Modeling and Counteracting Exposure Bias in Recommender Systems
University of Louisville（路易斯维尔大学）
我们在网上发现和看到的东西，以及我们的观点和决定，越来越多地受到自动化机器学习预测的影响。同样，学习机器的预测准确性在很大程度上取决于我们提供给它们的反馈数据。这种相互影响可能导致闭环交互，这可能导致未知的偏差，在机器学习预测和用户反馈的多次迭代之后，这种偏差可能会加剧。机器造成的偏见有可能导致不良的社会影响，从两极分化到不公平和过滤泡沫。在本文中，我们研究了广泛使用的推荐策略，如矩阵分解固有的偏见。然后，我们模型的曝光，从用户和推荐系统之间的互动承担，并提出新的去偏置这些系统的策略。最后，我们试图减轻推荐系统的偏见工程解决方案的几个国家的最先进的推荐系统模型。我们的研究结果表明，推荐系统是有偏见的，并依赖于用户的事先曝光。我们还表明，研究的偏见迭代减少多样性的输出建议。我们的去偏置方法表明，需要考虑到曝光过程，以减少偏见的替代推荐策略。我们的研究结果表明，理解机器学习模型（如直接与人类交互的推荐系统）的性质并处理其中的偏见非常重要，因此对人类的发现和决策产生了越来越大的影响
2020-01-01 cs.IR cs.LG stat.ML
Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure
Meta Platforms, Inc.（Meta平台公司）
针对推荐闭环中的流行度偏差，本文提出曝光感知检索评分方法，在推理时建模物品曝光并解耦曝光与互动，在线实验中提升检索多样性且不损失参与度。
2025-06-08 cs.AI cs.IR
Cross Pairwise Ranking for Unbiased Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
大多数推荐系统在观察到的交互数据上优化模型，这受到先前曝光机制的影响，并表现出许多偏差，如流行度偏差。损失函数，如最常用的逐点二进制交叉熵和成对贝叶斯个性化排名，是不是设计来考虑观察数据中的偏差。因此，在损失上优化的模型将继承数据偏差，甚至更糟，放大偏差。例如，一些受欢迎的项目占用了越来越多的曝光机会，严重损害了利基项目的推荐质量-被称为臭名昭著的马修效应。在这项工作中，我们开发了一种新的学习范式，称为交叉配对排名（CPR），实现无偏见的建议，而不知道曝光机制。与反向倾向评分（IPS）不同，我们改变了样本的损失项-我们创新地对多个观察到的相互作用进行一次采样，并将损失作为其预测的组合。我们从理论上证明了这种方法抵消了用户/项目倾向对学习的影响，消除了由暴露机制引起的数据偏差的影响。与IPS相似，我们提出的CPR确保了每个训练实例的无偏学习，而无需设置倾向分数。实验结果表明，CPR优于国家的最先进的去偏的解决方案，在模型的泛化和训练效率。这些代码可在www.example.com上获得。
2022-04-26 cs.IR cs.LG
Targeted Data Poisoning Attack on News Recommendation System by Content Perturbation
School of New Media and Communication, Tianjin University（天津大学新媒体与传播学院）
新闻推荐系统已经成为许多在线新闻服务的基础技术。同时，大量研究表明，推荐系统容易受到数据投毒攻击，攻击者有能力误导推荐系统按照自己的意愿运行。一种被广泛研究的攻击方法，注入假用户，可以应用于NRS时，NRS被视为与其他系统的项目是固定的。然而，在NRS中，由于每个项目（即新闻）的信息量更大，我们提出了一种新的方法来毒化NRS，这是扰乱一些浏览的新闻的内容，导致操纵的排名的目标新闻。直觉上，如果攻击很有可能被捕获，那么它是无用的，即，暴露了为了解决这个问题，我们引入了曝光风险的概念，并提出了一个新的问题，通过扰动攻击历史新闻数据集，其目标是最大限度地操纵目标新闻排名，同时保持在给定的预算下的曝光风险。我们设计了一个强化学习框架，称为TDP-CP，它包含一个两阶段的层次模型，以减少搜索空间。同时，影响估计也被用来节省重新训练NRS的时间。我们测试了TDP-CP在三种NRS和不同目标新闻下的性能。实验结果表明，TDP-CP算法可以在有限的曝光预算下成功地提高目标新闻的排名。
2022-03-10 cs.AI cs.CR cs.IR
Single-Node Trigger Backdoor Attacks in Graph-Based Recommendation Systems
