Automated Data Denoising for Recommendation
本文提出AutoDenoise框架,利用少量显式反馈作为验证集,通过控制器网络和强化学习自动为带噪隐式反馈动态分配权重,从而提升推荐系统在多个基准数据集上的性能。
2023-05-26 cs.IR
RankUp: Towards High-rank Representations for Large Scale Advertising Recommender Systems
Tencent Inc.(腾讯公司)
本文提出RankUp架构,通过随机排列拆分稀疏特征、多嵌入范式、全局token整合和交叉预训练嵌入token,缓解表示崩溃并提升表达能力,在微信视频号、公众号和朋友圈等大规模生产环境中实现GMV提升。
2026-05-12 cs.IR
Peeling Back the Layers: An In-Depth Evaluation of Encoder Architectures in Neural News Recommenders
University of Mannheim(曼海姆大学);University of Würzburg(维尔茨堡大学)
本文系统评估神经新闻推荐器中的主流新闻与用户编码器,从表示相似性、推荐列表重叠和整体性能三方面揭示复杂编码未必更优,为简化架构选择提供依据。
2024-10-02 cs.AI cs.IR
A Generic Network Compression Framework for Sequential Recommender Systems
University of Science and Technology of China(中国科学技术大学);Tencent(腾讯);SIAT, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Zhejiang University(浙江大学)
顺序推荐系统(SRS)已经成为捕捉用户动态兴趣和生成高质量推荐的关键技术。当前最先进的顺序推荐模型通常基于嵌入式结构的深度神经网络,其中一个或多个中间(隐藏)层放置在输入嵌入层和输出softmax层之间。一般来说,这些模型需要大量的参数(例如使用大的嵌入维度或深度网络架构)来获得其最佳性能。尽管有效,但在某些时候,进一步增加模型大小可能更难在资源受限设备中部署模型,导致更长的响应时间和更大的内存占用。为了解决这些问题,我们提出了一个压缩的顺序推荐框架,称为CpRec,其中两个通用的模型收缩技术。具体来说,我们首先提出了一个块式自适应分解近似的输入和softmax矩阵,利用SRS中的项目服从长尾分布的事实。为了减少中间层的参数,我们引入了三个逐层参数共享计划。我们使用深度卷积神经网络实例化CpRec,考虑到推荐准确性和效率,使用膨胀的内核。通过广泛的消融研究,我们证明了所提出的CpRec可以在真实世界的SRS数据集上实现高达4 $\sim$ 8倍的压缩率。同时,CpRec在训练\inference期间更快,并且在大多数情况下优于其未压缩的对应物。
2020-05-26 cs.IR cs.LG
SHARK: A Lightweight Model Compression Approach for Large-scale Recommender Systems
本文提出面向大规模工业推荐系统的SHARK压缩框架,通过泰勒一阶重要性裁剪嵌入表并结合逐行量化,在快手短视频等场景实现大幅降本与QPS提升。
2023-08-18 cs.IR
Elliot: a Comprehensive and Rigorous Framework for Reproducible Recommender Systems Evaluation
推荐系统已被证明是缓解过度选择问题并提供准确和定制推荐的有效方法。然而,令人印象深刻的建议算法,分割策略,评估协议,指标和任务的数量,严格的实验评估特别具有挑战性。由于不断重新创建适当的评估基准、实验管道、超参数优化和评估程序,我们感到困惑和沮丧,因此开发了一个详尽的框架来满足这些需求。Elliot是一个全面的推荐框架,旨在通过处理一个简单的配置文件来运行和重现整个实验管道。该框架考虑了大量的策略(13种分割方法和8种过滤方法,从时间训练-测试分割到嵌套的K-folds交叉验证)来加载、过滤和分割数据。Elliot为几种推荐算法(50)优化超参数(51种策略),选择最佳模型,将它们与提供模型内统计数据的基线进行比较,计算从准确性到超准确性、偏差和公平性的度量(36),并进行统计分析(Wilcoxon和配对t检验)。其目的是为研究人员提供一种工具,以简化(并使其可重复)所有实验评估阶段,从数据读取到结果收集。Elliot可以在GitHub(https://github.com/sisinflab/elliot)上找到。
2021-07-28 cs.IR
FairFS: Addressing Deep Feature Selection Biases for Recommender System
