ICPE: An Item Cluster-Wise Pareto-Efficient Framework for Recommendation Debiasing
针对推荐系统头部物品偏差问题，提出模型无关的物品簇级帕累托高效框架ICPE，通过因果推理、二分聚类与反事实推理平衡不同流行度物品的学习，有效消除偏差并提升推荐性能。
2025-03-01 cs.IR
Invariant debiasing learning for recommendation via biased imputation
本文针对无监督不变学习在推荐去偏中因丢弃可变信息而导致性能下降的问题，提出轻量级知识蒸馏框架 KDDebias，将可变信息有偏填补到不变偏好中，在三个公开数据集上以不到 50% 参数量超越 SOTA 无监督去偏模型。
2025-02-05 cs.IR
Popularity Debiasing from Exposure to Interaction in Collaborative Filtering
针对推荐系统流行度偏差问题，提出IPL标准及带正则化项的去偏框架，实现去偏与性能双赢，并在四个数据集上验证。
2023-05-09 cs.IR cs.SI
Debiasing Recommendation with Personal Popularity
本文提出个人流行度（PP）概念，通过相似兴趣用户为每个用户识别不同热门物品，并设计PPAC反事实框架以缓解全局流行度偏差，提升个性化推荐准确性。
2024-02-21 cs.IR
Debiasing Neighbor Aggregation for Graph Neural Network in Recommender Systems
图神经网络（GNNs）通过基于用户和项目的历史交互来表示用户和项目，在推荐系统中取得了显着的成功。然而，很少有人关注GNN的暴露偏见的脆弱性：用户暴露于有限数量的项目，使系统只学习用户偏好的偏见，导致次优的推荐质量。虽然已知逆倾向加权可以识别和减轻暴露偏差，但它通常对模型输出的最终目标起作用，而GNN在邻居聚合期间也可能有偏差。在本文中，我们提出了一种简单但有效的方法，GNNs的邻居聚合通过逆倾向（Navip）。具体来说，给定一个用户-项目二分图，我们首先推导出图中每个用户-项目交互的倾向得分。然后，将具有拉普拉斯归一化的倾向分数的倒数应用于从暴露偏差中去除邻居聚合的偏差。我们通过对两个公共和Amazon Alexa数据集的广泛实验来验证我们方法的有效性，其中性能提高了14.2%。
2022-08-18 cs.IR
Relative Advantage Debiasing for Watch-Time Prediction in Short-Video Recommendation
Bytedance（字节跳动）
本文提出了一种相对优势去偏框架，通过比较观看时间与参考分布来纠正偏差，提升短视频推荐的准确性和鲁棒性。
2025-11-24 cs.IR cs.LG
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology（快手科技）
针对工业推荐系统偏差问题，提出ConAlign条件去偏方法，通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计，支持实时流适应，经实验验证有效，提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
Evolution of Popularity Bias: Empirical Study and Debiasing
流行偏见是推荐系统中一个长期存在的挑战。这种偏见对用户和物品提供者都产生了不利的影响，并且许多努力都致力于研究和解决这种偏见。然而，大多数现有的作品在一个静态的设置，其中的偏见分析，只有一个单一的一轮的建议与记录的数据来解决这个问题。这些工作没有考虑到现实世界的推荐过程的动态性质，留下几个重要的研究问题没有回答：如何流行的偏见演变在一个动态的场景？动态推荐过程中的独特因素对偏好的影响是什么？如何在这个长期的动态过程中去偏见？在这项工作中，我们的目标是解决这些研究差距。具体而言，我们进行了实证研究，通过模拟实验来分析流行性偏见在动态场景中，并提出了一种动态的去偏置策略和一种新的误报校正方法，利用误报信号去偏置，这表明在广泛的实验中，有效的性能。
2022-08-01 cs.IR
On the Opportunity of Causal Learning in Recommendation Systems: Foundation, Estimation, Prediction and Challenges
