Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
提出可学习序列增强器LACLRec，通过自监督增强生成高质量序列并设计三元组对比损失，在三个真实数据集上显著提升序列推荐准确性。
2025-03-26 cs.IR
Predictive and Contrastive: Dual-Auxiliary Learning for Recommendation
自监督学习（SSL）最近在推荐方面取得了显著的成功。通过设置辅助任务（预测或对比），SSL可以在没有人工注释的情况下从原始数据中发现监督信号，这大大缓解了稀疏用户-项目交互的问题。然而，大多数基于SSL的推荐模型依赖于通用辅助任务，例如，最大化从原始交互图和扰动交互图中学习到的节点表示之间的对应关系，这些节点表示与推荐任务明显无关。因此，基于推荐数据的异构图中的社会关系和项目类别所反映的丰富语义没有得到充分利用。为了探索特定的辅助任务，我们首先定量分析了异构的交互数据，发现元路径引起的用户-项目路径的数量与交互之间存在很强的正相关关系。基于这一发现，我们设计了两个与目标任务紧密耦合的辅助任务（一个是预测任务，另一个是对比任务），将推荐与隐藏在正相关中的自我监督信号联系起来。最后，一个模型无关的双重辅助学习（DUAL）框架，统一的SSL和推荐任务的开发。在三个真实数据集上进行的大量实验表明，DUAL可以显着提高推荐，达到最先进的性能。
2022-07-23 cs.IR
Frequency-aware Adaptive Contrastive Learning for Sequential Recommendation
Fudan University（复旦大学）
FACL通过引入频率感知的自适应扰动和再加权机制，提升序列推荐中低频率项和稀疏用户行为的处理能力，实现推荐准确率的显著提升。
2026-01-22 cs.IR
Memory Augmented Multi-Instance Contrastive Predictive Coding for Sequential Recommendation
顺序推荐的目的是根据用户历史记录的顺序模式向用户推荐产品、歌曲和地点等项目。现有的序列推荐模型大多将下一个项目预测任务作为训练信号。不幸的是，这些方法存在两个基本挑战：（1）长期偏好难以捕获，以及（2）监督信号太稀疏，无法有效地训练模型。在本文中，我们提出了一种新的顺序推荐框架，以克服这些挑战的基础上内存增强的多实例对比预测编码方案，表示为MMInfoRec。基本的对比预测编码（CPC）用作序列和项目的编码器。存储器模块被设计为增强CPC中的自回归预测，以实现编码偏好的灵活且通用的表示，这可以提高捕获长期偏好的能力。为了有效地训练MMInfoRec模型，提出了一种新的多实例噪声对比估计（MINCE）损失，使用多个正样本，它提供了一个小批量内的样本的有效利用。所提出的MMInfoRec框架属于对比学习风格，然而，在该风格内，考虑到其对比训练任务与目标推荐任务很好地对齐，不需要进一步的微调步骤。通过对四个基准数据集的广泛实验，MMInfoRec可以超越最先进的基线。
2021-09-13 cs.IR
Meta-optimized Joint Generative and Contrastive Learning for Sequential Recommendation
本文提出Meta-SGCL方法用于序列推荐，通过Seq2Seq生成器结合VAE保留语义生成对比视图，并采用元优化的两步训练策略自适应生成视图，在三个真实数据集上验证了其有效性。
2023-10-21 cs.IR
Multi-level Contrastive Learning Framework for Sequential Recommendation
顺序推荐（SR）的目的是通过了解用户的连续历史行为来预测用户的后续行为。最近，用于SR的一些方法致力于减轻数据稀疏问题（即，有限的监督信号进行训练），它们考虑了对比学习将自监督信号纳入SR。尽管它们取得了成就，但由于对复杂的协作信息和共同行动信息（如用户-项目关系、用户-用户关系和项目-项目关系）建模不足，因此学习信息丰富的用户/项目嵌入是远远不够的。在本文中，我们研究了SR的问题，并提出了一种新的多级对比学习框架的顺序推荐，命名为MCLSR。与以往基于对比学习的SR方法不同，MCLSR通过跨视图对比学习范式，从两个不同层次（即，兴趣和特征级别）。具体地，兴趣级对比机制与顺序转移模式联合学习协作信息，并且特征级对比机制通过捕获协作信息（即，共现）。在四个真实数据集上的实验表明，所提出的MCLSR的性能始终优于最先进的方法。
2022-08-27 cs.IR
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University（世宗大学）
针对序列推荐系统，提出SimDiffRec，利用物品嵌入向量相似性生成语义一致噪声，依高置信度选增强位置，结合对比学习提升训练效率与推荐性能，实验表明其优于基线模型。
2026-07-07 cs.IR
Contrastive Cross-domain Recommendation in Matching
