Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations
用户兴趣挖掘是推荐系统中一个重要而又具有挑战性的课题，它体现了推荐模型和用户-项目交互之间的闭环效应。上下文强盗（CB）算法努力在探索和利用之间做出很好的权衡，使用户的潜在兴趣有机会暴露。然而，经典的CB算法只能应用于一个小的，抽样的项目集（通常数百），这迫使推荐系统中的典型应用仅限于候选人后排名，主页顶部项目排名，广告创意选择，或在线模型选择（A/B测试）。在本文中，我们介绍了两个简单但有效的分层CB算法，使一个经典的CB模型（如LinUCB和汤普森采样）能够探索用户的兴趣在整个项目空间，而不限于一个小的项目集。我们首先通过自底向上的聚类算法构建一个层次项目树，以粗到细的方式组织项目。然后，我们提出了一个层次CB（HCB）算法来探索用户的兴趣层次树。HCB算法将探索问题看作是一系列决策过程，目标是找到一条从根节点到叶子节点的路径，并将反馈信息反向传播到路径上的所有节点，进而提出了一种渐进式层次CB（pHCB）算法，该算法逐步扩展达到一定置信度的可见节点进行探索，以避免在顺序决策过程中对上层节点的误导性操作。在两个公共推荐数据集上的实验证明了该方法的有效性和灵活性。
2021-10-19 cs.IR
Towards Effective Exploration/Exploitation in Sequential Music Recommendation
音乐流媒体公司每天总共提供数十亿首歌曲。基于无线电的音乐服务可以在歌曲之间散布音频广告作为产生收入的手段，很像传统的FM无线电。不管货币化方法如何，推荐系统应该决定何时播放已知收听者喜欢（利用）的内容和收听者新颖（探索）的内容。依赖于这种探索/利用类型框架的推荐系统已经被部署在各种各样的应用中，例如电影、书籍、音乐、购物等等。在这项工作中，我们调查不同的广告/歌曲序列对听众行为的影响。特别是，我们专注于探索新的歌曲内容的听众的影响，在听众的会话中的广告和歌曲的前一个序列。我们的研究结果表明，在考虑歌曲的探索和这种先前的序列有影响的听众的倾向，中断他们当前的会话时，事先序列的事项。
2018-12-07 cs.IR
Sparsity Regularization For Cold-Start Recommendation
Center for Cognitive Ubiquitous Computing (CUbiC), Arizona State University（认知普适计算中心（CUbiC），亚利桑那州立大学）
近年来，生成对抗网络（GANs）被应用于冷启动推荐问题，但热用户购买行为的极端稀疏性阻碍了这些模型的训练性能。在本文中，我们引入了一种新的表示用户向量相结合的用户人口统计和用户偏好，使该模型的混合系统，它使用协同过滤和基于内容的推荐。我们的系统使用加权用户-产品偏好（显式反馈）而不是二进制用户-产品交互（隐式反馈）来建模用户购买行为。利用这一点，我们开发了一种新的稀疏对抗模型SRLGAN，用于冷启动推荐，利用稀疏的用户购买行为，确保训练稳定性，避免对温暖用户的过度拟合。我们在两个流行的数据集上评估了SRLGAN，并展示了最先进的结果。
2022-01-28 cs.IR cs.LG
Deep Exploration for Recommendation Systems
Meta AI；Stanford University（斯坦福大学）
本文将推荐系统建模为序贯决策问题，针对稀疏奖励下难以获取有效延迟反馈的挑战，提出深度探索方法，并在高保真工业级模拟器实验中证实其相较现有算法取得巨大改进。
2023-07-30 cs.AI cs.IR cs.LG
DUET: Joint Exploration of User Item Profiles in Recommendation System
Peking University（北京大学）；Microsoft（微软）；Zhejiang University（浙江大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出DUET，一种基于用户历史和物品证据的交互感知轮廓生成器，通过三阶段流程实现用户和物品轮廓的联合生成与优化，实验表明其在推荐任务中优于现有基线方法。
2026-04-15 cs.IR
Differentiable Semantic ID for Generative Recommendation
University of Glasgow（格拉斯哥大学）；Shandong University（山东大学）；Amazon（亚马逊）；Telefónica Scientific Research（Telefónica 科学研究）；Leiden University（莱顿大学）
本文提出DIGER，通过引入Gumbel噪声和不确定性衰减策略，解决生成推荐中语义ID可微分问题，提升代码利用率和推荐效果。
2026-04-14 cs.IR
Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation
针对多模态跨域推荐中多模态信息利用不足、重叠用户稀缺的问题，提出含相似物品探索、协同过滤与重叠用户引导模块的SIEOUG方法，在Amazon数据集上性能超越现有最优模型。
2025-02-22 cs.IR
Consistency Regularization for Complementary Clothing Recommendations