最近，基于因果推理的推荐系统（RS）在工业界得到了广泛的关注，以及在许多预测和去偏任务中的最新表现。然而，至今尚未建立统一的因果分析框架。许多基于因果关系的预测和去偏研究很少讨论各种偏差的因果解释和相应的因果假设的合理性。在本文中，我们首先提供了一个正式的因果分析框架来调查和统一现有的基于因果关系的推荐方法，它可以适应不同的场景在RS。然后，我们提出了一个新的分类，并给出正式的因果关系定义的各种偏见在RS的角度违反因果分析中所采用的假设。最后，对RS中的去偏和预测任务进行了形式化描述，并对基于统计和机器学习的因果估计方法进行了总结，以期为因果RS领域提供新的研究机会和视角。
2022-05-18 cs.IR
CausalRec: Causal Inference for Visual Debiasing in Visually-Aware Recommendation
电子商务平台上的视觉感知推荐旨在利用商品的视觉信息来预测用户的偏好。人们通常会观察到，用户对视觉特征的关注并不总是反映真实的偏好。尽管用户可以根据他们的期望的视觉满足来点击和查看物品，但是由于其他基本特征（例如，品牌、材料、价格）。我们把这种与视觉相关的交互偏离真实偏好的原因称为视觉偏见。现有的视觉感知模型利用视觉特征作为类似于其他特征的单独的协作信号来直接预测用户的偏好，而不考虑潜在的偏见，这会产生视觉偏见的推荐。在本文中，我们推导出一个因果图来识别和分析这些现有方法的视觉偏差。在这个因果图中，项目的视觉特征充当了中介，这可能会在用户和项目之间引入虚假的关系。为了消除这种虚假的关系，误导用户的真实偏好的预测，干预和反事实推理的调解人。特别是，在模型的测试阶段，总间接效应应用于去偏预测。这种因果推理框架是模型不可知的，因此它可以集成到现有的方法中。此外，我们提出了一个去偏见的视觉感知推荐系统，表示为CauseRec有效地保留视觉信息的支持意义，并消除视觉偏见。在八个基准数据集上进行了大量的实验，显示了Causal Rec的最新性能和去偏置的功效。
2021-07-13 cs.IR
Recommendations as Treatments: Debiasing Learning and Evaluation
Cornell University（康奈尔大学）
大多数用于评估和训练推荐系统的数据都会受到选择偏差的影响，无论是通过用户的自我选择还是通过推荐系统本身的行为。在本文中，我们提供了一个原则性的方法来处理选择偏差，适应模型和估计技术的因果推理。该方法导致无偏的性能估计，尽管有偏的数据，并提供了一个矩阵分解方法，大大提高了预测性能的真实世界的数据。我们从理论上和经验上表征的方法的鲁棒性，发现它是非常实用和可扩展的。
2016-05-27 cs.AI cs.IR cs.LG
Debiasing the Cloze Task in Sequential Recommendation with Bidirectional Transformers
University of Louisville（路易斯维尔大学）；Amazon（亚马逊）；Meta
双向Transformer架构是最先进的顺序推荐模型，它使用基于完形填空任务的双向表示能力，也称为“完形填空”。屏蔽语言建模。后者旨在预测序列中随机掩蔽的项目。因为他们假设真正的互动项目是最相关的，暴露偏差的结果，其中具有低暴露倾向的非互动项目被认为是不相关的。最常见的方法，以减轻在建议的暴露偏差一直是逆倾向评分（IPS），其中包括降低权重的相互作用的预测在损失函数的比例，他们的暴露倾向，产生一个理论上无偏的学习。在这项工作中，我们认为，并证明IPS不扩展到顺序推荐，因为它没有考虑到问题的时间性质。然后，我们提出了一种新的倾向评分机制，理论上可以消除顺序推荐中完形填空任务的偏见。最后，我们实证证明了我们提出的方法的去偏置能力和它的鲁棒性的曝光偏差的严重程度。
2023-01-22 cs.IR cs.LG
Debiasing Sequential Recommenders through Distributionally Robust Optimization over System Exposure
本文针对序列推荐中的系统曝光偏差，提出基于曝光分布构建DRO不确定性集合并加入高曝光物品惩罚，同时用去偏SNIPS评估器在有偏离线测试集上验证效果。
2023-12-12 cs.IR
Incorporating Bias-aware Margins into Contrastive Loss for Collaborative Filtering