跨域推荐（Cross-Domain Recommendation，CDR）是一种在目标域中借助源域提供更好的推荐结果的方法，在现实系统中得到了广泛的应用和探索。然而，匹配中的CDR（即，候选生成）模块在表示学习和知识转移中都要与数据稀疏性和流行性偏差问题作斗争。在这项工作中，我们提出了一个新的对比跨域推荐（CCDR）框架中的CDR匹配。具体而言，我们构建了一个巨大的多样化偏好网络，以获取反映用户不同兴趣的多种信息，并设计了一个域内对比学习（intra-CL）和三个跨域对比学习（inter-CL）任务，以实现更好的表示学习和知识转移。内部CL通过图形增强在目标域内实现更有效和平衡的训练，而内部CL从用户，分类和邻居方面构建不同类型的跨域交互。在实验中，CCDR在现实世界的系统中实现了离线和在线评估的显着改进。目前，我们已在微信看一看”上部署了CCDR，影响了大量用户。源代码在https://github.com/lqfarmer/CCDR中。
2022-06-21 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题，提出 MCL 模型，通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构，提升了推荐鲁棒性。
2025-05-30 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
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam（阿姆斯特丹大学）；IKEA Retail (Ingka Group)（宜家零售（英格卡集团））
本文提出基于对比学习的方法，通过引入精心挑选的负样本，提升零售场景中产品推荐的多样性和覆盖范围，同时保持推荐质量。
2026-02-09 cs.IR cs.LG
C$^3$: Capturing Consensus with Contrastive Learning in Group Recommendation
Sungkyunkwan University（成均馆大学）
C$^3$通过对比学习在群体推荐中捕捉共识，提升群体和用户推荐性能。
2026-02-26 cs.IR
Disentangled Contrastive Learning for Social Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Centre for Artificial Intelligence and Robotics (HKISI_CAS)（人工智能与机器人研究所（香港科学院_中国科学院））
针对统一用户表示难以刻画协同域与社交域异构行为的问题，提出 DcRec 框架，通过解耦用户表示及跨域解耦对比学习实现知识迁移，并在多个真实数据集上验证了优越性。
2023-10-03 cs.AI cs.IR
Meta-optimized Contrastive Learning for Sequential Recommendation
针对现有对比学习方法在序列推荐中泛化性差且依赖大量训练数据的问题，本文提出MCLRec模型，通过结合数据与可学习模型增强生成对比视图，并利用元学习优化增强器及对比正则化项，在不增加数据量的前提下有效提升了对比对质量与推荐性能。
2023-11-21 cs.IR
Isotropy-Optimized Contrastive Learning for Semantic Course Recommendation
University of Ottawa（渥太华大学）
本文提出一种基于BERT的语义课程推荐系统，通过各向同性优化对比学习提升课程推荐准确性。
2026-01-16 cs.CL cs.IR
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
Southwest University（西南大学）；Chongqing Normal University（重庆师范大学）
针对推荐系统中稀疏交互导致嵌入学习效果差的问题，提出GDA4Rec框架，利用深度生成模型生成增强视图并提取物品补全矩阵，结合推荐、增强和对比学习的联合目标，在三个数据集上验证了有效性。
2025-10-10 cs.IR
Supervised Contrastive Learning for Recommendation
School of Automation Engineering, University of Electronic Science and Technology of China（电子科技大学自动化工程学院）
在这项工作中，我们的目标是充分考虑对比学习在推荐系统的场景中的应用，使其更适合于推荐任务。我们提出了一种称为监督对比学习（SCL）的学习范式来支持图卷积神经网络。具体来说，我们在数据预处理时分别计算用户端和项目端不同节点之间的相似度，然后在应用对比学习时，不仅将增强后的视图作为正样本，还将一定数量的相似样本作为正样本，这与Simplified将一批中的其他样本作为负样本不同。我们在最先进的LightGCN上应用SCL。此外，为了考虑节点交互的不确定性，本文还提出了一种新的数据扩充方法--节点复制。在Gowalla、Yelp 2018、Amazon-Book数据集上的实证研究和消融研究证明了SCL和节点复制的有效性，提高了推荐的准确性和对交互噪声的鲁棒性。
2022-04-19 cs.AI cs.IR
Don't Click the Bait: Title Debiasing News Recommendation via Cross-Field Contrastive Learning
