Ultra Fast Warm Start Solution for Graph Recommendations
HSE University（俄罗斯莫斯科高等经济大学）
本研究针对图推荐系统UltraGCN的推荐更新需求，提出适配低秩近似的线性热启动方法，速度较传统方法最高快30倍，同时提升推荐质量，具备高可扩展性。
2025-09-01 cs.IR cs.LG
Attention Mixtures for Time-Aware Sequential Recommendation
Deezer Research（Deezer研究院）
本文提出MOJITO，一种改进的Transformer序列推荐系统，利用基于注意力的时间上下文和物品嵌入表示的高斯混合体进行序列建模，在多个真实数据集上超越现有方法。
2023-07-03 cs.IR cs.LG
Study of a bias in the offline evaluation of a recommendation algorithm
Viadeo（Viadeo公司）；Université Paris 1 Panthéon - Sorbonne（巴黎第一大学先贤祠-索邦大学）
推荐系统已经被集成到大多数大型在线系统中，以根据用户简档过滤和排名信息。因此，它会影响用户与系统交互的方式，并因此影响使用历史数据计算的推荐算法的性能评估（通过离线评估）。本文介绍了这种偏见，并讨论了相关的加权离线评估，以减少这种偏见，为不同类别的推荐算法。
2015-11-04 cs.IR cs.LG stat.ML
CAViaR: Context Aware Video Recommendations
Meta Inc.（元公司）
本文提出上下文感知视频推荐方法 CAViaR，通过建模低多样性对用户参与度的影响来兼顾多样性与相关性，可即插即用地集成到大规模推荐系统中，并在 Facebook Watch 上显著提升参与度和日活跃用户数。
2023-04-17 cs.IR cs.LG
One Model, Two Markets: Bid-Aware Generative Recommendation
Harvard University（哈佛大学）；Google Research（谷歌研究）
本文提出GEM-Rec框架，整合商业相关性和 monetization 目标，通过控制令牌和竞价感知解码机制实现动态优化，确保高价值物品生成。
2026-03-23 cs.AI cs.GT cs.IR
Content based News Recommendation via Shortest Entity Distance over Knowledge Graphs
基于内容的新闻推荐系统需要在不使用用户特定信息的情况下基于文章的主题和内容来推荐新闻文章。许多新闻文章描述特定事件的发生和命名实体，包括人，地点或物体。在本文中，我们提出了一个图遍历算法，以及一个新的加权方案冷启动内容为基础的新闻推荐利用这些命名实体。为了创建更高程度的用户特定的相关性，我们的算法计算命名实体之间的最短距离，跨新闻文章，在一个大的知识图谱。此外，我们已经创建了一个新的人类注释数据集，用于评估基于内容的新闻推荐系统。实验结果表明，我们的方法是合适的，以解决硬冷启动问题，它产生更强的皮尔逊相关性的人类相似性分数比其他冷启动方法。我们的方法也是互补的，与传统的冷启动推荐方法相结合，可能会产生显着的性能增益。数据集CNRec可在以下网址获得：https://github.com/kevinj22/CNRec
2019-05-24 cs.IR cs.LG stat.ML
Words to Waves: Emotion-Adaptive Music Recommendation System
Virginia Tech（弗吉尼亚理工大学）
针对现有推荐系统忽视情感上下文的问题，本文提出一种基于宽深学习架构变体的音乐推荐系统，利用Transformer嵌入从自然语言中实时推断情感状态，结合深度泛化与宽度记忆机制，实验证明能显著提升情感相关性。
2025-09-17 cs.IR cs.LG
Deep Multi-View Learning for Tire Recommendation
Université Lyon1（里昂第一大学）；Lizeo IT（Lizeo信息技术公司）
我们经常使用推荐系统，甚至没有注意到。他们建立了我们的个人资料，以便推荐我们最有可能感兴趣的内容。代表用户、他们与系统或产品的交互的数据可能来自不同的来源，并且具有各种性质。我们的目标是使用多视图学习方法来改进我们的推荐系统，并提高其管理多视图数据的能力。我们提出了几个国家的最先进的多视图模型应用到我们的工业数据之间的比较研究。我们的研究证明了在推荐系统中使用多视图学习的相关性。
2022-03-23 cs.IR cs.LG
Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations
Rensselaer Polytechnic Institute（拉特兰理工学院）
提出轻量级神经符号框架，通过推理时自适应用户知识图谱抑制特征共现，引导LLM产生多样化推荐，实验证明提高新颖性且保持质量。
2025-09-08 cs.IR cs.LG
Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
Myntra Designs Pvt. Ltd.（Myntra设计私人有限公司）
