Multi-Selection for Recommendation Systems
Stanford University(斯坦福大学);Princeton University(普林斯顿大学);Duke University(杜克大学)
本文提出推荐系统中的多重选择模型,通过服务器返回多个候选并配合用户本地模型筛选,在保持局部差分隐私(ε≈1)的同时将推荐效用从91%提升至97%。
2025-04-10 cs.LG
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology(密苏里科技大学);University of Missouri-Columbia(密苏里大学哥伦比亚分校);Applied Computational Intelligence Laboratory, Missouri University of Science and Technology(密苏里科技大学应用计算智能实验室)
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来,推荐系统的使用越来越广泛,帮助人们选择要看的电影、要读的书和要买的东西。然而,用户在使用这类系统时往往会担心自己的隐私,许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐,同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤,提供了一个广阔的视野,并使用两个不同的标准对文献中的关键贡献进行分类:他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Training-free Adjustable Polynomial Graph Filtering for Ultra-fast Multimodal Recommendation
Yonsei University(延世大学);Seoul National University(首尔国立大学);NAVER Corporations(NAVER公司)
本文提出无需训练的多模态推荐方法,通过构建相似性图并利用多项式图滤波器融合多模态信号,提升推荐准确率并降低计算成本。
2026-03-24 cs.AI cs.IR cs.IT
Content-Agnostic Moderation for Stance-Neutral Recommendation
Ghent University(根特大学)
针对推荐系统加剧意见极化且内容感知调节存在限制言论自由风险的问题,提出内容无关调节方法,通过分散用户-项目共聚类实现立场中立,实验证明其能在保持推荐质量的同时有效减少极化。
2024-05-29 cs.IR cs.LG
A Simple and Scalable Tensor Completion Algorithm via Latent Invariant Constraint for Recommendation System
University of Missouri - Columbia(密苏里大学哥伦比亚分校);Stanford University(斯坦福大学)
在本文中,我们提供了一个潜在的变量制定和解决方案的推荐系统(RS)问题的基本属性,任何合理的解决方案应该满足。具体来说,我们研究了一种新的张量完成方法,以有效和准确地学习模型参数的不可观察的个人偏好,用户评级的基础。通过正则化张量分解与一个单一的潜在不变,我们实现了可靠的推荐系统的三个属性:(1)张量完成结果的唯一性与最小的假设,(2)单位的一致性,是独立于用户的任意偏好,和(3)共识排序保证,提供一致的排名之间的观察和未观察到的评分。我们的算法导致一个简单而优雅的推荐框架,具有线性计算复杂性,没有超参数调整。我们提供的实证结果表明,该方法显着优于目前最先进的方法。
2022-07-03 cs.HC cs.IR cs.LG
M2TRec: Metadata-aware Multi-task Transformer for Large-scale and Cold-start free Session-based Recommendations
The Home Depot(家得宝);Georgia Institute of Technology(佐治亚理工学院)
基于会话的推荐系统(SBRS)已经显示出优于传统方法的性能。然而,它们在大规模工业数据集上显示出有限的可扩展性,因为大多数模型对每个项目学习一个嵌入。这会导致大量的内存需求(每个项目存储一个向量),并且在具有冷启动或不受欢迎项目的稀疏会话上性能较差。使用一个公共和一个大型工业数据集,我们的实验表明,国家的最先进的SBRS稀疏会话稀疏项目的性能较低。我们提出了M2TRec,一个元数据感知的多任务Transformer模型,用于基于会话的推荐。我们提出的方法学习了从项目元数据到嵌入的转换函数,因此是无项目ID的(即,不需要学习每个项目一个嵌入)。它集成了项目元数据来学习不同项目属性的共享表示。在推理过程中,新的或不受欢迎的项目将被分配相同的属性表示,它们与之前在训练过程中观察到的项目共享,因此将与这些项目具有相似的表示,从而能够推荐甚至冷启动和稀疏的项目。此外,M2TRec在多任务设置中进行训练,以预测会话中的下一个项目及其主要类别和子类别。我们的多任务策略使模型收敛更快,并显着提高了整体性能。实验结果表明,使用我们提出的方法在两个数据集上的稀疏项目显着的性能增益。
2022-09-23 cs.AI cs.IR cs.LG
LLMs as Orchestrators: Constraint-Compliant Multi-Agent Optimization for Recommendation Systems
Workday