针对新闻推荐中的标题党偏差问题，提出融合新闻摘要的TDNR-C2模型，通过多字段知识提取与跨域对比学习实现去偏，在真实数据集上性能优于现有最优方法。
2024-08-16 cs.IR
Rethinking Contrastive Learning in Session-based Recommendation
本文提出多模态自适应对比学习框架MACL，通过多模态增强生成语义一致的视图，并利用自适应对比损失区分正负信号贡献，在三个真实数据集上验证了其优于现有方法。
2025-06-05 cs.IR
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景，提出融合跳过等负反馈的序列感知对比子任务，优化会话嵌入空间结构，在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；UC San Diego（加州大学圣迭戈分校）
顺序推荐描述了一组对动态用户行为进行建模的技术，以便预测顺序用户数据中的未来交互。这些方法的核心是对序列中项目之间的转移概率进行建模，无论是通过马尔可夫链、递归网络还是最近的Transformers。然而，新老问题仍然存在，包括数据稀疏性和噪声数据;这些问题可能会影响性能，特别是在复杂的，参数饥饿的模型中。在本文中，我们研究应用对比自监督学习（SSL）的顺序推荐，作为一种方式来缓解这些问题。对比SSL从未标记的实例中构建增强，其中正对之间的协议最大化。由于顺序推荐的离散性、项目之间的相关性以及长度分布的偏斜性，设计用于顺序推荐的对比SSL框架具有挑战性。为此，我们提出了一个新的框架，对比自监督学习顺序推荐（CoSeRec）。我们引入了两个信息增强算子，利用项目相关性来创建高质量的对比学习视图。在三个真实数据集上的实验结果表明，该方法在提高模型性能和对稀疏和噪声数据的鲁棒性方面是有效的。我们的实现可在\url{https://github.com/YChen1993/CoSeRec}上在线获得
2021-08-14 cs.AI cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响，这可能使学习到的用户表示无差别，并导致琐碎的推荐（例如，流行的项目），甚至是奇怪的，远远超出了用户的兴趣。对比学习是一种新兴的技术，用于学习具有随机数据增强的区分表示。然而，现有的对比学习框架由于忽略了用户行为中的噪声，对所有的增强样本都一视同仁，不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白，我们提出了用于训练推荐模型的对比学习框架，名为CCL 4 Rec，它通过进一步对比增强的积极/消极与自适应拉/推强度，即，对比（vanilla）对比学习。为了适应这些对比，我们设计了硬度感知增强，跟踪被替换的查询用户的行为的重要性和替代品的相关性，从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习，从而导致性能增益和鲁棒训练。通过这种方式，CCL 4 Rec可以捕获给定用户的历史行为的细微差别，从而明确地屏蔽了学习到的用户表示，使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验，实验结果表明，CCL 4 Rec在模型参数少得多的情况下，可以达到与现有最先进方法相当的性能，并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
顺序推荐是一种利用用户行为序列中丰富信息的推荐方法，在实际推荐系统中得到了广泛的应用。然而，目前的方法存在以下问题：1）用户-项目交互的稀疏性，2）顺序记录的不确定性，3）长尾项目。在本文中，我们建议将对比学习纳入变分自编码器的框架中，以同时应对这些挑战。首先，我们介绍了一种新的训练目标，将传统的单视图ELBO扩展到双视图的情况下，并从理论上建立了VAE和对比学习之间的连接从双视图的角度。然后，我们提出了对比变分自编码器（简称ContrastVAE），一个两分支的VAE模型与对比正则化作为一个实施例的ContrastELBO顺序推荐。我们进一步介绍了两个简单而有效的增强策略，命名为模型增强和变分增强，以创建一个序列的第二个视图，从而使对比学习成为可能。在四个基准数据集上的实验证明了ContrastVAE和所提出的增强方法的有效性。代码可在https://github.com/YuWang-1024/ContrastVAE上获得
2022-12-05 cs.IR cs.LG
Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering
以前的高度可扩展的一类协同过滤方法，如投影线性推荐（PLRec），主张使用快速随机SVD将项目嵌入到潜在空间中，然后使用线性回归方法来学习每个用户的个性化推荐模型。不幸的是，朴素SVD嵌入方法通常表现出流行性偏差，这会影响准确嵌入利基项的能力。为了解决这个问题，我们利用噪声对比估计（NCE）的见解，以获得一个封闭的形式，有效地可计算的“大众化”嵌入。虽然这种方法对于使用PureSVD等方法的直接推荐并不理想，因为流行度仍然在推荐中起着重要作用，但我们发现，在我们称为NCE-PLRec的新方法中，嵌入之后进行线性回归来学习个性化用户模型，利用了NCE的改进项嵌入，同时在最终推荐中校正其流行度无偏。推荐流行度分布的分析表明，NCE-PLRec均匀地分布在流行度频谱上的建议，而其他方法对特定的流行度子范围表现出明显的偏见，从而人为地限制了他们的建议。从经验上讲，NCE-PLRec在各种大规模推荐数据集上的表现优于最先进的方法以及各种消融。
