Dynamic Review-based Recommenders
Competence Center Machine Learning Rhine-Ruhr（莱茵-鲁尔机器学习能力中心）；University of Bonn（波恩大学）；Fraunhofer Center for Machine Learning（弗劳恩霍夫机器学习中心）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Berlin Center for Machine Learning（柏林机器学习中心）；TU Berlin（柏林工业大学）
正如用户偏好随时间而变化一样，商品评论也反映了这些相同的偏好变化。简而言之，如果一个人要顺序地将评论内容知识纳入推荐系统，那么自然会导致文本的动态模型。在目前的工作中，我们利用评论的已知力量，以（i）尊重评论生成的因果关系和（ii）包括，以双向的方式，评级通知语言评论模型的能力，反之亦然，语言表示，帮助预测端到端的评级。此外，我们的表示是时间间隔意识，从而产生一个连续的时间表示的动态。我们提供了在真实世界数据集上的实验，并表明我们的方法能够优于几个最先进的模型。所有模型的源代码可以在[1]中找到。
2022-03-22 cs.CL cs.IR cs.LG
Multi-modal Embedding Fusion-based Recommender
Synerise S.A.（Synerise股份公司）；Warsaw University of Technology（华沙理工大学）
推荐系统最近在全球范围内流行，主要用于在线交互系统，主要集中在电子商务平台上。我们已经开发了一个基于机器学习的推荐平台，它可以很容易地应用于几乎任何项目和/或动作域。与现有的推荐系统相反，我们的平台支持多种类型的交互数据和多种元数据形式。这是通过各种数据表示的多模态融合来实现的。我们将该平台部署到多个不同类型的电子商务商店，例如食品和饮料，鞋类，时尚用品，电信运营商。在这里，我们介绍我们的系统，它的灵活性和性能。我们还展示了开放数据集上的基准测试结果，这些结果显着优于最先进的现有工作。
2020-05-14 cs.CV cs.IR cs.LG
GraphSAIL: Graph Structure Aware Incremental Learning for Recommender Systems
Mila, Université de Montréal（蒙特利尔大学 Mila 研究院）；Huawei Noah’s Ark Lab Montreal Research Center（华为诺亚方舟实验室蒙特利尔研究中心）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；McGill University（麦吉尔大学）
由于通过在线服务收集信息的便利性，推荐系统现在消耗大规模数据并且在改善用户体验方面发挥更重要的作用。随着最近图神经网络（GNNs）的出现，基于GNN的推荐模型已经显示出将推荐系统建模为用户-项目二分图以学习用户和项目的表示的优势。然而，这样的模型训练是昂贵的，并且难以执行频繁的更新以提供最新的推荐。在这项工作中，我们建议更新GNN为基础的推荐模型增量，使计算时间可以大大减少，模型可以更频繁地更新。我们开发了一个图结构感知增量学习框架GraphSAIL，以解决在以增量方式训练模型时经常遇到的灾难性遗忘问题。我们的方法保留了用户的长期偏好（或项目的长期属性）在增量模型更新。GraphSAIL实现了一个图结构保存策略，该策略分别显式地保存每个节点的局部结构、全局结构和自信息。我们认为，我们的增量训练框架是第一次尝试为基于GNN的推荐系统量身定制，并证明其改进相比，其他增量学习技术在两个公共数据集。我们进一步验证了我们的框架在大规模工业数据集上的有效性。
2020-09-02 cs.IR cs.LG stat.ML
Knowledge Graph Convolutional Networks for Recommender Systems
Shanghai Jiao Tong University（上海交通大学）；The Hong Kong Polytechnic University（香港理工大学）；Microsoft Research Asia（微软亚洲研究院）
为了解决基于协同过滤的推荐系统的稀疏性和冷启动问题，研究人员和工程师通常收集用户和项目的属性，并设计精细的算法来利用这些额外的信息。一般情况下，属性不是孤立的，而是相互联系的，这就形成了一个知识图谱（KG）。在本文中，我们提出了知识图谱卷积网络（KGCN），一个端到端的框架，有效地捕捉项目间的相关性，挖掘其相关属性的KG。为了自动发现KG的高阶结构信息和语义信息，我们从KG中每个实体的邻居中采样作为它们的感受野，然后在计算给定实体的表示时将邻居信息与偏差相结合。感受野可以扩展到多跳远，以模拟高阶邻近信息并捕获用户的潜在远距离兴趣。此外，我们以小批量的方式实现了所提出的KGCN，这使得我们的模型能够在大型数据集和KG上运行。我们将所提出的模型应用于电影，书籍和音乐推荐的三个数据集，实验结果表明，我们的方法优于强推荐基线。
2019-03-18 cs.IR cs.LG stat.ML
Advancing Recommender Systems by mitigating Shilling attacks
Sardar Patel Institute of Technology（萨达尔·帕特尔技术学院）
本文提出一种新算法来检测推荐系统中的 Shilling profiles，并研究其对推荐结果的影响，以缓解 Shilling 攻击。
2024-04-24 cs.AI cs.CR cs.IR
FedeRank: User Controlled Feedback with Federated Recommender Systems
Politecnico di Bari（巴里理工大学）
