Revisiting Self-Attentive Sequential Recommendation Beyond the LLM Paradigm
NVIDIA（英伟达）
本文对比序列推荐与语言建模的熵差异，指出推荐未现扩展性源于行为数据局部规则全局异质，并重新审视自注意力范式继承假设，提出从熵结构出发比较两领域以推动未来发现。
2026-09-16 cs.IR
Revisiting Graph Projections for Effective Complementary Product Recommendation
MercadoLibre
针对用户-物品交互噪声大、稀疏导致的互补品推荐难题，提出基于用户-物品二部图投影有向加权图的互补关系推断方法，在不同基准上较序列和图推荐器分别平均提升43%、38%性能。
2025-06-10 cs.IR cs.LG
Revisiting Language Models in Neural News Recommender Systems
本文基于MIND数据集重新审视语言模型在神经新闻推荐系统中的表现，发现更大模型未必提升性能且需更多资源，但对冷启动用户推荐更有效。
2025-01-20 cs.IR
Revisiting the Performance of iALS on Item Recommendation Benchmarks
Google Research（谷歌研究院）；Google（谷歌）
通过隐式交替最小二乘（iALS）学习的矩阵分解是推荐系统研究出版物中流行的基线。iALS被认为是计算效率最高和可扩展的协同过滤方法之一。然而，最近的研究表明，它的预测质量与当前的技术水平，特别是自动编码器和其他基于项目的协同过滤方法没有竞争力。在这项工作中，我们重新审视了iALS算法，并提出了一袋技巧，我们发现在应用iALS时很有用。我们重新审视了四个经过充分研究的基准测试，其中iALS被报告表现不佳，并表明通过适当的调整，iALS具有很强的竞争力，并且在至少一半的比较中优于任何方法。我们希望这些高质量的结果与iALS已知的可扩展性一起激发人们对应用和进一步改进这项十年之久的技术的新兴趣。
2021-10-26 cs.IR cs.LG
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Beijing Kuaishou Technology Co., Ltd.（北京快手科技有限公司）；Hefei University of Technology（合肥工业大学）
图卷积网络（GCN）已经成为协同过滤的新的最先进的。然而，其推荐有效性的原因并不清楚。现有的工作，适应GCN推荐缺乏彻底的消融分析GCN，这是最初设计的图分类任务，并配备了许多神经网络操作。然而，我们的经验发现，GCN中最常见的两种设计-特征转换和非线性激活-对协同过滤的性能贡献不大。更糟糕的是，包含它们会增加训练的难度，并降低推荐性能。在这项工作中，我们的目标是简化GCN的设计，使其更简洁，适合推荐。我们提出了一个新的模型名为LightGCN，只包括GCN中最重要的组件-邻域聚合-用于协同过滤。具体来说，LightGCN通过在用户-项目交互图上线性传播来学习用户和项目嵌入，并使用在所有层学习的嵌入的加权和作为最终嵌入。这种简单、线性和整洁的模型更容易实现和训练，在完全相同的实验设置下，与神经图协同过滤（NGCF）（一种最先进的基于GCN的推荐模型）相比，表现出实质性的改进（平均约16.0\%的相对改进）。从分析和实证两个角度进一步分析了简单LightGCN的合理性。
2020-07-07 cs.IR cs.LG
Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
Myntra Designs Pvt. Ltd.（Myntra设计私人有限公司）
图表示学习（GRL）是推荐系统中一个新兴的、有前途的研究领域。在本文中，我们重新审视的奇异值分解（SVD）的邻接矩阵嵌入生成的用户和项目，并使用一个两层神经网络上的这些嵌入，学习用户项目对之间的相关性。受高阶学习在GRL中的成功的启发，我们进一步提出了这种方法的扩展，通过邻接矩阵的二阶来包括SVD的两跳邻居，并与仅使用一跳邻居的简单SVD方法相比，表现出更好的性能。在推荐系统的三个公开数据集上的实证验证表明，所提出的方法尽管简单，但击败了许多最先进的方法，并且对于三个数据集中的两个，击败了所有这些方法，幅度高达10%。通过我们的研究，我们希望阐明矩阵分解方法的有效性，特别是SVD，在深度学习时代，并表明这些方法仍然是推荐系统的重要基线。
2021-10-05 cs.IR cs.LG cs.SI
Revisiting N2DCG: An Empirically Grounded Reformulation of Carousel Recommendation Evaluation
University of Amsterdam（阿姆斯特丹大学）；Brno University of Technology（布尔诺理工大学）；Kempelen Institute of Intelligent Technologies（肯佩伦智能技术研究所）
