A Text-Based Recommender System that Leverages Explicit Affective State Preferences
Department of Computer Science University of North Carolina at Charlotte(计算机科学系北卡罗来纳大学夏洛特分校)
本文提出一种利用用户显式情感状态偏好的新型推荐任务,构建了从书评中挖掘细粒度情感表达的大规模数据集,并提出基于Transformer的架构,实验证明结合项目文本与情感偏好的模型效果最佳。
2025-08-21 cs.AI cs.IR
An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration
Graz University of Technology(格拉茨工业大学);Siemens Gas & Power(西门子天然气与电力公司)
推荐系统支持各种领域的决策,从简单的项目,如书籍和电影到更复杂的项目,如金融服务,电信设备和软件系统。在这种情况下,例如基于分析相似用户的偏好来确定推荐。与可以在项目目录中枚举的简单项目相反,复杂项目必须基于可变性模型(例如,特征模型),因为所有可能配置的完整枚举是不可行的,并且会触发显著的性能问题。在本文中,我们给出了一个潜在的新的研究路线,这是与推荐系统和机器学习技术在特征建模和配置的应用有关的概述。在此背景下,我们给出了推荐系统和机器学习的应用实例,并讨论了未来的研究问题。
2021-02-12 cs.AI cs.IR cs.SE
Ten Challenges in Industrial Recommender Systems
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文基于华为诺亚方舟实验室十年推荐系统研发经验,结合行业技术演进趋势,提出工业推荐系统面临的十大挑战,以期为RecSys社区提供研究启发、推动推荐系统技术发展。
2023-10-07 cs.AI cs.IR
Evaluating ChatGPT as a Recommender System: A Rigorous Approach
Polytechnic University of Bari(巴里理工大学)
本文提出一种稳健的评估流程,在零样本条件下全面评估ChatGPT作为推荐系统在Top-N推荐、冷启动和重排序任务中的表现,并考量幻觉、重复及超越准确性指标。
2024-06-04 cs.AI cs.CL cs.IR
Privacy Risks of LLM-Empowered Recommender Systems: An Inversion Attack Perspective
Monash University(墨尔本大学)
本文首次系统研究了针对LLM赋能推荐系统的反演攻击,提出Similarity Guided Refinement方法优化vec2text框架,从模型输出logits重构原提示词,实验证明该攻击能高保真恢复用户交互项目及人口属性,揭示了此类系统的严重隐私漏洞。
2025-09-12 cs.AI cs.IR
HELM: A Human-Centered Evaluation Framework for LLM-Powered Recommender Systems
HELM框架通过五个以人为本的维度评估LLM推荐系统,揭示传统指标无法捕捉的关键质量维度,并展示GPT-4在解释质量与交互自然性上的优势及流行度偏差。
2026-01-27 cs.AI cs.IR
The use of Recommender Systems in web technology and an in-depth analysis of Cold State problem
University for Business and Technology(商业与技术大学)
在WWW(World Wide Web)中,数据的动态发展和传播使得Internet上的信息量巨大,但用户却无法在短时间内找到相关信息。因此,一个被称为推荐系统的系统被开发出来,以帮助用户通过他们的浏览活动轻松地找到他们的信息。换句话说,推荐系统是用于与大量信息交互的工具,其提供个性化视图以优先化用户可能感兴趣的项目。多年来,他们在人工智能技术方面取得了进展,其中包括机器学习和数据采掘。此外,推荐系统已经在电子商务、在线应用(诸如Amazon.com、Netflix和Booking.com)上进行了个性化。因此,这激发了许多研究人员将推荐系统的范围扩展到尚未真正解决的新挑战和问题领域,主要是向新用户进行推荐的情况下的问题,称为冷状态(即冷启动)用户问题,其中新用户可能不会产生太多搜索信息。因此,本文的目的是用一些有效的方法和挑战来解决上述冷启动问题,并从整体上识别和概述推荐系统的现状
2020-09-10 cs.AI cs.IR
An Artificial Immune System as a Recommender System for Web Sites
University of the West of England(西英格兰大学);University of Nottingham(诺丁汉大学)
人工免疫系统已成功地用于建立电影数据库的推荐系统。在本研究中,我们尝试将这个想法延伸到网站推荐。将使用超过1000个个人网络配置文件(或者称为偏好/收藏夹/书签文件)的集合。URL将使用开放目录项目的DMOZ(目录Mozilla)数据库作为我们的本体进行分类。这将被用作人工免疫系统的数据,而不是实际的地址。第一次尝试将涉及使用一个简单的分类代码编号,再加上该分类代码中的页数。然而,这种实现方式并没有利用DMOZ的分层树状结构。然后,将考虑建设一个相似性度量的网络配置文件,利用这种层次信息,以建立一个更好的人工免疫系统。
2008-04-03 cs.AI cs.NE
Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain
Hong Kong Baptist University(香港浸会大学);Duke Kunshan University(昆山杜克大学)
本研究开发基于ChatGPT的对话式推荐系统,通过在线实验(N=100)考察提示引导和推荐领域对用户体验的影响,发现提示引导提升系统可解释性等指标,且效果受推荐领域调节。