推荐系统已被证明是数据可用性如何缓解我们日常数字生活的成功代表。然而，数据隐私是数字时代最突出的问题之一。在几次数据泄露和隐私丑闻之后，用户现在担心共享他们的数据。在过去的十年中，联邦学习已经成为一种新的隐私保护分布式机器学习范式。它的工作原理是处理用户设备上的数据，而无需在中央存储库中收集数据。我们提出了Federank（https：//split.to/federank），一个联邦推荐算法。该系统在每个设备上学习个人因子分解模型。模型的训练是中央服务器和联邦客户端之间的同步过程。FedeRank以分布式的方式计算推荐，并允许用户控制他们想要共享的数据部分。通过与最先进的算法进行比较，大量的实验表明，FedeRank在推荐准确率方面的有效性，即使只有一小部分共享的用户数据。进一步分析了推荐列表的多样性和新颖性，保证了算法在实际生产环境中的适用性。
2021-01-20 cs.DC cs.IR cs.LG
Universal Reusability in Recommender Systems: The Case for Dataset- and Task-Independent Frameworks
Huawei Ireland Research Centre（华为爱尔兰研究中心）
本文提出数据集与任务无关推荐系统（DTIRS）框架，借助数据集描述语言DsDL实现标准化描述与自主特征工程、模型选择和优化，旨在消除为每个新数据集或任务重建推荐流水线的需要，从而最大化代码可复用性并降低采用门槛。
2025-06-03 cs.AI cs.DB cs.IR
Product Characterisation towards Personalisation: Learning Attributes from Unstructured Data to Recommend Fashion Products
ISR, IST, Universidade de Lisboa（里斯本大学系统与机器人研究所、高等理工学院）
在本文中，我们描述了一种解决方案，以解决电子商务中的一系列常见挑战，这些挑战来自于新产品不断被添加到目录中的事实。这些挑战涉及适当地个性化客户体验，预测需求和规划产品范围。我们认为，解决所有这些问题的基础是拥有关于每个产品的一致和详细的信息，这些信息很少提供或一致，因为供应商和产品类型众多。我们详细描述了在ASOS，世界上最大的时尚电子商务零售商之一，以解决这个问题的架构和方法。然后，我们将展示如何利用这种定量的产品的理解，以提高建议的混合推荐系统的方法。
2018-03-20 cs.CL cs.CV cs.IR
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors
Amazon（亚马逊）；Google Research（谷歌研究院）；Anthropic（Anthropic公司）；Meta AI
本文提出基于概念激活向量（CAV）的推荐框架，用于学习软属性的个性化语义、区分主客观属性，并通过交互式物品批评提升推荐效果。
2023-06-03 cs.AI cs.IR cs.LG
Learning Tree-based Deep Model for Recommender Systems
Alibaba Group（阿里巴巴集团）
基于模型的推荐方法近年来得到了广泛的研究。然而，在具有大型语料库的系统中，学习模型预测所有用户项目偏好的计算成本是巨大的，这使得完整的语料库检索非常困难。为了克服计算障碍，诸如矩阵因式分解的模型诉诸于内积形式（即，将用户-项目偏好建模为用户、项目潜在因素）和索引的内积，以促进有效的近似k-最近邻搜索。然而，在用户和项目特征之间结合更有表现力的交互形式仍然具有挑战性，例如，通过深层神经网络进行交互，因为计算成本。在本文中，我们关注的问题，引入任意先进的模型，推荐系统与大型语料库。我们提出了一种新的基于树的方法，可以提供对数复杂度w.r.t.甚至使用更有表现力的模型，如深度神经网络，也可以减少语料库的大小。我们的主要思想是预测用户的兴趣从粗到细遍历树节点在自顶向下的方式，并为每个用户节点对决策。我们还表明，树结构可以共同学习，以更好地与用户的兴趣分布的兼容性，从而促进训练和预测。两个大规模真实世界数据集的实验结果表明，该方法显着优于传统方法。在淘宝展示广告平台上的在线A/B测试结果也证明了该方法在生产环境中的有效性。
2018-12-21 cs.IR cs.LG stat.ML
RBoard: A Unified Platform for Reproducible and Reusable Recommender System Benchmarks
本文提出 RBoard 统一基准平台，支持 CTR 预测、Top-N 推荐等任务的标准化、跨数据集评估与代码复现，以提升推荐算法比较的可复现性和可复用性。
2024-09-10 cs.IR
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Microsoft Research（微软研究院）
组合特性对于许多商业模型的成功至关重要。由于Web规模系统中原始数据的多样性、数量和速度，手动制作这些功能通常会带来很高的成本。基于因子分解的模型，以向量积的形式测量相互作用，可以自动学习组合特征的模式，并推广到看不见的特征。随着深度神经网络（DNN）在各个领域的巨大成功，最近研究人员提出了几种基于DNN的因子分解模型来学习低阶和高阶特征交互。尽管从数据中学习任意函数的能力很强大，但普通DNN会隐式地在位级别生成特征交互。在本文中，我们提出了一种新的压缩交互网络（CIN），其目的是生成功能的互动，在一个明确的方式和矢量的水平。我们证明了CIN与卷积神经网络（CNN）和递归神经网络（RNN）共享一些功能。我们进一步将CIN和经典DNN结合成一个统一的模型，并将这个新模型命名为eXtreme Deep Factorization Machine（xDeepFM）。一方面，xDeepFM能够显式地学习某些有界度的特征交互;另一方面，它可以隐式地学习任意的低阶和高阶特征交互。我们在三个真实世界的数据集上进行了全面的实验。我们的结果表明，xDeepFM优于最先进的模型。我们已经在\url{https://github.com/Leavingseason/xDeepFM}上发布了xDeepFM的源代码。