College of Intelligence and Computing, Tianjin University（天津大学智能计算学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy(SZ)（广东人工智能与数字经济实验室）；School of Cybersecurity, Northwestern Polytechnical University（西北工业大学网络安全学院）
针对图推荐系统中托攻击隐蔽性低、破坏性高的问题，提出仅插入一个虚假用户节点的单节点触发器后门攻击方法，在显著提升目标物品曝光度的同时将系统性能影响控制在约5%。
2025-06-10 cs.AI
SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
Meta Platforms, Inc.（Meta平台公司）
针对视频推荐中新物品冷启动分发难题，提出两阶段检索框架SocRipple，结合创作者社交连接与KNN搜索扩散，在维持用户参与率的同时将冷启动物品分发量提升36%。
2025-08-10 cs.AI cs.IR
Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本研究基于中国头部短视频平台的一年交互数据，定义并探究了短视频推荐中的深度过滤泡现象，分析了其演变规律与影响因素，并提出了降低用户陷入过滤泡风险的推荐系统设计方向。
2024-03-07 cs.AI
Learning to Alleviate Familiarity Bias in Video Recommendation
Google LLC（谷歌公司）
LAFB通过建模用户-内容熟悉度并调整评分预测来减轻视频推荐中的熟悉偏差，提升了内容多样性和新兴创作者的曝光
2026-02-08 cs.IR cs.LG
Echo Chambers in Collaborative Filtering Based Recommendation Systems
Stanford University（斯坦福大学）；University of Washington（华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Berkeley（加州大学伯克利分校）
推荐系统支撑着现代几乎所有在线内容的服务。从Youtube和Netflix推荐，到Facebook订阅和谷歌搜索，这些系统旨在根据用户的预测偏好过滤内容。最近，这些系统面临着越来越多的批评，就其对内容多样性，社会两极分化和健康的公共话语的影响。在这项工作中，我们模拟了协同过滤算法在MovieLens数据集中对用户的推荐。我们发现，长期接触系统生成的建议大大减少了内容多样性，移动个人用户进入“回声室”的特点是一个狭窄的内容范围。此外，我们的工作表明，一旦这些回声室已经建立，这是很难为个人用户突破单独操纵自己的评级向量。
2020-11-08 cs.AI cs.IR cs.LG
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
Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
大多数电子商务应用程序上的主页推荐以分层方式放置项目，其中不同的频道以不同的风格显示项目。现有的算法通常优化单个通道的性能。因此，设计一个推荐模型来获得最大化整个网页点击率的最优推荐列表是一个具有挑战性的问题。除了准确性目标之外，主页上的显示多样性也很重要，因为均匀的显示通常会损害用户体验。在本文中，我们提出了一个两阶段的主页推荐系统的架构。在第一阶段中，我们开发了有效的算法，用于在保持多样性的同时向适当的渠道推荐项目。这两种方法可以结合起来：具有多样性约束的用户-渠道-项目预测模型。在第二阶段，我们提供每个通道中的项目的有序列表。现有的重排序模型难以描述渠道内和渠道间项目之间的相互影响。因此，我们提出了一个深度和层次的注意力网络重新排名（DHANR）模型的网页推荐系统。分层注意力网络由项目编码器、项目级注意力层、通道编码器和通道级注意力层组成。我们的方法在离线实验中的精度，列表内平均距离（ILAD）和通道精度@k方面以及在线系统中的CTR和ILAD方面取得了显着的改善。
2021-12-12 cs.IR cs.LG
Adversarial Counterfactual Learning and Evaluation for Recommender System
Walmart Labs（沃尔玛实验室）
