A Worrying Reproducibility Study of Intent-Aware Recommendation Models
本文对五个顶级发表的意图感知推荐模型进行复现，发现其不仅难以复现且均被传统非神经模型超越，揭示了该领域存在方法论问题与严谨性缺失。
2025-01-17 cs.IR
Impacts of Mainstream-Driven Algorithms on Recommendations for Children Across Domains: A Reproducibility Study
本文在电影、音乐和图书领域复现并扩展了关于儿童与主流用户消费模式差异的研究，发现推荐算法在儿童群体上的表现差异既源于其内在特征，也受特定数据集和领域影响。
2025-07-09 cs.IR
Bridging Language and Items for Retrieval and Recommendation: Benchmarking LLMs as Semantic Encoders
UC San Diego（加州大学圣迭戈分校）；UC Los Angeles（加州大学洛杉矶分校）
本文提出BLaIR基准测试，评估大语言模型在推荐场景中的语义编码能力，通过大规模数据集和多任务评估揭示LLM在推荐任务中的独特挑战。
2026-04-20 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用，其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器（MA-CVAE）用于标签推荐，它将项目协作信息和项目多辅助信息相耦合，内容和社交图谱，通过定义一个生成过程。具体而言，该模型使用变分自编码器（VAE）从不同的项目辅助信息中学习深度潜在嵌入，该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外，为了推荐新项目的标签，项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理，其中重建损失被添加在训练阶段中，以通过不同的辅助嵌入来限制反馈预测的生成。此外，一个归纳变分图自动编码器的设计，新的项目节点可以推断在测试阶段，使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
A Reproducibility Analysis of PO4ISR: Diagnosing and Mitigating Semantic Drift in LLM-Based Session Recommendation
MATRA Lab（MATRA实验室）；Department of Computer Science and Engineering（计算机科学与工程系）；Indian Institute of Technology Bhilai（比哈尔理工学院）
本文研究了PO4ISR在不同语义领域中的可重复性，发现标准推理提示在长会话中出现严重的上下文漂移，导致性能下降。为此，作者提出了PO4ISR++，通过反思提示和一致排名检测增强鲁棒性，并在多个数据集上验证了其有效性，提升了会话推荐的性能。
2026-04-29 cs.AI cs.IR cs.LG
The Unfairness of Popularity Bias in Music Recommendation: A Reproducibility Study
Know-Center GmbH（Know-Center有限公司）；Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；Graz University of Technology（格拉茨技术大学）
研究表明，推荐系统通常偏向于受欢迎的项目，这导致不太受欢迎的项目在推荐中代表性不足。Abdollahpouri等人最近在电影推荐方面的工作表明，这种流行偏见导致长尾项目以及对流行项目不感兴趣的用户受到不公平的对待。在本文中，我们再现了Abdollahpouri等人的分析。在音乐推荐的背景下。具体来说，我们调查了LastFM音乐平台的三个用户组，这些用户组根据他们的收听偏好与数据集中所有LastFM用户中最流行的音乐的偏离程度进行分类：（i）低主流用户，（ii）中等主流用户，（iii）高主流用户。根据Abdollahpouri等人的意见，我们发现，最先进的推荐算法也偏爱音乐领域中的流行项目。然而，他们提出的组平均流行度度量对LastFM产生了与电影领域不同的结果，可能是由于可用项目的数量更大（即，音乐艺术家）在LastFM数据集我们使用。最后，我们比较了三个用户组的推荐算法的准确性结果，发现低主流化组显着收到最差的建议。
2019-12-19 cs.IR cs.LG cs.SI
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
A Reproducibility Study of Product-side Fairness in Bundle Recommendation