The Hong Kong Polytechnic University（香港理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对现有互补服装推荐存在的交互一致性不足、多模态特征尺度差异导致学习有偏等问题，提出融合协同过滤与双维度一致性正则化、加入特征缩放的CR-BPR模型，在两个基准数据集上性能显著优于现有模型。
2024-11-19 cs.IR
Treatment Effect Estimation for User Interest Exploration on Recommender Systems
针对推荐系统用户隐藏兴趣发掘不足的问题，提出基于Uplift模型的UpliftRec框架，将top-N推荐转化为因果干预优化问题，结合逆倾向加权与动态规划实现探索与准确率的双重提升。
2024-05-14 cs.IR
Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题，提出DP2Rec模型，通过双阶段模块联合优化准确性与多样性，在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
Neural Interactive Collaborative Filtering
在本文中，我们研究了协同过滤在一个互动的设置，其中的推荐代理之间进行推荐和更新的用户简档的互动反馈的基础上。在这种情况下最具挑战性的问题是当用户简档还没有很好地建立时如何建议项目，即，推荐冷启动用户或热启动用户与口味漂移。现有的方法要么依赖于过于悲观的线性探索策略，要么采用基于元学习的算法，以充分利用的方式。在这项工作中，为了快速赶上用户的兴趣，我们建议用神经网络来表示探索策略，并直接从反馈数据中学习。具体地说，探索策略被编码在多通道堆叠自注意神经网络的权重中，并通过最大化推荐系统中用户的总体满意度来进行有效的Q学习训练。关键的见解是，由探索推荐触发的满意推荐可以被视为探索奖励（延迟奖励），以表彰其对提高用户简档质量的贡献。因此，为了在学习用户简档和做出准确推荐之间取得平衡，所提出的探索策略可以通过最大化用户对强化学习的长期满意度来直接优化。在三个基准协同过滤数据集上进行的大量实验和分析表明，我们的方法优于最先进的方法。
2020-07-04 cs.IR
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
LLMs for User Interest Exploration in Large-scale Recommendation Systems
Google DeepMind（谷歌DeepMind）；Google（谷歌）
本文提出一种混合分层框架，利用大语言模型在预定义兴趣簇内生成新颖兴趣描述，并约束经典序列推荐模型返回对应物品，在工业级平台上显著提升了用户兴趣探索和整体满意度。
2024-06-07 cs.AI cs.IR
Learnable Item Tokenization for Generative Recommendation
针对生成式推荐中条目分词挑战，提出可学习分词器LETTER，整合层次语义、协同信号与代码多样性，通过残差量化VAE、对比对齐和多样性损失，在三个数据集上超越现有方法。
2025-10-17 cs.IR
Expanding Click and Buy rates: Exploration of evaluation metrics that measure the impact of personalized recommendation engines on e-commerce platforms
为了确定最适合电子商业业务的推荐模型，应该对购物网站进行实时评估，以实时测量个性化的影响。本文的目的是介绍和证明两个新的指标-点击率NoRepeat和点击购买率-这源于标准的指标，点击率（CTR）和购买率（BTR），分别。前一种变体解决了原始CTR中高估点击量的问题，而后者则说明了之前点击过的产品的购买情况，以验证度量中包含的购买是客户交互的结果。对多个数据集进行两个均值独立性的显著性检验，在每个新度量和其各自的父度量之间，以确定变体的新颖性和必要性。皮尔逊相关系数的计算，以评估线性关系的强度，并得出结论的可预测性因素之间的上述因素，以调查客户点击和购买之间的未知连接。此外，其他指标，如点击每客户，每客户的买家，每客户的点击等介绍，帮助解释客户行为的指标在电子商业网站的参考。
2019-01-20 cs.IR
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题，提出融入协同思想的排序对齐推荐方法，有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
Incentivising Exploration and Recommendations for Contextual Bandits with Payments
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
我们提出了一个基于上下文的强盗模型，以捕捉学习和社会福利目标的网络平台中存在的近视用户。通过使用支付来激励这些代理探索不同的项目/推荐，我们展示了平台如何学习项目的固有属性并实现次线性遗憾，同时最大化累积社会福利。我们还计算了激励平台的累积成本的理论界限。与该领域以前的作品不同，我们认为上下文是完全对抗的，对手的行为对平台是未知的。我们的方法可以提高用户在电子商务商店，推荐引擎和匹配平台上的各种参与度指标。
2020-01-22 cs.IR cs.LG stat.ML
