Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）
近年来，图神经网络（GNNs）在推荐方面取得了显著的成功.为了减少数据稀疏性的影响，图对比学习（GCL）被用于基于GNN的CF方法，以提高性能。大多数GCL方法包括数据增强和对比损失（例如，InfoNCE）。GCL方法通过手工制作的图增强来构建对比对，并最大化同一节点的不同视图与其他节点的视图之间的一致性，这被称为InfoMax原则。然而，不适当的数据增强会阻碍GCL的性能。InfoMin原则，即良好的视图集共享最少的信息，并为设计更好的数据增强提供指导。在本文中，我们首先提出了一种新的数据增强（即，边缘操作包括边缘增加和边缘减少）。在此基础上，提出了一个基于信息最小化原理的对比学习框架--可学习的数据增强对比学习（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化了对抗损失函数，以学习数据增强和用户和项目的有效表示。在四个公共基准数据集上的实验证明了LDA-GCL的有效性。
2023-02-05 cs.IR cs.LG cs.SI
SeqUDA-Rec: Sequential User Behavior Enhanced Recommendation via Global Unsupervised Data Augmentation for Personalized Content Marketing
Southwest University of Finance and Economics（西南财经大学）；Columbia Business School, Columbia University（哥伦比亚大学商学院）；School of Humanities and Sciences, Stanford University（斯坦福大学人文与科学学院）
SeqUDA-Rec通过全局无监督数据增强与用户行为序列建模相结合，利用图对比学习和GAN生成交互模式，在真实营销数据集上显著提升了推荐准确性与鲁棒性。
2025-09-22 cs.AI cs.IR
Improving Contrastive Learning with Model Augmentation
Salesforce Research（赛富时研究院）；Arizona State University（亚利桑那州立大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
序列推荐的目的是预测用户行为中的下一个项目，可以通过描述序列中项目之间的关系来解决。针对序列中数据稀疏性和噪声问题，提出了一种新的自监督学习（SSL）方法，利用序列正反两个视角之间的对比学习来提高学习性能。然而，现有的方法都是从数据的角度采用增强来构建视图，而我们认为：1）最佳的数据增强方法很难设计，2）数据增强方法破坏序列相关性，3）数据增强未能纳入全面的自监督信号。因此，我们调查的可能性模型增强构建视图对。我们提出了三个层次的模型增强方法：神经元掩蔽，层下降，和编码器补充。这项工作开辟了一个新的方向，在构建对比SSL的意见。实验验证了模型增强方法在SSL序列推荐中的有效性。代码为\footnote{\url{https://github.com/salesforce/SRMA}}。
2022-03-25 cs.AI cs.IR cs.LG
Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation
Amirkabir University of Technology (Tehran Polytechnic)（阿美里卡布大学（德黑兰理工大学））
针对基于图的序列推荐系统面临的噪声和静态表示问题，提出ALDA4Rec方法，通过社区检测去噪、丰富交互并结合自适应加权策略学习表示，实验表明其在四个数据集上的准确性和鲁棒性优于现有基线。
2025-04-18 cs.AI cs.IR cs.NE
Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（赛富时人工智能研究院）；Beihang University（北京航空航天大学）
针对序列推荐中互信息估计的KL散度局限和数据增强破坏序列相关性的问题，提出基于互Wasserstein散度最小化MStein的自监督框架，利用2-Wasserstein距离度量增强序列间互信息，在四个基准数据集上验证了有效性和鲁棒性。
2023-06-20 cs.AI cs.IR cs.LG
Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
Software College, Northeastern University（东北大学软件学院）；School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
针对图对比推荐中数据增强产生噪声视图而损害性能的问题，本文提出具有理论保证、模型无关的SGCL对称对比框架，并在三个数据集上验证其最高12.25%的相对提升。
2024-08-03 cs.AI cs.IR cs.LG
Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出融合时空图神经网络（STGCN）与检索增强生成（RAG）的精准农业系统，实现30天天气预报、作物推荐及农业问答，在尼泊尔1359个地点数据上STGCN预测MSE达0.011。
2026-06-08 cs.AI cs.LG
RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation
Yonsei University（延世大学）；KAIST（韩国科学技术院）