推荐系统的反馈数据往往受到什么是暴露给用户，然而，大多数学习和评价方法不占潜在的曝光机制。我们首先在理论上表明，应用监督学习来检测用户的偏好可能最终与曝光信息的情况下不一致的结果。来自因果推理的反事实倾向加权方法可以解释暴露机制;然而，反馈数据的部分观察性质可能导致可识别性问题。我们提出了一个原则性的解决方案，通过引入极大极小经验风险公式。我们表明，放松的对偶问题可以转换为两个推荐模型之间的对抗性游戏，其中候选模型的对手表征了潜在的曝光机制。我们提供了学习范围，并进行了广泛的模拟研究，以说明和证明所提出的方法在广泛的推荐设置，从而阐明了所提出的方法的各种好处的见解。
2020-11-08 cs.IR cs.LG stat.ML
Causal Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
Bypassing the Popularity Bias: Repurposing Models for Better Long-Tail Recommendation
Seznam.cz, a.s.（塞兹纳姆股份公司）
针对推荐系统中长尾内容发布者曝光不足的流行度偏差问题，提出重新利用工业推荐系统现有组件的方法，在保障推荐质量的同时提升弱势发布者曝光，经大规模AB实验验证有效并分享了生产应用洞见。
2024-09-17 cs.IR cs.LG
Deep Causal Reasoning for Recommendations
Wuhan University（武汉大学）
传统的推荐系统的目标是估计用户的评级的基础上观察到的评级从人口的项目。与所有观察性研究一样，隐藏的混杂因素是影响项目暴露和用户评级的因素，会导致估计中的系统性偏倚。因此，从因果关系的角度来消除混杂因素的影响是推荐系统研究的一个新趋势。观察到，在建议中的混杂因素通常是共享的项目，因此是多原因的混杂因素，我们模型的建议作为一个多原因多结果（MCMO）推理问题。具体来说，为了纠正混淆偏差，我们估计用户特定的潜变量，使项目曝光独立伯努利试验。生成分布由具有因子化逻辑似然的DNN参数化，并且通过变分推断估计难处理的后验。控制这些因素作为替代混杂因素，在温和的假设下，可以消除多原因混杂因素引起的偏倚。此外，我们表明，MCMO建模可能会导致高方差，由于稀缺的观测与高维因果空间。幸运的是，我们从理论上证明，引入用户特征作为预处理变量可以大大提高样本效率，减轻过拟合。模拟和真实世界数据集上的实证研究表明，所提出的深度因果推荐器比最先进的因果推荐器对未观察到的混杂因素表现出更强的鲁棒性。代码和数据集在https://github.com/yaochenzhu/deep-deconf上发布。
2022-11-21 cs.IR cs.LG
Quantifying the Potential to Escape Filter Bubbles: A Behavior-Aware Measure via Contrastive Simulation
本文提出了一种基于对比模拟的行为感知度量，用于量化用户逃离过滤气泡的潜力，揭示了偏好建模与过滤气泡之间的矛盾，并发现轻微随机推荐对缓解过滤气泡效果有限。
2025-11-27 cs.AI cs.SI
LLMs as Orchestrators: Constraint-Compliant Multi-Agent Optimization for Recommendation Systems
Workday
本文提出DualAgent-Rec框架，利用LLM协调多智能体优化，实现推荐系统中100%的约束满足和提升帕累托超体积。
2026-02-03 cs.AI cs.IR cs.LG
FAST: A Fairness Assured Service Recommendation Strategy Considering Service Capacity Constraint
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）
过多的客户往往导致服务质量下降。然而，推荐系统忽略了服务的容量限制，这可能导致不满意的推荐。这个问题可以通过限制接收服务推荐的用户数量来解决，但这可能被视为不公平。在本文中，我们提出了一种新的度量Top-N公平性来衡量个人的公平性多轮推荐服务的容量限制。考虑到用户通常只受推荐中排名靠前的项目的影响，Top-N Fairness只考虑由前N个服务组成的子列表。在此基础上，设计了一种公平保证服务推荐策略FAST。FAST调整原有推荐列表，为用户提供推荐结果，保证多轮推荐的长期公平性。从理论上证明了FAST算法的Top-N公平性方差的收敛性。FAST在Yelp数据集和合成数据集上进行了测试。实验结果表明，FAST在保持较高推荐质量的同时，实现了较好的推荐公平性.