本文提出DualAgent-Rec框架,利用LLM协调多智能体优化,实现推荐系统中100%的约束满足和提升帕累托超体积。
2026-02-03 cs.AI cs.IR cs.LG
WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models
Alibaba Group(阿里巴巴集团)
学习隐藏在隐式反馈数据中的用户-项目相关性在现代推荐系统中发挥着重要作用。神经顺序推荐模型将用户与项目的相关性学习转化为一个顺序分类问题,根据用户的历史行为将未来行为中的项目与其他项目区分开来,由于其巨大的实用价值,引起了工业界和学术界的广泛兴趣。虽然取得了许多实际的成功,我们认为,内在的{ \bf不完全}和{ \bf不准确}的用户行为的隐式反馈数据被忽略,并进行初步的实验支持我们的主张。基于无模型方法如行为重定向(BR)和基于项目的协同过滤(ItemCF)与神经顺序推荐模型相比,在用户-项目相关性方面有不同的表现,我们提出了一种新的模型无关的训练方法WSLRec,它采用了三个阶段的框架:预训练,顶部$k$挖掘和微调。WSLRec通过从BR和ItemCF等无模型方法中预训练额外弱监督的模型来解决不完整性问题,同时通过利用顶部$k$挖掘来解决不准确性问题,以从弱监督中筛选出可靠的用户项相关性进行微调。在两个基准数据集上的实验和在线A/B测试验证了我们的主张的合理性,并证明了WSLRec的有效性。
2022-02-28 cs.IR cs.LG
Online certification of preference-based fairness for personalized recommender systems
Meta AI
推荐系统正面临审查,因为它们对我们所能获得的机会的影响越来越大。目前对公平性的审计仅限于敏感群体级别的粗粒度奇偶性评估。我们建议审计无嫉妒性,这是一个与个人偏好相一致的更细粒度的标准:每个用户都应该喜欢他们的推荐。由于审计嫉妒需要估计用户的偏好超出他们现有的建议,我们投审计作为一个新的纯探索多武装土匪的问题。我们提出了一个样本效率的算法,理论上保证它不会恶化用户体验。我们还研究了在现实世界的推荐数据集上实现的权衡。
2023-03-06 cs.AI cs.CY cs.LG
REST: Debiased Social Recommendation via Reconstructing Exposure Strategies
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Tufts University(塔夫茨大学);Tencent Technology (SZ) Co., Ltd.(腾讯科技(深圳)有限公司)
推荐系统依靠历史观测数据来建模用户和项目之间的复杂关系,在实际应用中取得了巨大的成功。选择偏差是现有基于观测数据的方法中最重要的问题之一,它实际上是由多种类型的未观测暴露策略(例如促销和假期效应)引起的。虽然已经提出了各种方法来解决这个问题,他们主要依赖于隐式去偏置技术,而不是显式建模的未观察到的曝光策略。通过显式重构暴露策略(Reconstructing Exposure Strategies,简称REST),我们将推荐问题形式化为反事实推理,并提出了去偏见的社会推荐方法。在REST中,我们假设一个项目的暴露是由潜在暴露策略、用户和项目控制的。基于上述生成过程,我们首先通过辨识分析为我们的方法提供了理论保证。其次,我们采用变分自动编码器,重建潜在的曝光策略,在社交网络和项目的帮助下。第三,我们设计了一个基于反事实推理的推荐算法,利用恢复的曝光策略。在四个真实世界的数据集上进行的实验,包括三个已发布的数据集和一个私人微信公众号数据集,证明了几种最先进的方法的显着改进。
2022-01-13 cs.LG
LLMInit: A Free Lunch from Large Language Models for Selective Initialization of Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(Salesforce AI研究)
LLMInit通过选择性初始化策略将预训练LLM嵌入整合到协同过滤模型中,提升推荐性能并降低计算成本。
2025-11-20 cs.AI cs.CL cs.IR
Towards a More Reliable Privacy-preserving Recommender System
National Taiwan University(国立台湾大学);Academia Sinica(中央研究院);National Cheng Kung University(国立成功大学)
本文提出了一个隐私保护的分布式推荐框架,安全分布式协同过滤(SDCF),以保护隐私的价值,模型和存在。也就是说,在我们的框架中,不仅用户对项目的评分,而且评分的存在以及学习的推荐模型都是保密的。我们的解决方案依赖于分布式客户端-服务器架构和两阶段随机响应算法,以及流行的推荐模型矩阵分解(MF)的实现。我们进一步证明SDCF满足差分隐私的保证,使客户端可以指定任意的隐私级别。数值评分预测和一类评分行为预测的实验表明,SDCF不会牺牲太多的准确性隐私。
2017-11-22 cs.LG
Privacy Preserving Recommender Systems Balancing Personalization with Privacy
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究个性化推荐系统中隐私保护问题,提出结合联邦学习、差分隐私等的框架,在合成零售数据集上实验,评估推荐质量指标,结果显示该框架在适度隐私预算下能保持竞争力,为隐私保护推荐系统提供实用框架。
2026-07-16 cs.AI cs.CR cs.LG
