Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
该研究提出神经树协同过滤（NTCF）框架，将图协同过滤重新建模为树结构并基于曲率分配节点特定传播深度，其性能优于多数GCF模型，可作为骨干集成到自监督模型中，经多数据集实验验证了优越性。
2026-08-12 cs.IR
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
Transformer-Empowered Content-Aware Collaborative Filtering
基于知识图谱（KG）的协同过滤是一种有效的个性化推荐系统的方法，相对静态的领域，如电影和书籍，通过利用KG的结构化信息来丰富项目和用户表示。出于使用Transformers理解富文本在基于内容的过滤推荐系统，我们提出了内容感知KG增强元偏好网络作为一种方式来增强协同过滤推荐的基础上，结构化的信息从KG以及非结构化的内容功能的基础上，变压器授权的基于内容的过滤。为了实现这一目标，我们采用了一种新的训练方案，跨系统对比学习，以解决这两个非常不同的系统的不一致性，并提出了一个强大的协同过滤模型和一个变种的知名NRMS系统在这个建模框架。我们还通过创建一个大规模的电影知识图谱数据集，并通过整合从外部来源抓取的文本描述来扩展已经公开的Amazon-Book数据集，从而为公共领域资源做出贡献。我们目前的实验结果表明，增强协同过滤与变压器为基础的功能来自基于内容的过滤优于强大的基线系统，提高能力的知识图为基础的协同过滤系统，利用项目内容信息。
2022-04-02 cs.IR
Collaborative User Prompt for Personalized Generative Recommendation
University College London（伦敦大学学院）
本文提出一种整合个体与集体偏好的人工智能框架，通过注意力机制融合相似兴趣用户的嵌入表示，提升推荐系统的个性化与协同性。
2026-03-21 cs.IR
Co-Factorization Model for Collaborative Filtering with Session-based Data
矩阵分解（MF）是一种常用的协同过滤方法。MF通过潜在因子来表征用户偏好和项目属性。尽管MF是一种强大的方法，但它无法识别密切相关项目的强关联。在这项工作中，我们提出了一种矩阵分解的方法，可以反映强相关项目到项目的潜在表示的本地化关系。我们通过结合两个世界来做到这一点：MF用于协同过滤，item2vec用于项目嵌入。所提出的方法是能够利用项目的关系。我们在几个数据集上的实验表明，与以前的工作有更好的性能。
2021-05-12 cs.IR
ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning
East China Normal University（华东师范大学）；The University of Queensland（昆士兰大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出ASPIRE框架，通过双层优化解决传统推荐目标的偏差问题，提升图滤波学习效果和稳定性，实验表明其性能接近定制设计，并在大模型协同过滤中同样有效。
2026-04-24 cs.IR
NPE: Neural Personalized Embedding for Collaborative Filtering
矩阵分解是推荐系统中最有效的方法之一。然而，这种依赖于用户和项目之间的交互的算法对于“冷用户”（几乎没有这种交互历史的用户）以及在捕获密切相关的项目之间的关系方面表现不佳。为了解决这些问题，我们提出了一个神经个性化嵌入（NPE）模型，它提高了冷用户的推荐性能，并可以学习项目的有效表示。它从两个方面对用户对某个项目的点击进行建模：用户对该项目的个人偏好，以及该项目与用户点击的其他项目之间的关系。我们表明，NPE优于竞争方法的前N建议，特别是冷用户的建议。我们还进行了定性分析，显示了模型学习的表示的有效性。
2018-05-17 cs.IR
Collaborative Filtering with Graph-based Implicit Feedback
SVD++在矩阵分解（MF）方法中引入用户的消费项目作为用户的隐式反馈，是个性化推荐系统中最有效的协同过滤方法之一。虽然功能强大，SVD++有两个限制：（i）。仅利用用户侧隐式反馈，而不利用也可以丰富项表示的项侧隐式反馈;（ii）.在SVD++中，隐式反馈组合时交互项的权重相等，不能准确反映用户的真实偏好。针对上述局限性，本文提出了基于图的协同过滤（GCF）模型、基于加权图的协同过滤（W-GCF）模型和基于注意图的协同过滤（A-GCF）模型。基于用户-项目二分图将隐式反馈推广到项目侧;（ii）.在隐式反馈中灵活地学习个体的权重，从而提高模型的性能。综合实验结果表明，该模型的性能优于现有模型;对于稀疏隐式反馈场景，通过利用第二步隐式反馈信息，进一步提高了模型的性能.