2018-05-30 cs.IR cs.LG
Ranked by Position: Order Sensitivity as an Exploitable Attack Surface in LLM Listwise Recommenders
Stanford University（斯坦福大学）
研究大语言模型列表式推荐器中因位置偏差产生的顺序敏感性攻击面，引入“promo@k”量化漏洞，通过实验得出不同方法对其的影响，证明输入候选顺序是安全相关攻击向量。
2026-07-29 cs.CL cs.IR cs.LG
Representation Online Matters: Practical End-to-End Diversification in Search and Recommender Systems
Pinterest, Inc.（Pinterest公司）
本文提出端到端多样化机制，在 Pinterest 搜索与推荐系统中通过分桶检索和行列式点过程多目标优化，在改善肤色表征的同时平衡多样性与效用。
2023-05-26 cs.CY cs.IR cs.LG
On Sampling Collaborative Filtering Datasets
University of California, San Diego（加州大学圣迭戈分校）；Facebook AI Research（Facebook 人工智能研究院）
我们研究了数据集抽样策略对推荐算法排名性能的实际影响。推荐系统通常在较大数据集的样本上进行训练和评估。样本通常以简单或特别的方式获取：例如通过随机采样数据集或通过选择具有许多交互的用户或项目。正如我们所展示的，常用的数据采样方案可以对算法性能产生重大影响。根据这一观察，本文做出了三个主要贡献：（1）从算法和数据集特性（例如稀疏特性、序列动态特性等）方面描述采样对算法性能的影响; (2)设计SVP-CF，这是一种数据特定的采样策略，旨在保持采样后模型的相对性能，特别适合于长尾交互数据;（3）开发一个oracle，Data-Genie，它可以建议最有可能保持给定数据集模型性能的采样方案。Data-Genie的主要好处是，它将允许推荐系统从业者快速建立原型并比较各种方法，同时保持对算法性能的信心，一旦算法被重新训练并部署在完整的数据上。详细的实验表明，使用Data-Genie，我们可以在相同的性能水平下丢弃多达5倍的数据，而不是任何采样策略。
2022-01-13 cs.IR cs.LG
UNICON: A unified framework for behavior-based consumer segmentation in e-commerce
Zalando SE（Zalando SE（扎兰多））
本文提出统一深度学习框架UNICON，利用消费者行为数据学习长期潜在表示，同时支持相似人群扩展与数据驱动细分，并验证其在时尚电商混合推荐中改善消费者体验的有效性。
2023-09-18 cs.IR cs.LG
A Review of Modern Fashion Recommender Systems
本文综述了时尚领域的推荐系统，提出了按研究目标和辅助信息类型分类的文献分类体系，并总结了常用的数据集、评估指标及评估视角。
2023-09-12 cs.IR
Modeling Bias Evolution in Fashion Recommender Systems: A System Dynamics Approach
AI in Complex Systems Lab, Information Sciences and Technology（复杂系统实验室，信息科学与技术）；CEHC, University at Albany SUNY（CEHC，阿尔巴尼大学SUNY）
本研究采用系统动力学建模与实验模拟，剖析时尚推荐系统中偏差的演化机制，发现归纳偏差影响更大，并指出现有去偏策略需增强并纳入更广情境因素以促进公平。
2025-09-27 cs.AI cs.IR
AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks
Peking University（北京大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；HEC Montreal（蒙特利尔高等商学院）
点击率（CTR）预测的目的是预测用户点击广告或项目的概率，其对于诸如在线广告和推荐系统的许多在线应用至关重要。该问题非常具有挑战性，因为（1）输入特征（例如，用户ID、用户年龄、项目ID、项目类别）通常是稀疏的和高维的，以及（2）有效的预测依赖于高阶组合特征（\textit{a.k.a.}交叉特征），其对于领域专家手工制作是非常耗时的并且不可能被枚举。因此，人们一直在努力寻找稀疏和高维原始特征的低维表示及其有意义的组合。在本文中，我们提出了一个有效的和高效的方法称为\emph{AutoInt}自动学习输入功能的高阶功能的相互作用。我们提出的算法是非常普遍的，它可以适用于数值和分类输入功能。具体来说，我们将数值和分类特征映射到同一个低维空间。然后，提出了一种带剩余连接的多头自关注神经网络，在低维空间中显式地对特征交互进行建模。利用多头自关注神经网络的不同层，可以对输入特征的不同顺序的特征组合进行建模。整个模型可以以端到端的方式有效地拟合大规模原始数据。在四个真实世界数据集上的实验结果表明，我们提出的方法不仅优于现有的最先进的预测方法，而且还提供了良好的可解释性。代码可在：\url{https://github.com/DeepGraphLearning/RecommenderSystems} .