Exploration of the possibility of infusing Social Media Trends into generating NFT Recommendations
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息技术学院）
推荐系统已被确定为推动电子商务网站销售的组成部分之一。从趋势中提取的意见挖掘数据的利用已被试图改善的建议，可以提供的基线方法在这项研究中，用户点击数据是缺乏或难以收集，由于隐私问题。利用社会趋势来影响为一组独特的项目生成的建议已被探索与建议的评分机制的使用。在未来几十年里，去中心化网络的概念有望改变用户通过互联网进行交互的方式，建议的推荐系统试图利用多个信息源，应用连贯的信息检索技术来提取可能的趋势项。研究中提出的建议架构提出了一种将社会趋势与建议相结合的方法，以产生有希望的产出。
2022-05-03 cs.AI cs.IR cs.LG
Exploration on Demand: From Algorithmic Control to User Empowerment
Faculty of Engineering, Free University of Bozen-Bolzano（博尔扎诺自由大学工程学院）
提出一种自适应聚类框架，通过用户控制的探索机制平衡电影推荐的个性化和多样性，实验表明能有效降低列表内相似度并提升意外性。
2026-05-26 cs.IR
Selective LLM-Guided Regularization for Enhancing Recommendation Models
SCU（四川大学）
本文提出选择性LLM引导正则化方法，通过离线方式利用LLM的排序能力，提升推荐模型在冷启动和长尾场景中的表现。
2025-12-25 cs.AI cs.IR
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Wuhan University of Technology（武汉理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
由于知识图谱提供了丰富的信息，基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱，而忽略了动态的用户项演化，导致不太令人信服和不准确的解释。虽然有一些工作，认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统，他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐（TMER-RL），它利用带有注意力机制的连续项之间的强化项-项路径建模，在动态知识图谱上对动态用户-项演化进行顺序建模，以实现可解释推荐。与现有的作品，使用大量的递归神经网络模型的时间信息相比，我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示，与最近的强基线相比，TMER具有最先进的性能。
2021-11-24 cs.AI cs.IR
Long-Term Value of Exploration: Measurements, Findings and Algorithms
本文提出新的实验设计，通过内容语料库增长量化探索的长期价值，并验证 Neural Linear Bandit 算法在深度学习排序系统中引入探索的有效性。
2024-02-26 cs.IR
Interactive Content Diversity and User Exploration in Online Movie Recommenders: A Field Experiment
本研究通过访谈、调研及在线现场实验，探究电影推荐系统的推荐广度与用户满意度的关系，发现探索控制权和界面对满意度的预测作用更强。
2023-09-23 cs.HC cs.IR
A Collaborative Approach to Angel and Venture Capital Investment Recommendations
New York University（纽约大学）
矩阵分解被用来产生投资建议给投资者。采用迭代共轭梯度法优化正则化平方误差损失函数。探索了潜在因子的数量、迭代次数和正则化值。过拟合可以通过提前停止或正则化参数调整来解决。该模型实现了最高的平均预测精度为13.3%。使用类似的模型，使用相同的数据集为正在融资的公司生成投资者推荐，其预测准确率最高为11.1%。
2018-07-26 cs.IR cs.LG q-fin.GN
Content-based feature exploration for transparent music recommendation using self-attentive genre classification
Seoul National University（首尔大学）
检索结果的解释是音乐推荐系统中的一个重要问题，特别是从用户的角度来看。在这项研究中，我们调查的方法提供可解释性的内容功能使用自我注意。我们使用在140，000首歌词上训练的自我关注流派分类模型提取歌词特征。同样，我们使用声学模型提取声学特征，其中自我注意力在120，000个声学信号的轨道上训练。实验结果表明，所提出的方法提供的特点是可解释的抒情和音乐的内容。我们通过可视化注意力权重以及呈现使用歌词或音频功能找到的最相似的歌曲来证明这一点。
2018-09-03 cs.IR cs.SD eess.AS
Large Language Model driven Policy Exploration for Recommender Systems