Learning to Suggest Breaks: Sustainable Optimization of Long-Term User Engagement
Technion – Israel Institute of Technology(以色列理工学院)
针对推荐系统盲目提升消费可能损害长期参与的问题,本文将推荐建模为 Lotka-Volterra 动力系统,把休息策略转化为最优控制问题,并提出具备理论保证的高效学习算法。
2023-06-07 cs.CY cs.IR cs.LG
One Model, Two Markets: Bid-Aware Generative Recommendation
Harvard University(哈佛大学);Google Research(谷歌研究)
本文提出GEM-Rec框架,整合商业相关性和 monetization 目标,通过控制令牌和竞价感知解码机制实现动态优化,确保高价值物品生成。
2026-03-23 cs.AI cs.GT cs.IR
Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation
Hong Kong Baptist University(香港 Baptist 大学)
Cofair提出一个单一训练框架,通过共享表示层和公平性条件适配器模块,在推荐系统中实现动态公平性控制,无需重新训练即可适应不同公平性需求。
2026-01-28 cs.AI cs.CY cs.IR
SCRec: A Scalable Computational Storage System with Statistical Sharding and Tensor-train Decomposition for Recommendation Models
Samsung Electronics Co., Ltd.(三星电子有限公司)
提出可扩展计算存储推荐系统SCRec,结合基于MIP的软件框架与硬件加速器,在单服务器器上实现TB级DLRM的高效推理,相比CPU和多GPU系统分别实现55.77倍加速和13.35倍能效提升。
2025-04-01 cs.AR cs.LG
Training Personalized Recommendation Systems from (GPU) Scratch: Look Forward not Backwards
KAIST(韩国科学技术院)
个性化推荐模型(RecSys)是由超大规模机服务的最流行的机器学习工作负载之一。训练RecSys的一个关键挑战是它的高内存容量要求,达到数百GB到TB的模型大小。在RecSys中,所谓的嵌入层占内存使用的大部分,因此当前的系统采用混合CPU-GPU设计,以使大型CPU内存存储占用内存的嵌入层。不幸的是,训练嵌入涉及几个内存带宽密集型操作,这与缓慢的CPU内存不一致,导致性能开销。先前的工作提出了在GPU内存中缓存频繁访问的嵌入,作为将嵌入层流量过滤到CPU内存的方法,但本文观察到这种缓存设计的几个限制。在这项工作中,我们提出了一个从根本上不同的方法来设计嵌入缓存的RecSys。我们提出的SockchPipe架构利用RecSys训练的独特属性来开发嵌入式缓存,不仅可以看到过去,还可以看到“未来”的缓存访问。SockchPipe利用这种属性来保证嵌入层的活动工作集可以“总是”在我们提出的缓存设计中被捕获,从而使嵌入层训练能够以GPU内存速度进行。
2022-05-10 cs.AI cs.AR cs.LG
Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation
The University of Hong Kong(香港大学);Beijing Institute of Technology(北京理工大学);Carnegie Mellon University(卡内基梅隆大学);Peking University(北京大学);Macao Polytechnic University(澳门理工学院)
本文提出SG-URInit方法,通过整合用户交互物品的模态特征和全局聚类特征,实现免训练且模型无关的用户表示初始化,有效提升多模态推荐性能并缓解物品冷启动问题。
2026-04-16 cs.IR
Regret Guarantees for Item-Item Collaborative Filtering
Massachusetts Institute of Technology(麻省理工学院)
有很多经验证据表明,项目-项目协同过滤在实践中工作得很好。为了理解这一点,我们提供了一个框架来设计和分析各种推荐算法。设置相当于在线二进制矩阵完成,其中每次随机用户请求推荐,算法选择一个条目以显示在用户的行中。我们的目标是尽量减少遗憾,或者等价地最大化在任何时候显示的+1条目的数量。我们分析了一个项目-项目协同过滤算法,可以从根本上实现更好的性能相比,用户-用户协同过滤。该算法实现了良好的“冷启动”性能(适当定义),快速作出良好的建议,新用户的信息很少。
2016-01-08 cs.IR cs.IT cs.LG
Bandit Learning for Diversified Interactive Recommendation
Nanyang Technological University(南洋理工大学);University of Science and Technology of China(中国科学技术大学)
交互式推荐系统使用户和推荐系统之间的互动吸引了越来越多的研究关注。以前的方法主要集中在优化推荐精度。然而,它们往往忽略了推荐结果的多样性,从而往往导致不满意的用户体验。本文提出了一种新的基于用户隐式反馈的交互式推荐模型DC $^2$ B(DiversifiedContextualCombinatorialBandit)。具体地说,DC $^2$ B在推荐过程中采用决定点过程,以促进推荐结果的多样性。为了学习模型参数,提出了一种基于变分贝叶斯推理的Thompson采样型算法。此外,还对DC $^2$ B的性能进行了理论分析.在真实数据集上进行了大量的实验,以证明所提出的方法的有效性。