2019-08-23 cs.AI cs.IR cs.LG
Adaptive spectral graph wavelets for collaborative filtering
Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究院）；Concordia University（康考迪亚大学）
针对协同过滤冷启动问题，提出基于自适应传递函数和谱图小波的深度推荐框架，在二部图上端到端学习用户与物品嵌入，并在真实基准上优于强基线。
2023-12-05 cs.IR cs.LG
Contrastive Learning for Interactive Recommendation in Fashion
推荐系统和搜索在促进在线时尚平台的个性化和易于浏览方面都是不可或缺的。然而，这两个工具往往独立运作，未能结合推荐系统的优势，以准确地捕捉用户的口味与搜索系统的能力，以处理用户的查询。我们提出了一种新的补救办法，这个问题的自动推荐个性化的时尚项目的基础上，用户提供的文本请求。我们提出的模型WhisperLite使用对比学习从自然语言文本中捕获用户意图，提高了时尚产品的推荐质量。WhisperLite将CLIP嵌入的强度与用于个性化的附加神经网络层相结合，并使用基于二进制交叉熵和对比损失的复合损失函数进行训练。该模型在从在线零售时尚商店收集的真实数据集上进行测试时，离线推荐检索指标得到了显着改善，以及在不同电子商务领域广泛使用的开源数据集，如餐馆，电影和电视节目，服装和鞋子评论。我们还进行了一项用户研究，捕捉用户对模型推荐项目的相关性的判断，确认WhisperLite的建议在在线设置中的相关性。
2022-07-25 cs.IR
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中，每个产品通常由多个语义属性（例如，袖子、衣领等）。当做出布料决定时，人们通常会表现出对不同语义属性的偏好（例如，带V领的衣服）。然而，大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好，这通常会导致较差的推荐性能。为了弥补这一差距，我们提出了一个新的语义属性解释推荐系统（SAERS）。具体来说，我们首先介绍了一个细粒度的可解释的语义空间。然后，我们开发了一个语义提取网络（SEN）和细粒度的偏好注意（FPA）模块，分别将用户和项目投射到这个空间中。通过SAERS，我们不仅能够为用户提供布料推荐，而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
Recommending Composite Items Using Multi-Level Preference Information: A Joint Interaction Modeling Approach
Carlson School of Management, University of Minnesota（明尼苏达大学卡尔森管理学院）；Leavey School of Business, Santa Clara University（圣克拉拉大学莱维商学院）
本文提出JIMA方法，通过联合交互建模利用多级偏好信息，提升复合物品推荐的性能。
2026-01-26 cs.IR cs.LG stat.ML
A case study of Generative AI in MSX Sales Copilot: Improving seller productivity with a real-time question-answering system for content recommendation
Microsoft（微软）
本文提出面向微软MSX销售场景的实时问答内容推荐系统，利用LLM嵌入、提示词工程及双编码器加交叉编码器架构，在数秒内从大型销售内容库中精准推荐相关材料，并已集成至生产环境以提升卖家生产力。
2024-01-04 cs.AI cs.IR cs.LG
VOGUE: A Multimodal Dataset for Conversational Recommendation in Fashion
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）
为弥补多模态对话推荐数据集的不足，构建了包含60个人类对话、2100个细粒度标注话语的VOGUE数据集，支持视觉和上下文推理评估，并揭示了多模态大语言模型在偏好推断上的系统性分布误差。
2026-05-28 cs.IR
MARS: Memory Attention-Aware Recommender System
在本文中，我们研究的问题，建模用户的不同兴趣。以前的方法通常学习一个固定的用户表示，它具有有限的能力来表示用户的不同兴趣。为了模拟用户的各种兴趣，我们提出了一个记忆注意力感知推荐系统（MARS）。MARS利用记忆成分和新的注意力机制来学习深度\textit{adaptive user representations}。以端到端的方式进行训练，MARS自适应地总结用户的兴趣。在实验中，MARS在三个真实世界的数据集上的召回率和平均精度方面优于七种最先进的方法。我们还证明了MARS具有很好的解释性来解释其推荐结果，这在许多推荐场景中非常重要。
2018-05-18 cs.IR
Topic-Enhanced Memory Networks for Personalised Point-of-Interest Recommendation
University of Cambridge（剑桥大学）；Tencent Inc.（腾讯公司）