协同过滤（CF）模型容易受到流行度偏差的影响，使推荐偏离用户的实际偏好。然而，目前大多数去偏置策略都倾向于在头部和尾部性能之间进行权衡，从而不可避免地降低了整体推荐准确性。为了减少流行性偏差对CF模型的负面影响，我们将偏差感知利润率纳入对比损失，并提出了一个简单而有效的BC损失，其中利润率定量地调整每个用户-项目交互的偏差程度。我们研究了BC损失的几何解释，然后进一步可视化并从理论上证明了它通过鼓励相似用户/项目的紧凑性和扩大不相似用户/项目的分散性来同时学习更好的头部和尾部表示。在八个基准数据集上，我们使用BC损失来优化两个高性能的CF模型。在各种评估设置上（即，不平衡/平衡、时间分裂、完全观察无偏、尾/头测试评估），BC损失以显著的改进优于现有技术的去偏和非去偏方法。考虑到BC损失的理论保证和经验成功，我们主张不仅将其作为一种去偏置策略，而且还将其作为推荐模型中的标准损失。
2023-02-18 cs.IR
General Debiasing for Graph-based Collaborative Filtering via Adversarial Graph Dropout
针对图协同过滤中邻域聚合放大交互图偏差的问题，本文提出对抗图丢弃框架AdvDrop，通过对抗学习将邻域拆分为缓解偏差和感知偏差两个视图，并保持表示不变性，在多个数据集上实现无偏表示和性能提升。
2024-02-21 cs.IR
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题，提出利用LLM作为数据增强器，基于用户历史和物品描述推断偏好，并通过辅助成对损失将增强信号融入模型，显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation
City University of Hong Kong（香港城市大学）；Dalian University of Technology（大连理工大学）
本文提出CAGED方法，通过理性建模图聚合过程缓解Top-K推荐中的流行度偏差，采用编码器-解码器架构优化交互可能性的证据下界，并设计动量更新策略提升早期训练效果。
2025-10-06 cs.IR cs.LG
CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation
顺序推荐技术通过处理随时间变化的用户偏好，为用户提供适合其当前偏好的产品推荐。以前的研究集中在对序列动态进行建模，而没有太多地考虑哪种最畅销的产品（即，标题项目）或利基产品（即，尾项）。我们仔细研究的结构原因，为什么尾项几乎没有在当前的顺序推荐模型，其中包括一个项目嵌入层，一个序列建模层，和一个推荐层。设计良好的序列建模和推荐层有望自然地学习合适的项目嵌入。然而，尾项可能达不到这一预期，因为当前的模型结构不适合在数据不足的情况下学习高质量的嵌入。因此，尾项很少被推荐。为了消除这个问题，我们提出了一个名为CITIES的框架，其目的是通过使用多个上下文头项训练嵌入推理函数来提高尾项嵌入的质量，从而不仅提高尾项的推荐性能，而且提高头项的推荐性能。此外，我们的框架可以推断新的项目嵌入，而无需额外的学习过程。在两个真实数据集上的大量实验表明，将CITIES应用于最先进的方法可以提高尾项和头项的推荐性能。我们进行了一个额外的实验，以验证CITIES可以推断出合适的新项目嵌入。
2021-05-23 cs.IR
Beyong Tokens: Item-aware Attention for LLM-based Recommendation
City University of Hong Kong（香港城市大学）
本文提出项感知注意力机制，通过区分项内和项间标记关系，提升LLM在推荐中的表现，实验证明其有效性。
2026-04-14 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
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法，利用项目关联图融合项目间关联与用户行为序列信息，在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的，涵盖各种音乐流派以及非音乐音频内容，如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此，相关建议对于良好的用户体验至关重要。在这里，我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上，这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的，可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
LLM4Rec: Large Language Models for Multimodal Generative Recommendation with Causal Debiasing
