Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation
针对下一购物篮推荐中的重复偏差，本文提出模型无关的后处理优化算法，在提升多样性与商品公平性的同时缓解重复推荐，并在三个真实数据集上验证有效。
2025-01-10 cs.IR
Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping
University of Amsterdam（阿姆斯特丹大学）
提出下一个新篮子推荐任务及双向transformer模型BTBR，通过多种掩码与物品-篮子交换策略直接建模物品相关性，大幅提升仅含新物品篮子的推荐性能。
2023-08-02 cs.IR cs.LG
An empirical study of next-basket recommendations
针对下一购物篮推荐方法缺乏统一评估的问题，本文系统综述相关算法，并在统一数据集、实验配置和指标下进行实证比较，构建公平评估框架。
2023-12-05 cs.IR
A Next Basket Recommendation Reality Check
University of Amsterdam（阿姆斯特丹大学）
下一个购物篮推荐（NBR）系统的目标是根据用户先前购物篮的顺序为用户推荐下一个购物篮的物品。最近，已经提出了许多具有复杂模块的方法，这些方法声称具有最先进的性能。他们很少查看预测的篮子，只是为观察到的改进提供直观的原因，例如，更好的表示、捕获意图或关系等。我们提供了一个新的角度来评估下一个购物篮推荐方法，集中在重复和探索之间的区别上：下一个购物篮通常由先前消费的物品组成（即，重复项）和新项（即，探索项）。我们提出了一套衡量重复/探索比率和NBR模型性能的指标。使用这些新的指标，我们分析国家的最先进的NBR模型。我们的分析结果有助于澄清现有NBR方法所取得的实际进展程度以及改进的根本原因。总的来说，我们的工作揭示了NBR的评价问题，并为这项任务的模型设计提供了有用的见解。
2023-03-09 cs.AI cs.IR
T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
T-REX通过基于Transformer的类别序列生成方法，解决在线杂货推荐中重复购买模式和复杂物品关系的挑战，提升推荐准确性。
2026-02-23 cs.IR cs.LG
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
Efficiently Maintaining Next Basket Recommendations under Additions and Deletions of Baskets and Items
University of Amsterdam（阿姆斯特丹大学）；ABN AMRO Bank（荷兰银行）；AIRLab, University of Amsterdam（阿姆斯特丹大学AIR实验室）
在当今日益数字化的社会中，推荐系统在帮助人们查找信息和做出决策方面发挥着重要作用。然而，这种机器学习应用的广泛采用也引起了数据隐私方面的担忧。欧洲最近的“通用数据保护条例”（GDPR）解决了这些问题，该条例要求公司在用户行使其“被遗忘权”时，应要求删除个人用户数据。许多研究人员认为，这种删除义务不仅适用于存储在关系数据库等主数据存储中的数据，还需要更新机器学习模型，其训练集包括要删除的个人数据。我们探索这个方向的上下文中的顺序推荐任务称为下一个篮子推荐（NBR），其目标是推荐一组项目的基础上用户的购买历史。我们设计了有效的算法，递增和递减更新一个国家的最先进的下一个篮子推荐模型，以响应用户购物篮和项目的添加和删除。此外，我们讨论了一个有效的，数据并行实现我们的方法在火花结构化流系统。我们评估了我们在各种真实数据集上的实现，在那里我们调查了我们的更新技术对几个排名指标的影响，并测量了执行模型更新的时间。我们的研究结果表明，我们的方法提供了恒定的更新时间效率相对于一个额外的用户篮在增量的情况下，和线性效率在递减的情况下，我们删除现有的篮子。使用适度的计算资源，我们能够以大约0.2毫秒的延迟更新模型，无论增量情况下的历史大小如何，并且在递减情况下小于1毫秒。
2022-01-27 cs.AI cs.IR
Inferring Complementary Products from Baskets and Browsing Sessions
Yandex Market
互补产品推荐是电子商务中的一个重要问题。这样的建议增加了平均订单价格和篮子中的产品数量。互补产品通常是从篮子数据推断出来的。在这项研究中，我们提出了BB 2 vec模型。BB 2 vec模型通过联合分析两种类型的数据来学习产品的矢量表示-篮子和浏览会话（访问产品的网页）。这些向量表示用于进行互补产品推荐。该模型通过为很少或没有购买的产品提供更好的推荐来解决冷启动问题。我们发现，BB 2 vec模型具有更好的性能比其他模型，只使用篮子数据。
2018-09-25 cs.IR cs.LG stat.ML
CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
CASE通过分离物品级节奏学习与跨物品交互，实现显式日历时间建模，提升大规模下篮回购推荐的精度、召回和NDCG。
2026-04-24 cs.IR cs.LG
SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；T-Bank（T银行）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
针对下一购物篮推荐中物品组合复杂且深度学习表现不佳的问题，提出SAFERec算法，通过融合物品频率信息增强Transformer架构，在多个数据集上显著优于基线方法。
2024-12-20 cs.AI cs.IR
Modeling Dynamic Attributes for Next Basket Recommendation
Salesforce（赛富时）；UC San Diego（加州大学圣地亚哥分校）
传统的下一个商品和下一个购物篮推荐方法通常基于用户过去的交互和相关联的静态上下文信息（例如，用户id或商品类别）来提取用户的兴趣。然而，提取的利益可能是不准确的，并成为过时的。动态属性，如用户收入变化、物品价格变化等，随着时间的推移而改变。这种动态可以内在地反映用户兴趣的演变。我们认为，这样的动态属性建模可以提高推荐性能。然而，将它们适当地集成到用户兴趣模型中是具有挑战性的，因为属性动态可以是多样的，例如时间间隔感知的、周期性模式（等），它们从不同的角度代表用户的行为，这些行为可以与交互异步发生。除了动态属性之外，每个篮子中的项目还包含复杂的相互依赖关系，这可能是有益的，但对于有效捕获来说并不微不足道。为了应对这些挑战，我们提出了一种新的Attentive网络来建模动态属性（命名为Anda）。Anda分别编码动态属性和篮子项目序列。我们设计了一个周期性感知编码器，使模型能够从动态属性中捕获各种时间模式。为了有效地学习有用的项目关系，提出了篮内注意模块。在三个真实世界数据集上的实验结果表明，我们的方法始终优于最先进的。
2021-09-23 cs.AI cs.IR
BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Airbnb, Inc（爱彼迎公司）；UC San Diego（加州大学圣地亚哥分校）；Walmart Labs（沃尔玛实验室）
购物篮内推荐减少了用户的探索时间，其中用户对购物篮的意图很重要。购物篮的意图可以从用户-物品协同过滤信号和多物品相关性两者中检索。通过定义一个篮子实体来表示篮子意图，我们可以将此问题建模为User-Basket-Item~（UBI）图中的篮子项目链接预测任务。以前的工作解决了这个问题，同时利用用户的项目交互和项目的项目交互。然而，以往研究的总体性和异质性特征很少。集体定义了每个节点的语义，这些节点应该从直接和间接连接的邻居聚合。异质性来自UBI图中的多类型交互以及多类型节点。为此，我们提出了一个新的框架命名为\textbf{BasConv}，这是基于图卷积神经网络。我们的BasConv模型有三种类型的聚合器，专门为三种类型的节点设计。它们共同从邻域和高阶上下文学习节点嵌入。此外，聚合器中的交互层可以区分不同类型的交互。在两个真实数据集上的大量实验证明了BasConv的有效性。我们的代码可在https://github.com/JimLiu96/basConv上获得。
2020-05-08 cs.IR cs.LG
Basket Recommendation with Multi-Intent Translation Graph Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Walmart Labs（沃尔玛实验室）
购物篮推荐（BR）的问题是向当前购物篮推荐一个物品的排名列表。现有的方法通过假设同一篮子中的项目由一个语义关系相关来解决这个问题，从而优化项目嵌入。然而，当一个篮子中存在多个意图时，这个假设就被打破了。例如，假设一个购物篮包含\{ \textit{bread, cereal, yogurt, soap, detergent} \}，其中\{ \textit{bread, cereal, yogurt} \}通过“早餐”意图相关，而\{ \textit{soap, detergent} \}具有“清洁”意图，忽略项目之间的多个关系会破坏模型学习嵌入的能力。为了解决这个问题，需要发现篮子中的意图。然而，检索多意图模式是相当具有挑战性的，因为意图是隐藏在篮子里的。另外，篮子内的意图也可以是相关的。此外，发现多意图模式需要对高阶交互进行建模，因为不同篮子中的意图也是相关的。为此，我们提出了一个新的框架--\textbf{M}多功能\textbf{I}功能\textbf{T}翻译\textbf{G}--\textbf{N}功能\textbf{N}网络~（{ \textbf{MITGNN} }）. MITGNN将$T$意图建模为通过$T$关系向量从一个对应的篮子嵌入转换的尾实体。通过多头聚合器学习关系向量来处理用户和项目信息。此外，MITGNN在我们定义的篮子图中传播多个意图，通过聚合邻居来学…
2020-10-22 cs.AI cs.IR
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications（北京邮电大学）；Renmin University of China（中国人民大学）