2018-11-02 cs.IR
Multi-granularity Item-based Contrastive Recommendation
对比学习（CL）已经在推荐中显示出其强大的功能。然而，大多数基于CL的推荐模型仅仅关注用户的方面，忽略了项目中丰富多样的信息。在这项工作中，我们提出了一个新的多粒度基于项目的对比学习（MicRec）框架的匹配阶段（即，该方法系统地将多方面的项目相关信息引入到基于CL的表示学习中。具体来说，我们建立了三个基于项目的CL任务作为一组即插即用的辅助目标，以捕捉项目的相关性，在功能，语义和会话水平。特征级项目CL旨在通过项目及其增强来学习细粒度的特征级项目相关性。语义级项CL关注语义相关项之间的粗粒度语义相关性。会话级项目CL突出了来自所有会话中的用户顺序行为的项目的全局行为相关性。在实验中，我们进行离线和在线评估现实世界的数据集，验证了三个CL任务的有效性和普遍性。目前，MicRec已经部署在一个真实世界的推荐系统上，影响了数百万用户。源代码将在未来发布。
2022-11-02 cs.IR
Contrastive Learning for Interactive Recommendation in Fashion
推荐系统和搜索在促进在线时尚平台的个性化和易于浏览方面都是不可或缺的。然而，这两个工具往往独立运作，未能结合推荐系统的优势，以准确地捕捉用户的口味与搜索系统的能力，以处理用户的查询。我们提出了一种新的补救办法，这个问题的自动推荐个性化的时尚项目的基础上，用户提供的文本请求。我们提出的模型WhisperLite使用对比学习从自然语言文本中捕获用户意图，提高了时尚产品的推荐质量。WhisperLite将CLIP嵌入的强度与用于个性化的附加神经网络层相结合，并使用基于二进制交叉熵和对比损失的复合损失函数进行训练。该模型在从在线零售时尚商店收集的真实数据集上进行测试时，离线推荐检索指标得到了显着改善，以及在不同电子商务领域广泛使用的开源数据集，如餐馆，电影和电视节目，服装和鞋子评论。我们还进行了一项用户研究，捕捉用户对模型推荐项目的相关性的判断，确认WhisperLite的建议在在线设置中的相关性。
2022-07-25 cs.IR
Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
City University of Hong Kong（香港城市大学）
针对知识感知推荐中层次结构建模不足及图结构增强导致偏好偏移的问题，提出结合Lorentzian知识聚合与模型级增强的双曲对比学习方法，最高性能提升11.03%。
2025-05-13 cs.AI cs.IR
Adaptive Graph Contrastive Learning for Recommendation
针对推荐数据稀疏、噪声及对比增强依赖人工试错的问题，提出 AdaGCL，用可训练的图生成与图去噪生成器构造自适应对比视图，并在三个真实数据集上验证其优于现有方法。
2023-07-13 cs.IR
Generative Contrastive Graph Learning for Recommendation
本文针对图对比学习推荐中数据增强破坏图结构或忽视节点差异的问题，提出变分图生成-对比学习框架VGCL，通过节点级分布采样生成对比视图并引入簇感知双重对比学习，在三个公开数据集上验证了有效性。
2023-07-11 cs.IR
HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Alibaba Group（阿里巴巴集团）
提出分层图对比学习（HGCL），通过跨层对比预训练和分层图微调，利用物品分层结构提升推荐准确性，在多个基准数据集上优于现有模型。
2025-05-25 cs.AI cs.IR
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习（CL）最近在推荐领域的研究中取得了丰硕的成果，因为它能够从原始数据中提取自监督信号，这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图，然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的，但性能提升的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更均匀分布的用户/项目表示来操作，可以隐式地减轻受欢迎程度偏差。同时，我们发现，图的扩张，这被认为是必要的，只是发挥微不足道的作用。基于这一发现，我们提出了一个简单的CL方法，放弃了图增强，而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明，尽管该方法看起来非常简单，但该方法可以平滑地调整学习表示的均匀性，并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
NLGCL: Naturally Existing Neighbor Layers Graph Contrastive Learning for Recommendation