Department of Software \& Microelectronics Peking University Beijing, China；Department of Software \& Microelectronics Peking University Beijing, China hangli\；Department of Software \& Microelectronics Peking University Beijing, China zehua\；Department of Software \& Microelectronics Peking University Beijing, China xiaofan\；Economic Law School China University of Political Science；Peking University Changsha, China
针对生成式推荐在多模态处理、去偏及透明度问题，提出含五项创新的LLM4Rec框架，以大语言模型为骨干集成多专用模块，在三个基准数据集上实现准确率、公平性、多样性提升且保持计算效率。
2025-10-02 cs.AI cs.CL cs.IR
Disentangled Variational Auto-encoder Enhanced by Counterfactual Data for Debiasing Recommendation
提出解耦去偏变分自编码器框架（DB-VAE）解决推荐系统多偏差耦合问题，并利用反事实数据增强缓解稀疏数据监督信号缺乏，实验证明其有效性。
2023-06-28 cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Debiasing Recommendation by Learning Identifiable Latent Confounders
Hong Kong University of Science and Technology（香港科技大学）；ByteDance Research（字节跳动研究院）；University of Virginia（弗吉尼亚大学）；Chongqing Univeristy（重庆大学）
针对推荐系统中未测量混杂因素引发的偏差及现有方法无法保证反事实反馈可识别的问题，提出基于近端因果推断的可识别去混杂器iDCF框架，经多数据集实验验证其有效性与鲁棒性。
2023-06-15 cs.IR cs.LG
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
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战，特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息，因此有可能帮助提供更好的推荐。在本文中，我们提出了一个推荐算法的基础上，综合扩散的用户-项目-标签三方图。我们使用三个基准数据集，Del.icio.us，MovieLens和BibSonomy，来评估我们的算法。实验结果表明，标签信息的使用可以显着提高推荐的准确性，多样化和新颖性。
2009-04-13 cs.IR
Isotonic Layer: A Unified Framework for Recommendation Calibration and Debiasing
Linkedin Inc（LinkedIn公司）
本文提出单调层，通过统一校准与去偏问题，减少基础设施复杂性，提升预测准确性和排名一致性。
2026-04-27 cs.AI cs.IR cs.LG
A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation
在推荐系统中，项目的长尾分布是非常普遍的。它会严重损害模型在尾项上的性能。为了提高尾项推荐，我们进行研究，从头部项目的知识转移到尾部项目，利用丰富的用户反馈的头部项目和头部和尾部项目之间的语义连接。具体来说，我们提出了一种新的双重迁移学习框架，共同学习的知识转移从模型级和项目级：1。模型级知识传递建立了模型参数从Few-Shot到多模型的通用元映射。它捕获模型级的隐式数据增强，以改善尾项的表示学习。2.项级转移通过项级特征连接头项和尾项，以确保从头项到尾项的元映射的平滑转移。这两种类型的转移相结合，以确保从头部项目学习的知识可以很好地应用于尾项表示学习在长尾分布设置。通过在两个基准数据集上的大量实验，结果表明，我们提出的双迁移学习框架在命中率和NDCG方面明显优于其他最先进的尾项推荐方法。同样令人鼓舞的是，我们的框架进一步提高了头部项目和整体性能，以及尾部项目的收益。
2021-03-07 cs.IR
Beyond Next Item Recommendation: Recommending and Evaluating List of Sequences