2018-03-09 cs.IR
Embedded Collaborative Filtering for "Cold Start" Prediction
仅使用隐式数据，许多推荐系统通常无法向具有有限交互历史的用户提供精确的推荐集。此问题被视为“冷启动”问题，通常通过切换到需要额外昂贵信息的基于内容的方法来解决。在本文中，我们使用的降维算法，Word2Vec（W2V），最初应用于自然语言处理问题的框架下的协同过滤（CF），以解决“冷启动”问题，只使用隐式数据。这种组合方法被称为嵌入式协同过滤（ECF）。在两个不同的隐式数据集上进行了实验，以确定ECF的性能。我们表明，ECF的方法优于其他流行的和国家的最先进的方法在“冷启动”的情况下。
2017-04-09 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Restoring Collaborative Signals in Semantic-ID Generative Recommendation via Personalized Natural Language
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Salesforce（赛富时）；McGill University（麦吉尔大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
该研究针对基于LLM的生成式推荐模型中SID丢失协同信号导致准确率受限的问题，提出个性化自然语言引导的框架，通过添加分层协同线索恢复信号，提升推荐准确率。
2026-07-31 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中，我们研究了个性化推荐模型，利用用户，对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算，通过使用一个基于扩散的过程，然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标：排名分数，召回率和精度，并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Large Language Models Enhanced Collaborative Filtering
提出LLM-CF框架，通过上下文学习和思维链推理将大语言模型的世界知识与推理能力蒸馏到协同过滤中，并采用高效指令微调在保持通用性的同时提升推荐性能，实验证明其显著优于竞争基线。
2024-07-24 cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤，它建立在学习用户和歌曲之间的相似性，从可用的收听数据。这些方法固有地面临冷启动问题，因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而，属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中，我们介绍了神经内容感知协同过滤，一个统一的框架，它体现了这些限制，并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型，它利用深度学习从低级声学特征中提取内容信息，并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入，也可以作为正则化先验，产生我们模型的两个变体（严格和放松）。实验结果表明，该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到，利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
When Product Search Meets Collaborative Filtering: A Hierarchical Heterogeneous Graph Neural Network Approach
个性化是提高产品搜索系统性能的核心。以往的研究主要是依靠文本查询和用户/产品相关文档之间的语义匹配，离开用户的合作行为尚未开发。事实上，用户之间的协同过滤信号直观地为语义匹配提供了补充信息。为了缩小协同过滤和产品搜索之间的差距，本文提出了一种层次异构图神经网络（HHGNN）方法。具体来说，我们组织HHGNN与层次图结构，根据三个边缘类型。序列边负责从单词节点到句子节点的语法公式化;组合边将语义特征聚合到用户和产品节点;顶部的交互边执行用户和产品节点之间的图卷积操作。最后，为了更好地进行表示学习，我们将高阶相邻协作特征和语义特征相结合。我们在六个亚马逊评论数据集上进行了广泛的实验。结果表明，我们提出的方法可以优于国家的最先进的基线有很大的利润。此外，我们实证证明，协同过滤和语义匹配是相辅相成的产品搜索性能的提高。