针对轮播推荐评估指标N2DCG的两大局限，提出基于实证约束与用户浏览行为重构的N2DCG指标，经验证其更贴合用户行为与布局比较结果。
2026-08-25 cs.HC cs.IR
Revisiting Content-Based Music Recommendation: Efficient Feature Aggregation from Large-Scale Music Models
School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）；National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
本文提出TASTE数据集和基准框架，通过整合音频和文本信息提升音乐推荐性能，引入MuQ-token方法优化多层音频特征整合，验证了内容驱动方法的有效性。
2026-02-10 cs.AI cs.IR
DenseRec: Revisiting Dense Content Embeddings for Sequential Transformer-based Recommendation
Albatross AI
针对基于Transformer的序列推荐模型的物品冷启动问题，提出DenseRec双路径嵌入方法，通过训练时学习密集嵌入到ID嵌入的线性投影，无缝泛化到未见过物品，在三个数据集上持续优于仅用ID的基线，为冷启动序列推荐提供实用方案。
2025-08-25 cs.IR cs.LG
Revisiting Popularity and Demographic Biases in Recommender Evaluation and Effectiveness
The University of Manchester（曼彻斯特大学）；Microsoft（微软公司）
推荐算法容易受到流行偏见的影响：即使不能满足用户需求，也倾向于推荐流行的项目。一个相关的问题是，推荐质量可能因人口统计组而异。边缘化的组或在训练数据中代表不足的组可能从这些算法接收到与其他算法相比不太相关的推荐。在最近的一项研究中，Ekstrand等人调查了推荐器的性能如何根据流行度和人口统计数据而变化，并发现两个数据集上的二元性别之间的推荐效用存在统计学显著差异，并且基于年龄对一个数据集产生显著影响。在这里，我们重现这些结果，并扩展他们与其他分析。我们发现，年龄和性别的推荐性能的统计显着差异。我们观察到，老年用户的推荐效用稳步下降，女性的推荐效用低于男性。我们还发现，对于来自数据集中具有更多代表性的国家的用户，效用更高。此外，我们发现，消费内容的总使用量和受欢迎程度是推荐性能的强预测因子，并且在不同的人口统计群体中也有显着差异。
2021-10-15 cs.AI cs.IR cs.LG
Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method
Nanbeige Lab（南戈实验室）；BOSS Zhipin（BOSS直聘）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Career Science Lab, BOSS Zhipin（BOSS直聘职业科学实验室）
针对双向推荐系统现有评估指标片面、缺乏系统性解决方案的问题，该研究提出5个多维度评估指标，从因果视角建模并开发模型无关的因果双向推荐方法及重排序策略，实验验证了其有效性。
2024-08-19 cs.AI cs.IR
Revisiting Self-attention for Cross-domain Sequential Recommendation
Snap Inc.（Snap公司）
本文针对跨域序列推荐（CDSR）中自注意力机制被忽视的问题，提出 Pareto 最优自注意力多目标优化方法 AutoCDSR 及其增强版 AutoCDSR+，实现自动知识转移，有效提升模型性能且易于部署。
2025-05-27 cs.AI cs.IR
Revisiting Neighborhood-based Link Prediction for Collaborative Filtering
Carnegie Mellon University（卡内基梅隆大学）；Snap Inc.（Snap公司）
协同过滤是推荐系统中最成功和最基本的技术之一。近年来，基于图神经网络（GNN）的CF模型，如NGCF [31]，LightGCN [10]和GTN [9]取得了巨大的成功，并显着推进了最先进的技术水平。虽然有丰富的文献，这些作品使用先进的模型分别学习用户和项目表示，项目推荐本质上是用户和项目之间的链接预测问题。此外，虽然已经有早期的作品采用链接预测的协同过滤[5，6]，这种趋势在很大程度上已经让位于集中于从用户和项目节点聚合信息的作品，而不是直接建模链接。在本文中，我们提出了一个新的链接（连通性）评分的二分图，推广多个标准的链接预测方法。我们结合这个新的分数与用户-项目交互二分图中的迭代度更新过程来利用局部图结构，而无需任何节点建模。结果是一个简单的非深度学习模型，只有六个可学习的参数。尽管它很简单，但我们证明了我们的方法在四个广泛使用的基准测试中显着优于现有的最先进的基于GNN的CF方法。特别是，在亚马逊图书上，我们展示了召回和NDCG的60%以上的改进。我们希望我们的工作将邀请社区重新审视协同过滤的链接预测方面，通过将链接预测与项目推荐对齐，可以实现显着的性能增益。