推荐系统（RS）建议项目的基础上估计的偏好的用户。最近的RS方法利用向量空间嵌入和深度学习方法来进行有效的推荐。然而，这些方法中的大多数忽略了顺序性特征并且考虑了每个交互，例如，办理入住手续，彼此独立。该方法考虑了用户与项目的交互的顺序性，并使用它们来推荐多项目序列的列表。所提出的方法使用FastText \cite{bojanowski2016enriching}（自然语言处理（NLP）中的公知技术）来对序列的子单元之间的关系建模，例如，跟踪、播放列表，并利用训练的表示作为传统推荐方法的输入。多项目序列的推荐列表由ROUGE \cite{lin2003automatic,lin2004rouge}度量评估，该度量也常用于NLP文献。目前的实验结果表明，它是可能的，除了传统的下一个项目推荐的多项目序列的列表。此外，使用FastText，它利用输入序列的子单元，有助于克服冷启动用户的问题。
2020-08-30 cs.IR
Item-to-item recommendation based on Contextual Fisher Information
Web推荐服务在电子商务中非常重要，因为它们帮助用户浏览与其需求最相关的项目。在一个典型的网站中，用户以前的活动或购买的长期历史记录很少可用。因此，在大多数情况下，浏览器会建议与当前用户会话中最近查看的项目相似的项目。相应的任务称为基于会话的项目到项目推荐。对于频繁出现的项目，很容易通过“查看过此项目的人，也查看过”列表来呈现项目到项目的推荐。然而，大多数项目属于长尾，以前的行动稀疏可用。另一个困难是所谓的冷启动问题，当项目最近出现，还没有时间积累足够数量的交易。为了在稀疏或冷启动情况下推荐会话中的下一个项目，我们还必须结合项目相似性模型。在本文中，我们描述了一个基于随机场的概率相似性模型来近似项到项的转移概率。我们给出了一个生成模型的项目互动的基础上任意的距离措施，包括显式，隐式评级和外部元数据的项目。该模型可以及时改变以更好地拟合最近的事件，并基于更新的Fisher信息推荐下一个项目。在几个不同的性能指标和公开的数据集下，我们的新模型的性能优于简单的相似性基线方法和最近的项目到项目排序。我们达到了显着的收益，特别是推荐一个新的项目后，一个罕见的项目。
2016-11-08 cs.IR
Personalized Multimedia Item and Key Frame Recommendation
当向用户推荐或广告项目时，出现的趋势是向每个多媒体项目呈现关键帧图像（例如，电影海报）。由于每个多媒体项可以被表示为多个细粒度的视觉图像（例如，电影的相关图像），个性化关键帧推荐在这些应用中是必要的，以吸引用户独特的视觉偏好。然而，先前的个性化关键帧推荐模型依赖于用户对多媒体项的细粒度图像行为（例如，用户-图像交互行为），这在真实场景中通常是不可用的。在本文中，我们研究了一般问题的联合多媒体项目和关键帧推荐的细粒度的用户图像行为的情况下。我们认为，这个问题的关键挑战在于发现用户的视觉轮廓的关键帧推荐，因为大多数推荐模型会失败，没有任何用户的细粒度的图像行为。为了应对这一挑战，我们利用用户的项目行为投影用户（项目）在两个潜在的空间：一个合作的潜在空间和视觉潜在空间。我们进一步设计了一个模型来识别用户的协作和视觉维度，并模拟用户如何从这两个空间做出决定性的项目偏好。因此，学习的用户视觉简档可以直接应用于关键帧推荐。最后，在真实数据集上的实验结果清楚地表明了我们提出的模型在两个推荐任务上的有效性。
2020-01-04 cs.IR
Recommendations for Item Set Completion: On the Semantics of Item Co-Occurrence With Data Sparsity, Input Size, and Input Modalities
我们解决的问题，推荐相关的项目给用户，以“完成”一组部分的项目已经知道。我们考虑两种情况下的引用和主题标签推荐，这类似于不同的语义项目共现：相关性的共引和主题标签的多样性。我们评估了一个已知的部分项目集的完整性对推荐性能的影响。我们还调查数据稀疏通过修剪参数和使用额外的元数据的影响。作为推荐模型，我们专注于不同的自动编码器，它们特别适合于重建集合中缺失的项目。我们扩展了自动编码器，以利用文本和结构化数据的多模态输入。我们在六个真实世界数据集上的实验表明，当项目同现类似于相关性时，提供部分项目集作为输入是有帮助的，而元数据在同现意味着多样性时是有效的。这一结果意味着项目共现的语义是一个重要因素。简单项目共现模型是引文推荐的一个强有力的基线。然而，自动编码器的优势在于能够利用除了部分项集之外的附加元数据作为输入，并实现相当的性能。对于主题标签推荐任务，标题是最重要的属性。添加更多的输入模态有时甚至会损害结果。总之，关键是要考虑的语义项共现选择一个合适的推荐模型，并仔细决定哪些元数据利用。