兴趣点推荐系统通过向用户推荐未知兴趣点而在人们的生活中发挥着重要作用，引起了学术界和工业界的广泛关注。尽管他们的价值，但是，他们仍然遭受的挑战，捕捉复杂的用户偏好和细粒度的用户-兴趣点关系的时空敏感的兴趣点推荐。现有的推荐算法，包括浅层和深层的方法，通常嵌入到一个单一的潜在向量的访问记录的用户的偏好模型：这具有有限的能力表示和解释。在本文中，我们提出了一种新的主题增强的记忆网络（TEMN），一个深度的架构集成的主题模型和记忆网络的优势，利用全球结构的潜在模式和本地邻域为基础的功能，在一个非线性的方式。我们进一步纳入了地理模块，利用用户特定的空间偏好和POI特定的空间影响，以提高建议。所提出的统一混合模型可广泛应用于各种兴趣点推荐场景。在真实世界的微信数据集上进行的大量实验证明了其有效性（上下文感知推荐和顺序推荐的改进率分别为3.25%和29.95%）。此外，定性分析的关注权重和主题建模提供了洞察模型的推荐过程和结果。
2019-05-19 cs.IR cs.LG stat.ML
Compute Only Once: UG-Separation for Efficient Large Recommendation Models
ByteDance AML（字节跳动人工智能实验室）
本文提出UG分离方法，通过在TokenMixer密集交互模型中显式分离用户侧和物品侧的信息流，实现用户侧计算的重用，从而减少冗余推理成本，并通过信息补偿策略和权重量化技术提升效率。
2026-05-20 cs.IR cs.LG
FlashEvaluator: Expanding Search Space with Parallel Sequence-Level Evaluation
FlashEvaluator通过并行评估实现跨序列信息共享，提升推荐和NLP任务的效率与准确性。
2026-07-29 cs.CL cs.IR cs.LG
A Distributed and Accountable Approach to Offline Recommender Systems Evaluation
已经开发了不同的软件工具，其目的是执行推荐系统的离线评估。然而，由于实验方案和指标的细微差异，使用这些工具获得的结果可能无法直接比较。此外，它是很难分析在相同的实验条件下的几个算法，而不公开其实现细节。出于这些原因，我们介绍RecLab，一个开源软件，用于以分布式方式评估推荐系统。通过依赖于整合的Web协议，我们创建了RESTful API，用于远程培训和查询服务器。通过这种方式，可以轻松地将使用不同技术实现的算法集成到同一工具包中。具体而言，实验者可以通过简单地访问RecLab提供的Web界面来执行评估。然后，该框架将与所有选定的度量进行交互，并计算和显示一组全面的度量，每个度量代表一个不同的度量。所有实验的结果都被永久保存并公开提供，以支持问责制和比较分析。
2018-10-11 cs.IR
Assessing Fashion Recommendations: A Multifaceted Offline Evaluation Approach
时尚是开发推荐系统（RS）的一个独特领域。个性化对时尚用户至关重要。因此，高度准确的推荐是不够的，除非它们也是特定于用户的。此外，时尚数据的特征是绝大多数新用户，因此仅对具有先前交互历史的用户表现良好的推荐策略不适合时尚问题。在时尚推荐中解决这些问题的关键是评估策略：1）包括与时尚相关的多个度量，以及2）在具有不同交互历史的用户段内执行。在这里，我们提出了评估时尚RS的多方面离线策略。使用我们提出的评估方法，我们比较了三种不同的算法，最流行的（MP）项目策略，协同过滤（CF）策略，和基于内容的（CB）策略的性能。我们证明，只有通过考虑这些算法在多个指标和用户细分的性能，我们可以确定在何种程度上每个算法可能满足时尚用户的需求。
2019-09-05 cs.IR
PreSizE: Predicting Size in E-Commerce using Transformers
eBay Research（eBay研究院）
电子商业时尚行业的最新进展已经导致了对经由改进的个性化来增强买家体验的新颖方式的探索。预测一个项目的适当大小推荐是一个重要的个性化挑战，并正在研究这项工作。该领域的早期工作要么集中于对明确的买方装修反馈进行建模，要么只对问题的单个方面进行建模（例如，具体类别、品牌等）。最近的研究提出了更丰富的模型，无论是基于内容的还是基于序列的，更好地考虑了问题的基于内容的方面，或者更好地建模了买家的在线旅程。然而，这两种方法在某些情况下都失败了：遇到未见过的项目（基于序列的模型）或遇到新用户（基于内容的模型）时。为了解决上述差距，我们提出了PreSizE -一种新的深度学习框架，它利用Transformers进行准确的大小预测。PreSizE模型的影响，这两个基于内容的属性，如品牌和类别，以及买家的购买历史对她的大小偏好。使用一个大规模的电子商业数据集上的一组广泛的实验，我们证明了PreSizE是能够实现优越的预测性能相比，以前的国家的最先进的基线。通过对物品属性进行编码，PreSizE可以更好地处理带有未见过物品的冷启动情况，以及买家几乎没有过去购买数据的情况。作为概念证明，我们证明了PreSizE的大小预测可以有效地集成到现有的生产推荐系统中，产生非常有效的功能，并显着提高建议。
2021-05-04 cs.AI cs.IR cs.LG
EvoRec: Self Evolving Agentic Recommender Systems
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
提出EvoRec多智能体框架，通过研究智能体和代码智能体迭代模型，技能进化器从历史经验中提炼可复用方法，实现推荐模型与优化方法共同进化，在离线指标上提升高达5.54%，在线A/B测试带来1.85%收入增长和1.02%点击率提升。
2026-06-15 cs.IR