2022-03-29 cs.IR cs.LG
Revisiting BPR: A Replicability Study of a Common Recommender System Baseline
本文重新审视BPR推荐基线，发现开源实现与原论文不一致导致性能下降，并通过超参数调优证明BPR可接近甚至超越最先进方法。
2024-10-18 cs.IR
Revisiting Adversarially Learned Injection Attacks Against Recommender Systems
Simon Fraser University（西蒙弗雷泽大学）；Cornell Tech, Cornell University（康奈尔科技学院，康奈尔大学）
推荐系统在现代信息和电子商务应用中扮演着重要的角色。虽然越来越多的研究致力于提高推荐的相关性和多样性，但最先进的推荐模型的潜在风险尚未得到充分探讨，即这些模型可能会受到恶意第三方的攻击，通过注入虚假的用户交互来实现其目的。本文重新审视了adversarially-learned注入攻击问题，其中注入的假用户“行为”是由攻击者用自己的模型在本地学习的-一个可能与受攻击的模型不同，但共享类似的属性，以允许攻击转移。我们发现，大多数现有的工作在文献中遭受两个主要的局限性：（1）他们没有精确地解决优化问题，使攻击的危害小于它可能是，（2）他们假设完美的知识的攻击，导致缺乏对现实的攻击能力的理解。我们证明了生成假用户作为优化问题的确切解决方案可能会产生更大的影响。我们在真实数据集上的实验揭示了攻击的重要特性，包括攻击的可转移性及其局限性。这些发现可以启发有用的防御方法来对抗这种可能存在的攻击。
2020-08-28 cs.IR cs.LG stat.ML
SVD-GCN: A Simplified Graph Convolution Paradigm for Recommendation
随着图卷积网络（GCN）的巨大成功，GCN已被广泛应用于推荐系统中，并显示出良好的性能。然而，大多数基于GCN的方法严格地坚持一个共同的GCN学习范式，并遭受两个限制：（1）有限的可扩展性，由于高计算成本和缓慢的训练收敛;（2）臭名昭著的过度平滑问题，这降低了堆叠图卷积层的性能。我们认为，上述限制是由于缺乏深入了解的GCN为基础的方法。为此，我们首先调查什么样的设计使GCN有效的建议。通过简化LightGCN，我们展示了基于GCN的方法与低秩方法（如奇异值分解（SVD）和矩阵分解（MF））之间的密切联系，其中堆叠图卷积层是通过强调（抑制）具有较大（较小）奇异值的组件来学习低秩表示。基于这一观察，我们取代了基于GCN的方法的核心设计与灵活的截断SVD，并提出了一个简化的GCN学习范式称为SVD-GCN，它只利用$K$ -最大奇异向量的建议。为了减轻过度平滑的问题，我们提出了一个重整化技巧来调整奇异值差距，从而显着改善。在三个真实数据集上的大量实验表明，我们提出的SVD-GCN不仅显著优于最先进的技术，而且分别比LightGCN和MF实现了超过100倍和10倍的加速比。
2022-09-03 cs.IR
Learning to Rank Rationales for Explainable Recommendation
现有的推荐系统（RS）主要依赖于复杂的深度神经网络（DNN）模型结构，这使得很难在RS决策的同时提供解释。先前的研究人员已经证明，提供解释和推荐项目可以帮助用户做出明智的决定，并提高他们对不可解释的黑盒系统的信任。在与模型无关的可解释推荐中，系统设计者部署一个单独的解释模型来从决策模型中获取输入，并生成解释以满足说服力的目标。在这项工作中，我们探索的任务，排名文本的理由（支持证据）模型无关的可解释的建议。现有的理据排序算法大多只利用理据ID和交互矩阵来构建潜在的因素表示，而文本理据中的语义信息没有得到有效的学习。我们认为，这样的设计是次优的重要的语义信息的文字原理内，可以用来更好地配置文件的用户偏好和项目功能。针对这一问题，本文提出了一种语义增强贝叶斯个性化解释排序模型（SE-BPER），有效地将交互信息和语义信息结合起来。SE-BPER首先用Transformer模型生成的上下文化嵌入对潜在因子表示进行优化，然后用交互数据对它们进行优化。大量的实验表明，这种方法提高了rationales排名性能，同时简化了模型训练过程（更少的超参数和更快的收敛速度）。我们的结论是，结合语义和交互信息的最佳方式仍然是一个悬而未决的问题，在任务的理由排名。
2022-06-10 cs.IR
Revisiting Neural Retrieval on Accelerators