Delft University of Technology（代尔夫特理工大学）；University of Amsterdam（阿姆斯特丹大学）
本文通过三个数据集和四种先进捆绑推荐方法复现研究产品侧公平性，发现捆绑与商品层面曝光模式差异显著，且用户行为会显著影响公平性，为构建更公平的捆绑推荐系统提供依据。
2025-07-18 cs.AI cs.IR
A Systematic Reproducibility Study of BSARec for Sequential Recommendation
University of Amsterdam（阿姆斯特丹大学）
BSARec通过引入频率层提升序列推荐性能，研究发现非恒定填充策略和傅里叶变换在高频信号处理中表现更优。
2025-12-19 cs.AI cs.IR
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中，基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能，如评分预测的均方根误差和top-N推荐的命中率，其中用户的反馈被认为是真实的。然而，在现实世界的应用中，用户的反馈可能被不完美的用户行为，即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中，为了解决上述问题，我们提出了一个通用的基于神经网络的推荐模型，提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡，并详细说明了如何取得平衡。具体来说，我们在协作自动编码器上实现了我们的方法，然后在三个公共数据集上进行了实验：MovieLens-1 M，Ciao和FilmTrust。我们表明，我们的方法优于竞争激烈的国家的最先进的推荐方法。此外，我们对噪声的影响，以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改，我们的对抗性训练框架可以应用于许多基于神经网络的模型，这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
Fairness for All: Investigating Harms to Within-Group Individuals in Producer Fairness Re-ranking Optimization -- A Reproducibility Study
本文复现生产者公平重排序方法，发现其损害群体内冷动物品，提出调节冷动物品推荐数量的修正方案，在几乎不损失准确率的同时提升子群体与群体公平性及新颖性。
2023-09-30 cs.IR
Mutually-Regularized Dual Collaborative Variational Auto-encoder for Recommendation Systems
最近，面向用户的自动编码器（UAE）已被广泛用于推荐系统，以学习用户的语义表示的基础上，他们的历史评级。然而，由于潜在的项目变量在阿联酋没有建模，它是很难利用广泛可用的项目内容信息时，评级是稀疏的。此外，每当新物品到达时，我们需要等待收集这些物品的评级数据，并从头开始重新训练UAE，这在实践中效率低下。针对上述两个问题，我们提出了一个相互正则化的双重合作变分自动编码器（MD-CVAE）的建议。首先，通过用堆叠的潜在项嵌入替换vanilla UAE的随机初始化的最后一层权重，MD-CVAE集成了两个异构信息源，即，项目内容和用户评级，到相同的原则变分框架中，其中UAE的权重由项目内容正则化，使得可以避免由于数据稀疏而收敛到非最优。此外，正则化是相互的，因为用户评级也可以帮助双项内容模块学习更多面向正则化的项内容嵌入。最后，我们提出了一个对称的推理策略MD-CVAE阿联酋编码器的第一层权重绑定到阿联酋解码器的潜在项目嵌入。通过这一战略，不需要再培训就可以推荐新引进的项目。实证研究表明，MD-CVAE在正常和冷启动的情况下的有效性。代码可在https://github.com/yaochenzhu/MD-CVAE上获得。
2022-11-21 cs.IR
FuXi-$γ$: Efficient Sequential Recommendation with Exponential-Power Temporal Encoder and Diagonal-Sparse Positional Mechanism
Nankai University（南开大学）；Huawei Technologies（华为技术有限公司）
FuXi-γ通过指数-幂时间编码器和对角稀疏位置机制，提升序列推荐的效率和效果，实现训练和推理速度的显著提升。
2025-12-14 cs.IR
URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph
Yunnan University（云南大学）；Yunnan Power Grid Co., Ltd（云南电网有限责任公司）；Shantou University（汕头大学）；Kunming University of Science and Technology（昆明理工大学）
由于信息量大，用户很难在众多的选择中找到自己感兴趣的内容。为了提高用户体验，推荐系统已经广泛应用于音乐推荐、电影推荐、在线购物等场景。近年来，知识图谱（KG）被证明是提高推荐系统性能的有效工具。然而，将知识图谱应用于推荐的一个巨大挑战是如何利用知识图谱获得更好的用户代码和项目代码。针对这一问题，本研究提出了一种基于知识图谱的用户递归神经网络编码器和项目编码器推荐算法。通过获取项目的高层邻居信息对项目进行编码，生成项目的表示向量，并利用RNN和项目的表示向量对用户进行编码，生成用户的表示向量，然后对用户的表示向量和项目的表示向量进行内积运算，得到用户与项目交互的概率。在三个真实数据集上的数值实验表明，URIR在AUC、精度、召回率和MRR等指标上优于现有算法。这意味着URIR可以有效地利用知识图谱来获得更好的用户代码和项目代码，从而获得更好的推荐结果。
2021-11-01 cs.AI cs.IR
Large Multi-modal Encoders for Recommendation
本文研究将CLIP与VLMo等大型多模态编码器用于推荐，通过预训练、微调和端到端训练策略，在三个数据集上验证其能获得更对齐有效的用户/物品表示并提升推荐性能。
2023-11-03 cs.IR cs.MM
Inter-sequence Enhanced Framework for Personalized Sequential Recommendation
对用户历史交互行为的序列相关性建模是序列推荐的关键。然而，大多数的方法主要集中在每个单独的序列内的\emph{intra-sequence}项目相关性建模，但忽略了跨不同的用户交互序列的\emph{inter-sequence}项目相关性。虽然一些研究已经意识到这个问题，但他们的方法要么简单，要么隐含。为了更好地利用这些信息，我们提出了一个序列间增强的顺序推荐（ISSR）框架。在ISSR中，同时考虑序列间和序列内项目的相关性。首先，我们在序列间相关性编码器中配备图神经网络，以从用户-项目二分图和项目-项目图中捕获高阶项目相关性。然后，在序列间相关性编码器的基础上，在序列内相关性编码器中构建GRU网络和注意力网络，对每个序列内的项目序列相关性和时间动态进行建模，预测用户对候选项目的偏好。此外，我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，ISSR方法优于许多国家的最先进的方法和有效的序列间相关编码器。
2020-04-29 cs.IR
Hypencoder Revisited: Reproducibility and Analysis of Non-Linear Scoring for First-Stage Retrieval
University of Amsterdam（阿姆斯特丹大学）
本文重审Hypencoder框架，验证其在领域内和领域外基准上的优越性，并分析非线性评分在检索中的表现及扩展应用。
2026-04-29 cs.CL cs.IR
Legommenders: A Comprehensive Content-Based Recommendation Library with LLM Support
本文提出专为基于内容推荐的库 Legommenders，支持内容编码器与行为交互模块联合训练，在 15 个数据集上可创建超 1,000 个模型，并集成大型语言模型作为特征编码器与数据生成器，助力开发最先进的个性化推荐模型。
2024-12-20 cs.IR
Distribution-Guided Auto-Encoder for User Multimodal Interest Cross Fusion
针对现有多模态推荐忽略行为序列上下文、难以动态融合多模态兴趣的问题，本文提出DMAE，在行为层面实现用户多模态兴趣交叉融合，并通过大量实验验证其优越性。
2025-08-20 cs.IR
DCAN: Diversified News Recommendation with Coverage-Attentive Networks
基于自我注意的模型被广泛应用于新闻推荐任务中。然而，以往的Attention体系结构没有约束用户历史行为中的重复信息，这限制了隐藏表示的能力，并导致了信息冗余和过滤气泡等问题。为了解决这个问题，我们提出了一个个性化新闻推荐模型DCAN，它通过新闻编码器和用户编码器捕获多粒度的用户-新闻匹配信号。我们不断更新覆盖向量来跟踪新闻关注的历史，并以4种方式增加向量。然后将扩展后的Coverage向量输入到多头自注意模型中，帮助调整未来注意力，并在损失函数（CRL）中加入Coverage规则，使推荐系统能够更多地考虑差异化信息。在微软新闻推荐数据集（MIND）上的大量实验表明，我们的模型在准确性方面的牺牲最小的情况下，显着提高了新闻推荐的多样性。
2022-06-02 cs.IR
Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）；Osaka University（大阪大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
本文提出因果解耦变分自编码器CaD-VAE，利用结构因果模型建模推荐场景中潜在因素间的因果关系，以学习因果解耦表示，从而提升推荐模型的鲁棒性、可解释性与可控性，并在实验中优于现有方法。
2023-04-17 cs.AI cs.IR
Diffusion Recommender Models and the Illusion of Progress: A Concerning Study of Reproducibility and a Conceptual Mismatch
Politecnico di Milano（米兰理工大学）；University of Klagenfurt（克拉根福大学）
研究评估了九篇SIGIR 2023和2024推荐算法的可重复性，发现仅25%的结果可复现，且扩散模型在传统推荐任务中存在概念不匹配，质疑其适用性。
2026-03-26 cs.IR cs.LG cs.NE
Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation: Reproducibility Below the Rerun-Stability Baseline
研究发现AI助手对买家问题的细微措辞变化（如“最佳CRM” vs “顶级CRM”）产生显著不同的品牌推荐，其推荐集相似度（Jaccard）远低于相同提示的重运行基线，挑战了当前AEO/GEO实践的有效性。
2026-05-22 cs.AI cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而，一篇新闻文章可能涵盖多个方面和实体，并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣，以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器，以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下，知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Large-scale Evaluation of Transformer-based Article Encoders on the Task of Citation Recommendation
Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院）
最近推出的基于transformer的文章编码器（TAE）旨在为相互相关的科学文章产生类似的矢量表示，在科学文章推荐的基准数据集上表现出强大的性能。然而，现有的基准数据集主要集中在单个领域，并且在某些情况下，在小的候选池中包含容易的否定。在候选库中有数千篇文章的情况下，评估此类基准的表示可能会模糊TAE的实际性能。在这项工作中，我们评估TAE的大型基准更具挑战性的候选池。我们比较了TAE的性能与词汇检索基线模型BM 25的引用推荐的任务，该模型产生一个列表的建议，在给定的输入文章中引用。我们发现，BM 25与最先进的神经检索器相比仍然具有很强的竞争力，考虑到TAE在小基准上的强劲表现，这一发现令人惊讶。为了弥补现有基准的局限性，我们提出了一个新的基准数据集来评估科学文章的表示：多领域引文推荐数据集（MDCR），它涵盖了不同的科学领域，并包含具有挑战性的候选池。
2022-09-12 cs.CL cs.IR
Disentangled Variational Auto-encoder Enhanced by Counterfactual Data for Debiasing Recommendation
提出解耦去偏变分自编码器框架（DB-VAE）解决推荐系统多偏差耦合问题，并利用反事实数据增强缓解稀疏数据监督信号缺乏，实验证明其有效性。
2023-06-28 cs.IR
Cross-modal Variational Auto-encoder for Content-based Micro-video Background Music Recommendation
本文提出了一种基于内容的微视频背景音乐推荐的跨模态变分自动编码器（CMVAE）。CMVAE是一种分层贝叶斯生成模型，通过将这两个多模态输入投影到共享的低维潜在空间中来将相关背景音乐与微视频进行匹配，其中匹配的视频-音乐对的两个对应嵌入的对齐通过交叉生成来实现。此外，通过专家乘积（PoE）原理融合多模态信息，其中微视频的视觉和文本模态中的语义信息根据它们的方差估计被加权，使得具有较低噪声水平的模态被赋予更多权重。因此，微视频潜变量包含更少的无关信息，从而导致更鲁棒的模型泛化。此外，我们建立了一个大规模的基于内容的微视频背景音乐推荐数据集TT-150 k，由来自不同用户的150，000个微视频相关的大约3，000个不同的背景音乐片段组成。在已建立的TT-150 k数据集上的实验证明了该方法的有效性。还包括通过可视化一些推荐结果对CMVAE进行定性评估。