针对现有图对比学习依赖增强引入噪声和高成本的问题，提出NLGCL框架，利用GNN邻居层间自然对比视图，避免增强噪声并降低计算存储开销，在四个数据集上超越最先进基线。
2025-07-10 cs.IR
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分：用户和项目嵌入学习，其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息，利用历史评论丰富了用户/项目嵌入学习能力，或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展，我们认为，目前的解决方案，基于审查的建议遭受两个缺点。首先，由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图，如何更好地利用这种独特的图结构进行推荐？其次，虽然目前大多数模型都受到用户行为的限制，但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件？为此，在本文中，我们提出了一种新的审查感知图对比学习（RGCL）框架的审查为基础的推荐。具体来说，我们首先构建一个具有功能增强边缘的评论感知用户项目图，其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边，可以帮助专心地学习每个邻居节点的权重，用于用户和项目表示学习。之后，我们设计了两个额外的对比学习任务（即，节点鉴别和边缘鉴别），为推荐过程中的两个组件提供自监督信号。最后，在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Relative Contrastive Learning for Sequential Recommendation with Similarity-based Positive Pair Selection
DAMO Academy（达摩院）；Shanghai Jiao Tong University（上海交通大学）；Meituan（美团）
本文提出基于相似性正样本选择的序列推荐相对对比学习框架，通过双层正样本选择模块和相对对比学习模块提升推荐模型表现，实验显示在五个公开数据集和一个私有数据集上平均提升4.88%。
2026-04-03 cs.IR
SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；The University of Sydney（悉尼大学）；Zhejiang Lab（之江实验室）
基于会话的推荐（SBR）问题，其重点是对匿名用户的下一个项目的预测，受到越来越多的研究人员的关注。现有的基于图的SBR方法都缺乏区分具有相同最后一项的会话的能力，并且遭受严重的流行偏差。受对比学习方法的启发，提出了一种基于会话推荐的简单对比图神经网络（SimCGNN）。在SimCGNN中，我们首先在构建的会话图上获得规范化的会话嵌入。接下来，我们通过两个前向传播和一个新的负样本选择策略来构造会话的正样本和负样本，然后计算建设性损失。最后，会话嵌入用于给出预测。在两个真实数据集上进行的大量实验表明，我们的SimCGNN与最先进的方法相比取得了显着的改进。
2023-02-08 cs.AI cs.IR
False Negative Distillation and Contrastive Learning for Personalized Outfit Recommendation
随着在线时尚产业的快速发展，个性化服装推荐最近成为人们关注的焦点。然而，推荐服装有两个重大挑战需要解决。第一个挑战是，服装推荐通常需要一个复杂而庞大的模型，该模型利用视觉信息，从而产生巨大的内存和时间成本。缓解这个问题的一种自然方法是使用知识蒸馏（KD）技术压缩这样一个繁琐的模型，该技术利用来自预训练教师模型的知识。然而，这是很难应用现有的KD方法在推荐系统（RS）的服装推荐，因为他们需要的所有可能的服装的排名，而服装的数量呈指数增长的数量组成的服装项目。因此，我们提出了一个新的KD框架，用于服装推荐，称为假阴性蒸馏（FND），它利用教师模型的假阴性信息，同时不需要对所有候选人进行排名。第二个挑战是爆炸性的服装候选人数量放大了数据稀疏性问题，通常导致服装表示不佳。为了解决这个问题，对比学习（CL）最近的成功的启发，我们介绍了一个CL框架装备表示学习与两个建议的数据增强方法。在服装推荐数据集上的定量和定性实验证明了所提方法的有效性和可靠性。
2021-10-13 cs.IR
Hybrid Matrix Factorization Based Graph Contrastive Learning for Recommendation System
针对现有图对比学习推荐方法数据增强策略无法充分捕捉用户-物品交互的问题，提出融合低秩MF与SVD的HMFGCL方法，通过互补获取全局协同信息构建增强视图，在多数据集尤其小规模数据集上性能优于现有基线。
2025-09-05 cs.IR
Language-Enhanced Session-Based Recommendation with Decoupled Contrastive Learning
针对现有会话推荐依赖物品ID导致的流行偏差与冷启动问题，提出融合文本与物品ID模态、结合解耦对比学习的多模态推荐方法，在KDD CUP 2023任务1中获第5名并开源相关资源。