Meta Platforms, Inc.（元平台公司）
针对点积难以建模复杂高秩用户-物品交互的问题，提出 MoL 与 h-indexer，在单 GPU 扩展至亿级语料并显著提升命中率、降低流行度偏差。
2023-06-06 cs.IR cs.LG
How Powerful is Graph Filtering for Recommendation
本文分析GCN推荐中图滤波的通用性与表达力局限，提出G²N、IGF与仅需top-K奇异值的SGFCF，并在多密度数据集上验证其效果与效率。
2024-06-13 cs.IR
SAppKG: Mobile App Recommendation Using Knowledge Graph and Side Information-A Secure Framework
本文提出隐私保护知识图谱框架 SAppKG，利用交互数据与应用属性辅助信息进行移动应用推荐，并在 Google Play 真实数据上验证其四项指标均优于基线。
2023-09-29 cs.IR cs.SI
Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
图卷积网络（Graph Convolutional Network，GCN）是一种基于图的表示学习模型，它通过迭代地堆叠多层卷积聚合操作和非线性激活操作来实现。近年来，在基于协同过滤的推荐系统中，一些研究者将用户与项目的交互行为视为二分图，用GCN对更高层的协同信号进行建模。这些基于GCN的推荐模型表现出优越的性能相比，传统的作品。然而，这些模型遭受训练困难与非线性激活大型用户项图。此外，大多数基于GCN的模型由于图卷积操作的过度平滑效应而不能对更深的层进行建模。在本文中，我们重新GCN基于CF模型从两个方面。首先，我们经验性地表明，去除非线性将提高推荐性能，这与简单图卷积网络中的理论是一致的。其次，我们提出了一个残差网络结构，是专门为CF与用户项交互建模，它体现了在图卷积聚合操作与稀疏用户项交互数据的过平滑问题。该模型是一个线性模型，易于训练，规模大的数据集，并产生更好的效率和有效性在两个真实的数据集。我们在https://github.com/newlei/LRGCCF上发布源代码。
2020-01-28 cs.IR cs.LG stat.ML
EGR: Embedding-Native Generative Retrieval with a Shared LLM
Snap Inc.（Snap公司）
研究针对生成式检索在推荐和广告系统中的问题，提出EGR框架，利用共享语言模型在同一嵌入空间学习项目与用户表示，经联合对比训练，在多场景评估中表现出色，提升了转化率，简化了系统设计。
2026-07-28 cs.IR
Collaborative Filtering Through Weighted Similarities of User and Item Embeddings
Federal University of São Carlos（圣卡洛斯联邦大学）
本文提出一种融合用户-物品和物品-物品推荐的新型集成方法，通过加权相似性框架实现Top-N推荐，简化架构并提升效率，实验表明其在不同场景下表现稳健且易于实现。
2026-04-16 cs.IR cs.LG
Positive and Negative Critiquing for VAE-based Recommenders
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
提供对推荐项目的解释允许用户通过批评解释的部分来细化推荐。作为从多模态生成模型的角度重新审视批评的结果，最近的工作提出了M&Ms-VAE，它在推荐，解释和批评方面实现了最先进的性能。M&Ms-VAE和类似模型允许用户进行负面评论（即，明确表示不同意）。然而，它们都有一个显著的缺点：用户不能积极地评论（即，突出显示所需特征）。我们用M&Ms-VAE+来解决这个问题，M&Ms-VAE+是M&Ms-VAE的扩展，可以进行积极和消极的批评。除了对用户的交互和关键词使用偏好进行建模之外，我们还对他们不喜欢的关键词使用进行建模。此外，我们设计了一个新的批评模块，它是在一个自我监督的方式训练。我们在两个数据集上的实验表明，M&Ms-VAE+在推荐和解释性能上与M&Ms-VAE相当或超过M&Ms-VAE。此外，我们的研究结果表明，不同地表示积极和消极的批评，使M&Ms-VAE+显着优于M&Ms-VAE和其他模型在积极和消极的多步批评。
2022-04-05 cs.AI cs.IR cs.LG
Lightweight Embeddings for Graph Collaborative Filtering
本文提出LEGCF框架，通过在元嵌入之上引入可学习的分配矩阵并利用语义相似性约束与矩阵伪逆闭式解交替优化，解决了基于GNN的协同过滤中固定ID映射忽略实体语义相关性的参数低效问题，在三个基准数据集上以最小模型规模实现了优于现有方法的推荐准确率。
2024-03-28 cs.IR