University of Science and Technology of China(中国科学技术大学);Huawei Noah's Ark Lab(华为诺亚实验室)
FairFS通过正则化和聚合方法解决推荐系统中深度特征选择的层、基线和近似偏差问题,提升特征选择的准确性和效率。
2026-02-23 cs.IR cs.LG
AutoDenoise: Automatic Data Instance Denoising for Recommendations
历史用户-项目交互数据集在训练现代推荐系统以预测用户偏好方面是必不可少的。然而,在大多数推荐场景中,用户的任意行为导致大量的噪声数据实例被记录,这不能完全代表他们的真实兴趣。虽然在推荐系统社区中出现了大量的去噪研究,但所有这些研究都受到高度动态数据分布的影响。在本文中,我们提出了一种基于深度强化学习(DRL)的框架AutoDenoise,带有实例去噪策略网络,用于在深度推荐系统中以实例选择方式对数据实例进行去噪。具体来说,AutoDenoise作为DRL中的代理,自适应地选择无噪声和预测性数据实例,然后可以直接用于训练代表性推荐模型。此外,我们设计了一个交替的两阶段优化策略,训练和验证AutoDenoise正确。在搜索阶段,训练具有实例去噪能力的策略网络;在验证阶段,通过对训练好的策略网络选取的数据实例进行去噪子集的查找和评价,验证其去噪能力。我们进行了大量的实验,以验证AutoDenoise结合多个代表性的推荐系统模型的有效性。
2023-03-12 cs.IR
LambdaOpt: Learn to Regularize Recommender Models in Finer Levels
Microsoft Research(微软研究院)
推荐模型主要处理分类变量,例如用户/项目ID和属性。除了高基数问题,这些分类变量之间的相互作用通常是长尾的,头部由高频率值组成,长尾由罕见值组成。这种现象导致了数据稀疏性问题,因此有必要对模型进行正则化以确保泛化。通常的做法是使用网格搜索来根据验证数据手动调整正则化超参数。然而,它需要非平凡的努力和大量的计算资源来搜索整个候选空间;即使如此,它也可能不会导致最佳选择,因为不同的参数应该具有不同的正则化强度。在本文中,我们提出了一种超参数优化方法LambdaOpt,它可以在训练过程中自动自适应地执行正则化。具体来说,它根据验证数据的性能更新正则化系数。使用LambdaOpt,可以避免臭名昭著的正则化超参数的调整;更重要的是,它允许细粒度的正则化(即每个参数可以有一个个性化的正则化系数),从而产生更好的广义模型。我们展示了如何使用LambdaOpt的矩阵分解,一个经典的模型,是一个大家庭的推荐模型的代表。在两个公共基准测试上的大量实验证明了该方法在提高top-K推荐性能方面的优越性。
2019-05-28 cs.IR cs.LG stat.ML
StackRec: Efficient Training of Very Deep Sequential Recommender Models by Iterative Stacking
South China University of Technology(华南理工大学);Westlake University(西湖大学);Tencent(腾讯);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
深度学习为顺序推荐(SR)任务带来了巨大的进步。利用先进的网络架构,顺序推荐模型可以堆叠有许多隐藏层,例如,在真实世界的推荐数据集上多达100层。训练这样一个深度网络是困难的,因为它在计算上非常昂贵,需要更长的时间,特别是在有数百亿用户与项目交互的情况下。为了应对这样的挑战,我们提出了StackRec,这是一个简单,但非常有效和高效的训练框架,用于通过迭代层堆叠进行深度SR模型。具体来说,我们首先提供了一个重要的见解,即经过良好训练的深度SR模型中的隐藏层/块具有非常相似的分布。受此启发,我们提出了对预训练层/块的堆叠操作,以将知识从较浅的模型转移到较深的模型,然后我们执行迭代堆叠,以产生更深但更复杂的训练SR模型。我们通过在三个实际场景中使用四个最先进的SR模型实例化StackRec来验证其性能。大量的实验表明,与从头开始训练的SR模型相比,StackRec不仅实现了相当的性能,而且在训练时间上也大大加快了。代码可在https://github.com/wangjiachun0426/StackRec上获得。
2021-05-12 cs.IR cs.LG
Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems
Taboola Israel(Taboola以色列)
提出一种秩感知分解方法,通过将上下文相关计算从每个候选一次减少为每个请求一次,在不改变模型预测的情况下显著提升工业推荐系统的吞吐量。
2026-05-24 cs.IR cs.LG
Rethinking Recommendation Paradigms: From Pipelines to Agentic Recommender Systems