2023-07-20 cs.IR
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University（西安交通大学）
top-k推荐是推荐系统中的一项基本任务，通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题，近年来受到了越来越多的关注，我们发现它非常适合于top-k推荐。然而，CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面，合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面，在稀疏数据集中，正项很少，因此应该强调它们的重要性。此外，另一个重要的问题是，稀疏的积极项目仍然没有充分利用的建议。因此，我们提出了一种新的数据增强方法，使用多个正项目（或样本）同时与CL损失函数。因此，我们提出了一种基于多样本的对比损失（MSCL）函数，通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络（GCN）方法，实验结果验证了MSCL的先进性能。所提出的MSCL方法简单，适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
Technical Paper Recommendation: A Study in Combining Multiple Information Sources
管理和利用在线数据源的需求日益增长，这为人们更接近他们所需的资源提供了新的机会。例如，考虑一种推荐服务，通过这种服务，研究人员可以每天收到他们感兴趣领域的期刊论文的指针。我们调查了一些已知的方法来解决技术论文推荐的问题，并询问如何将它们扩展到处理多个信息源。更具体地说，我们专注于这个问题的一个变体-向审查委员会成员推荐会议论文提交-这为我们提供了一个尝试不同方法的测试平台。使用WHIRL -一个信息集成系统-我们能够实现不同的推荐算法来自信息检索原则。我们还使用了一种新的自主程序，从网络上收集评论家的兴趣信息。我们评估我们的方法，并将其与其他方法相比，使用AAAI-98会议审查委员会成员提供的偏好数据以及实际提交的数据。
2011-06-01 cs.IR
QoS-Aware Graph Contrastive Learning for Web Service Recommendation
Yonsei University（延世大学）；Jeonbuk National University（全北国立大学）
针对Web服务推荐中的数据稀疏和冷启动问题，提出QAGCL模型，利用图对比学习构建包含地理位置信息的增强图以学习嵌入，有效提升了QoS感知推荐的准确性。
2024-01-06 cs.IR cs.LG cs.SE
Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Alibaba Group（阿里巴巴集团）
跨域推荐近年来受到了业界和学术界的广泛关注。然而，大多数现有的方法不利用域之间的兴趣不变性，这将产生次优的解决方案。本文提出了一种跨领域推荐方法：自监督兴趣转移网络（SITN），它通过原型对比学习在领域之间有效地转移不变知识。具体来说，我们执行两个层次的跨域对比学习：1）实例到实例的对比学习，2）实例到集群的对比学习。不仅如此，我们还考虑了用户的多粒度和多视角兴趣。通过这种范式，SITN可以显式地学习领域之间兴趣簇的不变知识，准确地捕获用户的意图和偏好。我们对一个公共数据集和一个从世界领先的电子商务公司收集的大规模工业数据集进行了广泛的实验。实验结果表明，SITN实现了显着的改进，国家的最先进的推荐方法。此外，SITN已部署在微视频推荐平台上，在线A/B测试结果进一步证明了其实用价值。补充资料可在以下网址获得：https://github.com/fanqieCoffee/SITN-Supplement。
2023-02-28 cs.AI cs.IR cs.LG
Fisher-Weighted Merge of Contrastive Learning Models in Sequential Recommendation
Seoul National University（首尔国立大学）
本文首次将Fisher-Merging方法引入序列推荐，通过合并多个对比学习模型参数实现稳健微调，有效缓解数据稀疏问题并提升推荐性能。
2023-07-05 cs.AI cs.IR cs.LG
Mixed Supervised Graph Contrastive Learning for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
提出MixSGCL方法，将推荐与对比损失整合为监督对比学习损失以统一优化方向，并引入节点级和边级混合挖掘监督信号，有效缓解数据稀疏性，在准确率和效率上超越现有方法。
2024-04-25 cs.IR cs.LG
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
Mutual Harmony: Sequential Recommendation with Dual Contrastive Network