2021-09-26 cs.IR
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
本文提出CFRAG方法，将协同过滤引入个性化检索增强生成，通过对比学习获取相似用户协同信息，并利用LLM反馈微调个性化检索与重排序器，在LaMP基准上验证了其有效性。
2025-04-08 cs.CL cs.IR
Collaborative Diffusion Model for Recommender System
针对基于扩散的推荐系统在噪声注入导致个性化信息丢失及物品侧信息利用不足的问题，提出协同扩散模型CDiff4Rec，通过生成伪用户并整合真实与伪邻居的协同信号重建用户偏好，在三个数据集上取得优于竞争方法的效果。
2025-01-31 cs.IR
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的，并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发，本文提出了一种新的协同过滤算法：蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制，即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发，我们捕捉到用户偏好随时间的演变。同时，算法的计算复杂度较小，并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验，分别是电影推荐、书籍推荐和音乐推荐，分别覆盖了显式和隐式的评分数据。实验结果表明，该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
Graph-less Collaborative Filtering
图神经网络（GNN）已经显示出在协同过滤（CF）任务中对图结构的用户-项目交互数据进行表示学习的能力。然而，由于其固有的递归消息在相邻节点之间传播，现有的基于GNN的CF模型可能会生成不可区分的和不准确的用户（项目）表示，由于低通拉普拉斯平滑算子的过度平滑和噪声效应。此外，在整个图结构中使用堆叠聚合器的递归信息传播可能导致实际应用中的可扩展性差。出于这些限制，我们提出了一个简单而有效的协同过滤模型（SimRec），结合了知识蒸馏和对比学习的力量。在SimRec中，教师GNN模型和轻量级学生网络之间实现了自适应知识转移，不仅可以保留全局协作信号，还可以解决表示重新校准的过度平滑问题。在公共数据集上的实证结果表明，与各种强基线相比，SimRec具有更好的效率，同时保持了卓越的推荐性能。我们的实现可在https://github.com/HKUDS/SimRec上公开获得。
2023-03-21 cs.IR
AFDGCF: Adaptive Feature De-correlation Graph Collaborative Filtering for Recommendations
针对图神经网络推荐系统中被忽视的嵌入过相关问题，本文建立其与过平滑的关联，提出AFDGCF框架动态施加特征相关性惩罚，经多模型多数据集实验验证可同时缓解两类问题、提升推荐效果。
2024-04-15 cs.IR
Kernel-CF: Collaborative filtering done right with social network analysis and kernel smoothing
协同过滤是推荐系统领域最简单但最古老的机器学习算法。尽管它的历史悠久，但它仍然是研究场所的讨论主题。通常人们使用与目标客户的相似度得分大于0的用户/项目来计算算法。然而，经过仔细审查，这可能不是最佳解决方案。在本文中，我们将推荐系统的输入数据转换成一个2-D的社会网络，并应用核平滑计算用户项目评分矩阵中的未知值的偏好。本文将推荐系统的理论框架与非参数统计相结合，给出了一个实现该目标的算法流程和最优参数选择方法。
2023-03-08 cs.IR
Feedback Reciprocal Graph Collaborative Filtering
针对交互图中着迷与不着迷反馈造成的跷跷板问题，本文提出FRGCF，通过双图分离、反馈互惠对比学习和宏观反馈建模提升推荐效果。
2024-08-05 cs.IR
cf2vec: Collaborative Filtering algorithm selection using graph distributed representations