2021-05-10 cs.IR
Rethinking Item Importance in Session-based Recommendation
基于会话的推荐是基于匿名会话来预测用户的偏好。以前的工作主要集中在一个正在进行的会话期间的项目之间的过渡关系。他们通常没有足够的注意到项目的重要性，就其与用户的主要意图的相关性而言。在本文中，我们提出了一个基于会话的推荐方法与重要性提取模块，即，SR-IEM，考虑用户在正在进行的会话中的长期和最近行为。我们采用一种改进的自我注意力机制来估计会话中项目的重要性，然后使用该重要性来预测用户的长期偏好。项目推荐是通过将用户的长期偏好和最后交互项目所传达的当前兴趣相结合来产生的。在两个基准数据集上进行的实验验证了SR-IEM在召回率和MRR方面优于现有技术，并且具有降低的计算复杂性。
2020-05-09 cs.IR
Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出DPAA框架，通过自适应嵌入感知交互加权和层间加权，缓解GNN协同过滤中的流行偏差问题，实验表明其优于现有方法。
2026-10-06 cs.IR cs.LG
Item Recommendation Using User Feedback Data and Item Profile
矩阵分解（MS）是一种基于协同过滤（CF）的方法，广泛应用于推荐系统（RS）。在这项研究工作中，我们处理的内容管理系统（CMS）的用户的内容推荐问题的基础上，用户的反馈数据。CMS用于向公司或组织的员工发布和推送策划的内容。在这里，我们使用了用户的反馈数据和内容数据来解决内容推荐问题。我们准备个人用户简档，然后根据用户反馈数据的不同类别（包括直接交互、社交分享和阅读统计）生成推荐结果。随后，我们分析了不同类别对推荐结果的影响。结果表明，不同类别的反馈数据对推荐准确率有不同的影响。如果我们在推荐任务中包含所有类型的数据，则可以实现最佳性能。我们还将内容相似性作为一个正则化项到MF模型设计的混合模型。实验结果表明，提出的混合模型表现出更好的性能相比，传统的MF为基础的模型。
2022-06-28 cs.IR
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前，推荐系统应用于电子商务、视频网站、社交网站等领域，给人们的日常生活带来了极大的方便。在推荐系统中，信息的类型越来越多样化和丰富，因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而，由于不同模态之间的表示差距，它是难以有效地使用非结构化的多模态数据，以提高推荐系统的效率。在本文中，我们提出了一个端到端的多模态的与数据相关的项目相似性模型（多模态IRIS）提供建议的多模态数据源的基础上。具体来说，多模式综合注册资讯系统模式包括三个模块，即：多模态特征学习模块、项目相关网络（IRN）模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后，IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后，多模态数据特征学习，IRN和项目相似性推荐模块被统一到一个集成的系统中，以实现性能的增强，并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明，通过处理人们在选择项目时可能更加关注的多模态数据，所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
Next Item Recommendation with Self-Attention
在本文中，我们提出了一种新的序列感知推荐模型。我们的模型利用自我注意力机制，从用户的历史交互推断项目之间的关系。通过自注意，它能够估计用户交互轨迹中每个项目的相对权重，以更好地学习用户瞬时兴趣的表示。该模型最终在度量学习框架中进行训练，同时考虑短期和长期意图。在不同领域的广泛数据集上的实验表明，我们的方法远远优于最先进的方法。
2018-08-25 cs.IR
Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
本研究提出物品推荐可视为链接预测的一类实例，通过实验验证三种基于因子分解的链接预测模型在推荐任务上的性能可媲美十种主流推荐模型，无需修改架构即可应用，并探索了超参数设置为后续研究奠基。
2024-09-11 cs.IR
Metadata Embeddings for User and Item Cold-start Recommendations