2019-07-01 cs.IR cs.LG stat.ML
SAGA: A Submodular Greedy Algorithm For Group Recommendation
QCRI, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所);Apptopia Inc.(Apptopia公司)
在本文中,我们提出了一个统一的框架和算法的群体推荐问题,其中一个固定数量的项目或替代品可以推荐给一组用户。群体推荐问题在现实生活中经常出现,与经济学中的预算社会选择问题密切相关。我们框架的组推荐问题,选择一个子图与最大的组共识得分在一个完全连接的图定义的项目亲和力矩阵。我们提出了一个快速的贪心算法具有较强的理论保证,并表明,该算法相比,最先进的组推荐算法,根据常用的相关性和覆盖率性能指标的基准数据集。
2017-12-25 cs.IR cs.LG stat.ML
Federating Recommendations Using Differentially Private Prototypes
University of Texas at Austin(得克萨斯大学奥斯汀分校);CognitiveScale(认知规模公司)
机器学习方法允许我们通过利用用户交互模式的相似性,在包括娱乐、约会和商业在内的应用程序中向用户提供推荐。然而,在需要保护个人敏感数据的领域,如医疗或银行,我们如何在不访问敏感数据的情况下学习这样的模型,并且不会无意中泄露私人信息?我们提出了一种新的联邦方法来学习全局和局部私有模型,而无需收集原始数据,用户统计数据或有关个人偏好的信息。我们的方法产生了一组原型,使我们能够推断出全球的行为模式,同时提供差分隐私保证系统的任何数据库中的用户。通过只需要两轮通信,我们既降低了通信成本,又避免了与迭代过程相关的过度隐私损失。我们在合成数据以及真实的联邦医疗数据和Movielens评级数据上测试我们的框架。我们表明,局部适应的全球模型,使我们的方法优于集中式矩阵分解为基础的推荐系统模型,无论是在矩阵重建的准确性和相关性的建议,同时保持可证明的隐私保证。我们还表明,我们的方法是更强大的,其特点是较小的方差比独立实体学习的个别模型。
2020-03-01 cs.CR cs.IR cs.LG
Efficient Pointwise-Pairwise Learning-to-Rank for News Recommendation
Amazon(亚马逊);Zalando SE(扎兰多SE公司)
针对新闻推荐中逐点方法缺乏比较信息、成对方法计算昂贵的问题,提出一种整合逐点相关性预测与成对比较的可扩展框架,理论分析证明其性能提升条件,并在MIND和Adressa数据集上超越现有方法。
2024-09-26 cs.IR cs.LG
Towards Fair Recommendation in Two-Sided Platforms
Harvard University(哈佛大学);Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);L3S Research Center(L3S研究中心);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Indian Institute of Technology Delhi(印度理工学院德里分校)
今天的许多在线平台(如亚马逊,Netflix,Spotify,LinkedIn和AirBnB)可以被认为是商品和服务的生产者和消费者的双边市场。传统上,这些平台中的推荐服务专注于根据个人客户的个性化偏好定制结果,从而最大限度地提高客户满意度。然而,我们的调查加强了这样一个事实,即这些服务的这种以客户为中心的设计可能会导致生产者的风险分配不公平,这可能会对他们的福祉产生不利影响。另一方面,纯粹以生产者为中心的设计可能对客户不公平。随着越来越多的人依靠这些平台谋生,确保对生产者和消费者的公平至关重要。在这项工作中,通过映射一个公平的个性化推荐问题的公平分配不可分割的商品的问题的约束版本,我们建议为双方提供公平的保证。形式上,我们提出的{ \em FairRec}算法保证了生产商的最大-最小曝光份额($α$ -MMS),以及客户的无嫉妒最多一项(EF 1)公平性。在多个真实世界数据集上的广泛评估显示了{ \em FairRec}在确保双侧公平性的同时在总体推荐质量上产生边际损失的有效性。最后,我们提出了一个修改的FairRec(命名为FairRecPlus),在额外的计算时间的成本,提高了客户的推荐性能,同时保持相同的公平性保证。
2021-12-26 cs.AI cs.IR cs.LG
Track2Vec: fairness music recommendation with a GPU-free customizable-driven framework
National Yang Ming Chiao Tung University(国立阳明交通大学)
推荐系统已经说明了在基于用户过去的行为来描述用户偏好方面所取得的重大进展。尽管准确推荐的有效性,但存在几个因素对于评估推荐系统的各个方面来说是必不可少的,但尚未探索,例如,公平性、多样性和有限的资源。为了解决这些问题,我们提出了Track 2 Vec,一个免费的GPU可定制驱动的公平音乐推荐框架。为了兼顾准确性和公平性,我们的解决方案由三个模块组成,一个定制的公平性感知组,用于根据可配置的设置建模不同的功能,一个跟踪表示学习模块,用于学习更好的用户嵌入,和一个集成模块,用于排名不同的跟踪表示学习模块的推荐结果。此外,受自然语言处理中广泛使用的TF-IDF的启发,我们引入了一个称为Miss Rate - Inverse Ground Truth Frequency(MR-ITF)的度量来衡量公平性。大量的实验表明,我们的模型在EvalRS @ CIKM 2022挑战赛的排行榜上在无GPU环境中获得了第四名的价格排名,就官方分数而言,这比官方基线高出约200%。此外,消融研究表明,有必要将每组进行整合,以获得准确和公平的建议。