下一个购物篮推荐是市场购物篮分析中的一个重要环节，其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看，一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此，一个理想的推荐系统应该代表一个项目，考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示，其在所有事务之间是不变的，因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发，我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示（IERT）。在离线阶段，IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段，预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味，以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT的性能优于现有的基线方法，证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation
Sun Yat-Sen University（中山大学）；Wens Foodstuff Group Co., Ltd.（温氏食品集团股份有限公司）；Guangdong Polytechnic Normal University（广东技术师范大学）；University of Illinois（伊利诺伊大学）
针对下一篮子推荐中高阶物品关系与OOV物品编码难题，提出HEKP4NBR方法，利用知识树提示增强PLM，并通过超图卷积建模多物品相关性，实验验证其有效性。
2023-12-26 cs.AI cs.IR
Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation?
本文针对下一篮推荐中超越准确性指标优化不足的问题，提出即插即用的TREx框架，将重复物品与探索物品分开处理，在保持高准确性的同时提升公平性与多样性，并反思现有评估范式的局限性。
2024-05-02 cs.IR
Within-basket Recommendation via Neural Pattern Associator
Loblaw Digital（罗布劳数字公司）；Dalhousie University（达尔豪斯大学）
针对篮内推荐忽视用户多意图、多粒度及意图切换的问题，提出神经模式关联器（NPA），通过向量量化学习意图码本并注意力查找，在杂货与音乐数据集上显著优于现有方法。
2024-03-14 cs.IR cs.LG
Mitigating Frequency Bias in Next-Basket Recommendation via Deconfounders
Walmart Global Tech（沃尔玛全球科技）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Indeed
最近的下一个购物篮推荐（NBR）的研究取得了很大的进展，利用个性化的项目频率（PIF）的主要特征之一，它衡量用户的互动与项目的频率。然而，将PIF作为显式特征会导致对频繁项的偏见。用户频繁购买的项目在基于PIF的推荐系统中被分配更高的权重，并且更频繁地出现在个性化推荐列表中。结果，系统将失去用户频繁购买的物品和用户从不购买的物品之间的公平和平衡。我们将这种个性化推荐列表的系统偏差称为频率偏差，它缩小了用户的浏览范围，降低了系统的效用。我们采用因果推理理论来解决这个问题。考虑到历史购买对用户未来兴趣的影响，用户和物品表示可以被视为因果图中的未观察到的混杂因素。在本文中，我们提出了一个deconfounder模型命名为FENDER（频率感知Deconfounder下一个篮子推荐），以减轻频率偏差。利用我们提出的去混淆理论和因果图，FENDER用神经张量层分解PIF，以获得用户和项目的替代混淆因素。然后，FENDER考虑这些替代混杂因素的影响，执行无偏倚的建议。实验结果表明，与三个数据集上的十个基线模型相比，FENDER获得了多样化和公平的结果，同时实现了具有竞争力的性能。进一步的实验说明了FENDER如何平衡用户的历史购买和潜在兴趣。
2022-11-16 cs.IR cs.LG
Beyond Ranking Accuracy: Evaluating LLM-Cited Feature Rationales for Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
该研究针对下一个购物篮回购推荐，探究LLM作为独立推荐器的可行性，发现其排序能力不及监督排序器，但可作为经验证的解释组件，且理由质量需与排序准确率分开评估。
2026-09-01 cs.AI cs.IR
Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems
本文指出现有推荐系统去学习基准脱离实际，提出涵盖多任务和真实场景的新基准设计期望，并通过初步实验验证定制去学习算法在序列推荐中显著优于通用算法且延迟极低。
2025-09-18 cs.IR
Neural Network Based Next-Song Recommendation
National Chiao Tung University（台湾交通大学）；Academia Sinica（中央研究院）
最近，考虑购买物品之间的顺序关系的下一个物品/购物篮推荐系统引起了研究者的关注。序列模式的使用已经提高了几种推荐任务的性能。受自然语言处理（NLP）技术的启发，本文提出了一种基于神经网络（NN）的下一首歌曲推荐系统CNN-rec。然后，我们比较了所提出的系统与几个神经网络为基础的和经典的推荐系统的下一首歌曲推荐任务。验证结果表明，所提出的系统优于经典系统，并具有可比的性能与国家的最先进的系统。