针对推荐系统中RL策略的分布偏移和探索不足问题，提出利用LLM提炼用户偏好的iALP策略及其自适应变体A-iALP，在模拟环境中显著提升推荐性能。
2025-01-23 cs.IR
DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging
针对工业推荐系统重排序受上游供给限制的问题，提出DEGR方法，通过双探索驱动的混合优化范式实现自适应跨请求上下文桥接，在京东电商推荐系统中较SOTA方法取得UCTR最高1.22%、PV0.20%的提升。
2026-08-06 cs.IR
Exploration Space Theory: Formal Foundations for Prerequisite-Aware Location-Based Recommendation
LIRIS, Université Claude Bernard Lyon 1, CNRS（LIRIS，Claude Bernard Lyon 1 大学，CNRS）
探索空间理论提出了一种基于格论的框架，用于解决基于位置的推荐中先决条件依赖关系的表示问题，并通过结构保证和动态规划方法实现推荐的结构性有效性。
2026-02-21 cs.AI cs.DS cs.IR
Mitigating Position Bias with Regularization for Recommender Systems
针对推荐系统中常见的位置偏差问题，提出采用正则化技术降低偏差影响，实验验证该方法效果优于其他主流现代算法，为推荐系统去偏差提供了有效方案。
2024-01-18 cs.IR
Contrastive Learning for Representation Degeneration Problem in Sequential Recommendation
序列深度学习模型（如Transformer和BERT）的最新进展极大地促进了序列推荐。然而，根据我们的研究，这些模型生成的项目嵌入的分布往往退化成各向异性的形状，这可能会导致嵌入之间的高语义相似性。在本文中，这表示退化问题的经验和理论研究，首先提供，在此基础上，提出了一种新的推荐模型DuoRec，以改善项目嵌入分布。具体地说，根据对比学习的一致性，设计了一种对比正则化方法，用于对DuoRec序列表示的分布进行整形.给定推荐任务是通过经由点积测量相同空间中的序列表示和项嵌入之间的相似性来执行的惯例，正则化可以隐式地应用于项嵌入分布。现有的对比学习方法主要依赖于通过项目裁剪、掩蔽或重新排序来对用户-项目交互序列进行数据级增强，并且很难提供语义一致的增强样本。在DuoRec中，提出了一种基于Dropout的模型级增强，以实现更好的语义保留。此外，一种新的抽样策略，其中具有相同的目标项目的序列被选为硬阳性样本。在五个数据集上进行的大量实验表明，与基线方法相比，所提出的DuoRec模型具有优异的性能。学习表征的可视化结果验证了DuoRec可以在很大程度上缓解表征退化问题。
2021-11-18 cs.IR
Deep density networks and uncertainty in recommender systems
Taboola（塔布拉）；DeepLab（深度实验室）
构建健壮的在线内容推荐系统需要学习用户偏好和内容特征之间的复杂交互。近年来，该领域从传统的多臂强盗和协同过滤技术迅速发展，新方法采用深度学习模型来捕获非线性。尽管取得了进展，但在线推荐的动态性质仍然带来了巨大的挑战，例如在探索和利用之间找到微妙的平衡。在本文中，我们将展示如何不确定性估计可以通过采用它们在一个乐观的开发/探索策略，更有效地探索新的建议。我们提供了一种新的混合深度神经网络模型，深度密度网络（DDN），它集成了基于内容的深度学习模型与协作方案，能够鲁棒地建模和估计不确定性。最后，我们将DNN整合到一个每天提供数十亿推荐的真实内容推荐系统中，并展示了在实践中使用DDN的好处。
2018-05-06 cs.IR cs.LG
VisMaker: a Question-Oriented Visualization Recommender System for Data Exploration
数据生产的日益快速增长以及随之而来的探索数据以获得最多样化问题的答案的需求促进了工具的开发，以促进数据可视化的操作和构建。然而，构建有用的数据可视化并不是一项微不足道的任务：它可能涉及大量微妙的决策，需要设计人员的经验。在本文中，我们提出了VisMaker，可视化推荐工具，使用一组规则来呈现可视化建议组织和描述通过问题，以促进理解的建议，并协助视觉探索过程。我们进行了两项研究，将我们的工具与Voyager 2进行比较，并分析了工具使用的某些方面。我们收集了参与者的反馈，以确定我们的推荐方法的优点和缺点。因此，我们收集了评论，以帮助改进该领域的工具开发。
2020-02-14 cs.HC cs.IR
Chiron: A Robust Recommendation System with Graph Regularizer
推荐系统已经被商业服务提供商广泛用于向用户给出建议。协同过滤（CF）系统是目前最流行的推荐系统之一，它利用聚集用户群的行为历史来提供个性化的推荐，当几乎所有用户都忠实地表达自己的意见时，协同过滤系统是有效的。然而，它们很容易受到恶意用户的影响，这些用户会偏向他们的输入，以改变特定项目组的整体评级。CF系统主要分为两类-基于邻域和基于（矩阵）因子分解-并且对抗性输入的存在会影响这两类中的推荐，导致估计和预测的不稳定性。虽然不同的协同过滤算法的鲁棒性已被广泛研究，设计一个有效的系统，是免疫操纵仍然是一个重大的挑战。在这项工作中，我们提出了一种新的“混合”推荐系统与自适应图为基础的用户/项目的相似性正则化-“凯龙”。Chiron将降维（通过因子分解）的性能优势与邻域聚类（通过正则化）的优势联系起来。我们证明，使用广泛的比较实验，凯龙星是耐操纵的大型和致命的攻击。