"Does it come in black?" CLIP-like models are zero-shot recommenders
Coveo（科维奥）；Coveo Labs（科维奥实验室）；Bocconi University（博科尼大学）；Farfetch（发发奇）
产品发现是网上购物的一个重要组成部分。然而，今天的项目到项目推荐不允许用户沿着选定的维度探索变化：给定一个查询项目，模型可以建议类似的东西，但不同的颜色吗？我们考虑比较性质的项目建议（例如“更暗的东西”），并展示基于CLIP的模型如何以zero-shot方式支持此用例。利用为时尚打造的大型模型，我们介绍了GradREC及其行业潜力，并对其优势和劣势进行了第一次全面评估。
2022-04-11 cs.AI cs.IR
Visually-Aware Fashion Recommendation and Design with Generative Image Models
UC San Diego（加州大学圣迭戈分校）；Adobe Research（Adobe 研究院）
由于所涉及的特征的高度主观性和语义复杂性（即，时尚风格）。最近的工作表明，“视觉”推荐的方法（例如，服装、艺术等）可以通过将视觉信号直接纳入推荐目标，使用来自深度网络的“现成”特征表示来使其更加准确。在这里，我们试图通过展示推荐性能可以通过直接学习“时尚感知”图像表示来显着提高，即，通过联合训练图像表示（从像素级别）和推荐系统;这一贡献与最近使用Siamese CNN的工作有关，尽管我们能够展示对最先进的推荐技术的改进，例如BPR和使用预训练视觉特征的变体。此外，我们表明，我们的模型可以使用\emph{generatively}，即，给定用户和产品类别，我们可以生成新图像（即，最符合个人品味的服装。这代表了构建系统的第一步，该系统不仅可以从产品语料库中推荐现有产品，还可以用于建议风格并帮助设计新产品。
2017-11-07 cs.AI cs.CV cs.HC
Exploiting Latent Codes: Interactive Fashion Product Generation, Similar Image Retrieval, and Cross-Category Recommendation using Variational Autoencoders
University of the Philippines, Diliman（菲律宾大学迪利曼分校）
深度学习应用在时尚行业的兴起推动了大规模数据集的管理，以构建产品设计，图像检索和推荐系统的应用程序。本文提出利用变分自编码器（Variational Autoencoder，VAE）来构建一个交互式的时尚产品应用框架，允许用户根据自己的喜好生成具有属性的产品，检索同一产品类别的相似风格，并接收来自其他类别的基于内容的推荐。包含眼镜、鞋类和箱包的时尚产品图像数据集适合于说明该管道适用于蓬勃发展的电子商务行业，从而能够在指定所需产品时与新的数据匹配方法进行直接用户交互，并通过使用VAE并利用其生成的潜在代码来推荐系统。
2020-09-02 cs.CV cs.IR
Enhancing Recommendation Diversity by Re-ranking with Large Language Models
Insight Centre for Data Analytics（数据分析洞察中心）；School of Computer Science & IT（计算机科学与信息技术学院）；University College Cork（科克大学学院）
本文研究利用大语言模型进行推荐多样性重排序，通过零样本提示让 GPT 与 Llama 从候选列表生成多样化排序，实验表明其优于随机方法但暂逊于传统方法。
2024-06-17 cs.IR cs.LG
Collaborating with Users in Proximity for Decentralized Mobile Recommender Systems
通常，来自任何领域的推荐系统，无论是电影、音乐、餐馆等，以集中的方式组织起来。服务提供商拥有所有的数据，推荐算法中的偏见对用户来说并不透明，并且服务提供商经常产生锁定效应，使得用户不方便切换提供商。在本文中，我们认为，用户的智能手机已经拥有了大量的数据，输入到典型的推荐系统的电影，音乐，或POI。随着智能手机和其他用户在公共场所或公共交通工具中的无处不在，数据可以以设备到设备的方式直接在用户之间交换。通过这种方式，每个智能手机都可以建立自己的数据库并计算自己的推荐。这种系统的好处之一是，它不限于只为一个用户推荐-特设组推荐也是可能的。虽然这样的平台的基础设施已经存在-智能手机已经在用户的手掌-有关于移动推荐系统平台以及其推荐算法的挑战。在本文中，我们提出了一个移动架构所描述的系统-包括数据汇集，数据交换和推荐系统-并强调其挑战和机遇。
2019-06-07 cs.IR cs.SI
Session-based Complementary Fashion Recommendations
在现代时尚电子商务平台中，客户可以浏览数千到数百万种产品，推荐系统是导航和缩小庞大分类范围的有用工具。在这种情况下，补充推荐服务于用户需要找到可以一起穿的物品。在本文中，我们提出了一个个性化的，基于会话的补充项目推荐算法，CRF-C，量身定制的时尚用例。我们提出了一个采样策略，通过建立训练集，这是有用的，当现有的用户交互数据不能直接使用，由于质量差或可用性。我们提出的方法显示出显着的改进，在准确性方面相比，协同过滤方法，服务于补充项目的建议，我们的客户在实验CF-C的时间。结果显示，在线下订单召回率上升了+8.2%，在一个拥有2800万活跃客户的时尚电子商务平台上进行的在线A/B测试中，购买的产品数量也大幅增加了+3.24%。