2022-12-11 cs.IR cs.MM
Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
Tencent News（腾讯新闻）
随机初始化的项目ID嵌入和经过良好训练的暖项目ID嵌入之间的差距使得冷项目难以适应推荐系统，该推荐系统是在历史暖项目数据上训练的。为了缓解新项目推荐的性能下降，新项目ID嵌入的分布应该接近历史热门项目的分布。为了实现这一目标，我们提出了一个对抗变分自动编码器预热模型（AVAEW）来为冷项生成预热项ID嵌入。具体来说，我们开发了一个条件变分自动编码器模型，以利用项目的边信息来生成预热项目ID嵌入。特别是，我们引入了一个对抗模块来加强热身项目ID嵌入分布和历史项目ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验和在真实世界的大规模新闻推荐平台上的在线A/B测试，证明了所提出的方法的有效性和兼容性。
2023-02-28 cs.AI cs.IR cs.LG
Optimizing Encoder-Only Transformers for Session-Based Recommendation Systems
Polytechnique Montreal（蒙特利尔理工学院）；Air Liquide（液化空气集团）
本文提出用于仅编码器 Transformer 的 Sequential Masked Modeling 方法，结合窗口滑动数据增强与倒数第二 token 掩码策略，在三个数据集上显著提升了单会话下一物品预测性能，优于同等信息量模型并媲美拥有更多历史的方法。
2024-10-15 cs.AI cs.IR
Contrastive Learning with Bidirectional Transformers for Sequential Recommendation
基于transformer的序列编码器的对比学习在序列推荐中取得了优势。它最大化共享相似语义的成对序列扩增之间的协议。然而，现有的顺序推荐对比学习方法主要采用从左到右的单向Transformers作为基本编码器，由于用户行为可能不是严格的从左到右的顺序，因此这种方法对于顺序推荐来说并不理想。为了解决这个问题，我们提出了一个新的框架，名为\textbf{C}对比学习与\textbf{Bi}定向\textbf{T} transformers顺序推荐（\textbf{CBiT}）。具体来说，我们首先应用滑动窗口技术的双向Transformers，这使得用户序列的更细粒度的划分长的用户序列。然后结合完形填空任务模板和丢弃模板生成高质量的正样本并进行多对对比学习，与常规的一对对比学习相比，该方法具有更好的性能和适应性。此外，我们还引入了一种新的动态损失权重调整策略来平衡完形填空任务损失和对比损失。在三个公共基准数据集上的实验结果表明，我们的模型优于最先进的顺序推荐模型。
2022-08-17 cs.IR
RBoard: A Unified Platform for Reproducible and Reusable Recommender System Benchmarks
本文提出 RBoard 统一基准平台，支持 CTR 预测、Top-N 推荐等任务的标准化、跨数据集评估与代码复现，以提升推荐算法比较的可复现性和可复用性。
2024-09-10 cs.IR
When Do Pretrained Audio Representations Help Music Recommendation? A Study Across Ranking and Generative Interfaces
University of New South Wales（新南威尔士大学）；School of Computing, Macquarie University（麦考瑞大学计算学院）
该研究评估六种音频编码器在三类音乐推荐系统中的效果，分析残差量化设计的影响，为现代音乐推荐系统的音频编码器选择及语义ID设计提供实用指导。
2026-10-28 cs.IR
Ensemble Modeling with Contrastive Knowledge Distillation for Sequential Recommendation
本文提出EMKD框架，通过并行网络集成与对比知识蒸馏（含ICL、CCL和KD）提升序列推荐性能，实验证明其优于现有方法且具有通用性。
2023-05-16 cs.IR
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer
Alibaba Group（阿里巴巴集团）