我提出了一个混合矩阵分解模型表示用户和项目的线性组合，其内容特征的潜在因素。该模型在冷启动或稀疏交互数据场景（使用用户和项目元数据）中优于协作和基于内容的模型，并且至少与交互数据丰富的纯协作矩阵分解模型一样好。此外，由模型产生的特征嵌入以一种让人联想到词嵌入方法的方式对语义信息进行编码，使其对一系列相关任务（如标签推荐）非常有用。
2015-07-30 cs.IR
AutoDebias: Learning to Debias for Recommendation
University of Science and Technology of China（中国科学技术大学）；University of Glasgow（格拉斯哥大学）；Sun Yat-Sen University（中山大学）；Alibaba Group（阿里巴巴集团）
推荐系统依赖于用户行为数据，如评分和点击，以建立个性化模型。然而，收集的数据是观察性的，而不是实验性的，这会导致数据中的各种偏差，从而显著影响学习模型。大多数现有的推荐去偏工作，如逆倾向评分和插补方法，集中在一个或两个特定的偏见，缺乏通用的能力，可以解释混合的，甚至是未知的偏见的数据。针对这一研究空白，本文首先从表征预期经验风险与真实风险之差的\textit{risk discrepancy}的角度分析了偏差的来源。值得注意的是，我们得到了一个一般的学习框架，以及总结了大多数现有的去偏置策略，通过指定的一般框架的一些参数。这提供了一个宝贵的机会来开发一种通用的去偏置解决方案，例如，通过从数据学习去偏置参数。然而，训练数据缺乏数据如何有偏以及无偏数据看起来像什么的重要信号。为了推进这一想法，我们提出了\textit{AotoDebias}，它利用另一个（小）统一数据集来优化去偏参数，通过元学习解决双层优化问题。通过理论分析，我们得到了AutoDebias的推广界，并证明了它能够获得适当的去偏策略。在两个真实数据集和一个模拟数据集上的大量实验证明了AutoDebias的有效性。该代码可在\url{https://github.com/DongHande/AutoDebias}获得。
2021-10-28 cs.IR cs.LG
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder
嵌入式MLP已经成为现代大规模推荐系统的一种范式。然而，这种模式遭受冷启动问题，这将严重损害生态健康的推荐系统。本文试图通过为具有历史数据和有限交互记录的冷项目生成增强的预热ID嵌入来解决项目冷启动问题。从行业实践的角度来看，我们主要关注以下三点项目冷启动：1）在线推荐场景下，如何在没有额外数据需求的情况下进行冷启动，并使策略易于部署。2)如何利用历史记录和新项目不断出现的交互数据。3)如何从交互数据中稳定地建模项目ID和辅助信息之间的关系。为了解决这些问题，我们提出了一个模型无关的条件变分自编码器为基础的推荐（CVAR）框架，具有一些优点，包括各种骨干兼容性，没有额外的数据要求，利用历史数据和最近出现的互动。CVAR使用潜变量来学习项目边信息的分布，并使用条件解码器生成所需的项目ID嵌入。通过在公开数据集上的大量离线实验和在腾讯新闻推荐平台上的在线A/B测试，进一步验证了CVAR的优势和鲁棒性。
2022-05-27 cs.IR
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程，候选项生成和建议有效地帮助用户找到最适合他们的项目。因此，识别可互换的可替代项目开辟了新的机会，以改善所生成的候选人的质量。当用户正在浏览特定类型的产品（例如，笔记本电脑）购买，替代品的准确推荐（例如，配备更好的笔记本电脑）可以为用户提供更合适的选择，从而大大增加成功购买的机会。然而，现有的方法仅仅把这个问题作为挖掘成对项目关系，而没有考虑用户的个人偏好。此外，可替代的关系是通过学习项目的潜在表示隐含地识别，导致不可解释的推荐结果。在本文中，我们提出了属性感知的协同过滤（A2 CF）执行替代推荐解决问题，从个性化和可解释性的角度。而不是直接建模的用户-项目的交互，我们提取明确的和极化的项目属性与情感分析，之后的属性，用户和项目的表示同时学习的用户评论。然后，通过将属性视为用户和项目之间的桥梁，我们可以彻底建模用户-项目偏好（即，个性化）和项目-项目关系（即，替代）的建议。此外，A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验，证明了A2 CF的推荐有效性和解释质量。
2020-05-19 cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Beyond Accuracy Optimization: On the Value of Item Embeddings for Student Job Recommendations