2024-05-22 cs.AI cs.HC
Research on Conversational Recommender System Considering Consumer Types
针对现有对话推荐系统忽视用户异质决策风格和知识水平的问题,提出CT-CRS框架,融合消费者类型建模与逆强化学习,在多个数据集上提升推荐成功率并减少交互轮次。
2025-09-09 cs.AI cs.IR cs.SI
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
Reading Between the Lines: A Study of Thematic Bias in Book Recommender Systems
本文利用Book-Crossing数据集研究图书推荐中的主题偏差,发现其源于内容不平衡并被用户参与模式放大,小众和长尾兴趣用户获得的个性化推荐更少,为负责任AI和跨领域偏差分析奠定基础。
2025-08-21 cs.IR
Computational Curiosity (A Book Draft)
Nanyang Technological University(南洋理工大学)
本书讨论了计算好奇心,从好奇心的心理学到好奇心的计算模型,然后展示了计算好奇心的几个有趣应用。本书的简要概述如下。第一章讨论了人类好奇心的基础,包括好奇心的主要类别,与好奇心相关的情感和行为,以及好奇心的好处。第二章回顾了心理学中好奇心的激发理论,并总结了计算好奇心的一般两步过程模型。第三章基于两步过程模型的视角,对好奇心的传统计算模型进行了回顾和分析。第四章介绍了一个基于好奇心唤醒理论的好奇心通用计算模型。在讨论了好奇心的计算模型之后,我们在第五章中概述了计算好奇心可能带来重大影响的重要应用。第6章讨论了好奇心的通用计算模型在机器学习框架中的应用。第七章讨论了好奇心的通用计算模型在推荐系统中的应用。在第八章和第九章中,我们研究了两类教学主体的好奇心的通用计算模型。第八章研究了一个好奇的同伴学习者。它是一个非玩家角色,旨在为用户提供一个可信的虚拟学习环境。第九章研究了一个好奇的学习伙伴。它旨在通过与用户提供有意义的互动来增强用户的学习体验。第10章讨论了计算好奇心研究领域的开放性问题。
2015-02-17 cs.AI
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院);Aalborg University(奥尔堡大学)
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征,并以结构化的形式提供它们的解释。众所周知,用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面,最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本,我们的目标是表明生成的文本可以成功地用于解释建议。在本文中,我们提出了一个框架,包括流行的审查为导向的生成模型,旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集,其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法,我们采用DeepCoNN,一种新的面向评论的推荐系统,使用深度神经网络,通过均方根误差(RMSE)来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知,这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
RARD II: The 94 Million Related-Article Recommendation Dataset
Trinity College Dublin(都柏林圣三一学院);National Institute of Informatics(情报信息研究所);University College Dublin(都柏林大学学院)
本文的主要贡献是介绍和描述一个新的推荐系统数据集(RARD II)。它基于DLib先生的数据,DLib先生是数字图书馆和参考管理软件领域的一个推荐系统即服务。因此,RARD II补充了其他领域的数据集,如书籍,电影和音乐。该数据集包含9400万条建议,这些建议是在2016年9月至2018年9月的两年中提供的。该数据集覆盖了24m个独特项目的项目空间。RARD II提供了一系列丰富的推荐数据,超越了传统的评级。例如,除了通常的(隐含的)评级矩阵,RARD II还包括原始的推荐日志,这些日志提供了对生成推荐的算法的许多方面的独特见解。这些日志使研究人员能够对真实世界的推荐系统进行各种分析。这包括评估用于预测算法性能的元学习方法。在本文中,我们总结了该数据集发布的主要功能,描述了它是如何生成的,并讨论了它的一些独特功能。与其前身RARD相比,RARD II包含64%的推荐,187%的功能(算法,参数和统计数据),50%的点击量,140%的文档,以及一个额外的服务合作伙伴(JabRef)。
2019-08-21 cs.AI cs.DL cs.IR
Machine Learning Recommendation System For Health Insurance Decision Making In Nigeria
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Arteri Africa;University at Buffalo, State University of New York(纽约州立大学布法罗分校);Swansea University(斯旺西大学)
针对尼日利亚健康保险参保率低的问题,本研究基于内容过滤方法,采用余弦相似度算法构建推荐系统,根据用户位置和价格偏好筛选并推荐前3个HMO,帮助用户降低决策门槛并选择适合的保险计划。
2023-05-18 cs.AI
ViewpointS: towards a Collective Brain
CIRAD(法国农业发展研究中心);Univ Montpellier(蒙彼利埃大学);AgroParisTech(巴黎高科农业学院);CNRS(法国国家科学研究中心);IRSTEA(法国国家环境与农业科学研究院)