2020-12-02 cs.IR cs.LG
Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
本文提出ICPNS框架，通过利用用户社区结构识别可靠负样本，提升推荐系统中隐式反馈的学习效果。
2026-02-21 cs.AI cs.IR
TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）；Ctrip.com International Ltd（携程国际有限公司）
目前，大多数关于推荐系统公平性的研究都是从消费者的角度或者从产品（或服务）提供商的角度进行的。但是，这种做法忽略了一个事实，即当一方的公平得到保证时，另一方的公平和权利很可能会减少。在本文中，我们考虑推荐场景的角度来看，双方（客户和供应商）。从供应商的角度考虑推荐系统中供应商曝光的公平性。对于客户，我们考虑由于引入公平性措施而导致的推荐结果质量降低的公平性。从理论上分析了推荐质量、用户公平性和提供商公平性之间的关系，并设计了一个面向用户和提供商的双边公平性感知推荐模型（TFROM）。具体来说，我们设计了两个版本的TFROM离线和在线推荐。在三个真实数据集上验证了该模型的有效性。实验结果表明，TFROM提供了更好的双边公平性，同时仍然保持了更高水平的个性化比基线算法。
2021-04-19 cs.AI
Causal Intervention for Fairness in Multi-behavior Recommendation
Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）
针对多行为推荐中流行度偏差导致的两类不公平问题，提出基于后门调整的因果框架，通过阻断混杂因素路径、平衡流行度与质量影响，在不损失准确率的前提下提升推荐公平性。
2024-04-17 cs.AI cs.IR
Correcting the User Feedback-Loop Bias for Recommendation Systems
Tsinghua University（清华大学）；Cornell University（康奈尔大学）；University of Connecticut（康涅狄格大学）；Weill Cornell Medicine（威尔康奈尔医学院）
选择偏差是普遍存在于训练和评估具有显式反馈的推荐系统的数据中。例如，用户倾向于对他们喜欢的项目进行评级。然而，当对关于特定用户的项目进行评级时，大多数推荐算法倾向于过于依赖他/她的评级（反馈）历史。这在推荐系统中引入了隐式偏差，本文称之为用户反馈循环偏差。我们提出了一个系统的和动态的方法来纠正这种偏见，并获得更多样化和客观的建议，利用时间评级信息。具体来说，我们的方法包括一个深度学习组件，用于学习每个用户的动态评级历史嵌入，以估计用户顺序评级的项目的概率分布。这些估计的动态暴露概率然后被用作倾向分数以训练逆倾向分数（IPS）评级预测器。我们经验验证了存在这样的用户反馈循环偏见在现实世界中的推荐系统，并比较我们的方法与基线模型的性能，无论是没有去偏或与其他方法估计的倾向得分。结果表明了我们的方法的优越性。
2021-09-13 cs.IR cs.LG
Preserving Privacy and Utility in LLM-Based Product Recommendations
University of Southern California（南加州大学）
提出一种混合隐私保护推荐框架，通过分离敏感与非敏感数据并设计本地去混淆模块，在保护隐私的同时实现了与全数据共享相当的推荐效用。
2025-05-02 cs.CR cs.IR cs.LG
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）；University of Guilan（吉兰大学）；University of Southern California（南加州大学）
兴趣点（POI）推荐系统为用户提供个性化推荐，帮助企业吸引潜在客户。尽管它们取得了成功，但最近的研究表明，高度数据驱动的建议可能会受到数据偏见的影响，导致对不同利益相关者（主要是消费者（用户）和提供者（物品））的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理，而忽略了推荐系统是在双边市场中工作的。本文研究了（i）活跃用户的不公平性，（ii）热门项目的不公平性，（iii）推荐的准确性（个性化）之间的相互作用，作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别，以根据他们的活动水平来衡量用户公平性。对于项目公平性，我们将项目分为短头、中尾和长尾组，并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型（例如，在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文（CF）表明，大多数表现良好的模型严重遭受流行偏见的不公平性（提供商不公平性）。此外，我们的研究表明，大多数推荐模型不能同时满足消费者和生产者的公平性，这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而，这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