2022-10-29 cs.IR cs.LG
Decoupled Learning and Selection in Slate Recommendation for Privacy and Stability Under Noisy Scores
University of Bergen(卑尔根大学);Centre for the Science of Learning & Technology (SLATE)(学习与技术科学中心(SLATE));City University of Macau(澳门城市大学)
本研究提出榜单推荐中解耦评分学习与选择的方法,通过差分隐私范围契约和日志边际证书,在噪声评分下保证排序稳定性,实验验证了其有效性。
2026-09-25 cs.IR cs.LG
Are Recommenders Self-Aware? Label-Free Recommendation Performance Estimation via Model Uncertainty
DCST, Tsinghua University(清华大学人工智能研究院);AIR, Tsinghua University(清华大学人工智能研究院)
本文研究推荐系统的自我感知能力,提出基于概率的列表分布不确定性(LiDu)方法,通过无标签方式估计推荐性能,实验证明其相关性优于现有估计器,为构建透明可自评估的推荐系统提供支撑。
2025-07-31 cs.IR cs.LG
Disentangling User Interest and Conformity for Recommendation with Causal Embedding
推荐模型通常根据观察性交互数据进行训练。然而,观察性交互数据可能会导致用户对流行项目的一致性,这会纠缠用户的真正兴趣。现有的方法跟踪这个问题,消除流行偏见,例如,通过重新加权训练样本或利用一小部分无偏数据。然而,这些方法忽略了用户一致性的多样性,并且将交互的不同原因捆绑在一起作为统一的表示,因此当潜在原因发生变化时,不能保证鲁棒性和可解释性。在本文中,我们提出了DICE,一个通用的框架,学习表示的兴趣和一致性在结构上解开,和各种骨干推荐模型可以顺利集成。我们为用户和项目分配单独的兴趣和一致性嵌入,并通过使用因果推理的碰撞效应获得的特定于原因的数据进行训练,使每个嵌入仅捕获一个原因。我们提出的方法优于最先进的基线,在各种骨干模型之上的两个真实数据集上有显着的改进。我们进一步证明了学习的嵌入成功地捕捉到了所需的原因,并表明DICE保证了推荐的鲁棒性和可解释性。
2021-02-19 cs.IR
Envy-Free but Still Unfair: Envy-Freeness Up To One Item (EF-1) in Personalized Recommendation
Department of Information Science, University of Colorado, Boulder(信息科学系,科罗拉多大学,博尔德);Department of Computer Science, Tulane University(计算机科学系,路易斯安那大学)
本文概述无嫉妒及EF-1在经济学与推荐系统中的应用,指出在个性化场景中嫉妒不适合衡量公平性。
2025-09-10 cs.AI cs.IR
Privacy-Preserving Matrix Factorization for Recommendation Systems using Gaussian Mechanism
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学)
本文提出基于差分隐私框架与矩阵分解的隐私保护推荐系统,利用高斯机制输出扰动和 Rényi 差分隐私,在真实数据上验证了严格隐私下仍可保持良好推荐效用。
2023-04-11 cs.CR cs.IR cs.LG
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题,引入知识图谱(KGs)来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中,最近的工作探索了图的拓扑结构,以学习具有丰富语义的用户和项目的低维表示。然而,这些现实世界中的三分图通常是无标度的,其内在的层次图结构在现有的工作中是强调不足,因此,导致次优的推荐性能。为了解决这个问题,提供更准确的推荐,我们提出了一种基于双曲几何的知识感知推荐方法,即洛伦兹知识增强的图卷积网络推荐(LKGR)。在数据统一后,LKGR有助于更好地建模无标度三部图。具体来说,我们采用不同的信息传播策略,在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献,在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明,LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
Reconsidering Learning Objectives in Unbiased Recommendation with Unobserved Confounders
The Pennsylvania State University(宾夕法尼亚州立大学);Zhejiang University(浙江大学)