从用户的历史行为中建模用户的动态和不断变化的偏好是推荐系统的挑战和关键。先前的方法采用顺序神经网络（例如，递归神经网络）将用户的历史交互从左到右编码为隐藏表示，以进行推荐。虽然这些方法取得了令人满意的结果，他们往往假设一个严格的顺序，这并不总是实用的。我们认为，这种从左到右的单向架构限制了历史序列表示的权力。为此，我们介绍了一个双向编码器表示从Transformers顺序推荐（BERT4Rec）。然而，在深度双向模型中，联合条件作用于左上下文和右上下文会使训练变得微不足道，因为每个项目都可以间接地“看到目标项目”。为了解决这个问题，我们使用完形填空任务训练双向模型，通过联合调节其左右上下文来预测序列中的掩蔽项。与预测序列中每个位置的下一个项目相比，完形填空任务可以产生更多的样本来训练更强大的双向模型。在四个基准数据集上的大量实验表明，我们的模型始终优于各种最先进的序列模型。
2019-08-21 cs.IR cs.LG
LLMDistill4Ads: Using Cross-Encoders to Distill from LLM Signals for Advertiser Keyphrase Recommendations at eBay
eBay Inc（eBay公司）
LLMDistill4Ads通过交叉编码器从LLM信号中蒸馏，旨在提升eBay广告商关键词推荐的多样性和准确性。
2026-02-18 cs.AI cs.IR cs.LG
AutoSVD++: An Efficient Hybrid Collaborative Filtering Model via Contractive Auto-encoders
协同过滤（CF）已经成功地用于为用户提供个性化的产品和服务。然而，处理日益稀疏的用户-项目矩阵仍然是一个挑战。为了解决这样的问题，混合CF，如结合基于内容的过滤和利用用户和项目的边信息，已被广泛研究，以提高性能。然而，这些方法中的大多数依赖于手工制作的特征工程，这通常是容易受到噪声的影响，并受到不同的特征提取和选择方案的影响。在本文中，我们提出了一个新的混合模型，通过推广压缩自动编码器范式到矩阵分解框架具有良好的可扩展性和计算效率，联合模型的内容信息的有效性和紧凑性的表示，并利用隐式用户反馈，使准确的建议。在三个大规模真实数据集上进行的实验表明，该方法在项目推荐方面优于其他方法。
2017-06-13 cs.IR
MealRec: A Meal Recommendation Dataset
捆绑推荐系统的目标是推荐一组项目供用户作为一个整体考虑。它们已经成为现代生活中的一种常态，并已应用于许多现实世界的设置，如产品捆绑推荐，音乐播放列表推荐和旅行套餐推荐。然而，与在线购物和数字音乐服务等领域的捆绑推荐方法的研究相比，酒店业餐厅的膳食推荐研究进展有限，主要原因是缺乏高质量的基准数据集。一个公开的数据集专门为研究界的膳食推荐研究是迫切需要的。在本文中，我们介绍了一个膳食推荐数据集（MealRec），旨在促进未来的研究。MealRec是根据Allrecipe.com的用户评论记录构建的，覆盖1,500+用户，7,200+食谱和3,800+餐。每个食谱都有丰富的信息描述，如成分，说明，图片，类别和标签等;每餐都是三道菜，包括开胃菜，主菜和甜点。此外，我们提出了一个类别约束的膳食推荐模型，通过与MealRec上几种最先进的捆绑式推荐方法的比较实验进行评估。实验结果证实了我们的模型的优越性，并表明MealRec是一个很有前途的测试平台，膳食推荐相关的研究。MealRec数据集和我们提出的模型的源代码可在https://github.com/WUT-IDEA/MealRec上访问和再现。
2022-05-24 cs.IR
End-to-End Personalized Next Location Recommendation via Contrastive User Preference Modeling
预测下一个位置是许多基于位置的服务（如目的地预测和路线规划）中非常有价值和常见的需求。下一个位置推荐的目标是基于用户的历史轨迹来预测用户可能去的下一个兴趣点。现有的模型大多只从用户的历史签到序列中学习移动模式，而忽略了用户偏好建模的重要性。在这项工作中，一个新的点的兴趣Transformer（POIFormer）与对比用户偏好建模开发的端到端的下一个位置推荐。该模型由三个主要模块组成：历史编码器、查询生成器和偏好解码器。历史编码器被设计成从历史登记序列中建模移动模式，而查询生成器显式地学习用户偏好以生成用户特定的意图查询。最后，偏好解码器结合意图查询和历史信息来预测用户的下一个位置。广泛的比较与代表性的计划和消融研究的四个真实世界的数据集证明了所提出的计划在各种设置下的有效性和优越性。
2023-03-22 cs.IR
Neural News Recommendation with Attentive Multi-View Learning
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