University of Chinese Academy(中国科学院大学);Alibaba International Digital Commerce Group(阿里巴巴国际数字商业集团)
本文提出基于代理的推荐系统,通过将关键模块转化为代理,实现动态进化,解决传统多阶段和单模型设计的静态问题。
2026-04-09 cs.IR
Multi-Behavior Graph Neural Networks for Recommender System
推荐系统已经被证明对于满足用户对许多在线服务的个性化兴趣是有效的(例如,电子商务和在线广告平台)。近年来,许多基于深度学习的推荐模型在利用各种神经网络架构(例如多层感知器和自动编码器)增强协同过滤架构方面取得了成功。然而,他们大多数模型的用户与项目的关系与单一类型的交互,而忽略了用户与项目的交互行为的多样性,这可以是点击,添加到购物车,标签作为收藏夹和购买。这样的各种类型的交互行为在提供用于理解用户偏好的丰富信息方面具有巨大的潜力。在本文中,我们特别关注用户与项目的关系,探索多类型的用户行为。从技术上讲,我们贡献了一个新的多行为图神经网络(MBRec),它专门考虑了不同的交互模式以及底层的跨类型行为相互依赖性。在MBRec框架中,我们开发了一个图结构的学习框架来执行行为感知的用户-项目交互图中高阶连接的表达建模。在此基础上,提出了一个相互关系编码器,以自适应地揭示复杂的关系结构,并在特定于层的行为表示进行聚合。通过对真实数据集的综合评价,在不同的实验设置下,我们的MBRec方法的优势得到了验证。进一步的分析验证了将多行为上下文纳入推荐范式的积极影响。此外,所进行的案例研究提供了深入了解用户多行为表示的可解释性。
2023-02-17 cs.IR
Hiformer: Heterogeneous Feature Interactions Learning with Transformers for Recommender Systems
Google DeepMind(谷歌DeepMind);Google Inc(谷歌公司)
针对网络规模推荐系统中特征交互稀疏且异构的挑战,提出Hiformer模型,通过异构自注意力层和低秩近似、剪枝实现高效部署,在Google Play上线后关键指标提升达2.66%。
2023-11-10 cs.IR cs.LG
Breaking the Softmax Bottleneck for Sequential Recommender Systems with Dropout and Decoupling
Softmax瓶颈首先在语言建模中被确定为对基于Softmax的模型的表达能力的理论限制。作为最广泛使用的输出概率的方法之一,基于Softmax的模型已经得到了广泛的应用,包括基于会话的推荐系统(SBRS)。基于Softmax的模型由最终线性层顶部的Softmax函数组成。瓶颈已被证明是由于在最后的线性层秩不足,由于其与矩阵分解。在本文中,我们展示了SBRS中Softmax瓶颈的更多方面。与通常的看法相反,过拟合确实发生在最后的线性层,而它通常与复杂网络有关。此外,我们发现在会话序列和候选池之间共享项嵌入的常见技术会产生紧耦合,这也会导致瓶颈。我们提出了一个简单而有效的方法,辍学和解耦(D&D),以减轻这些问题。我们的实验表明,我们的方法显着提高了各种基于Softmax的SBRS算法的准确性。当与其他计算昂贵的方法,如MLP和MoS(Softmax的混合)相比,我们的方法与这些方法相当,有时甚至更好,同时保持与基于Softmax的模型相同的时间复杂度。
2021-10-11 cs.IR cs.LG
Time to Split: Exploring Data Splitting Strategies for Offline Evaluation of Sequential Recommenders
AIRI, Skoltech Moscow Russian Federation(AIRI,斯克里普钦斯基因工学院莫斯科俄罗斯联邦);Sber AI Lab, Skoltech Moscow Russian Federation(Sber AI Lab,斯克里普钦斯基因工学院莫斯科俄罗斯联邦);Sber AI Lab Moscow Russian Federation(Sber AI Lab,莫斯科斯克里普钦斯基因工学院俄罗斯联邦);Sber AI Lab, HSE University Moscow Russian Federation(Sber AI Lab,莫斯科高等经济大学俄罗斯联邦)
本文系统比较了序列推荐中不同数据分割策略对离线评估的影响,发现留一法等常见策略存在时间泄漏等问题,与更现实的评估策略不一致,并提供了代码以提升可重复性。
2025-07-22 cs.IR cs.LG
Deep Learning feature selection to unhide demographic recommender systems factors