受反应-扩散方程启发，提出RDGCL模型，通过结合低通与高通滤波器设计GCN并在反应与扩散嵌入间进行对比学习，无需图增强，在5个数据集上提升了推荐准确性与多样性。
2024-08-22 cs.AI cs.IR cs.LG
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation
University of Hong Kong（香港大学）
针对现有图对比学习推荐方法难保留语义结构、易受噪声干扰的问题，提出仅用奇异值分解做对比增强的LightGCL范式，在多个基准数据集上性能优于现有最优方法，且对数据稀疏性和流行度偏差鲁棒性更强。
2023-06-14 cs.IR cs.LG
Graph Masked Autoencoder for Sequential Recommendation
University of Hong Kong（香港大学）
本文提出图掩码自编码器增强的序列推荐系统MAERec，通过自适应数据重建范式提取全局物品转移信息进行自监督增强，有效缓解标签稀缺和数据噪声问题，显著优于现有基线模型。
2023-06-01 cs.AI cs.IR
Mixed Supervised Graph Contrastive Learning for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
提出MixSGCL方法，将推荐与对比损失整合为监督对比学习损失以统一优化方向，并引入节点级和边级混合挖掘监督信号，有效缓解数据稀疏性，在准确率和效率上超越现有方法。
2024-04-25 cs.IR cs.LG
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University（西安交通大学）
top-k推荐是推荐系统中的一项基本任务，通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题，近年来受到了越来越多的关注，我们发现它非常适合于top-k推荐。然而，CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面，合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面，在稀疏数据集中，正项很少，因此应该强调它们的重要性。此外，另一个重要的问题是，稀疏的积极项目仍然没有充分利用的建议。因此，我们提出了一种新的数据增强方法，使用多个正项目（或样本）同时与CL损失函数。因此，我们提出了一种基于多样本的对比损失（MSCL）函数，通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络（GCN）方法，实验结果验证了MSCL的先进性能。所提出的MSCL方法简单，适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；WeChat, Tencent（腾讯微信事业部）；Zhongguancun Laboratory（中关村实验室）；School of Computer, Beihang University（北京航空航天大学计算机学院）
本文提出FairDgcl动态图对抗对比学习框架，通过对抗式视图生成与动态可学习增强策略，在不依赖现实假设的情况下提升推荐系统的公平性与准确性。
2024-10-23 cs.AI
Guidelines for Augmentation Selection in Contrastive Learning for Time Series Classification
RMIT（皇家墨尔本理工大学）
针对时间序列对比学习中增强选择依赖经验或网格搜索效率低的问题，提出基于趋势、季节性特征的增强选择框架，经合成与真实数据集验证，Recall@3达0.667，为相关研究提供指导。
2024-07-12 cs.AI cs.LG
Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Southwest University（西南大学）
针对图对比推荐中随机增强引入噪声且难利用全局协同信号的问题，提出LFA-GCL，通过潜在因子分析进行无约束结构精化并构建全局协同图，在四个公开数据集上优于现有方法。
2024-08-09 cs.IR cs.LG
Self Contrastive Learning for Session-based Recommendation
University College London（伦敦大学学院）
提出自对比学习（SCL），通过直接优化物品表示均匀分布，无需正负样本构建或数据增强，显著提升会话推荐最先进模型的性能，在三个基准上平均提高P@10达8.2%-9.5%，MRR@10达9.9%-11.2%。
2023-12-20 cs.AI cs.IR cs.LG
Harnessing small projectors and multiple views for efficient vision pretraining
UC Berkeley（加州大学伯克利分校）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Meta FAIR；Montreal Neurological Institute（蒙特利尔神经学研究所）；CIFAR（加拿大高级研究所）
该研究基于自监督视觉表征学习的理论分析，提出采用小型投影头、强正交化约束及多数据增强的高效预训练方案，经多数据集验证可提升性能并减少预训练数据量。
2025-01-17 cs.AI cs.CV cs.LG
Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation
Central South University（中南大学）；The Hong Kong Polytechnic University（香港理工大学）；The University of Queensland（昆士兰大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文针对签到数据不可靠问题提出贝叶斯增强多视图注意力网络BayMAN，通过构建三类POI图并结合贝叶斯图增强与多视图注意力学习用户偏好，在噪声和不完整签到条件下显著提升POI推荐鲁棒性。
2023-11-01 cs.AI cs.IR cs.SI
Long-tail Augmented Graph Contrastive Learning for Recommendation
Ant Group（蚂蚁集团）
本文提出长尾增强图对比学习方法LAGCL，通过可学习的伪尾节点生成与知识迁移增强尾节点表示，缓解头尾节点度差异导致的表示不均匀问题，从而提升推荐性能。
2023-09-20 cs.AI cs.IR cs.SI
Diffusion-augmented Graph Contrastive Learning for Collaborative Filter
School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）
针对现有图对比学习协同过滤方法数据增强策略存在的缺陷，提出融合扩散模型的DGCL框架，生成适配节点特性的多样化对比视图，在三个公开数据集上验证了有效性。
2025-03-20 cs.AI cs.IR
SSLRec: A Self-Supervised Learning Framework for Recommendation
University of Hong Kong（香港大学）
针对推荐系统自监督学习缺乏统一框架的问题，提出模块化、标准化的SSLRec基准平台，整合多场景SSL推荐模型与工具，支持公平评估并推动领域创新。
2024-01-30 cs.AI cs.IR
Ordinal Non-negative Matrix Factorization for Recommendation
IRIT, Université de Toulouse, CNRS（图卢兹大学 IRIT 研究所、法国国家科学研究中心）；ISAE-SUPAERO, Université de Toulouse（图卢兹大学 ISAE-SUPAERO 高等航空与航天学院）
本文提出了一种新的非负矩阵分解方法，称为OrdNMF。有序数据是类别数据，它们在类别之间表现出自然的顺序。特别是，它们可以在推荐系统中找到，无论是显式数据（如评级）还是隐式数据（如量化播放计数）。OrdNMF是一种概率潜在因子模型，它将Bernoulli-Poisson因子分解（BePoF）和Poisson因子分解（PF）推广到二进制数据。与这些方法相反，OrdNMF避免了二值化，并且可以利用数据的更多信息表示。我们设计了一个有效的变分算法的基础上，一个合适的模型增强和相关的变分PF。特别是，我们的算法保留了PF的可扩展性，并可以应用于巨大的稀疏数据集。我们报告了显式和隐式数据集上的推荐实验，并表明OrdNMF优于应用于二进制数据的BePoF和PF。
2020-09-02 cs.LG stat.ML
Improving Recommendation Fairness via Data Augmentation
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）；Ant Group（蚂蚁集团）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）
基于协同过滤的推荐技术从用户的历史行为数据中学习用户的偏好，以帮助用户进行决策。近年来，推荐的公平性问题变得越来越重要。当推荐系统不能根据用户的敏感属性对不同的用户组表现得同样好时，它被认为是不公平的（例如，性别、种族）。已经提出了许多方法来通过优化预定义的公平性目标或改变不平衡的训练数据的分布来减轻不公平。然而，它们要么受到特定公平性优化指标的影响，要么依赖于重新设计当前的推荐架构。本文从数据增强的角度研究如何提高推荐公平性。推荐模型放大了不平衡的训练数据固有的不公平性。我们将不平衡的训练数据增加到平衡的数据分布，以提高公平性。所提出的框架通常适用于任何基于嵌入的推荐，并且不需要预先定义公平性度量。在两个真实数据集上的大量实验清楚地表明了我们所提出的框架的优越性。我们在https://github.com/newlei/FDA上发布源代码。
2023-02-21 cs.IR cs.LG
Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation
School of Computer Science, Fudan University（复旦大学计算机科学学院）
针对对话式推荐中的假阴性问题，提出基于LLM语义检索与相关性过滤的数据增强框架及两阶段训练策略，在基准数据集上显著提升推荐性能。
2025-07-30 cs.AI cs.IR
Sequential Data Augmentation for Generative Recommendation
Snap Inc.（Snap公司）
本文研究了生成推荐中数据增强的影响，提出了一种系统化的框架GenPAS，通过三种受偏步骤统一了多种增强策略，提升了模型的准确率、数据效率和参数效率。
2026-05-20 cs.IR cs.LG
Diffusion Augmentation for Sequential Recommendation
Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出DiffuASR，利用扩散模型生成高质量增强序列数据，以缓解序列推荐中的数据稀疏和长尾用户问题，并可直接训练现有推荐模型。
2023-09-22 cs.AI cs.IR