该研究从分布偏移视角阐释无偏推荐中现有学习目标的生效机制,推导泛化界并提出对抗自训练框架AST,实验验证了其在无偏推荐任务上的有效性。
2023-10-04 cs.IR cs.LG
MOReGIn: Multi-Objective Recommendation at the Global and Individual Levels
Universitat de Barcelona(巴塞罗那大学);Universidad Arturo Prat(阿图罗·普拉特大学);University of Cagliari(卡利亚里大学)
针对多目标推荐系统难以同时满足全局与个体目标的问题,本文提出调节推荐列表的方法,兼顾类型校准与提供商公平性,并在两个公开真实数据集上验证有效性。
2024-01-23 cs.AI cs.IR
Top-N recommendations in the presence of sparsity: An NCD-based approach
University of Patras(帕特雷大学)
在稀疏性的存在下进行推荐是协同过滤方法面临的最具挑战性的问题之一。在这项工作中,我们解决这个问题,利用项目空间的内在层次结构的方法,受分解理论的启发。我们认为项目空间作为一个几乎可分解的系统,我们定义块密切相关的元素和相应的间接邻近组件。我们研究的理论性质的分解,我们推导出充分的条件,保证充分的项目空间覆盖,即使在冷启动推荐方案。在MovieLens和Yahoo!R2 Music数据集使用几个广泛应用的性能指标,支持我们模型的理论预测属性,并验证NCDREC在推荐准确性,多样性和稀疏性不敏感性方面优于几种最先进的算法。
2015-07-07 cs.AI cs.IR stat.ML
Are Large Language Models Really Effective for Training-Free Cold-Start Recommendation?
NEC Corporation(日本电气株式会社)
本文通过对比LLMs和TEMs在无训练冷启动推荐中的表现,发现TEMs在冷启动和暖启动设置中均优于LLMs,挑战了LLM是唯一可行选项的普遍看法。
2025-12-15 cs.IR
Integrated Expert Recommendation Model for Online Communities
在线社区已成为Web 2.0用户分享知识和经验的重要场所。近年来,在社区中寻找专家用户已成为一个重要的研究课题。本文提出了一种新的级联模型的专家推荐使用聚合知识提取的巨大的内容和社会网络的功能。向量空间模型用于计算发布内容与特定查询的相关性,PageRank算法用于对候选专家进行排序。实验结果表明,该模型能够保证大多数候选专家既与特定查询高度相关,又在相应领域具有高度影响力,是一种有效的推荐方法。
2013-11-14 cs.IR cs.SI
Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation
University of Arkansas(阿肯色大学)
针对现有扩散推荐系统未引入无分类器引导的问题,本文提出融入无分类器引导的扩散推荐系统,增强底层模型性能,在多数据集多任务多数指标上优于SOTA,且在数据稀疏场景下更具优势。
2024-09-16 cs.CL cs.IR
Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals
KAIST(韩国科学技术院);Snap Inc.(Snap公司)
本研究提出后LLM范式的无训练推荐框架CoRRe,通过协同信号优化物品嵌入,在真实数据集上性能优于现有无训练方法,接近或超过有训练方法。
2026-08-21 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为(例如,性别)具有相似的模式,并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差,例如,总是向男性用户推荐体育新闻,这是不公平的,因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法,该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中,我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入,捕捉敏感的用户属性上的偏见信息,和其他的目的是学习一个无偏见的用户嵌入,只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外,我们提出将属性预测任务应用于偏差感知的用户嵌入,以增强其偏差建模能力,并且我们将对抗学习应用于无偏差的用户嵌入,以去除其中的偏差信息。此外,我们提出了一种正交正则化方法,以鼓励无偏置用户嵌入正交于有偏置的用户嵌入,以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名,我们只使用无偏见的用户嵌入。在基准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公平性,而性能损失较小。
2021-04-15 cs.IR
GBA: A Tuning-free Approach to Switch between Synchronous and Asynchronous Training for Recommendation Model
Alibaba Group(阿里巴巴集团)