Universidad Politécnica de Madrid(马德里理工大学)
从隐藏因素中提取人口特征是一个创新概念,提供了多种相关应用。矩阵分解模型生成的因子不包含语义知识。本文提出了一种基于深度学习的方法:DeepUnHide,能够从协同过滤推荐系统中的用户和项目因素中提取人口统计信息。所提出的方法的核心是基于梯度的定位在图像处理文献中使用,突出每个分类类的代表性地区。验证实验使用两个公共数据集和当前基线。结果表明,与最先进的特征选择方法相比,DeepUnHide在进行特征选择和人口统计分类方面具有优越性。相关的和直接的应用包括推荐解释,公平的协同过滤和推荐给用户群体。
2020-06-17 cs.CV cs.IR cs.LG
Graph Convolutional Embeddings for Recommender Systems
University Barcelona(巴塞罗那大学);Google Research(谷歌研究院);University of Glasgow(格拉斯哥大学);Telefonica Research(西班牙电信研究院)
现代推荐系统(RS)通过处理大量的信号来工作,这些信号可以从大量的用户-项目交互数据中推断出来。要分析的主要信号来自表示相互作用的原始矩阵。然而,我们可以通过考虑其他类型的信号来提高RS的性能,例如交互的上下文,例如,交互的时间或日期,用户位置或与用户与系统的历史交互相对应的顺序数据。这些复杂的、基于上下文的交互信号的特征在于可以由多部图表示的丰富的关系结构。图卷积网络(GCN)已成功地用于简单的用户-项目交互数据的协同过滤。在这项工作中,我们通过考虑N个多上下文维度来推广GCN在N部图中的使用,并提出了一种简单的方法,用于在现代深度学习RS架构中进行无缝集成。更具体地说,我们为N部图定义了一个图卷积嵌入层,它处理用户-项目-上下文交互,并通过利用它们的关系结构来构建节点嵌入。在从推荐系统到药物再利用的多个数据集上的实验通过测量不同上下文丰富任务的性能显示了引入的GCN嵌入层的好处。
2021-03-05 cs.AI cs.IR
Multidimensional Social Network in the Social Recommender System
所有在线共享系统都收集反映用户集体行为及其共享活动的数据。这些数据可以用来提取不同类型的关系,这些关系可以被分组到层中,并且是本文提出的多维社会网络的基本组成部分。这些层是基于人与人之间的两种类型的关系创建的,即直接关系和基于对象的关系,它们分别对应于个体之间的社会或语义联系。为了更好地了解社会网络结构的复杂性,层和他们的配置文件进行了识别和研究的两个,跨越时间,Flickr人口的快照。此外,对于每一层,提出了单独的强度措施。在Flickr照片共享系统上的实验表明,用户之间的关系要么来自他们操作的对象之间的语义链接,要么来自这些用户的社会联系。此外,社交网络的密度随着时间的推移而增加。研究的第二部分是致力于建立一个社会推荐系统,支持在多媒体共享系统中创建新的用户之间的关系。它的主要目标是根据多维社交网络中分配给每个层的个人权重生成不断适应用户需求的个性化建议。所进行的实验证实了所提出的模型的实用性。
2013-03-01 cs.IR cs.SI physics.soc-ph
Leave No User Behind: Towards Improving the Utility of Recommender Systems for Non-mainstream Users
在协作过滤推荐场景中,数据中的偏差可能会在学习的推荐中传播。在本文中,我们专注于所谓的主流偏见:倾向于推荐系统提供更好的推荐给用户谁有主流的口味,而不是非主流用户。我们提出NAECF,一个概念上简单但有效的想法来解决这种偏见。该思想包括在使用基于文本的卷积神经网络学习用户和项目表示时添加自动编码器(AE)层。AE,一个用于用户,一个用于项目,在学习如何推荐时充当最小化评级预测误差的过程的对手。它们要求所有用户和项目的特定独特属性都充分地融入并保存在学习的表示中。这些表示,提取相应的AE的瓶颈,预计将不太偏向主流用户,并提供更平衡的推荐效用在所有用户。我们的实验结果证实了这些预期,显着提高了非主流用户的建议,同时保持主流用户的推荐质量。我们的研究结果强调了部署广泛的基于内容的功能(如在线评论)的重要性,以便更好地代表用户和项目,以最大限度地提高去偏见效果。
2021-02-02 cs.IR
To Copy, or not to Copy; That is a Critical Issue of the Output Softmax Layer in Neural Sequential Recommenders
University of Massachusetts(马萨诸塞大学)
本研究发现神经序列推荐器输出 softmax 层的单一隐藏状态与静态嵌入是处理重复项困难的根源,通过引入 softmax-CPR 替代架构使模型学会何时复制或排除输入项,在 12 个数据集上以同等模型规模显著提升了推荐性能。
2023-10-21 cs.AI cs.IR cs.LG
