有的工程有两个明显的缺点。首先,低效的排名功能产生Top-N推荐列表。第二,关注推荐准确性,而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统,该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模,并最大化期望的长期回报。此外,我们建议利用Spotify的ANNoy算法来找到最相似的项目,以生成演员网络的动作。在此基础上,使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外,我们应用位置编码来计算表示用户的交互序列,而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明,我们提出的模型能够根据用户的偏好生成一个多样化的,而相关的推荐列表。
2021-10-29 cs.AI cs.IR
LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
Meta Platforms, Inc.(Meta平台公司)
研究工业广告推荐中稀疏特征排序问题,提出仅用CPU的LO-FAR工作流程,通过轻量级局部估计器排序,在生产数据集上约两小时完成排序,保留下游归一化熵增益,证明简单局部过滤器在成本和周转约束下是实用生产选择。
2026-07-24 cs.IR
POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation
Kuaishou Technology(快手科技)
针对实时推荐系统中用户兴趣动态漂移和工业级多阶段排序结构未被充分利用的问题,提出POEM框架,利用上游排序模块的实时多任务分数构建动态偏序序列,实现细粒度兴趣建模与系统目标一致优化,在快手线上部署取得显著提升。
2026-06-29 cs.IR
Personalized Transformer-based Ranking for e-Commerce at Yandex
针对电商召回导向模型的特征不适配排序阶段的问题,提出基于Transformer的双塔模型两阶段训练法及上下文去偏技术,在Yandex上线后提升了推荐排序性能。
2023-10-09 cs.IR
Market-Aware Models for Efficient Cross-Market Recommendation
University of Amsterdam(阿姆斯特丹大学)
我们考虑跨市场推荐(CMR)的任务,这涉及到在一个低资源的目标市场,使用来自一个更丰富的,辅助源市场的数据的建议。CMR之前的工作利用元学习来提高目标市场的推荐性能;然而,元学习可能很复杂,而且需要大量资源。在本文中,我们提出了市场感知(MA)模型,它通过市场嵌入而不是跨市场的元学习直接对市场进行建模。这些嵌入将项目表示转换为特定于市场的表示。我们的实验突出了MA模型在单个目标源市场的成对设置以及在所有市场上统一训练的全球模型中的有效性和效率。在前一种成对设置中,在nDCG@10的85%的情况下,MA模型的平均表现优于市场未知模型,同时具有时间效率-与元学习模型相比,MA模型只需要15%的训练时间。在全球范围内,MA模型在某些市场上的表现一直优于市场感知模型,而在除一个市场外的所有市场上,MA模型的表现都优于基于元学习的方法。我们的结论是,MA模型是元学习的一种高效和有效的替代方案,特别是在全球范围内。
2023-02-14 cs.AI cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差:受欢迎的产品会被频繁推荐,而不太受欢迎的小众产品则很少推荐或根本不推荐。然而,推荐“长尾”中被忽视的产品对企业至关重要,因为它们不太可能被发现。在本文中,我们引入了一个个性化的多样化重新排名的方法,以增加不太受欢迎的项目的建议,同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤,可以应用于任何推荐系统的输出。我们表明,我们的方法是能够更有效地管理流行的偏见,与现有的方法相比,基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
Intent-aware Ranking Ensemble for Personalized Recommendation
本文提出意图感知排序集成模型IntEL,通过学习物品级个性化权重融合不同目标的排序列表,以同时满足用户多种行为意图,并在理论上和两个大规模数据集上验证了其有效性。
2023-04-15 cs.IR
Token-Controlled Re-ranking for Sequential Recommendation via LLMs
COREC通过令牌增强的重排序框架,实现用户对推荐结果的细粒度控制,提升推荐效果与个性化水平。
2025-11-22 cs.IR cs.LG
Candidate Generation with Binary Codes for Large-Scale Top-N Recommendation
从大型语料库中生成前N个推荐对于大规模执行来说是计算昂贵的。在工业环境中,通常采用基于候选生成和重新排序的方法来缓解效率问题。然而,仍有待充分研究如何以及这些计划近似完整的排名(或需要多少候选人才能实现良好的近似),或开发系统的方法来有效地产生高质量的候选人。在本文中,我们试图调查这些问题,通过提出一个基于候选生成和重新排名的框架(CIGAR),它首先学习一个偏好保持二进制嵌入构建一个哈希表检索候选人,然后学习重新排名的候选人使用实值排名模型与面向候选人的目标。我们对由数百万用户/项目和数亿交互组成的几个大规模真实数据集进行了全面的研究。我们的研究结果表明,CIGAR显着提高了Top-N的准确性,对国家的最先进的推荐模型,同时减少查询时间的数量级。我们希望这项工作可以引起更多的关注,在推荐系统中的候选生成问题。
2019-09-12 cs.IR
Contextual Personalized Re-Ranking of Music Recommendations through Audio Features
用户可以通过Spotify、Pandora和Deezer等音乐流媒体服务访问数百万首歌曲。访问如此大的目录,创造了相关的歌曲推荐的需要。然而,用户偏好本质上是高度主观的并且根据上下文(例如,适合早上的音乐不适合晚上)。此外,一个用户在给定上下文中可能偏好的音乐可能不同于另一个用户在相同上下文中偏好的音乐(即,被认为是早安音乐的内容因用户而异)。准确地表示这些偏好对于创建准确有效的歌曲推荐至关重要。用户对歌曲的偏好可以基于高级音频特征,例如节奏和效价。因此,在本文中,我们提出了一个上下文重新排名算法,在特定的上下文条件下的用户偏好的音频特征表示的基础上。我们使用#NowPlaying-RS数据集来评估我们的重新排名算法的性能,该数据集包含从Twitter上抓取的用户收听事件,并富含歌曲音频功能。我们比较了全球(所有用户的上下文)和个性化(每个用户的上下文)模型的基础上,这些音频功能。全局模型基于所有用户的偏好创建每个上下文条件的音频特征表示。与全局模型不同,个性化模型创建上下文条件的用户特定音频特征表示,并在333个不同用户中进行测量。我们表明,个性化模型优于全球模型时,使用精度和平均精度指标进行评估。