Towards Psychologically-Grounded Dynamic Preference Models
University of California, Berkeley（加州大学伯克利分校）；Massachusetts Institute of Technology（麻省理工学院）
设计服务内容与时变偏好一致的推荐系统需要适当考虑推荐对人类行为和心理状况的反馈效应。我们认为，建模的建议对人们的偏好的影响，必须在心理上合理的模型。我们贡献了一种方法，发展接地动态偏好模型。我们证明了这种方法的模型，捕捉三个经典的心理学文献的影响：单纯暴露，操作条件反射，享乐适应。我们进行基于模拟的研究表明，心理模型表现出不同的行为，可以告知系统设计。我们的研究有两个直接影响推荐系统中的动态用户建模。首先，我们概述的方法是广泛适用于心理接地动态偏好模型。它使我们能够批评最近的贡献，基于他们对心理学基础的有限讨论和他们令人难以置信的预测。其次，我们讨论了动态偏好模型的建议系统的评估和设计的影响。在一个例子中，我们表明，参与度和多样性指标可能无法捕获理想的推荐系统的性能。
2022-08-06 cs.AI cs.HC cs.IR
CALMRec: Causally Aligned Language Memory for Long-Horizon Recommendation
Shenzhen University（深圳大学）
研究针对当前大语言模型推荐器的问题，提出CALMRec框架，利用冻结多模态语言模型转换信息，维护多种记忆，通过倾向加权更新等减少偏差，在多环境评估中表现良好，提升了折扣长期价值，释义基准上语义原子NDCG显著提高。
2026-07-28 cs.AI cs.LG
Correcting Exposure Bias for Link Recommendation
Amazon（亚马逊）；Carnegie Mellon University（卡内基梅隆大学）；Rutgers University（罗格斯大学）；Amazon Web Services (AWS) AI Labs（亚马逊云科技（AWS）人工智能实验室）
链接预测方法经常应用于推荐系统中，例如，为学术论文或社交网络中的朋友建议引用。然而，当用户系统性地暴露于某些相关项目时，可能会出现暴露偏差。例如，在引文网络中，作者可能更有可能遇到来自自己领域的论文，从而优先引用它们。这种偏差可以通过简单训练的链接预测器传播，导致有偏差的评估和高泛化误差（如通过真实相关性评估的）。此外，反馈回路可能会加剧这种偏见。我们提出了估计，利用已知的曝光概率，以减轻这种偏见和随之而来的反馈回路。接下来，我们提供了一个损失函数，用于从数据中学习暴露概率。最后，基于真实世界引文网络的半合成数据的实验表明，我们的方法可靠地识别（真正）相关的引文。此外，我们的方法导致推荐论文的研究领域更加多样化。该代码可在https://github.com/shantanu95/exposure-bias-link-rec上获得。
2021-06-13 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
Modeling User Exposure in Recommendation
Columbia University（哥伦比亚大学）；McGill University（麦吉尔大学）
协作过滤分析用户对项目的偏好（例如，书籍、电影、餐馆、学术论文）。在隐式反馈设置中，所有项目，包括用户没有消费的项目，都被考虑在内。但这种假设并不符合用户对项目的范围和意识有限的常识理解。例如，用户可能没有听说过某篇论文，或者可能住得离餐馆太远而无法体验它。用户所接触的项目）是可能针对各种用户/项目组合而改变的潜在变量。在本文中，我们提出了一种新的概率方法，直接将用户接触到项目的协同过滤。暴露被建模为潜在变量，并且模型从数据推断其值。在这样做的过程中，我们恢复了最成功的最先进的方法之一，作为我们模型的特殊情况，并提供了一个插件方法，用于调节各种形式的暴露协变量（例如，主题在文本中，地点）。我们表明，我们的可扩展的推理算法优于现有的基准在四个不同的领域都有和没有曝光协变量。