The Future is Agentic: Definitions, Perspectives, and Open Challenges of Multi-Agent Recommender Systems
University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Polytechnic University of Bari(巴里理工大学)
本文探讨多代理推荐系统从被动生成到主动规划的转变,提出基于状态代理的框架,分析其在提升推荐效果中的作用,并通过实验验证代理系统在不同场景下的有效性。
2026-06-28 cs.IR
Data Processing for Offline Evaluation in Recommender Systems: a Survey
本综述系统梳理推荐系统离线评估中的数据预处理实践,提出统一框架与分类法,并揭示数据转换与划分协议中的异质性问题。
2026-09-29 cs.IR cs.LG
TransGNN: Harnessing the Collaborative Power of Transformers and Graph Neural Networks for Recommender Systems
Hong Kong University of Science and Technology(香港科技大学);School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);Interdisciplinary Institute for Medical Engineering, Fuzhou University(福州大学医学工程跨学科研究院);Microsoft Research Asia(微软亚洲研究院);Central South University(中南大学);Jinan University(暨南大学)
针对GNN推荐系统感受野有限、含噪声连接,Transformer难处理大规模图的问题,本文提出交替融合两者的TransGNN模型,通过解耦聚合、结构编码与采样策略提升效果,经理论与实验验证其有效性与效率。
2024-05-18 cs.IR cs.LG
Pre-training Recommender Systems via Reinforced Attentive Multi-relational Graph Neural Network
最近,图神经网络(GNNs)已经证明了它们在推荐系统中的有效性。现有的研究已经应用GNN来捕获数据中的协作关系。然而,在现实世界中,推荐图中的关系可以是各种各样的。例如,两部电影可以通过相同的流派或通过相同的导演/演员相关联。如果我们使用一个图来阐述所有这些关系,那么这个图可能太复杂而无法处理。为了解决这个问题,我们引入了预训练的思想,对复杂图进行分步处理。基于分治的思想,我们将大图分成三个子图:用户图、项目图和用户-项目交互图。然后分别从用户图和项目图中预先训练用户和项目嵌入。为了进行预训练,我们分别基于它们的属性构建多关系用户图和项目图。在本文中,我们提出了一种新的增强型注意多关系图神经网络(RAM-GNN)的预训练用户和项目嵌入的用户和项目图之前的推荐步骤。具体来说,我们设计了一个关系级的注意力层来学习不同关系的重要性。然后,应用增强邻居采样器(RNS)来搜索用于对图中的前k个相似邻居进行采样的最佳过滤阈值,这避免了过度平滑问题。我们用预先训练好的用户/项目嵌入初始化推荐模型。最后,一个基于聚合的GNN模型被用来学习用户-项目交互图中的协作关系,并提供推荐。我们的实验表明,RAM-GNN优于其他国家的最先进的基于图的推荐模型和多关系图神经网络。
2021-11-28 cs.IR
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University(卡拉兹米大学);Islamic Azad University(伊斯兰阿扎德大学)
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法,情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
Debiasing Graph Transfer Learning via Item Semantic Clustering for Cross-Domain Recommendations