Improving Recommendation Fairness via Graph Structure and Representation Augmentation
本文提出一种基于双重数据增强的公平推荐框架，通过识别敏感交互与敏感特征生成公平增强图和表示，并结合去偏学习在保持推荐效用的同时提升公平性。
2025-08-27 cs.IR
Boosting Knowledge Graph-based Recommendations through Confidence-Aware Augmentation with Large Language Models
University of Science and Technology of China（中国科学技术大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出CKG-LLMA框架，通过LLM子图增强、置信度感知消息传播和双视图对比学习，将大语言模型与知识图谱结合以提升推荐质量，并在多个公共数据集上验证了其有效性。
2025-02-06 cs.AI cs.IR
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习（CL）最近在推荐领域的研究中取得了丰硕的成果，因为它能够从原始数据中提取自监督信号，这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图，然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的，但性能提升的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更均匀分布的用户/项目表示来操作，可以隐式地减轻受欢迎程度偏差。同时，我们发现，图的扩张，这被认为是必要的，只是发挥微不足道的作用。基于这一发现，我们提出了一个简单的CL方法，放弃了图增强，而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明，尽管该方法看起来非常简单，但该方法可以平滑地调整学习表示的均匀性，并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
Graph Collaborative Signals Denoising and Augmentation for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon Ads（亚马逊广告）；Beihang University（北京航空航天大学）；University of California, Davis（加州大学戴维斯分校）
本文提出 GraphDA，通过 top-K 采样去噪用户-物品交互矩阵，并增广用户-用户与物品-物品相关性，以提升图协同过滤在交互丰富和稀疏场景下的推荐性能。
2023-04-10 cs.AI cs.IR cs.LG
Graph Augmentation for Recommendation
University of Hong Kong（香港大学）；Aalborg University（奥尔堡大学）
针对推荐系统中对比学习数据噪声及GNN过平滑问题，提出GraphAug框架，利用GIB正则化生成去噪自监督信号并自适应调整对比视图，显著提升推荐性能。
2024-03-25 cs.IR cs.LG
AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出AsarRec，通过自适应增强策略提升自监督序列推荐的鲁棒性，通过统一转换矩阵和联合优化三个目标，验证了在不同噪声水平下的有效性。
2026-04-10 cs.IR
ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
顺序推荐是一种利用用户行为序列中丰富信息的推荐方法，在实际推荐系统中得到了广泛的应用。然而，目前的方法存在以下问题：1）用户-项目交互的稀疏性，2）顺序记录的不确定性，3）长尾项目。在本文中，我们建议将对比学习纳入变分自编码器的框架中，以同时应对这些挑战。首先，我们介绍了一种新的训练目标，将传统的单视图ELBO扩展到双视图的情况下，并从理论上建立了VAE和对比学习之间的连接从双视图的角度。然后，我们提出了对比变分自编码器（简称ContrastVAE），一个两分支的VAE模型与对比正则化作为一个实施例的ContrastELBO顺序推荐。我们进一步介绍了两个简单而有效的增强策略，命名为模型增强和变分增强，以创建一个序列的第二个视图，从而使对比学习成为可能。在四个基准数据集上的实验证明了ContrastVAE和所提出的增强方法的有效性。代码可在https://github.com/YuWang-1024/ContrastVAE上获得
2022-12-05 cs.IR cs.LG
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
针对推荐系统中稀疏交互导致嵌入学习效果差的问题，提出GDA4Rec框架，利用深度生成模型生成增强视图并提取物品补全矩阵，结合推荐、增强和对比学习的联合目标，在三个数据集上验证了有效性。
2025-10-10 cs.IR
Simple and Behavior-Driven Augmentation for Recommendation with Rich Collaborative Signals
KAIST（韩国科学技术院）
本文提出SCAR方法，利用从用户-物品交互中提取的协同信号生成伪交互进行数据增强，而非移除信息，从而提升图协同过滤对比学习效果，在四个基准数据集上优于现有方法且在稀疏场景表现突出。
2025-11-04 cs.IR
Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出AdaTTA框架，通过强化学习动态选择序列特定的增强策略，提升序列推荐的准确性，实验证明在Home数据集上提升26.31%。
2026-04-17 cs.IR
Hierarchical Contrastive Learning with Multiple Augmentation for Sequential Recommendation
针对序列推荐中对比学习增强方法结构简单、条件有限的问题，提出HCLRec框架，通过分层组合多重增强生成多级视图对，并利用Transformers与PFFN模块学习序列不变性，在稀疏交互下取得优于现有方法的鲁棒推荐性能。
2023-08-07 cs.IR
Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation
Dongguan University of Technology（东莞理工学院）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；Tsinghua University（清华大学）；Chinese University of Hong Kong（香港中文大学）；University of Hawaii（夏威夷大学）；Capital University of Economics and Business（首都经济贸易大学）；SenseTime Research（商汤科技研究院）
本文提出Llama4Rec框架，通过相互增强和自适应聚合结合传统推荐方法和大语言模型，提升推荐性能。
2026-01-18 cs.IR
Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems
KAIST（韩国科学技术院）
本文提出无知识增强框架 NodeDiffRec，通过扩散生成节点级伪物品及交互并结合去噪偏好建模，在不依赖外部知识的情况下显著提升推荐性能。
2025-07-28 cs.AI cs.IR
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战，提出DIDA-CDR框架，采用可插值数据增强和解耦模块，在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
Data Augmentation for Sequential Recommendation: A Survey
本综述系统梳理序列推荐中的数据增强方法，按原理、对象和目的分类，比较优缺点并分析代表性实验，指出未来研究方向。
2024-09-20 cs.IR
Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation
针对推荐数据稀疏及正样本增强难以兼顾准确性与多样性的问题，提出模型无关的 DivSPA，通过多视角候选检索与自蒸馏重排序获得高质量正样本，并经离线、在线验证且已上线部署。
2023-08-15 cs.IR
Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations
University of Electronic Science and Technology of China（电子科技大学）；Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）；Intelligent Terminal Key Laboratory of Sichuan Province（四川省智能终端重点实验室）；The University of Queensland（昆士兰大学）
随着用户和项目的快速增长，冷启动问题对提供准确的推荐越来越具有挑战性。大多数现有的方法试图通过基于辅助信息的内容感知推荐和/或跨域推荐与迁移学习来解决棘手的问题。它们的性能通常受到极其稀疏的用户-项目交互、不可用的辅助信息或非常有限的域共享用户的限制。最近，通过向标签添加噪声来进行元增强的元学习器已被证明可以有效地避免过拟合，并在新任务上表现出良好的性能。受元增强思想的启发，本文将用户对项目的偏好视为一项任务，提出了一个基于元学习的多源域多样偏好增强框架（称为MetaDPA），以i）在新的感兴趣领域中生成不同的评级（称为目标域），以处理稀疏交互情况下的过拟合，以及ii）通过元学习方案学习目标域中的偏好模型，以缓解冷启动问题。具体来说，我们首先进行多源领域自适应双条件变分自编码器和施加多域InfoMax（MDI）的潜在表示学习域共享和特定于域的偏好属性的约束。为了避免过度拟合，我们在解码器的输出上添加了互斥（ME）约束，以在给定内容数据的情况下生成不同的评级。最后，这些产生的不同的评级和原始评级被引入到元训练过程中学习的偏好元学习器，这产生了良好的泛化能力的冷启动推荐任务。在真实数据集上的实验表明，我们提出的MetaDPA明显优于当前最先进的基线。
2022-04-01 cs.AI cs.DB cs.IR
Improving Rare Medication Recommendation with Counterfactual Data Augmentation and Large Language Models
KAIST（韩国科学技术院）；Korea University（高丽大学）
针对现有方法在推荐罕见药物时性能低的问题，提出GenRxR框架，利用大语言模型生成反事实数据缓解数据稀缺，集成大语言模型建模联合推荐药物关系，经指令调整增强临床推理，实验显示其性能优于多个基线。
2026-07-29 cs.IR cs.LG
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University（世宗大学）