2016-02-04 cs.IR cs.LG stat.ML
Be Causal: De-biasing Social Network Confounding in Recommendation
University of Technology, Sydney（悉尼科技大学）
在推荐系统中，非随机缺失（MNAR）问题的存在导致了选择偏差问题，最终降低了推荐性能。解决MNAR的一种常见做法是从所谓的“暴露”角度处理缺失条目，即，对项目如何暴露（提供）给用户进行建模。大多数现有的方法使用启发式模型或重新加权策略上观察到的收视率，以模仿随机缺失的设置。然而，很少有研究表明，从因果关系的角度来看，评级是如何缺失的。为了弥补这一差距，我们提出了一个无偏的和强大的方法称为DENC（去偏网络混淆的建议）的启发混淆分析的因果推理。一般来说，DENC从固有因素（例如，潜在用户或项目因素）和辅助网络的视角。特别地，在DENC中提出的暴露模型可以控制社会网络混淆，同时保留观察到的暴露信息。我们还通过平衡表示学习开发了一个去框架模型，保留了主要用户和项目特征，使DENC能够很好地推广评分预测。在三个数据集上的广泛实验验证了我们提出的模型优于最先进的基线。
2021-05-20 cs.LG
Choosing Online Experiment Designs under Interference in Ads, Recommendations, and Member-Experience Systems
Department of Mathematics（数学系）；Embry-Riddle Aeronautical University（埃姆布里-瑞德尔航空航天大学）
针对广告、推荐和会员体验系统中干扰机制未知的问题，提出一种基于鲁棒设计选择的框架，通过最坏情况规划风险比较六种可实施设计，并给出几何感知保证和有限目录近似定理。
2026-05-24 cs.LG stat.ML
COPF: An Online Framework for Deployment-Stable Counterfactual Fairness in Evolving Graphs
Shanghai Jiao Tong University（上海交通大学）
针对演化图上的在线链接推荐，提出COPF框架，通过反事实暴露机会差距、显式探索和残差不可区分性审计，实现部署稳定的公平性监控与控制。
2026-05-30 cs.AI cs.LG
Fairness Begins with State: Purifying Latent Preferences for Hierarchical Reinforcement Learning in Interactive Recommendation
Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究所）；Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆学院）；The First Affiliated Hospital, University of Science and Technology of China（中国科学技术大学第一附属医院）；City University of Hong Kong（香港城市大学）
本文提出DSRM-HRL框架，通过净化潜在偏好解决交互推荐中的公平与准确冲突，实现推荐效用与曝光公平的平衡。
2026-03-04 cs.AI cs.LG
Why Does Misinformation Propagate Faster? An Algorithmic Perspective on X
Georgia Institute of Technology（佐治亚理工学院）；Arizona State University（亚利桑那州立大学）
本研究通过X平台开源算法，发现参与度可互换性机制使虚假信息因即时反应获得更多推荐而传播更快，并提出反思阈值门控修复方案，在46项检验中显著缩小可信度曝光差距且不损害主流曝光。
2026-09-25 cs.LG cs.SI econ.GN
Fairness of Exposure in Stochastic Bandits
Cornell University（康奈尔大学）
上下文强盗算法已被广泛用于在线系统（例如市场，音乐流媒体，新闻）中的推荐，在这些系统中，它们现在对哪些项目被暴露给用户产生重大影响。这就提出了对这些物品以及从这种曝光中受益的卖家、艺术家和作家的公平性的问题。我们认为，传统的强盗公式可能会导致一个不可取的和不公平的赢家通吃的风险分配。为了解决这个问题，我们提出了一个新的强盗目标，保证基于价值的公平暴露的项目，同时优化效用的用户。我们制定公平后悔和奖励后悔在这种情况下，随机多武装土匪和随机线性土匪的算法。我们证明了该算法实现了次线性公平后悔和奖励后悔。除了理论分析，我们还提供了经验证据，这些算法可以公平地分配暴露于不同的武器有效。