基于深度学习的推荐系统在缺乏训练交互数据时可能导致过拟合。这种过度拟合显著降低了推荐性能。为了解决这个数据稀疏性问题,跨域推荐系统(CDRS)利用来自辅助源域的数据来促进稀疏目标域上的推荐。大多数现有的CDR依赖于重叠的用户或项目来连接域和传递知识。然而,匹配用户是一项艰巨的任务,当数据来自不同公司时可能会涉及隐私问题,导致上述CDR的应用有限。一些研究通过转移学习到的用户交互模式来开发不需要重叠用户和项目的CDRS。然而,他们忽略了域之间的用户交互模式的偏见,因此遭受一个较低的性能相比,单域推荐系统。在本文中,基于上述研究结果,我们提出了一种新的CDRS,即语义聚类增强的去偏图神经推荐系统(SCDGN),不需要重叠的用户和项目,并可以处理域的偏见。更准确地说,SCDGN语义聚类项目从两个领域,并构建一个跨域的二分图生成的项目集群和用户。然后,通过这个跨域用户聚类图将知识从源传递到目标。此外,我们设计了一个去偏图卷积层SCDGN提取无偏结构知识的跨域用户聚类图。我们在三个公共数据集和一对专有数据集上的实验结果验证了SCDGN在跨域推荐方面优于最先进模型的有效性。
2022-11-07 cs.IR
A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems
University College London(伦敦大学学院);University of Southern California(南加州大学);Polytechnic University of Bari(巴里理工大学)
针对推荐系统现有公平性研究忽略双边市场特性的问题,提出可整合供需双方群体公平约束的重排序框架CP-FairRank,经多数据集和主流模型验证,可在基本不降低推荐质量的同时提升双边公平性。
2024-02-01 cs.AI cs.CY cs.IR
Improving LLM-based Recommendation with Self-Hard Negatives from Intermediate Layers
GSAI, Renmin University of China(GSAI,中国人民大学)
ILRec通过利用中间层自硬负样本改进LLM推荐系统,结合跨层优化和蒸馏提升负样本质量与判别性。
2026-02-19 cs.AI cs.IR
DCN^2: Interplay of Implicit Collision Weights and Explicit Cross Layers for Large-Scale Recommendation
Teads
本文针对大规模推荐系统中的DCNv2架构提出三项算法改进,通过隐式碰撞权重与显式交叉层解决信息丢失等问题,构建了DCN^2模型,在实际系统每秒超0.5亿次预测及四个公开数据集上均展现出优于DCNv2的性能。
2025-06-24 cs.IR cs.LG
Joint Deep Modeling of Users and Items Using Reviews for Recommendation
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
大量的信息存在于用户撰写的评论中。这种信息源被大多数当前的推荐系统所忽略,但它可以潜在地缓解稀疏性问题并提高推荐质量。在本文中,我们提出了一个深度模型,从评论文本中联合学习项目属性和用户行为。提出的模型,命名为深度合作神经网络(DeepCoNN),由两个并行的神经网络耦合在最后一层。其中一个网络专注于利用用户撰写的评论来学习用户行为,另一个网络则从为项目撰写的评论中学习项目属性。在顶部引入共享层以将这两个网络耦合在一起。共享层使得为用户和项目学习的潜在因子能够以类似于因子分解机器技术的方式彼此交互。实验结果表明,DeepCoNN在各种数据集上的性能明显优于所有基线推荐系统。
2017-01-17 cs.IR cs.LG
Handling Heterophily in Recommender Systems with Wavelet Hypergraph Diffusion
针对推荐系统中异质性模式捕捉和用户-物品多维度交互建模难题,研究提出融合型小波超图扩散神经网络FWHDNN,通过三类编码器与多模态融合机制实现更优的推荐表示学习,性能超越现有SOTA方法。
2025-10-02 cs.AI cs.DB cs.IR
AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale
The Walt Disney Company(华特迪士尼公司);Intuit(Intuit公司)
针对生产推荐系统难以从聚合指标识别用户失败模式的问题,提出端到端智能体系统AURA,通过读取大规模日志进行定性诊断并生成代码级改进,已在流媒体平台验证并具跨领域迁移性。
2026-09-16 cs.AI cs.IR cs.LG
Display Content, Display Methods and Evaluation Methods of the HCI in Explainable Recommender Systems: A Survey
本文综述可解释推荐系统的人机交互层,提出统一研究框架,从生命周期梳理技术方法,强调视频解释,并结构化总结定性与定量评估。
2025-05-14 cs.HC cs.IR
Outer Product-based Neural Collaborative Filtering