2016-06-24 cs.AI cs.IR cs.LG
Signed Distance-based Deep Memory Recommender
Worcester Polytechnic Institute（伍斯特理工学院）
个性化推荐算法通过测量它们之间的距离/相似性来学习用户对项目的偏好。然而，一些现有的推荐模型（例如，矩阵分解）假设用户和项目之间的线性关系。这种方法限制了推荐系统的容量，因为在现实世界的应用程序中，用户和项目之间的交互要比线性关系复杂得多。为了克服这一局限性，本文设计并提出了一个基于符号距离的深度学习框架--基于深度记忆的推荐器（Signed Distance-based Deep Memory Recommender），该框架能够显式和隐式地捕捉用户和物品之间的非线性关系，在一般推荐任务和基于购物篮的推荐任务中都能很好地工作。通过对六个真实数据集的两个推荐任务的广泛实证研究，我们提出的方法取得了显着的改进，超过了十个国家的最先进的推荐模型。
2019-05-01 cs.AI cs.IR
Variational Bayesian Context-aware Representation for Grocery Recommendation
University of Glasgow（格拉斯哥大学）
杂货推荐是一种重要的推荐用例，其目的是根据用户的购物历史来预测用户将来可能选择购买哪些物品。然而，现有的方法只表示每个用户和项目的单确定性点在一个低维连续空间。此外，这些方法中的大多数都是通过使用简单的基于Skip-gram的公式最大化同现可能性来训练的，这限制了它们嵌入的表达能力和由此产生的推荐性能。在本文中，我们提出了变分贝叶斯上下文感知表示（VBCAR）模型的杂货店推荐，这是一种新的变分贝叶斯模型，学习用户和项目的潜在向量，利用购物篮上下文信息，从过去的用户-项目交互。我们训练我们的VBCAR模型的基础上的贝叶斯Skip-gram框架加上摊销变分推理，使它可以学习更多的表达潜在的表示，集成了非线性和贝叶斯行为。在一个大型的真实世界杂货推荐数据集上进行的实验表明，我们提出的VBCAR模型可以显着优于现有的最先进的杂货推荐方法。
2019-10-29 cs.IR cs.LG
A Universal Sets-level Optimization Framework for Next Set Recommendation
针对下一个集合推荐现有方法目标函数局限于单物品比较、忽略集合依赖与多样性的问题，提出基于SDPP的通用集合级优化框架SNSRec，在真实数据集上的相关性与多样性表现均优于现有方法。
2024-10-30 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet（圣菲-锥形研究所）
本文提出一种新颖的价值感知推荐方法，同时解决用户-物品数据的高维性和稀疏性问题，并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中，并基于此计算客户相似性，支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年，仅在亚马逊，网络用户每秒订购73件商品，并对他们的消费体验做出大量评论。随着Web的成熟，变得社会化和参与性，协作过滤器是搜索有关人员，事件和产品的在线信息的基本补充。在Web 2.0中，连接的消费者创建的不仅仅是内容（例如评论），而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是，它促进了互联消费者更有效地搜索和浏览复杂的网络，并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实，在计算机和营销研究的相关研究，以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上，我们描述了一个分类的推荐系统的基础上两个家庭的标准：如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号，并作为一个桥梁，在商业和营销文献的相关问题。我们的分析集中在一对一营销，基于网络的营销，网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下，建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
Unfair Exposure of Artists in Music Recommendation
机器学习中的公平性已经被许多研究者所研究。特别是，在推荐系统的公平性进行了调查，以确保建议符合某些标准，就某些敏感的功能，如种族，性别等，但是，往往推荐系统是多利益相关者的环境中，对所有利益相关者的公平性应该得到照顾。众所周知，推荐算法存在受欢迎程度偏差;很少有受欢迎的项目被过度推荐，这导致大多数其他项目没有得到相应的关注。这种偏见已经从用户的角度进行了调查，以及它如何使最终的建议倾向于流行的项目一般。然而，在本文中，我们调查的影响，在推荐算法中的流行偏见的项目的提供者（即实体背后的推荐项目）。使用音乐数据集进行实验，我们表明，由于算法中的一些偏见，不同受欢迎程度的艺术家群体受到系统性和一致性的不同对待。