图表示学习（GRL）是推荐系统中一个新兴的、有前途的研究领域。在本文中，我们重新审视的奇异值分解（SVD）的邻接矩阵嵌入生成的用户和项目，并使用一个两层神经网络上的这些嵌入，学习用户项目对之间的相关性。受高阶学习在GRL中的成功的启发，我们进一步提出了这种方法的扩展，通过邻接矩阵的二阶来包括SVD的两跳邻居，并与仅使用一跳邻居的简单SVD方法相比，表现出更好的性能。在推荐系统的三个公开数据集上的实证验证表明，所提出的方法尽管简单，但击败了许多最先进的方法，并且对于三个数据集中的两个，击败了所有这些方法，幅度高达10%。通过我们的研究，我们希望阐明矩阵分解方法的有效性，特别是SVD，在深度学习时代，并表明这些方法仍然是推荐系统的重要基线。
2021-10-05 cs.IR cs.LG cs.SI
On the Consistency of Average Embeddings for Item Recommendation
Deezer Research（Deezer研究院）；Université Paris Dauphine, PSL（巴黎多芬大学（PSL大学））
本文针对推荐系统中平均嵌入表示用户的做法，提出期望精度分数衡量其一致性，理论分析与真实数据实验表明真实平均嵌入一致性较低，为改进推荐提供方向。
2023-08-30 cs.IR cs.LG stat.ML
Autoregressive Generation Strategies for Top-K Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Skoltech, HSE University（斯克里普钦科技大学，俄罗斯联邦经济大学）
本文研究生成式Transformer在Top-K序列推荐中的应用，提出基于温度采样与多序列聚合的RRA和RA策略，在多个数据集上验证其在较长时间范围内优于传统Top-K预测和单序列自回归生成方法。
2024-09-26 cs.IR cs.LG
GPT4Rec: A Generative Framework for Personalized Recommendation and User Interests Interpretation
University of Michigan（密歇根大学）；Amazon（亚马逊）
提出受搜索引擎启发的生成式推荐框架GPT4Rec，利用GPT-2生成多查询并基于BM25检索物品，克服了传统判别式模型的局限，显著提升了推荐的相关性与多样性，并增强了用户兴趣的可解释性。
2023-04-08 cs.IR cs.LG
Solving the Content Gap in Roblox Game Recommendations: LLM-Based Profile Generation and Reranking
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Roblox（罗布乐思公司）；Columbia University（哥伦比亚大学）；University of California, San Diego（加州大学圣地亚哥分校）
针对Roblox游戏推荐因文本特征稀疏不一致导致的内容差距问题，提出基于LLM的游戏档案生成与重排序方法，生成结构化游戏属性并验证其有效性，提升推荐相关性且已部署至生产环境。
2025-02-01 cs.AI cs.CL cs.IR
SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
University of Antwerp（安特卫普大学）；University of Helsinki（赫尔辛基大学）
提出SPADE指标，通过二维帕累托前沿距离同时衡量相似度、流行度与用户相关性，在五个数据集上验证其能有效识别真正的惊喜推荐。
2026-09-28 cs.AI cs.IR cs.LG
Evaluation of Session-based Recommendation Algorithms
TU Dortmund（多特蒙德工业大学）；AAU Klagenfurt（克拉根福大学）
推荐系统帮助用户找到感兴趣的相关项目，例如在电子商务或媒体流网站上。大多数学术研究关注的是根据长期用户简档个性化推荐的方法。然而，在许多现实世界的应用中，这种长期简档通常不存在，因此必须仅基于在正在进行的会话期间观察到的用户行为来进行推荐。鉴于高的实际相关性的问题，在这个问题上的兴趣增加，可以观察到在最近几年，导致一些建议基于会话的推荐算法，通常旨在预测用户的下一个动作。在这项工作中，我们提出了一些这样的算法，使用各种数据集和评估措施的深入性能比较的结果。我们的比较包括基于递归神经网络（如GRU4REC）的最新方法，因子分解马尔可夫模型方法（如FISM或FOSSIL），以及基于更简单的方法，例如，最近邻方案。我们的实验表明，后一类算法，尽管有时几乎微不足道的性质，往往表现得同样好，或显着优于今天的更复杂的方法，基于深度神经网络。因此，我们的研究结果表明，有很大的改进空间，关于更复杂的基于会话的推荐算法的发展。
2018-10-30 cs.AI cs.IR cs.LG
Trend-Aware Fashion Recommendation with Visual Segmentation and Semantic Similarity
University of Luxembourg（卢森堡大学）
本文提出融合视觉分割、语义相似度、流行度匹配与用户行为模拟的趋势感知时尚推荐框架，并在 DeepFashion 上验证其类别相关性与流行度预测效果。
2025-06-09 cs.CV cs.LG