基于参数服务器(PS)架构的高并发异步训练和基于全归约(AR)架构的高性能同步训练是推荐模型最常用的分布式训练模式。虽然同步AR训练旨在提高训练效率,但当共享集群中存在落伍者(慢速工作者)时,异步PS训练将是训练速度的更好选择,特别是在有限的计算资源下。充分利用这两种训练模式的理想方法是根据群集状态在它们之间切换。然而,切换训练模式通常需要调整超参数,这非常耗时和消耗资源。我们发现两个障碍的调谐免费的方法:不同的分布的梯度值和陈旧的梯度从掉队者。本文提出了PS上的全局批量梯度聚合(GBA),它聚合并应用与同步训练相同的全局批量大小的梯度。一个令牌控制过程的实施,以组装的梯度和衰减的梯度严重陈旧。我们提供的收敛性分析,揭示GBA具有可比的同步训练的收敛性能,并证明GBA的推荐模型对梯度老化的鲁棒性。三个工业规模的推荐任务的实验表明,GBA是一种有效的无调谐切换方法。与最先进的异步训练相比,GBA在AUC指标上实现了高达0.2%的改进,这对于推荐模型来说是非常重要的。同时,在硬件资源紧张的情况下,GBA的速度至少是同步训练的2.4倍。
2022-10-09 cs.DC cs.IR cs.LG
A Tale of Two Graphs: Freezing and Denoising Graph Structures for Multimodal Recommendation
针对多模态推荐中现有物品潜在图结构学习低效的问题,提出FREEDOM模型,通过冻结物品-物品图、度敏感剪枝去噪用户-物品交互图,在准确率提升的同时大幅降低内存开销。
2023-08-23 cs.IR cs.MM
VoteGCL: Enhancing Graph-based Recommendations with Majority-Voting LLM-Rerank Augmentation
Center for AI Research, VinUniversity(越南 Vin 大学人工智能研究中心);The Chinese University of Hong Kong(香港中文大学);RMIT University(皇家墨尔本理工大学);VNU University of Engineering and Technology(越南工程与技术大学)
本文提出利用LLM和物品文本描述增强交互数据,通过多数投票生成高置信度合成用户-物品交互,结合图对比学习框架缓解分布偏移和流行度偏差,实验显示提升准确率并减少流行度偏差。
2026-04-21 cs.IR cs.LG
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST(韩国科学技术院计算机学院)
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而,以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一:无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性,当他们被排名,自回归方法未能考虑到无序,因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法,其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明,我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
GPatch: Patching Graph Neural Networks for Cold-Start Recommendations
Tencent Inc.(腾讯公司);Jinan University(暨南大学);Alibaba Group(阿里巴巴集团);The Hong Kong Polytechnic University(香港理工大学)
冷启动是推荐系统中的一个基本而持久的问题。最先进的解决方案依赖于基于辅助信息为冷启动和现有用户/项目训练混合模型。这样的混合模型将损害现有用户/项目的性能,这可能使得这些解决方案不适用于必须保证现有用户/项目的体验的现实世界的推荐系统。同时,图神经网络(GNNs)已被证明可以有效地执行热(非冷启动)建议。然而,他们从来没有被应用到处理的冷启动问题中的用户项二部图。这是一项具有挑战性但有价值的任务,因为冷启动用户/项目没有链接。此外,设计一个适当的GNN来进行冷启动建议,同时保持现有用户/项目的性能是不平凡的。为了弥合这一差距,我们提出了一个量身定制的基于GNN的框架(GPatch),其中包含两个独立但相关的组件。首先,设计了一个有效的GNN架构- GWarmer,用于对暖用户/项目进行建模。其次,我们构建了相关的修补网络来模拟和修补GWarmer进行冷启动建议。在基准测试和大规模商业数据集上的实验表明,GPatch在为现有用户和冷启动用户/项目提供推荐方面具有显著的优势。
2022-09-25 cs.IR cs.LG
Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach
Shanghai Jiao Tong University(上海交通大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
推荐模型可以有效地估计潜在的用户兴趣和预测一个人的未来行为,通过将观察到的用户-项目评分矩阵分解为两组潜在因素的乘积。然而,特定于用户的嵌入因素只能以转导的方式学习,这使得难以即时处理新用户。在本文中,我们提出了一个归纳协同过滤框架,其中包含两个表示模型。第一种模型是对一组关键用户的评分矩阵进行矩阵分解,得到Meta潜在项。第二个模型采用基于注意力的结构学习,估计从查询到关键用户的隐藏关系,并学习利用Meta潜伏期通过神经消息传递来归纳计算查询用户的嵌入。我们的模型使用户能够进行归纳表示学习,同时保证与矩阵分解等价的表示能力。实验表明,我们的模型取得了可喜的成果,推荐Few-Shot用户有限的训练评级和新的未知用户,这是经常遇到的开放世界推荐系统。