使用元学习的算法选择旨在找到问题特征（即元特征）与相对算法性能之间的映射，以预测新数据集的最佳算法。因此，最重要的是所使用的元特征是信息性的。在协同过滤中，最近的研究已经创建了一个广泛的集合，这样的元特征。然而，由于这些是基于从业者对问题的理解而创建的，因此它们可能无法捕获正确描述问题所需的最相关的方面。我们建议克服这个问题，利用表示学习，这是能够创建一个替代问题的表征，通过数据指导的设计表示，而不是从业者的意见。我们的假设指出，这种替代表示可以用来取代标准的元特征，从而导致一个更强大的方法元学习。我们提出了一个新的过程，专门设计的协同过滤算法的选择。该过程模型协同过滤的图形和提取分布式表示使用graph2vec。实验结果表明，所提出的程序创建的表示，具有竞争力的国家的最先进的元特征，同时需要显着更少的数据，几乎没有任何人工输入。
2018-09-17 cs.IR
Geometric Interaction Augmented Graph Collaborative Filtering
基于图的协同过滤能够从高阶交互中捕捉到本质的、丰富的协同信号，因而受到越来越多的研究兴趣。传统上，用户和项目的嵌入被定义在欧几里得空间中，以及交互图上的传播。同时，近年来的研究表明，高阶相互作用自然形成了双曲模型赖以生存的树状结构，但相互作用图本身具有混合和嵌套的几何特征，而现有的单一几何模型不足以完全捕捉这种复杂的拓扑模式.在本文中，我们提出了一个混合几何空间中的用户-项目交互建模，其中的优点，欧几里德和双曲空间同时享有学习表达表示。在公开数据集上的实验结果验证了该方法的有效性。
2022-08-02 cs.IR
Parallel and Distributed Collaborative Filtering: A Survey
协同过滤是实现推荐系统时最优选的技术之一。最近，极大的兴趣已经转向并行和分布式实现的协同过滤算法。这项工作是一个调查的并行和分布式协同过滤的实现，旨在不仅提供一个全面的介绍该领域的发展，但也提供了未来的研究方向，突出的问题，需要进一步发展。
2014-09-09 cs.DC cs.IR
Latent Factor Interpretations for Collaborative Filtering
许多机器学习系统利用潜在因素作为进行预测的内部表示。然而，由于这些潜在因素在很大程度上是无法解释的，因此使用它们进行的预测是不透明的。通过矩阵分解的协同过滤是这种算法的一个主要例子，它使用了未解释的潜在特征，并且已经被广泛应用于许多推荐任务。我们提出了潜在因素解释（LFI），一种通过利用人类可理解的特征对潜在因素进行解释来解释模型的方法。对潜在因素的解释可以取代未解释的潜在因素，从而产生一个新的模型，该模型根据可解释的特征来表达预测。这个新的模型，然后可以解释使用最近开发的模型解释技术。在本文中，我们开发LFI的协同过滤推荐系统。我们说明了在MovieLens数据集上使用LFI解释，整合了来自IMDB和DB tropes的辅助特征，并表明可以足够准确地预测潜在因素，以复制真实模型的预测。
2018-04-09 cs.IR
LiRa: A New Likelihood-Based Similarity Score for Collaborative Filtering
推荐系统数据对数据采掘、机器学习和算法社区提出了独特的挑战。高缺失数据率与推荐系统数据典型的大规模和高维度相结合，需要新的工具和方法来进行有效的数据分析。在这里，我们解决的挑战，在推荐系统中，对于每个用户只有一个小的评级是可用的两个用户之间的相似性评估。我们提出了一个新的相似性得分，我们称之为LiRa，基于用户相似性的统计模型，大规模的，离散值的数据与许多缺失值。我们发现，这个分数，基于似然比，是更有效地识别相似的用户比传统的相似性分数，基于用户的协同过滤，如皮尔逊相关系数。我们认为，我们的方法具有显着的潜力，以提高协同过滤的准确性和可扩展性。
2017-03-20 cs.IR
A Collaborative Filtering Based Approach for Recommending Elective Courses
在今天的管理教育课程中，学生在选择选修课时面临着困难，因为选修课的数量很多。随着可供选择的不同选修课程的范围和多样性增加，帮助学生选择课程的课程推荐系统变得更加相关。在本文中，我们扩展了协同过滤方法的概念，开发了一个课程推荐系统。所提出的方法为学生提供了一个准确的预测，他们可能会得到的成绩，如果他们选择一个特定的课程，这将是有帮助的，当他们决定选择选修课程，因为成绩是一个重要的参数，而学生决定选修课程。我们实验评估的协同过滤方法在现实生活中的数据集，并表明，该系统是有效的准确性。
2013-09-26 cs.IR