2021-09-12 cs.IR cs.LG
Intra-session Context-aware Feed Recommendation in Live Systems
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
Feed推荐允许用户不断地浏览项目，直到感到不感兴趣并离开会话，这与传统的推荐场景不同。在会话中，用户继续浏览或不继续浏览的决定实质上会影响以后点击的发生。然而，在大多数饲料推荐研究中，这种类型的暴露偏倚通常被忽略或未明确建模。在本文中，我们将这种效果建模为会话内上下文的一部分，并提出了一种新的会话内上下文感知Feed推荐（INSCAFER）框架，以同时最大化总视图和总点击量。用户点击和浏览决策是通过多任务设置共同学习的，会话内上下文是通过会话方式暴露的项序列编码的。我们在线部署我们的模型，改进了所有关键业务基准。我们的方法揭示了一些灯的饲料推荐研究，旨在优化会话级点击和查看指标。
2023-01-11 cs.IR cs.LG
From a Static Multi-Level Small Semantic Codebook to a Dynamic Single-Level Large Semantic Codebook for Generative Recommendation
Kuaishou Technology（快手科技）
该研究针对生成式推荐中多级残差量化的缺陷，提出单级大语义码本及动态更新机制，在公开数据集、服务架构及在线测试中均实现推荐性能与效率的提升。
2026-08-24 cs.IR cs.LG
Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation
Seoul National University（首尔国立大学）
在向用户推荐个性化的热门$k$商品时，我们如何在满足用户需求的同时向用户推荐个性化的商品？聚合多样性推荐系统的目标是在不牺牲推荐准确性的情况下向所有用户推荐各种项目。它们增加了各种物品的曝光机会，这反过来又增加了卖家的潜在收入和用户满意度。然而，它是具有挑战性的，以解决聚合级的多样性与矩阵分解（MF），最常见的推荐模型之一，因为倾斜的真实世界数据导致倾斜的MF推荐结果。在这项工作中，我们提出了DivMF（DifferentialRegularized Matrix Factorization），一种新的矩阵分解方法，用于聚合多样化推荐。DivMF正则化MF模型的得分矩阵以最大化前$k$推荐列表的覆盖率和熵，从而使推荐结果聚合地多样化。我们还提出了一个unmasking机制和精心设计的多批次学习技术，以实现准确和高效的训练。在真实数据集上的大量实验表明，DivMF在聚合多样性推荐方面达到了最先进的性能。
2022-10-19 cs.IR cs.LG
Recommendation under Capacity Constraints
University of Minnesota（明尼苏达大学）；Netflix
在本文中，我们研究了常见的情况下，每个候选项目的推荐是由一个最大容量，即，兴趣点（POI）中的座位数或物品库存的大小。尽管在各种设置中的能力约束下推荐项目的任务的流行，据我们所知，没有一个已知的推荐方法被设计为尊重能力约束。为了缩小这一差距，我们扩展了三种最先进的潜在因素推荐方法：概率矩阵分解（PMF），地理矩阵分解（GeoMF），和baidu个性化排名（BPR），以优化推荐精度和预期项目使用率，尊重容量限制。我们介绍了有用的概念，用户倾向于听和项目容量。我们的实验结果在现实世界的数据集，无论是项目推荐和兴趣点推荐领域，突出了我们的方法的好处，在容量限制的建议设置。
2017-03-12 cs.IR cs.LG stat.ML
Producer-Fairness in Sequential Bundle Recommendation
Huawei Noah's Ark Lab（华为诺亚实验室）；Université d'Orléans（奥尔良大学）；Université Grenoble-Alpes（格勒诺布尔阿尔卑斯大学）
针对序列化捆绑推荐场景，本文形式化了生产者公平性问题，并提出精确求解、启发式及自适应方法，在保证推荐质量的同时实现物品组的公平曝光。
2025-06-25 cs.IR cs.LG
Embedding models for recommendation under contextual constraints
Criteo AI Lab（Criteo人工智能实验室）