2019-08-22 cs.IR
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
TRec: Sequential Recommender Based On Latent Item Trend Information
推荐系统在在线Web应用中扮演着重要的角色。顺序推荐系统利用用户与项目交互的最新历史信息，进一步对用户的短期偏好进行建模。大多数顺序推荐方法忽略了不断变化的项目流行度的重要性。我们从直觉中提出了这个模型，即用户交互最多的项目可能在过去很受欢迎，但最近可能会过时。为此，本文提出了一种新的顺序推荐方法TRec，TRec从隐式用户交互历史中学习项目趋势信息，并将项目趋势信息整合到下一个项目推荐任务中.然后使用自注意力机制来学习更好的节点表示。我们的模型是通过基于排序的成对优化来训练的。我们在四个基准数据集上用七种基线方法进行了大量的实验，实验结果表明，我们的方法在保持较低运行时间开销的同时，性能优于其他最先进的方法。我们的研究证明了项目趋势信息在推荐系统设计中的重要性，并且我们的方法也具有很高的效率，这使得它在现实世界中是实用的。
2020-09-11 cs.IR
Emergence of Spontaneous Order Through Neighborhood Formation in Peer-to-Peer Recommender Systems
Universität Freiburg（弗赖堡大学）
语义网的出现需要从集中式客户端/服务器架构转向分散式和对等计算，使得中央机构的存在变得多余甚至不可能。与此同时，推荐系统在电子商务中产生了相当大的影响，为人们提供个性化的、根据他们的需求量身定制的推荐。传统上，这些推荐系统的部署考虑到了严格的集中式场景，在与其主机网络外围分离的封闭社区中运行。我们的目标是将这两个世界结合起来，即，分散式对等计算和推荐系统，在一个基于代理的框架。我们的架构采用了一个类似的风格的协议，维护社区的志同道合的同行在一个强大的，自我组织的时尚。为了证明我们的架构的能力，以保持可扩展性，鲁棒性，并允许收敛到高质量的建议，我们进行离线实验上流行的MovieLens数据集。
2008-12-23 cs.AI cs.IR cs.MA
TransNFCM: Translation-Based Neural Fashion Compatibility Modeling
识别服装商品之间的混搭关系是服装电子商务推荐系统中的一项紧迫任务。它将显著增强用户体验和满意度。然而，由于在一个大型的电子商务语料库的时尚项目推断丰富而复杂的兼容性模式集的挑战，这项任务仍然是探索不足。受多关系知识表示学习和深度神经网络的最新进展启发，提出了一种新的基于翻译的神经时尚兼容性建模（TransNFCM）框架，该框架通过端到端的学习方式在统一的空间中联合优化时尚单品嵌入和特定类别的互补关系。TransNFCM将项目放置在一个统一的嵌入空间中，其中特定于类别的关系（类别-组件-类别）被建模为对来自相应类别的兼容项目的嵌入进行操作的向量转换。通过这种方式，我们不仅捕获了以特定互补范畴对为条件的特定相容性概念，而且还保留了相容性的整体概念。我们还设计了一个深度的时尚项目编码器，利用视觉和文本特征的互补特性来表示时尚产品。据我们所知，这是第一个工作，使用特定于类别的互补关系，以模型的类别感知的兼容性之间的项目在一个基于嵌入空间。大量的实验证明了TransNFCM在两个真实世界数据集上的有效性。
2018-12-25 cs.IR
Hierarchical Fashion Graph Network for Personalized Outfit Recommendation
时尚服装推荐越来越受到在线购物服务和时尚社区的关注。与其他场景（例如，社交网络或内容共享），其推荐单个项目（例如，朋友或图片），服装推荐预测用户对一组匹配良好的时尚物品的偏好。因此，执行高质量的个性化服装推荐应该满足两个要求- 1）时尚物品的良好兼容性和2）与用户偏好的一致性。然而，目前的工作主要集中在一个要求，只考虑用户的服装或服装项目的关系，从而容易导致次优表示和限制的性能。在这项工作中，我们统一两个任务，时尚兼容性建模和个性化服装推荐。为此，我们开发了一个新的框架，层次时尚图网络（HFGN），同时建模用户，物品和服装之间的关系。特别是，我们构建了一个层次结构上的用户服装的相互作用和服装项目映射。然后，我们从最近的图神经网络的启发，并采用这种层次图的嵌入传播，从而聚合项目信息到一个服装表示，然后细化用户的表示通过他/她的历史服装。此外，我们联合训练这两个任务，以优化这些表示。为了证明HFGN的有效性，我们在基准数据集上进行了大量的实验，HFGN比最先进的兼容性匹配模型（如NGNN）和服装匹配模型（如FHN）有了显着的改进。
2020-05-26 cs.IR
A Hybrid Multimodal Deep Learning Framework for Intelligent Fashion Recommendation
Tarbiat Modares University (TMU)（塔比阿特莫达雷斯大学）
针对线上时尚平台的智能推荐需求，本文提出基于CLIP与Transformer的混合多模态深度学习框架，可同时完成穿搭兼容性预测与互补单品检索任务，在两项任务上均取得优异性能。
2025-11-18 cs.CV cs.IR
On Gossip-based Information Dissemination in Pervasive Recommender Systems