Role of Matrix Factorization Model in Collaborative Filtering Algorithm: A Survey
推荐系统应用信息检索技术来选择与给定用户相关的在线信息。协同过滤是目前应用最广泛的推荐系统构建方法。CF技术以用户项目评分的形式使用用户行为作为其用于预测的信息源。CF算法面临的主要挑战是评分矩阵的稀疏性和数据的增长性。矩阵分解很好地解决了这些挑战。在本文中，我们试图提出一个概述不同的MF模型的作用，以解决CF算法的挑战，这可以作为在这一领域的研究路线图。
2015-03-25 cs.IR
A personalized web page content filtering model based on segmentation
鉴于万维网上通过不同来源的大量内容爆炸，拥有内容过滤工具已成为强制性的。在未成年人访问网页的情况下，对网页内容进行过滤更为重要。传统的网页拦截系统采用布尔方法，要么显示整个页面，要么完全阻止它。随着网页中动态性的增加，网页的不同部分在不同时间实例保持不同类型的内容已经成为一种常见现象。本文提出了一种模型，以阻止在细粒度的水平，即，而不是完全阻止的页面，这将是有效的，只阻止那些段持有的内容被阻止。与传统方法相比，该方法的优点是分块的粒度更细，并且可以自动识别要分块的页面部分。在该模型上进行的实验表明，在过滤出的片段的准确率为88%。
2012-02-09 cs.IR
Binarized Collaborative Filtering with Distilling Graph Convolutional Networks
基于隐式反馈的前K项推荐效率对于现实世界中的推荐系统至关重要，但由于缺乏负样本和大量候选项，因此具有很大的挑战性。为了解决这些问题，我们首先提出了一种改进的图卷积网络~（GCN）模型，该模型考虑了高阶特征间的相互作用。然后将GCN中的排序信息进行二值化处理，利用二值化表示提高在线推荐的效率。然而，二进制码不仅难以优化，而且在训练过程中容易造成信息丢失。因此，我们提出了一个新的框架，将二元约束优化问题转化为一个等价的连续优化问题与随机惩罚。然后，二进制化的协同过滤模型可以很容易地由许多流行的求解器（如SGD和Adam）进行优化。最后，该算法在三个真实世界的数据集上进行了评估，并显示出对竞争基线的优越性。
2019-06-05 cs.IR
A Distributional Representation Model For Collaborative Filtering
在本文中，我们提出了一种非常简洁的深度学习方法，用于协同过滤，联合建模用户和项目的分布表示。该框架获得了更好的性能相比，目前的最先进的算法，使分布式表示模型在协同过滤的进一步研究的一个有前途的方向。
2015-02-14 cs.IR cs.NE
Ethical AI prompt recommendations in large language models using collaborative filtering
University of Brighton（布莱顿大学）；Catalink Limited（Catalink有限公司）
本文提出利用协同过滤技术在大型语言模型中提升伦理提示推荐，通过合成数据集和用户互动减少偏见，解决伦理AI中的透明度和公平性问题。
2025-10-08 cs.IR
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型，从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性，并开放框架与代码以保证可复现。
2024-10-25 cs.IR
IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search
一个好的个性化产品搜索系统不仅要关注相关产品的检索，还要考虑用户的个性化偏好。最近关于PPS的工作主要采用表示学习范例，例如，从历史用户行为（又名）中学习每个实体（包括用户、产品和查询）的表示。用户-产品-查询交互）。然而，我们认为，现有的方法没有充分利用关键的合作信号，这是潜在的历史互动，以揭示实体之间的亲和力。协作信号有助于生成高质量的表示，利用协作信号将有利于一个节点从其连接的节点中进行表示学习。为了解决这个问题，在这项工作中，我们提出了一个新的模型IHGNN的个性化产品搜索。IHGNN利用历史用户-产品-查询交互行为构建的超图，能够完全保持三元关系，并基于拓扑结构表达协作信号。在此基础上，我们开发了一个特定的交互式超图神经网络来显式编码结构信息（即，协作信号）到嵌入过程中。它从超图邻居中收集信息，并显式地对邻居特征交互进行建模，以增强目标实体的表示。在三个真实世界数据集上进行的广泛实验验证了我们的提议相对于最先进技术的优越性。
2022-02-10 cs.IR