针对现有序列推荐中随机掩码导致信号不可靠及以用户为中心忽略物品提供者的问题，提出双对比网络（DCN），通过双表示和双兴趣对比学习实现用户与物品提供者的相互协调，生成真实自监督信号，在四个基准数据集上验证了有效性。
2023-09-15 cs.IR
Contrastive Learning for Aspect Representation towards Explainable Recommendation
Toronto Metropolitan University（多伦多都会大学）
本文提出CLARER模型，结合评分与评论方面特征，利用Transformer和对比学习提升推荐准确性与可解释性，在三个基准数据集上优于基线。
2026-10-07 cs.AI cs.IR
Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation
City University of Hong Kong（香港城市大学）；Huazhong University of Science and Technology（华中科技大学）；Tencent（腾讯）；Shenzhen Technology University（深圳技术大学）；Peking University（北京大学）；Shenzhen University（深圳大学）
SRA-CL通过利用LLMs的语义能力生成高质量对比对，提升序列推荐模型的性能。
2025-12-22 cs.AI cs.IR
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题，提出以评论为中心的对比对齐框架ReCAFR，通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示，在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion
Tulane University（杜兰大学）；University of Rochester（罗切斯特大学）；Syracuse University（雪城大学）；Shanghai Jiao Tong University（上海交通大学）；Southwest Jiaotong University（西南交通大学）
本文提出一种融合自适应特征选择、多模态特征融合与对比学习的冷启动推荐模型，在MovieLens-1M上显著优于主流方法，并验证了各模块的有效性。
2025-02-05 cs.IR cs.LG
Contrastive Learning for Representation Degeneration Problem in Sequential Recommendation
序列深度学习模型（如Transformer和BERT）的最新进展极大地促进了序列推荐。然而，根据我们的研究，这些模型生成的项目嵌入的分布往往退化成各向异性的形状，这可能会导致嵌入之间的高语义相似性。在本文中，这表示退化问题的经验和理论研究，首先提供，在此基础上，提出了一种新的推荐模型DuoRec，以改善项目嵌入分布。具体地说，根据对比学习的一致性，设计了一种对比正则化方法，用于对DuoRec序列表示的分布进行整形.给定推荐任务是通过经由点积测量相同空间中的序列表示和项嵌入之间的相似性来执行的惯例，正则化可以隐式地应用于项嵌入分布。现有的对比学习方法主要依赖于通过项目裁剪、掩蔽或重新排序来对用户-项目交互序列进行数据级增强，并且很难提供语义一致的增强样本。在DuoRec中，提出了一种基于Dropout的模型级增强，以实现更好的语义保留。此外，一种新的抽样策略，其中具有相同的目标项目的序列被选为硬阳性样本。在五个数据集上进行的大量实验表明，与基线方法相比，所提出的DuoRec模型具有优异的性能。学习表征的可视化结果验证了DuoRec可以在很大程度上缓解表征退化问题。
2021-11-18 cs.IR
Contrastive Learning for Sequential Recommendation
顺序推荐方法在现代推荐系统中起着至关重要的作用，因为它们能够从用户的历史交互中捕获用户的动态兴趣。尽管他们的成功，我们认为，这些方法通常依赖于顺序预测任务，以优化大量的参数。他们通常遭受数据稀疏性问题，这使得他们很难学习高质量的用户表示。为了解决这一问题，受计算机版本中对比学习技术的最新进展的启发，我们提出了一种新的多任务模型，称为\textbf{C}对比\textbf{L}学习\textbf{S}顺序\textbf{Rec} commendation ~（\textbf{CL4SRec}）。CL 4SRec不仅利用了传统的下一项预测任务，而且利用对比学习框架从原始用户行为序列中获得自我监督信号。因此，它可以提取更有意义的用户模式，并进一步有效地编码用户表示。此外，我们提出了三种数据增强方法来构建自我监督信号。在四个公共数据集上进行的大量实验表明，CL 4SRec通过推断更好的用户表示，在现有基线上实现了最先进的性能。
2021-02-28 cs.IR
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
针对KG增强推荐难以平衡IG与KG对比视图的问题，提出SimKGCL框架，通过双视图互信息最大化与KG到IG的单向融合提升性能，并在三个真实数据集上验证了有效性与效率。
2023-09-23 cs.IR cs.LG