普适计算系统采用分布式和嵌入式设备，以便以随时随地的方式提高、通信和处理数据。当然，其最突出的设备是智能手机，因为它的广泛扩散，不断增长的计算能力和无线网络功能。在这种情况下，我们重新审视了数字化口碑的实施，这表明离线和直接接近智能手机之间交换物品偏好。以这种方式协作和分散地收集数据有两个好处。首先，它允许附加例如位置敏感的上下文信息，以丰富收集的项目偏好。%增强设备上的建议。其次，模型构建不需要网络连接。尽管有这些好处，但这种方法自然会引发数据隐私和数据稀缺问题。为了解决这两个问题，我们提出了一种新的方法，将传统的寻找相似的对等体和交换项目偏好的方法从分散的领域转换为普适推荐系统。此外，我们提出了一个原型移动应用程序，实现拟议的设备到设备的信息交换的初步结果。25.9秒的平均ad-hoc连接延迟和6米内可靠的连接成功率支持了该方法的技术可行性。
2019-08-15 cs.IR cs.SI
Can LLMs Outshine Conventional Recommenders? A Comparative Evaluation
PolyU Hong Kong（香港 PolyU）；Huawei Noah’s Ark Lab（华为诺亚实验室）；NTU Singapore（新加坡国立大学）；NUS Singapore（新加坡国立大学）
该研究提出RecBench基准，对比评估大语言模型与传统推荐系统在CTR和序列推荐任务上的表现，发现LLM推荐效果更优但推理效率低，为后续推荐领域研究提供参考。
2025-10-29 cs.CL cs.IR
Agentic Personalized Fashion Recommendation in the Age of Generative AI: Challenges, Opportunities, and Evaluation
本文针对传统时尚推荐系统难以适配动态潮流与多元需求的问题，提出智能体多模态细化（AMMR）流水线，结合多模态编码器、智能体LLM规划器与动态检索，推动推荐系统向自适应、生成式、兼顾多方利益的方向升级。
2025-08-04 cs.IR
Memory-efficient Embedding for Recommendations
实际的大规模推荐系统通常包含来自用户、项目、上下文信息及其交互的数千个特征字段。他们中的大多数经验分配一个统一的维度，所有的特征字段，这是内存效率低下。因此，它是非常希望分配不同的嵌入维度不同的特征字段根据其重要性和可预测性。由于大量的特征字段和嵌入维数与特征分布和神经网络架构之间的微妙关系，在实际推荐系统中手动分配嵌入维数可能非常困难。为此，我们提出了一个AutoML为基础的框架（AutoDim）在本文中，它可以自动选择尺寸为不同的特征字段中的数据驱动的方式。具体来说，我们首先提出了一个端到端的可微框架，可以计算的权重在各种维度的特征字段在软和连续的方式与AutoML为基础的优化算法;然后，我们推导出一个硬和离散嵌入组件架构根据最大的权重和重新训练整个推荐框架。我们在基准数据集上进行了大量的实验，以验证AutoDim框架的有效性。
2020-10-21 cs.IR
A Survey on Diffusion Models for Recommender Systems
Shanghai Jiao Tong University（上海交通大学）；Texas A&M University（德克萨斯农工大学）；Yale University（耶鲁大学）
本文是首篇推荐系统领域扩散模型的全面综述，按全流程将相关研究分为数据工程、推荐模型、内容呈现三类，总结核心特征与未来方向，并维护了相关资源仓库。
2024-09-15 cs.AI cs.IR
Dual-Diffusional Generative Fashion Recommendation
Singapore Management University（新加坡国立大学）；Shandong University（山东大学）
本文提出DualFashion，一种联合建模图像和文本模态的双扩散生成式时尚推荐架构，通过结构化属性级描述和视觉装扮信息共同作为条件信号，实现个性化和可解释的推荐，同时引入文本增强微调策略提升生成多样性与跨模态知识迁移能力。
2026-05-17 cs.IR cs.MM
Unbiased Pairwise Learning to Rank in Recommender Systems
Tencent（腾讯）
如今，推荐系统已经影响到人们生活的方方面面。为了提供个性化的高质量推荐结果，常规系统通常训练逐点排序器以预测目标的绝对值并利用明显的浅塔来估计和减轻位置偏差的影响。然而，对于这样的训练范例，优化目标与排名度量有很大不同，排名度量重视排名靠前的项目的相对顺序，而不是每个项目的预测精度。此外，由于现有系统倾向于在较高位置推荐更相关的项目，因此基于浅塔的方法难以将用户反馈精确地归因于位置或相关性的影响。因此，如果我们设法解决上述问题，我们将有一个令人兴奋的机会来提高性能。无偏的学习排序算法，这是验证模型的相对相关性准确的基础上嘈杂的反馈，是有吸引力的候选人，并已被应用在许多应用程序与单一的分类标签，如用户点击信号。然而，现有的无偏LTR方法不能正确地处理包含分类标签和连续标签的多个反馈。因此，我们设计了一种新的无偏LTR算法来解决这些挑战，该算法创新性地以成对的方式对位置偏差进行建模，并引入成对的信任偏差来明确地分离位置偏差，信任偏差和用户相关性。在公共基准数据集和内部实时流量上的实验结果表明，该方法对分类标签和连续标签都有较好的效果。
2021-11-30 cs.AI cs.IR
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
Diffusion Models for Generative Outfit Recommendation
提出生成式穿搭推荐任务GOR及DiFashion模型，通过条件引导的扩散模型并行生成多张个性化、协调且高保真的时尚图像。
2024-05-20 cs.IR