AutoSVD++: An Efficient Hybrid Collaborative Filtering Model via Contractive Auto-encoders
协同过滤（CF）已经成功地用于为用户提供个性化的产品和服务。然而，处理日益稀疏的用户-项目矩阵仍然是一个挑战。为了解决这样的问题，混合CF，如结合基于内容的过滤和利用用户和项目的边信息，已被广泛研究，以提高性能。然而，这些方法中的大多数依赖于手工制作的特征工程，这通常是容易受到噪声的影响，并受到不同的特征提取和选择方案的影响。在本文中，我们提出了一个新的混合模型，通过推广压缩自动编码器范式到矩阵分解框架具有良好的可扩展性和计算效率，联合模型的内容信息的有效性和紧凑性的表示，并利用隐式用户反馈，使准确的建议。在三个大规模真实数据集上进行的实验表明，该方法在项目推荐方面优于其他方法。
2017-06-13 cs.IR
Collaborative filtering based on multi-channel diffusion
在本文中，通过应用扩散过程，我们提出了一个新的指标来量化两个用户之间的相似性在用户-对象二分图。为了处理对象上的离散评级，我们使用多通道表示，其中每个对象被映射到多个通道，通道的数量等于不同评级的数量。每个频道表示某个等级，并且已经投票给对象的用户将被连接到与该等级相对应的频道。扩散过程发生在这样的用户通道二分图给出了一个新的用户对的相似性度量，这是进一步证明了比经典的皮尔逊相关系数在标准的协同过滤框架下更准确。
2009-06-05 cs.IR
Trading Hard Negatives and True Negatives: A Debiased Contrastive Collaborative Filtering Approach
协同过滤（CF）作为一种标准的隐式反馈推荐方法，解决了大多数交互数据不可观察的半监督学习问题。这种性质使得现有方法高度依赖于挖掘否定来提供正确的训练信号。然而，挖掘适当的否定并不是免费的午餐，在挖掘信息丰富的硬否定和避免错误否定之间遇到了棘手的权衡。我们设计了一种新的方法命名为硬感知的无偏对比协同过滤（HDCCF）来解决这个困境。它可以从两个方面充分探索硬否定：1）通过一个集合式目标自适应地锐化较硬实例的梯度，以及2）使用新的采样策略隐式地利用项目/用户频率信息。为了避免假阴性，我们开发了一种原则性的方法来提高负实例的可靠性，并证明了目标是从真阴性分布中抽样的无偏估计。大量的实验表明，该模型优于现有的CF模型和硬负挖掘方法。
2022-07-01 cs.IR
On the Effectiveness of Low-rank Approximations for Collaborative Filtering compared to Neural Networks
即使在深度学习时代，通过将矩阵分解为用户和项目潜在因素的低秩近似仍然是协同过滤任务的首选方法，因为它们具有出色的性能。虽然基于深度学习的方法在项目、用户甚至上下文的附加特征可用的混合推荐任务中表现出色，但与不使用附加特征的纯协同过滤任务的低秩近似相比，它们的灵活性似乎会损害性能。最近的研究提出了结合低秩近似和传统深度神经架构的混合模型，结果很有希望，但未能解释为什么单独的神经网络不适合这项任务。在这项工作中，我们重新审视低秩近似背后的模型和直觉，指出其适用于协同过滤任务。在几个实验中，我们比较了基于深度神经网络和低秩近似的模型的性能和行为，以研究传统深度神经网络效率低下的原因。我们的结论是，传统的深度神经网络的通用近似能力严重损害了合适的潜在向量的确定，导致更差的性能相比，低秩近似。
2019-05-30 cs.IR
From Knots to Knobs: Towards Steerable Collaborative Filtering Using Sparse Autoencoders
Recombee；Faculty of Mathematics and Physics, Charles University（查理大学数学与物理学院）；Faculty of Information Technology, Czech Technical University（捷克理工大学信息技术学院）
本文首次将稀疏自编码器应用于协作过滤，通过在编码器和解码器之间插入SAE来增强协作自编码器，以实现推荐方向的可控性。
2026-01-16 cs.IR
Leveraging Deep Learning Techniques on Collaborative Filtering Recommender Systems
本文专门综述了基于深度学习的协同过滤推荐系统，系统梳理其研究热度、空白与忽视领域，以应对冷启动和数据稀疏性问题。
2023-04-18 cs.IR