在这项工作中，我们解决的问题，推荐工作给大学生。为此，我们探讨了利用神经项目嵌入的任务，基于内容的推荐，我们建议整合的因素的频率和新近的互动与工作岗位，结合这些项目嵌入。我们使用预测准确性，多样性和适应性新颖性指标在奥地利学生就业门户网站Studo的数据集上评估我们的工作推荐系统。本文表明，利用频率和新近的互动与职位发布相结合的项目嵌入结果在一个强大的模型的准确性和多样性，这也提供了最好的适应新颖的结果。
2017-11-21 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Measuring Item Global Residual Value for Fair Recommendation
本文针对信息流推荐中物品曝光不公及“雪球效应”，提出建模物品级全局剩余价值（GRV），并通过TaFR框架在提升推荐性能的同时实现更公平的资源分配。
2023-07-17 cs.IR
Uncertainty-aware Consistency Learning for Cold-Start Item Recommendation
针对冷启动推荐中冷热物品性能难以同时提升的问题，本文提出仅基于交互数据的不确定性感知一致性学习框架UCC，通过生成低不确定性交互使冷物品分布接近热物品，在基准数据集上平均性能提升27.6%。
2023-08-07 cs.IR
Exposure-Aware Recommendation using Contextual Bandits
曝光偏差是推荐系统中的一个众所周知的问题，其中物品和供应商在推荐结果中的代表性不相等。当偏差随着时间的推移被放大为几个项目（例如，受欢迎的项目）在推荐列表中被反复过度表示，并且用户与这些项目的交互将随着时间的推移放大对这些项目的偏见，从而导致反馈循环。这个问题已经在基于模型或基于邻域的推荐算法的文献中得到了广泛的研究，但是在在线推荐模型上做的工作较少，例如基于top-K上下文强盗的推荐模型，其中推荐模型根据用户反馈动态更新。在本文中，我们研究了一类著名的上下文强盗算法称为线性级联强盗曝光偏差。我们分析了这些算法处理曝光偏差的能力，并为推荐结果中的项目提供了公平的表示。我们的分析表明，这些算法往往会随着时间的推移放大项目之间的暴露差异。特别是，我们观察到，这些算法不能正确地适应用户提供的反馈，并经常推荐某些项目，即使这些项目没有被用户选择。为了减轻这种偏差，我们提出了一种曝光感知（EA）奖励模型，该模型基于两个因素更新模型参数：1）用户反馈（即，点击与否），以及2）项目在推荐列表中的位置。这样，所提出的模型基于项目在推荐列表中的曝光度来控制分配给项目的效用。实验结果表明，该奖励模型在保持推荐准确率的同时，降低了曝光偏差的长期放大.
2022-09-04 cs.IR
Accurate and Diverse Recommendations via Propensity-Weighted Linear Autoencoders
本文提出一种基于sigmoid函数的倾向评分方法，用于改善推荐系统中推荐的准确性和多样性。
2025-12-24 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题，提出将时间戳和间隔纳入考量的新方法TAIW，在三个真实数据集上优于最先进基线，并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Deep Pairwise Hashing for Cold-start Recommendation
推荐效率和数据稀疏性问题一直被认为是提高在线推荐性能的两个挑战。以前的相关工作大多集中在提高推荐准确率，而不是效率。在本文中，我们提出了一个深度成对哈希（DPH）映射用户和项目的二进制向量在汉明空间，其中用户的偏好可以有效地计算一个项目的汉明距离，这显着提高了在线推荐的效率。为了缓解数据稀疏和冷启动问题，用户-项目交互信息和项目内容信息相结合，学习项目和用户的有效表示。具体来说，我们首先通过去噪自动编码器而不是其他确定性深度学习框架从项目内容数据中预训练鲁棒的项目表示;然后通过添加具有离散约束的成对损失目标来微调整个框架;此外，DPH旨在最小化与推荐的最终目标一致的成对排名损失。最后，我们采用交替优化方法优化所提出的模型与离散约束。在三个不同数据集上的大量实验表明，DPH可以显着提高数据稀疏性和项目冷启动推荐方面的最先进的框架。
2020-11-02 cs.IR
Fairness of Exposure in Dynamic Recommendation
本文研究动态推荐中的曝光偏差，指出现有静态缓解方法无法实现长期公平，并提出一种适应动态环境的方法，在真实数据上验证了其长期公平性与准确性优势。
2023-09-05 cs.IR