2020-03-25 cs.IR
Multi-Interest Recommendation: A Survey
本综述系统梳理多兴趣推荐的研究进展，回答其重要性、建模关注点及应用技术细节，为研究者提供基础框架与未来方向指引。
2025-06-18 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
Many-to-one Recurrent Neural Network for Session-based Recommendation
EURECOM（欧洲通信学院）；Amadeus SAS（艾玛迪斯公司）
本文介绍了D2KLab团队对RecSys Challenge 2019的方法，该方法侧重于根据用户会话推荐住宿的任务。当一个人说“酒店的房间很大，员工很友好，效率很高”时，他是什么感觉？它是积极的。类似于一个句子中的单词序列，人们可以确认感觉是什么，分析用户在网站上执行的一系列动作可以预测用户在购物会话结束时将添加到他的购物篮中的物品。我们建议使用一个多对一的循环神经网络，学习的概率，用户将点击一个住宿的基础上，他在浏览会话期间执行的动作序列。更具体地说，我们将基于规则的算法与门控递归单元RNN相结合，以便对显示给用户的住宿列表进行排序。我们在验证集上优化了RNN，调整了超参数，如学习率，批量大小和适应嵌入大小。这种与情感分析任务的类比给出了有希望的结果。然而，它在训练阶段的计算要求很高，需要进一步调整。
2020-08-25 cs.IR cs.LG stat.ML
Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms
本文通过扩展解释性框架并引入POI推荐相关新变量，系统量化了纽约市LBSN签到数据中密度、流行度偏差、签到分布及用户移动性等数据特征对推荐算法准确性、新颖性和曝光度的影响，为改进POI推荐提供了实用指导。
2025-01-06 cs.IR
GNNUERS: Fairness Explanation in GNNs for Recommendation via Counterfactual Reasoning
本文提出GNNUERS算法，通过反事实推理和二分图拓扑扰动最小化群体效用差异，系统解释GNN推荐模型中的用户不公平性。
2024-03-25 cs.IR
Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
NVIDIA（英伟达）
本文提出部署于Allegro平台的AlleCompanion检索框架，结合类别约束双塔架构与多源互补类别映射ComCat，过滤共购噪声，提升互补推荐效果，服务超2000万活跃用户并带动GMV增长。
2026-09-07 cs.AI cs.IR cs.LG
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
Split Two-Tower Model for Efficient and Privacy-Preserving Cross-device Federated Recommendation
本文提出STTFedRec框架，将分裂学习引入双塔推荐模型，通过服务器承担物品模型计算并仅广播低维嵌入，在保证隐私和推荐准确率的同时大幅降低用户设备的计算与通信开销。
2022-06-28 cs.IR
Micro-Behavior Encoding for Session-based Recommendation
基于会话的推荐（SR）的目的是预测下一个项目的推荐基于先前记录的用户交互会话。大多数现有的SR方法集中在建模的项目的过渡模式。在这样的模型中，所谓的微行为描述了用户如何定位物品并对其执行各种活动（例如，单击、添加到购物车和阅读评论）被简单地忽略。最近的一些研究试图将微观行为的序列模式纳入SR模型。然而，这些顺序模型仍然不能有效地捕捉微观行为操作之间的所有固有的相互依赖性。在这项工作中，我们的目标是系统地研究SR中的微观行为信息的影响。具体来说，我们确定了两种不同的模式的微观行为：“序列模式”和“二元关系模式”。为了建立一个统一的用户微观行为模型，我们首先设计了一个多重图，通过一个图神经网络聚合来自不同项目的序列模式，然后利用一个扩展的自注意网络来开发微观行为的成对关系模式。在三个公开的真实世界数据集上进行的大量实验表明，所提出的方法优于最先进的基线，并证实了这两种不同的微观行为模式对SR的有用性。
2022-04-05 cs.IR
Biases in LLM-Generated Musical Taste Profiles for Recommendation
本文通过用户研究考察LLM根据收听历史生成的音乐品味画像是否存在用户与物品特征偏差，并对比下游推荐表现，揭示其潜力与局限。
2025-07-22 cs.IR
A Survey of Large Language Model Empowered Agents for Recommendation and Search: Towards Next-Generation Information Retrieval
本文首次系统综述了大语言模型智能体在推荐与搜索中的应用，提出分类框架并展望其在下一代信息检索中的潜力与研究方向。
2025-04-11 cs.IR
From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation
Pohang University of Science and Technology（浦项科技大学）；Sungkyunkwan University（成均馆大学）
针对序列推荐中Transformer模型的相似性偏差问题，提出PRISM模块，通过多视角透镜校准注意力以捕捉物品全谱关系，在七个基准上优于现有模型。
2026-09-17 cs.IR
A Survey on Generative Recommendation: Data, Model, and Tasks
Hefei University of Technology（合肥工业大学）；National University of Singapore（新加坡国立大学）
本文综述生成推荐领域，探讨数据、模型与任务维度，分析生成模型在推荐中的应用与挑战，提出智能推荐助手的发展方向。
2026-05-09 cs.IR
Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）
本研究针对下一个POI推荐中主流模型曝光集中于热门POI、长尾商家曝光不足的问题，提出模型无关框架SPACE，通过三阶段方法提升长尾POI曝光，在保证推荐准确性的同时改善提供者公平性。
2026-08-11 cs.IR
Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems
Scheller College of Business, Georgia Tech（佐治亚理工学院谢勒商学院）；Stern School of Business, New York University（纽约大学斯特恩商学院）
本文提出深度帕累托强化学习方法，通过建模多目标复杂关系、捕捉个性化偏好和优化短期长期性能，提升多目标推荐系统的性能。
2026-02-12 cs.IR
SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation
本文首次系统研究出城旅行推荐问题，提出 SPOT-Trip 框架，通过 POI 属性知识图谱、神经常微分方程和时序点过程分别建模静态与动态双重用户偏好并融合，实验表明性能提升最高达 17.01%。
2025-09-20 cs.IR
Deep Learning for Sequential Recommendation: Algorithms, Influential Factors, and Evaluations
Shanghai University of Finance and Economics（上海财经大学）；Northeastern University（东北大学）
在顺序推荐领域，基于深度学习（DL）的方法在过去几年中受到了很多关注，并超过了基于马尔可夫链和基于因子分解的传统模型。然而，很少有系统的研究，特别是关于如何设计一个有效的DL模型的顺序推荐。因此，本文针对上述问题，重点研究了基于DL的顺序推荐系统。具体来说，我们说明了顺序推荐的概念，提出了一个现有的算法分类的三种类型的行为序列，总结了影响基于DL的模型的性能的关键因素，并进行相应的评估，以证明这些因素的影响。我们通过系统地概述这一领域的未来方向和挑战来结束这一调查。
2020-10-10 cs.IR cs.LG
An Aspect Performance-aware Hypergraph Neural Network for Review-based Recommendation
提出面向方面性能的超图神经网络APH，利用评论情感极性推断商品性能，提升基于评论推荐的准确性，在六个数据集上平均提升MSE、Precision@5和Recall@5分别2.30%、4.89%和1.60%。
2025-01-26 cs.IR
MMGRec: Multimodal Generative Recommendation with Transformer Model
School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；School of Software, Shandong University（山东大学软件学院）；Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系）；School of Information Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）信息科学与工程学院）；Department of Data Science and AI, Monash University（蒙纳士大学数据科学与人工智能系）；College of Informatics, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）信息学院）
MMGRec通过生成范式引入多模态推荐，利用分层量化和Transformer模型生成用户偏好的项目标识符，提升推荐效果。
2026-08-03 cs.IR
Preference Networks: Probabilistic Models for Recommendation Systems
推荐系统对于帮助用户在大量可用数据中选择相关和个性化的信息非常重要。我们提出了一个统一的框架，称为偏好网络（PN），联合模型的推荐任务的各种类型的领域知识。PN是一种概率模型，它将基于内容的过滤和协同过滤系统地结合到一个条件马尔可夫随机场中。一旦被估计，它就充当支持各种有用查询的概率数据库，例如评级预测和顶级$N$推荐。为了处理学习大型用户和项目网络的挑战性问题，我们采用了一种简单但有效的伪似然正则化。在电影评分数据上的实验证明了PN的优点。