个性化新闻推荐对于在线新闻平台帮助用户找到感兴趣的新闻、提升用户体验至关重要。新闻和用户表示学习对于新闻推荐至关重要。现有的新闻推荐方法通常基于单个新闻信息来学习这些表示，例如，标题，这可能是不够的。在本文中，我们提出了一个神经新闻推荐方法，可以学习信息表示的用户和新闻利用不同种类的新闻信息。我们的方法的核心是一个新闻编码器和一个用户编码器。在新闻编码器中，我们提出了一个专注的多视图学习模型，将标题，主体和主题类别视为新闻的不同视图来学习统一的新闻表示。此外，我们将文字层级和观点层级的注意力机制应用于新闻编码器，以选择重要的文字和观点来学习资讯性新闻表征。在用户编码器中，我们根据用户浏览的新闻来学习用户的表征，并应用注意力机制来选择信息性新闻进行用户表示学习。在真实数据集上的大量实验表明，该方法可以有效地提高新闻推荐的性能。
2019-07-12 cs.CL cs.IR cs.LG
Efficient Multimodal Streaming Recommendation via Expandable Side Mixture-of-Experts
针对流式推荐中多模态编码器微调成本高及偏好漂移问题，提出可扩展侧混合专家框架XSMoE，通过冻结编码器附加可扩展专家网络并动态路由，兼顾冷启动与漂移偏好，在三个数据集上超越现有基线。
2025-10-23 cs.IR
Local Citation Recommendation with Hierarchical-Attention Text Encoder and SciBERT-based Reranking
Institute of Neuroinformatics, University of Zurich（苏黎世大学神经信息学研究所）；ETH Zurich（苏黎世联邦理工学院）
本地引用推荐的目标是从本地引用上下文以及可选地从全局上下文推荐缺失的参考文献。为了在大规模论文数据库的背景下平衡引用推荐的速度和准确性之间的权衡，一种可行的方法是首先使用有效的排名方法预取有限数量的相关文档，然后使用更复杂的模型执行细粒度的重新排名。在这种情况下，BM 25被发现是一种难以击败的预取方法，这就是为什么最近的工作主要集中在重新排序步骤上。即便如此，我们探索预取与最近邻搜索之间的文本嵌入构造的层次注意力网络。当再加上一个SciBERT reranker微调本地引文推荐任务，我们的分层注意力编码器（HAtten）实现了高预取召回给定数量的候选人进行重新排名。因此，我们的重新排名器需要更少的预取候选项来重新排名，但仍然在ACL-200、FullTextPeerRead、RefSeer和arXiv等各种本地引文推荐数据集上实现了最先进的性能。
2022-03-17 cs.CL cs.IR cs.LG
Federated Adaptation for Foundation Model-based Recommendations
针对基础模型推荐中隐私保护与实时偏好适应问题，提出联邦学习轻量个性化适配器，在不共享用户私有数据的前提下融合共享知识并保留个人偏好，且在四个基准上性能优越。
2024-05-08 cs.IR
Simplifying Content-Based Neural News Recommendation: On User Modeling and Training Objectives
提出统一新闻推荐框架，系统比较关键设计维度，发现参数高效的晚期融合和对比训练能显著提升性能并挑战现有方法。
2023-04-06 cs.IR
Hybrid Encoder: Towards Efficient and Precise Native AdsRecommendation via Hybrid Transformer Encoding Networks
University of Science and Technology of China（中国科学技术大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）；Microsoft（微软）
Transformer编码网络已被证明是理解自然语言的有力工具。它们在原生广告服务中发挥着关键作用，这有助于根据用户的Web浏览历史推荐合适的广告。为了高效推荐，常规方法将利用连体Transformer编码器独立地生成用户和广告嵌入，使得可以利用近似最近邻搜索（ANN）。鉴于用户和广告的潜在语义可能是复杂的，这种独立生成的嵌入容易丢失信息，这导致较差的推荐质量。虽然另一种编码策略，交叉编码器，可以更准确，这将导致巨大的运行成本，并成为不可行的实时服务，如原生广告推荐。在这项工作中，我们提出了混合编码器，通过两个连续的步骤：检索和排名，使高效和精确的原生广告推荐。在检索步骤中，用户和广告被编码的连体组件，这使得相关的候选人通过人工神经网络搜索检索。在排名步骤中，它进一步表示每个具有分解嵌入的广告和每个具有广告相关嵌入的用户，这有助于从候选集中细粒度地选择高质量的广告。这两个步骤都是轻量级的，这要归功于预先计算和缓存的中间结果。为了优化混合编码器在这个两阶段工作流程中的性能，开发了一个渐进式训练管道，该管道逐步建立模型在检索和排名任务中的能力。混合编码器的有效性进行了实验验证：很少的额外成本，它优于暹罗编码器显着，并实现了可比的建议质量的交叉编码器。
2021-04-22 cs.AI cs.CL cs.IR