National University of Singapore(新加坡国立大学);Chengdu University of Information Technology(成都信息工程大学);Northeast Petroleum University(东北石油大学);Nanjing University of Science and Technology(南京理工大学)
在这项工作中,我们贡献了一个新的多层神经网络架构命名为ONCF进行协同过滤。其思想是使用外积来显式地对嵌入空间的维度之间的成对相关性进行建模。与现有的神经推荐模型相结合,用户嵌入和项目嵌入通过一个简单的连接或元素的产品,我们的建议使用外部产品以上的嵌入层的结果,在一个二维的互动地图,是更有表现力和语义合理。在通过外积获得的交互映射之上,我们提出采用卷积神经网络来学习嵌入维度之间的高阶相关性。在两个公开的隐式反馈数据上的大量实验证明了我们提出的ONCF框架的有效性,特别是在多层神经推荐模型的低层中使用外积来建模嵌入维度之间的相关性的积极效果。实验代码可在以下网址获得:https://github.com/duxy-me/ConvNCF
2018-08-12 cs.IR cs.LG stat.ML
Deep Bayesian Multi-Target Learning for Recommender Systems
Alibaba Group(阿里巴巴集团)
随着电子商务平台提供的服务种类越来越多,评估其成功的标准也越来越多。这项工作介绍了一个多目标优化框架与贝叶斯建模的目标事件,称为深度贝叶斯多目标学习(DBMTL)。在该框架中,目标事件被建模为形成贝叶斯网络,其中有向链接由隐藏层参数化,并从训练样本中学习。贝叶斯网络的结构由模型选择决定。我们将该框架应用到淘宝直播推荐中,对点击率、用户在直播间停留时间、购买行为和互动等目标进行同步优化(并取得平衡)。与其他MTL框架和非MTL模型相比,所提出的方法有了显着的改进。我们的实践表明,通过集成的因果关系结构,我们可以有效地使目标的学习受益于其他目标,创造显著的协同效应,提高所有目标。DBMTL引导的神经网络构造符合特征与多目标连接的一般概率模型,比本文讨论的其他方法具有更弱的假设。这种理论上的普遍性带来了各种目标分布,包括稀疏目标和连续值的实际推广能力。
2019-02-25 cs.IR cs.LG stat.ML
Deep Recommender Models Inference: Automatic Asymmetric Data Flow Optimization
Huawei Technologies(华为技术)
针对深度推荐模型嵌入层随机内存访问瓶颈,提出四种单核嵌入表查找策略和自动非对称多核映射框架,在华为昇腾上实现最高 6.5 倍及极端不平衡下超 20 倍的推理加速。
2025-07-02 cs.AI cs.AR cs.DC
NCS4CVR: Neuron-Connection Sharing for Multi-Task Learning in Video Conversion Rate Prediction
Tencent Inc(腾讯公司)
点击率(CTR)和点击后转化率(CVR)预测是诸如推荐系统、广告和搜索引擎的工业排名系统中的两个基本模块。由于CVR涉及的样本比CTR少得多(称为CVR数据稀疏问题),大多数现有的工作试图利用CTR和CVR多任务学习来提高CVR性能。然而,典型的粗粒度子网络/层共享方法可能会引入冲突并导致性能下降,因为不是一个层中的每个神经元或神经元连接都应该在CVR和CTR任务之间共享。这是因为用户在深度消费和点击行为之间可能具有不同的细粒度内容特征偏好,分别由CVR和CTR表示。为了解决这种共享和冲突问题,我们提出了一种新的多任务CVR建模方案,神经元连接级共享命名为NCS 4CVR,它可以自动和灵活地学习哪些神经元权重共享或不共享,而无需人工经验。与以往的层级共享方法相比,这是首次提出神经元连接级的细粒度CTR&CVR共享方法,是共享级的研究范式转变。离线和在线实验表明,我们的方法优于单任务模型和层次共享模型。我们提出的方法现已成功部署在一个行业视频推荐系统服务的主要交通。
2023-02-16 cs.CV cs.IR cs.LG
Consistency and Discrepancy-Based Contrastive Tripartite Graph Learning for Recommendations
针对三部图推荐中用户组与物品包组合导致的冷启动难题,本文提出基于一致性和差异性元路径指标的图对比学习方法,并借助GCN极限理论实现高效计算。
2024-07-06 cs.IR cs.SI
Multi-Layer Ranking with Large Language Models for News Source Recommendation
University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所)
本文提出新闻事件可信专家推荐任务,构建含23,571对引语–发言者的NewsQuote数据集,并采用基于LLM上下文学习的多层排序框架提升推荐质量。
2024-06-17 cs.CL cs.IR