2014-07-22 cs.IR cs.SI stat.AP
Personalized Advertisement Recommendation: A Ranking Approach to Address the Ubiquitous Click Sparsity Problem
University of Michigan（密歇根大学）；Adobe Big Data Experience Lab（奥多比大数据体验实验室）
研究了个性化广告推荐问题，即用户访问一个系统（网站），系统向用户显示一个$K$广告。系统使用内部广告推荐策略将用户的配置文件（上下文）映射到其中一个广告。用户点击或忽略广告，相应地，系统更新其推荐策略。PAR问题通常由可扩展的\emph{contextual bandit}算法来解决，其中策略通常基于分类器。PAR中的一个实际问题是极端的点击稀疏性，这是由于很少有用户真正点击广告。系统地研究了基于分类器策略的上下文强盗算法在极端点击稀疏情况下的缺陷。然后，我们提出了一个替代政策，排名的基础上，通过优化曲线下面积（AUC）排名损失，这可以显着缓解点击稀疏的问题。我们在公共数据集以及三个行业专有数据集上进行了广泛的实验，以说明通过使用基于排名的策略比基于分类器的策略获得的点击率（CTR）的改进。
2016-03-06 cs.IR cs.LG
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Institute of Intelligent Computing Technology（智能计算技术研究所）
会话式推荐系统（CRS）的目标是在会话中提供高质量的推荐。然而，大多数常规CRS模型主要关注当前会话的对话理解，而忽略了中心主题的其他丰富的多方面信息（即，用户）推荐。在这项工作中，我们强调，用户的历史对话会话和外观相似的用户是用户偏好的重要来源，除了当前的对话会话在CRS。为了系统地对多方面信息进行建模，我们提出了一个以用户为中心的会话推荐（UCCR）模型，该模型回归了CRS任务中用户偏好学习的本质。具体来说，我们提出了一个历史会话学习器，以捕捉用户的多视图偏好的知识，语义和消费的意见作为补充，以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器，通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中，我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比，UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
Does Multimodality Improve Recommender Systems as Expected? A Critical Analysis and Future Directions
本文提出四维评估框架，系统分析多模态推荐系统，发现多模态数据在稀疏交互和召回阶段有益，模态重要性因任务而异，集成学习优于融合学习，且大模型并非更优。
2025-08-07 cs.IR cs.MM
Learning User Interests via Reasoning and Distillation for Cross-Domain News Recommendation
Microsoft（微软公司）；Emory University（埃默里大学）
本文提出通过推理和蒸馏学习用户兴趣的方法，提升跨领域新闻推荐的性能和可扩展性。
2026-02-16 cs.CL cs.IR
Cross-Stack Workload Characterization of Deep Recommendation Systems
基于深度学习的推荐系统构成了大多数个性化云服务的支柱。虽然计算机体系结构社区最近开始注意到深度推荐推理，但由此产生的解决方案采用了截然不同的方法-从近内存处理到大规模优化。为了更好地设计用于深度推荐推理的未来硬件系统，我们必须首先系统地检查和表征跨执行堆栈的不同级别的设计决策的底层系统级影响。在本文中，我们在执行堆栈的三个不同层次上描述了八个具有行业代表性的深度推荐模型：算法和软件，系统平台和硬件微架构。通过这种跨栈表征，我们首先表明系统部署选择（即，CPU或GPU，批量大小粒度）可以为我们提供高达15倍的加速。为了更好地理解进一步优化的瓶颈，我们研究了软件操作员的使用分解以及CPU前端和后端微架构的低效率。最后，我们对关键算法模型架构特征与硬件瓶颈之间的相关性进行建模，揭示了每个硬件瓶颈背后没有一个占主导地位的算法组件。
2020-10-10 cs.AR cs.DC cs.IR
FairEval: Evaluating Fairness in LLM-Based Recommendations with Personality Awareness
Beihang University（北京航空航天大学）；McGill University（麦吉尔大学）
本文提出FairEval框架，融合人格特质与八项敏感人口属性，系统评估LLM推荐公平性，并通过PAFS指标揭示ChatGPT 4o与Gemini 1.5 Flash在音乐和电影推荐中的偏差，强调提示鲁棒性对构建包容性推荐系统的重要性。
2025-04-10 cs.AI cs.HC cs.IR