针对序列推荐系统，提出SimDiffRec，利用物品嵌入向量相似性生成语义一致噪声，依高置信度选增强位置，结合对比学习提升训练效率与推荐性能，实验表明其优于基线模型。
2026-07-07 cs.IR
Automated Self-Supervised Learning for Recommendation
图神经网络（GNN）已经成为协同过滤（CF）的最先进范例。为了提高有限标记数据的表示质量，对比学习在推荐领域引起了人们的关注，并使基于图的CF模型受益匪浅。然而，大多数对比方法的成功在很大程度上依赖于手动生成有效的对比视图，用于基于统计学的数据增强。这不能跨不同的数据集和下游推荐任务进行推广，这难以适应数据增强并且对噪声扰动具有鲁棒性。为了填补这一关键的差距，这项工作提出了一个统一的自动协同过滤（AutoCF）自动执行数据增强的建议。具体来说，我们专注于生成自监督学习框架与可学习的增强范式，有利于重要的自监督信号的自动蒸馏。为了增强表示的鉴别能力，我们的掩码图自动编码器被设计为通过重建掩码子图结构来在增强过程中聚合全局信息。在几个公共数据集上进行实验和消融研究，以推荐产品，场地和位置。结果证明AutoCF相对于各种基线方法的优越性。我们在https://github.com/HKUDS/AutoCF上发布模型实现。
2023-03-21 cs.IR
Evaluating Podcast Recommendations with Profile-Aware LLM-as-a-Judge
Spotify
本文提出了一种基于LLM作为离线评估器的两阶段配置文件感知框架，通过构建用户收听历史的自然语言配置文件来评估播客推荐质量，有效降低输入复杂性并提升可解释性，在对照研究中高保真匹配人类判断。
2025-08-12 cs.AI cs.IR cs.LG
Data Augmentation as Free Lunch: Exploring the Test-Time Augmentation for Sequential Recommendation
本文探索序列推荐中的测试时增强（TTA），通过在推理时对输入进行增强并聚合预测来提升准确率，避免重训开销；提出TNoise和TMask方法，有效解决了现有增强操作符的效率与干扰问题。
2025-04-30 cs.IR
Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation
下一兴趣点推荐是基于位置的社交网络中不可或缺的组成部分，它根据用户最近的访问历史向用户推荐未探索的兴趣点。然而，现有的工作主要模型的检入数据作为孤立的POI序列，忽略了关键的合作信号，从交叉序列检入信息。此外，稀疏的POI-POI转换限制了模型学习有效的序列模式进行推荐的能力。在本文中，我们提出了序列到图（Seq 2Graph）增强每个POI序列，允许协作信号传播属于其他序列的相关POI。然后，我们设计了一种新的序列到图形POI推荐器（SGRec），它联合学习POI嵌入，并从图形增强的POI序列推断用户的时间偏好。为了克服POI级交互的稀疏性，我们进一步将类别感知注入SGRec，并使用多任务学习方案捕获更密集的类别转换。因此，SGRec充分利用协作信号来学习表达性POI表示，并全面揭示用于用户偏好建模的多层次序列模式。在两个真实数据集上的大量实验证明了SGRec在下一个POI推荐中相对于最先进方法的优越性。
2022-04-27 cs.IR
Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation
University College London（伦敦大学学院）；The University of Oklahoma（俄克拉荷马大学）
本研究分析了对话推荐系统基准数据集中的选择偏差和流行度偏差，提出了两种基于语言模型的数据增强策略'Once-Aug'和'PopNudge'，在ReDial和TG-ReDial数据集上有效提升了模型性能并缓解了多种偏差。
2023-10-25 cs.CL cs.IR
Adaptive Diffusion-based Augmentation for Recommendation
Harbin Institute of Technology（哈尔滨工业大学）；Capital Normal University（首都师范大学）；University of Surrey（萨里大学）
ADAR通过生成可控的负样本提升推荐系统性能，无需修改架构，有效优化决策边界。
2026-01-04 cs.IR
BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Co., Ltd.（科大讯飞股份有限公司）
BLADE通过双融合建模和行为级数据增强，提升多行为序列推荐的性能和泛化能力。
2025-12-15 cs.IR
Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation with Pre-training
针对序列推荐中短交互序列学习难、传统增强易破坏时间动态的问题，提出带预训练的双向时间数据增强方法BARec，通过双向增强与知识微调合成真实伪前置物品，在5个基准数据集上长短序列场景均表现更优，且具备可解释性。
2025-02-24 cs.IR
Inference Computation Scaling for Feature Augmentation in Recommendation Systems
Renmin University of China（中国人民大学）；The Chinese University of Hong Kong（香港中文大学）
本文首次将推理计算扩展应用于推荐系统特征增强，通过扩展思维链推理生成更多、更具体的特征，使NDCG@10提升12%，并发现模型选择与搜索策略是关键因素。
2025-02-22 cs.CL cs.IR