嵌入模型是推荐系统的一个关键组成部分，它根据用户与项目的交互模式来学习用户和项目的潜在表示。在许多应用中，需要应用上下文约束来细化推荐，例如，当用户指定价格范围或产品类别过滤器时。对于上下文感知模型和标准模型，传统的方法是检索项并将约束作为独立的操作应用。执行这两个步骤的顺序可能会导致重大问题。例如，后验地应用约束可能导致不完整的推荐或分布尾部的低质量结果（即，不太受欢迎的项目）。因此，约束带来的关于用户意图的附加信息可能不会被准确地捕获。在本文中，我们提出了集成的上下文约束的相似性计算所提供的信息，通过合并约束的应用和检索到嵌入空间中的一个操作。这种技术允许我们为指定的约束生成高质量的建议。我们的方法学习约束表示与用户和项目嵌入。我们将我们的方法纳入矩阵分解模型，并在一个内部和两个真实世界的数据集上进行实验评估。我们的研究结果表明，与上下文感知和标准模型相比，预测性能有显着提高。
2019-06-21 cs.IR cs.LG stat.ML
Streaming Algorithms for News and Scientific Literature Recommendation: Submodular Maximization with a d-Knapsack Constraint
Texas A&M University（德克萨斯A&M大学）
次模极大化问题属于组合优化问题族，有着广泛的应用。在本文中，我们专注于最大化单调子模函数的问题受到$d$ -背包约束，为此，我们提出了一个流算法，实现了$\left(\frac{1}{1+2d}-ε\right)$ -近似的最优值，而它只需要一个单一的通过数据集，而不存储在内存中的所有数据。在我们的实验中，我们广泛评估我们提出的算法的有效性，通过两个应用程序：新闻推荐和科学文献推荐。据观察，所提出的流算法实现了执行加速和内存节省了几个数量级，与现有的方法相比。
2016-07-05 cs.DS cs.LG
Scaling up Ranking under Constraints for Live Recommendations by Replacing Optimization with Prediction
Columbia University（哥伦比亚大学）；Stanford University（斯坦福大学）
许多重要的多目标决策问题都可以在约束排序的框架下进行求解，并通过加权二部匹配线性规划来解决。这些优化问题中的一些，例如个性化内容推荐，可能需要实时的解决，因此必须遵守严格的时间要求，以防止消费者感知到延迟。经典的线性规划对于这样的设置计算效率太低。我们提出了一种新的方法来扩大排名的约束条件下，取代加权二分匹配优化与预测问题的算法部署阶段。我们的经验表明，建议的近似解决方案的排名问题，导致所需的计算资源大幅减少，而没有太多的牺牲，在约束合规性和实现的效用，使我们能够解决更大的约束排名问题实时，在所需的50毫秒内，比以前报道的。
2022-02-14 cs.IR cs.LG
Interactive Recommendations for Optimal Allocations in Markets with Constraints
University of California, Berkeley（加州大学伯克利分校）；Salesforce Research（赛富时研究院）
推荐系统在市场中起着双重作用：它们帮助用户从一个大的库中选择他们最想要的物品，并帮助将有限数量的物品分配给最想要的用户。尽管在许多现实世界的建议设置的分配能力的限制，一个原则性的方式将它们纳入这些系统的设计一直缺乏。出于这一动机，我们提出了一个互动的框架，系统提供商可以提高质量的建议，用户通过机会主义地探索分配，最大限度地提高用户的奖励和尊重的能力限制，使用适当的定价机制。我们建模的问题作为一个低秩的组合多臂强盗问题的一个实例，选择限制的武器。我们采用了一种综合的方法，使用技术从协同过滤，组合土匪，最优资源分配，提供一个算法，可证明实现次线性遗憾，即$\tilde{\mathcal{O}} ( \sqrt{N M (N+M) RT} )$在$T$轮的问题与$N$用户，$M$项目和排名$R$平均奖励矩阵。对合成数据和真实数据的实证研究也证明了我们方法的有效性和性能。
2022-07-28 cs.GT cs.IR cs.LG
A General Offline Reinforcement Learning Framework for Interactive Recommendation
Westlake University（西湖大学）
针对交互式推荐难以在线探索的问题，本文提出通用离线强化学习框架，结合概率生成模型、随机策略推理及五种分布失配缓解方法，并在两个真实数据集上验证其优于现有方法。
2023-10-01 cs.IR cs.LG