2020-09-06 cs.IR
Hybrid Multi-Criteria Preference Ranking by Subsorting
针对多准则推荐中帕累托排序分数不可微的问题,提出一种结合主排序与子排序的混合多准则排序方法,并在OpenTable和Yahoo!Movies数据上验证了其优势及对Top-N推荐的可持续性。
2023-06-20 cs.IR
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题,提出融入协同思想的排序对齐推荐方法,有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
推荐系统的目标是向用户提供最符合其兴趣的有序项目列表。作为推荐流程中的一项关键任务,重新排序近年来受到越来越多的关注。与单独对每个项目进行评分的传统排名模型相比,重新排名旨在明确地对项目之间的相互影响进行建模,以进一步细化给定初始排名列表的项目的排序。在本文中,我们提出了一个个性化的重新排序模型(称为PEAR)的基础上,上下文化的Transformer。PEAR对现有方法进行了几项重大改进。具体来说,PEAR不仅捕获功能级和项目级的交互,而且还从初始排名列表和历史点击项目列表中对项目上下文进行建模。除了项目级别的排名分数预测,我们还通过列表级别的分类任务来增强PEAR的训练,以评估用户对整个排名列表的满意度。在公共数据集和生产数据集上的实验结果表明,与以前的重新排序模型相比,PEAR具有更好的有效性。
2022-03-23 cs.IR cs.LG
Enhancing Recommendation Diversity by Re-ranking with Large Language Models
Insight Centre for Data Analytics(数据分析洞察中心);School of Computer Science & IT(计算机科学与信息技术学院);University College Cork(科克大学学院)
本文研究利用大语言模型进行推荐多样性重排序,通过零样本提示让 GPT 与 Llama 从候选列表生成多样化排序,实验表明其优于随机方法但暂逊于传统方法。
2024-06-17 cs.IR cs.LG
Attention-based neural re-ranking approach for next city in trip recommendations
Edinburgh(爱丁堡);Saint-Petersburg(圣彼得堡)
本文描述了一种解决旅游预订系统下一个目的地城市推荐问题的方法。我们提出了一个两阶段的方法:一个启发式的候选人选择方法和一个注意力神经网络模型的候选人重新排名。我们的方法的灵感来自列表学习排名方法和自然语言处理的最新发展,特别是Transformer架构。我们使用这种方法来解决Booking.com推荐挑战我们的团队使用这种方法在挑战中获得了第5名,在数据集的封闭部分上获得了0.555的准确度@4值。
2021-03-23 cs.IR cs.LG
Understanding the Ranking Loss for Recommendation with Sparse User Feedback
针对稀疏正反馈下CTR预测中BCE导致负样本梯度消失的问题,本文揭示辅助排序损失通过增大负样本梯度改善优化,并经理论、公开实验及腾讯在线系统验证有效。
2024-07-05 cs.IR
A Differentiable Ranking Metric Using Relaxed Sorting Operation for Top-K Recommender Systems
Sungkyunkwan University(成均馆大学)
推荐系统通过计算项目的偏好分数、根据分数对项目进行排序以及过滤具有高分数的前K个项目来为用户生成个性化推荐。虽然对项目进行排序和排名是这个推荐过程不可或缺的一部分,但将它们纳入端到端模型训练的过程并非易事,因为排序是不可微的,并且难以用梯度下降进行优化。这导致了现有的学习目标和排名指标之间的不一致性问题。在这项工作中,我们提出了DRM(微分排名度量),减轻了不一致性,并通过采用微分放松排名度量,提高推荐性能。通过与几个真实世界的数据集的实验,我们证明了DRM目标的联合学习现有的基于因子的推荐器显着提高了推荐的质量,与其他国家的最先进的推荐方法相比。
2020-12-05 cs.AI cs.IR
Scaling up Ranking under Constraints for Live Recommendations by Replacing Optimization with Prediction
Columbia University(哥伦比亚大学);Stanford University(斯坦福大学)
许多重要的多目标决策问题都可以在约束排序的框架下进行求解,并通过加权二部匹配线性规划来解决。这些优化问题中的一些,例如个性化内容推荐,可能需要实时的解决,因此必须遵守严格的时间要求,以防止消费者感知到延迟。经典的线性规划对于这样的设置计算效率太低。我们提出了一种新的方法来扩大排名的约束条件下,取代加权二分匹配优化与预测问题的算法部署阶段。我们的经验表明,建议的近似解决方案的排名问题,导致所需的计算资源大幅减少,而没有太多的牺牲,在约束合规性和实现的效用,使我们能够解决更大的约束排名问题实时,在所需的50毫秒内,比以前报道的。
2022-02-14 cs.IR cs.LG
Bert4XMR: Cross-Market Recommendation with Bidirectional Encoder Representations from Transformer
针对跨市场推荐中忽略商品共现性和负迁移的问题,提出基于会话的Bert4XMR模型,采用预训练与微调范式并结合市场嵌入与商品嵌入分离机制,在七个数据集上显著优于次优模型并有效缓解负迁移。
2023-07-26 cs.IR
RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k Recommendation
本文提出RecRanker,通过自适应采样高质量训练数据、位置平移策略及融合传统推荐信号增强提示,并以逐点、逐对、逐列表三种排序任务的混合排序方法微调大语言模型,提升Top-k推荐性能。
2024-03-31 cs.IR