2022-03-07 cs.IR cs.LG
Retrieval and Distill: A Temporal Data Shift-Free Paradigm for Online Recommendation System
Shanghai Jiao Tong University(上海交通大学);Yokohama National University(Yokohama国立大学)
针对推荐系统中的时间数据偏移问题,提出关联时间不变性定理,并构建检索与蒸馏框架,使模型从偏移数据中学习稳定关联且在线推理开销极小。
2025-07-27 cs.AI cs.IR
Detecting Sponsored Recommendations
由于有大量的商品、网页和新闻可供选择,在线服务和客户都从个性化推荐系统中受益匪浅。然而,这样的系统通过将广告与真正的推荐一起显示,为定向广告提供了很大的机会。我们考虑一个有偏见的推荐系统,这样的广告显示没有任何标签(伪装成真正的建议),使他们无法区分一个单一的用户。我们问是否有可能为一个小的合作用户子集检测到这样的偏见。我们提出了一种算法,可以检测这样的偏见,通过统计分析的合作用户的反馈。该算法只需要二进制信息,指示用户是否满意每个推荐项目或不。这使得该算法广泛吸引现实世界的问题,如识别搜索引擎偏见和制药游说。我们证明了该算法检测偏见与高概率的建议系统时,足够数量的用户提供反馈,足够数量的建议广泛的一类。我们提供了大量的模拟与真实的数据集和实际的推荐系统,这证实了权衡的理论保证。
2015-04-14 cs.IR
GenCAR: Generative Counterfactual Alignment with Risk-Controlled Selection for Out-of-Distribution Recommendation
Southern University of Science and Technology(南方科技大学);University of Pennsylvania(宾夕法尼亚大学)
本研究针对分布外推荐的风险问题,提出GenCAR方法,通过控制代理标签错误发现率,提升了不同基准下的分布外推荐候选恢复效果。
2026-09-03 cs.IR cs.LG
A Cost-Sensitive Meta-Learning Strategy for Fair Provider Exposure in Recommendation
针对推荐系统中提供者群体曝光不均的问题,提出一种成本敏感元学习策略,在成对推荐模型中实现目标曝光公平且不损失推荐效用。
2024-01-24 cs.IR
PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System
本文提出无参数传输的联邦序列推荐框架PTF-FSR,通过仅传输隐私保护下的预测结果,同时保护模型与数据隐私,并支持更大规模序列推荐模型。
2024-06-08 cs.IR
Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation
Yonsei University(延世大学)
本文提出Turbo-CF,一种免训练且免矩阵分解的图滤波协同过滤方法,通过多项式低通滤波器在避免高昂计算成本的同时,实现了低于1秒的快速且准确的推荐。
2024-04-22 cs.AI cs.IR cs.IT
Cascading: Association Augmented Sequential Recommendation
近年来,基于用户行为的推荐在许多应用场景中显示出良好的效果。一般来说,现实世界中的顺序用户行为通常反映了顺序影响和关联关系的混合。然而,现有的顺序推荐方法主要集中在顺序关系,而忽略了关联关系。在本文中,我们提出了一个统一的方法,结合项目关联和顺序关系的顺序推荐。具体来说,我们编码的项目关联关系的项目共生图和挖掘它通过图嵌入的GCN。同时,我们通过一种广泛使用的基于RNN的顺序推荐方法GRU4Rec来建模顺序关系。这两个部分连接成一个级联式的端到端网络,这保证了项目关联和顺序关系的表示同时学习,使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量的实验:淘宝,亚马逊即时视频和亚马逊手机及配件。综合结果表明,该方法优于几个国家的最先进的方法。此外,还提供了一个定性的分析,以鼓励更好地了解在顺序推荐的关联关系,并说明性能增益正是从项目关联。
2019-10-17 cs.IR
Constrained Reinforcement Learning for Short Video Recommendation
Kuaishou Technology(快手科技)
社交媒体上短视频的广泛流行为视频分享平台上的推荐系统的优化带来了新的机遇和挑战。用户对推荐提供复杂和多方面的响应,包括观看时间和与视频的各种类型的交互。因此,建立的涉及单个目标的推荐算法不足以满足优化综合用户体验的新需求。在本文中,我们将短视频推荐问题描述为一个受约束的马尔可夫决策过程(MDP),其中平台希望长期优化用户观看时间的主要目标,并限制用户交互(如共享/下载视频)的辅助响应。为了解决约束MDP问题,我们提出了一种基于行动者-批评者框架的两阶段强化学习方法。在第一阶段,我们学习单独的策略来优化每个辅助响应。在第二阶段,我们学习一个策略来(i)优化主响应,(ii)接近第一阶段学习的策略,这有效地保证了这个主策略在辅助策略上的性能。通过大量的模拟,我们证明了我们的方法在优化主要目标和平衡其他目标方面的有效性。我们进一步展示了我们的方法在短视频推荐的现场实验中的优势,在观看时间和视频视图的交互方面,它显着优于其他基线。我们的方法已在生产系统中全面启动,以优化平台上的用户体验。
2022-05-26 cs.IR cs.LG