追踪知识获取并将学习事件与同伴之间的互动联系起来是我们这个时代的主要挑战。我们已经构思,设计和评估了一个新的范式,我们称之为ViewpointS的网络交互,构建和使用集体知识。通过利用与Edelman的神经元群体选择理论(TNGS)的相似性,我们推测它可以被隐喻地认为是一个集体大脑,特别是在跨学科表征的情况下。在本文中,我们提出了我们的建议的原因(和限制),旨在成为一个有用的整合工具,为未来的定量探索个人以及集体学习在不同程度的粒度。因此,我们正在挑战当前的每一种方法:语义网中的逻辑方法,挖掘和深度学习中的统计方法,基于权威和信任的推荐系统中的社会方法;不是在他们自己喜欢的操作领域,而是在他们的集成弱点远离人类大脑的整体和动态行为。
2018-09-03 cs.AI cs.MA cs.SI
AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems
提出AgentX多智能体系统,通过闭环迭代自动生成、实施、评估推荐实验,实现工业推荐系统的自进化,突破人工瓶颈。
2026-06-29 cs.AI cs.CL cs.IR
SimUSER: Simulating User Behavior with Large Language Models for Recommender System Evaluation
Woven by Toyota(丰田编织)
针对推荐系统离线评估与在线行为脱节及真实用户数据受限问题,提出SimUSER智能体框架,通过生成自洽用户画像并结合记忆等模块模拟用户交互,其模拟效果优于现有工作,还可支持相关因素分析及系统参数优化以提升真实用户参与度。
2025-04-17 cs.AI cs.IR
Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
针对传统推荐模型交互性弱、大语言模型缺乏领域推荐知识的问题,提出以LLMs为大脑、推荐模型为工具的InteRecAgent框架,实现高性能交互式推荐系统。
2024-01-30 cs.AI cs.IR
Play to Your Strengths: Collaborative Intelligence of Conventional Recommender Models and Large Language Models
本文提出CoReLLa框架,通过联合训练传统推荐模型与大型语言模型并利用对齐损失解决决策边界偏移,使CRM处理简单样本、LLM处理复杂样本,从而发挥两者协同优势,显著提升推荐性能。
2024-03-25 cs.IR
Can we aggregate human intelligence? an approach for human centric aggregation using ordered weighted averaging operators
本文的主要目的是提出一种方法,推荐系统,可以同化排名的选民或排名,使推荐可以优先考虑专家的建议比通常的建议。为了实现这一点,我们通过有序加权聚合(OWA)引入了以人为中心的聚合概念。在这里,我们提倡排名推荐,其中排名者根据他们在排名中的位置被分配权重。此外,推荐过程中,这是在这里介绍的推荐图书大学生利用语言数据摘要和有序加权聚合(OWA)技术。在所建议的方法中,权重的分配方式是将较高的权重与排名最好的大学相关联。该方法已被评估超过八个不同的参数。所提出的方法的优越性是显而易见的,从评估结果。我们声称,该方案节省了传统推荐系统所需的存储空间,以及它不需要用户的先验偏好,从而产生冷启动问题的解决方案。这设想,该计划可以是非常有用的决策问题,特别是推荐系统。此外,它强调了如何以人为中心的聚合可以在推荐研究中的有用,也给出了一个新的方向,如何各种人类特定的任务可以数值聚合。
2021-05-01 cs.HC cs.IR
Evaluating Document Representations for Content-based Legal Literature Recommendations
Open Legal Data(开放法律数据);German Research Center for Artificial Intelligence(德国人工智能研究中心);ETH Zurich(苏黎世联邦理工学院);University of Wuppertal(伍珀塔尔大学)
推荐系统帮助法律专业人士找到相关文献来支持他们的案件。尽管它的重要性的专业,法律应用并没有反映在推荐系统和表示学习研究的最新进展。同时,法律推荐系统通常在没有任何公共基准数据集的情况下在小规模用户研究中进行评估。因此,这些研究的重现性有限。为了解决研究与实践之间的差距,我们探索了一套国家的最先进的文件表示方法检索语义相关的美国判例法的任务。我们评估基于文本的(例如,fastText、Transformers)、基于引用的(例如,DeepWalk,Poincaré)和混合方法。我们使用两种银标准对2,964份文件进行了注释,共比较了27种方法。银标准是从Open Case Book和Wikispecies新创建的,可以在开放许可下重复使用,以促进可重复性。我们的实验表明,来自平均fastText单词向量(在法律语料库上训练)的文档表示产生了最好的结果,紧随其后的是庞加莱引用嵌入。以混合方式组合fastText和Poincaré进一步改善了整体结果。除了整体性能外,我们还根据文档长度,引用计数和建议的覆盖范围分析了这些方法。我们在https://github.com/malteos/legal-document-similarity/上公开我们的源代码、模型和数据集。
2021-04-28 cs.CL cs.IR
ONCE: Boosting Content-based Recommendation with Both Open- and Closed-source Large Language Models
The Hong Kong Polytechnic University(香港理工大学);Waseda University(早稻田大学)
本研究提出ONCE方法,结合开源LLM作为内容编码器和闭源LLM通过提示增强训练数据,显著提升基于内容的推荐性能,相对最先进模型提升达19.32%。
2023-08-31 cs.CL cs.IR