Local Collaborative Filtering: A Collaborative Filtering Method that Utilizes Local Similarities among Users
Wuhan University（武汉大学）
针对推荐系统中用户行为数据利用不足的问题，提出利用用户局部相似性、结合大数定律整合数据的LCF协同过滤方法，在Steam数据集上的实验结果符合现实需求。
2025-11-17 cs.AI cs.HC cs.IR
Neural Causal Graph Collaborative Filtering
本文提出NCGCF框架，将因果图、神经因果建模与变分推断融入基于GCN的图协同过滤，以捕捉用户兴趣背后的复杂因果关系并提升推荐准确性。
2024-04-07 cs.IR
Neural Collaborative Filtering
近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大成功。然而，深度神经网络在推荐系统上的探索受到的审查相对较少。在这项工作中，我们努力开发基于神经网络的技术，以解决推荐中的关键问题-协同过滤-隐式反馈的基础上。虽然最近的一些工作已经将深度学习用于推荐，但他们主要使用它来模拟辅助信息，例如项目的文本描述和音乐的声学特征。对于协同过滤中的关键因素--用户与项目特征之间的交互作用，他们仍然采用矩阵分解，并对用户和项目的潜在特征应用内积。通过用一个可以从数据中学习任意函数的神经结构代替内积，我们提出了一个通用的框架NCF，简称神经网络-based Collaborative Filtering。NCF是通用的，可以在其框架下表示和推广矩阵分解。为了增强NCF建模的非线性，我们建议利用多层感知器来学习用户-项目交互函数。在两个真实数据集上的大量实验表明，我们提出的NCF框架比最先进的方法有了显着的改进。经验证据表明，使用更深层的神经网络提供更好的推荐性能。
2017-08-26 cs.IR
Deep Item-based Collaborative Filtering for Sparse Implicit Feedback
推荐系统在电子商务领域中无处不在，用于改善用户体验和销售库存，从而增加网站的收入。诸如基于项目的协同过滤之类的技术用于对用户与项目的行为交互进行建模，并从具有相似行为模式的项目中进行推荐。然而，当将这些技术应用于极其稀疏和易变的数据集时，存在挑战。在一些电子商务网站上，如eBay，不稳定的库存和关于物品的最小结构化信息使得聚合用户与物品的交互非常困难。在这项工作中，我们描述了一种新的基于深度学习的方法来解决这些挑战。我们提出了一个目标函数，优化两个项目之间的二进制隐式反馈向量之间的相似性度量。我们正式地和经验地证明，经过训练以优化该函数的模型估计反馈向量之间的余弦相似性的对数。我们还提出了一个神经网络架构优化这一目标。我们提出的实验结果比较的输出的神经网络与传统的基于项目的协同过滤模型的隐式反馈数据集，以及实验结果比较不同的神经网络架构上的用户购买行为在eBay上。最后，我们讨论了A/B测试的结果表明，所提出的技术在eBay的现有的协同过滤推荐系统的显着改善。
2018-12-26 cs.IR
CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
The Hong Kong Polytechnic University（香港理工大学）；University of Electronic Science and Technology of China（电子科技大学）；Singapore Management University（新加坡管理大学）；Tongji University（同济大学）；National University of Singapore（新加坡国立大学）
提出CFALR框架，结合协同过滤与大语言模型，通过自然语言描述用户-套装交互并利用CF增强嵌入，解决个性化套装推荐中的数据稀疏和组合空间问题，在Polyvore和IQON数据集上优于传统方法。
2026-06-12 cs.IR cs.MM
Neural Autoregressive Collaborative Filtering for Implicit Feedback
本文提出了隐式CF-NADE，神经自回归模型的协同过滤任务使用隐式反馈（例如，点击，观看，浏览行为）。该方法首先将用户的隐式反馈转化为相似向量和置信向量，然后对相似向量的概率进行建模，并由置信向量加权。隐式CF-NADE的训练目标是最大化加权负对数似然。我们测试的性能隐式CF-NADE从一个流行的数字电视流媒体服务收集的数据集。更具体地说，在实验中，我们描述了如何将观看计数转换为隐式相对评级，并馈送到隐式CF-NADE。然后，我们比较了隐式CF-NADE模型和流行的隐式矩阵分解方法的性能。实验结果表明，隐式CF-NADE显着优于基线。