WSFE: Wasserstein Sub-graph Feature Encoder for Effective User Segmentation in Collaborative Filtering
针对推荐模型中用户相似性建模不足的问题，提出模型无关、免训练的WSFE编码器，基于最优传输理论实现有效用户分段，并在六个模型和数据集上验证其优越性与通用性。
2023-05-08 cs.IR
Lightweight Modality Adaptation to Sequential Recommendation via Correlation Supervision
本文提出一种轻量级知识蒸馏方法，通过整体与分解的模态相关性监督及异步学习缓解序列推荐中的模态遗忘，在多种骨干架构上平均提升6.8%。
2024-01-14 cs.IR
Enriching Article Recommendation with Phrase Awareness
最近用于推荐系统的深度学习方法非常复杂。对于文章推荐任务，产生文章内容的潜在表示的神经网络编码器将被证明是有用的。然而，使用带有嵌入的原始文本作为模型可能会降低句子的含义并降低性能。在本文中，我们提出了PhrecSys（基于短语的推荐系统），它注入短语级功能到基于内容的推荐系统，以提高功能的信息性和模型的可解释性。在六个月的真实数据上进行的实验表明，短语特征在预测用户点击和查看行为方面提高了基于内容的模型。此外，注意力机制表明，短语意识有利于学习的文本焦点，把模型的注意力放在有意义的文本跨度，这导致可解释的文章推荐。
2018-12-12 cs.IR
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis
Politecnico di Bari（巴里理工大学）；Universidad Autónoma de Madrid（马德里自治大学）
本研究针对图推荐模型结果可复现性问题，提供代码在多个数据集上复现六个图模型，并与传统协同过滤比较，分析数据集特征对推荐准确性的影响，揭示模型受数据内在特征影响的规律。
2024-05-27 cs.AI cs.IR
Debiased Contrastive Learning for Sequential Recommendation
目前的顺序推荐系统被提出来处理动态用户偏好学习与各种神经技术，如Transformer和图神经网络（GNNs）。然而，从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺的问题，最近提出了对比学习（CL）方法，以两种方式执行数据增强：（i）随机破坏序列数据（例如随机掩蔽，重新排序）;（ii）在预定义的对比视图中对齐表示。虽然有效，我们认为，目前的CL为基础的方法有局限性，在解决流行的偏见和解开用户的一致性和真正的兴趣。在本文中，我们提出了一个新的Debiased对比学习范例推荐（DCRec），统一的序列模式编码与全球合作关系建模，通过自适应一致性感知增强。该解决方案旨在解决推荐系统中的流行偏见问题。我们的去偏对比学习框架有效地捕捉序列内的项目转换模式和跨序列的用户之间的依赖关系。我们在各种真实世界数据集上的实验表明，DCRec的性能显著优于最先进的基线，表明其推荐的有效性。为了促进我们的结果的可重复性，我们在https://github.com/HKUDS/DCRec上公开了DCRec的实现。
2023-03-21 cs.IR
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
A Multi-Channel Next POI Recommendation Framework with Multi-Granularity Check-in Signals
针对签到数据稀疏问题，提出多通道多粒度下一POI推荐框架MCMG，融合细/粗粒度及局部/全局签到信号，通过三个模块捕获序列规律与动态影响，在四个数据集上显著优于现有方法。
2022-09-01 cs.IR
Disentangled Graph Variational Auto-Encoder for Multimodal Recommendation with Interpretability
针对多模态推荐中表示纠缠难解释的问题，提出解耦图变分自编码器 DGVAE，通过多模态转文本、图编码与互信息对齐提升推荐性能和可解释性，并在三个数据集上取得 10.02% 的性能提升。
2024-02-25 cs.IR cs.MM
SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
针对推荐系统中冷启动/长尾物品推荐性能弱、多模态表征与排序模型联合训练成本高的问题，提出轻量的语义-行为对齐框架SaviorRec，通过行为感知多模态编码和残差量化语义ID实现对齐，在Taobao平台取得显著效果提升。
2025-08-02 cs.IR
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