2016-09-13 cs.IR
Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
针对对抗协同过滤缺乏理论解释的问题，本文证明其在干净与投毒数据下均可降低推荐误差，并据此提出按用户嵌入尺度设置扰动幅度的PamaCF，提升鲁棒性与推荐性能。
2024-11-02 cs.IR
User-based collaborative filtering approach for content recommendation in OpenCourseWare platforms
内容推荐器系统或推荐系统表示信息过滤系统的子类，其试图预测用户偏好，即最有可能被用户正面“评级”的内容。目前，开放式课程（OCW）平台的推荐系统通常以两种方式之一生成推荐列表，即通过基于内容的过滤或基于用户的协同过滤（CF）。本文提出了内容推荐模块的概念性思想，该模块能够提出相关的甲板（演示文稿，教育材料等）。它特别分析了用于实现基于用户的CF方法和与内容评估相关的用户相关功能的合适技术。所提出的方法还设想了一个混合推荐系统，作为基于用户和基于内容的方法的组合，以提供一个全面和有效的解决方案的内容推荐。最后，为了评估和测试的目的，一个指定的内容推荐模块被实现为SlideWiki创作开放式课程平台的一部分。
2019-02-27 cs.IR
INMO: A Model-Agnostic and Scalable Module for Inductive Collaborative Filtering
协同过滤是推荐系统中最常见的应用场景和研究热点之一。在现有的方法中，潜在因素模型，即，通过重构观察到的交互矩阵来学习每个用户/项目的特定嵌入，已经显示出优异的性能。然而，这种特定于用户和特定于项目的嵌入本质上是传导性的，使得难以处理在训练期间未看到的新用户和新项目。此外，模型参数的数量严重依赖于所有用户和项目的数量，限制了其可扩展性的现实世界的应用程序。为了解决上述问题，本文提出了一种新的模型无关的和可扩展的归纳嵌入模块的协同过滤，即INMO。INMO通过描述用户（项目）与一些模板项目（模板用户）的交互来生成用户（项目）的归纳嵌入，而不是使用嵌入查找表。在理论分析的基础上，进一步提出了一种有效的模板用户/项目选择指标。我们提出的INMO可以附加到现有的潜在因素模型作为一个前模块，继承骨干模型的表达能力，同时带来的归纳能力和减少模型参数。我们验证了INMO的通用性附加到矩阵分解（MF）和LightGCN，这是两个代表性的潜在因素模型的协同过滤。在三个公共基准上的大量实验证明了INMO在直推式和归纳式推荐场景中的有效性和效率。
2022-04-26 cs.IR
Spectral Collaborative Filtering
尽管协同过滤（CF）的流行，基于CF的方法被困扰的\textit{cold-start}问题，这对用户的体验有显着的负面影响推荐系统（RS）。在本文中，为了克服上述缺点，我们首先制定用户和项目之间的关系作为一个二分图。然后，我们提出了一种直接在\textit{spectral domain}中执行的新谱卷积操作，其中不仅揭示了图的邻近信息，还揭示了隐藏在图中的连接性信息。通过提出的光谱卷积操作，我们构建了一个深度推荐模型，称为光谱协同过滤（SpectralCF）。利用\textit{spectral domain}中存在的丰富的连接信息，SpectralCF能够发现用户和项目之间的深层连接，从而解决了CF的\textit{cold-start}问题。据我们所知，SpectralCF是第一个直接从用户项二分图的\textit{spectral domains}学习的基于CF的方法。我们将我们的方法应用于几个标准数据集。结果表明，SpectralCF显着优于国家的最先进的模型。代码和数据可在\url{https://github.com/lzheng21/SpectralCF}上获得。
2018-08-30 cs.IR
A Comparative Study of Collaborative Filtering Algorithms
协同过滤是一个快速发展的研究领域。每年都有一些新的技术被提出来，但目前还不清楚哪种技术最有效，在什么条件下最有效。在本文中，我们进行了一项研究，比较了几个协同过滤技术-经典和最近的国家的最先进的-在各种实验环境。具体来说，我们报告的结论控制的项目数，用户数，稀疏水平，性能标准，和计算复杂性。我们的结论确定了什么样的算法工作良好，在什么条件下，并有助于工业部署协同过滤算法和研究社区。
2012-05-14 cs.IR stat.ML