2016-11-15 cs.CR cs.IR
DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation
DeepRec提出一种基于大语言模型与传统推荐模型多轮交互的推荐框架，通过强化学习优化交互过程，实现对物品空间的深度探索，显著提升推荐性能。
2025-05-26 cs.IR
Representation, Exploration and Recommendation of Music Playlists
Center for Cognitive Ubiquitous Computing (CUbiC)（认知普适计算中心）；Arizona State University（亚利桑那州立大学）
由于Spotify、Pandora、Apple Music等基于数字云的服务，播放列表已成为我们收听体验的重要组成部分。由于播放列表的使用量迅速上升，推荐播放列表对当今的音乐服务至关重要。虽然在播放列表预测方面已经做了很多工作，但播放列表表示的领域还没有得到那种程度的关注。在过去的几年里，序列到序列模型，特别是在自然语言处理领域，已经显示出学习嵌入在捕获序列的语义特征方面的有效性。我们可以将类似的概念应用于音乐，以学习播放列表的固定长度表示，并将这些表示用于下游任务，例如播放列表发现，浏览和推荐。在这项工作中，我们制定了一个无监督的方式学习一个固定长度的播放列表表示的问题，使用序列到序列（Seq2seq）模型，解释播放列表作为句子和歌曲作为单词。我们将我们的模型与其他两种编码架构进行基线比较。我们使用通常用于评估句子嵌入的一套任务来评估我们的工作，以及一些与音乐有关的额外任务，以及一个推荐任务来研究播放列表嵌入所捕获的特征及其对音乐推荐的有效性。
2019-07-01 cs.CL cs.IR cs.LG
Interplay between Upsampling and Regularization for Provider Fairness in Recommender Systems
考虑推荐对项目提供者的影响是多方面推荐系统的任务之一。物品供应商是在线平台的关键利益相关者，他们的收入和计划受到其物品在推荐列表中的曝光度的影响。以前的工作表明，某些少数群体的供应商，其特点是一个共同的敏感属性（如，性别或种族）受到间接和无意歧视的影响不成比例。我们的研究在本文中处理的情况下，（$i$）相同的供应商是与多个项目的列表建议给用户，（$ii$）一个项目是由一个以上的供应商联合创建的，和（$iii$）预测用户项目的相关性分数有偏见地估计供应商组的项目。在这种情况下，我们评估的相关性，可见性和曝光的差异，通过模拟不同的代表性的少数群体的目录和互动。基于出现的不公平的结果，我们设计了一种治疗方法，结合观察上采样和损失正则化，同时学习用户项目相关性得分。对真实数据的实验表明，我们的处理导致较低的不同相关性。由此产生的推荐列表显示出更公平的可见性和曝光率，更高的少数项目覆盖率，以及推荐效用的可忽略损失。
2021-06-28 cs.IR
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
Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms
本研究揭示UGC推荐平台中短期用户满意度与长期内容生产力的权衡关系，提出确定最优探索强度的高效优化方法，可作为算法部署前审计工具以平衡平台即时与长期可持续目标。
2024-11-01 cs.GT cs.IR
Multi-Modal Adversarial Autoencoders for Recommendations of Citations and Subject Labels
Kiel University（基尔大学）；ZBW – Leibniz Information Centre for Economics（ZBW——莱布尼茨经济信息中心）
我们提出了用于推荐的多模态对抗性自动编码器，并在两个不同的任务上对其进行了评估：引用推荐和主题标签推荐。我们分析了对抗正则化，稀疏性和不同输入方式的影响。通过进行408个实验，我们证明了对抗正则化始终提高了自动编码器的推荐性能。然而，我们证明，这两个任务不同的项目共现的语义在这个意义上，项目共现类似于相关性的情况下引用，但意味着多样性的情况下，主题标签。我们的研究结果表明，提供部分项目集作为输入是有帮助的，当项目同现相似的相关性。因此，当面对一个新的推荐任务时，考虑项目共现的语义对于选择合适的模型是至关重要的。
2019-07-22 cs.IR cs.LG stat.ML
Time-Interval-Aware Disentangled Expert Modeling for Next-Basket Recommendation
Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University（华中师范大学人工智能与教育新形态实验室）；School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院）；School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
本文提出TIDE模型，通过时间区间解耦专家架构和傅里叶时间编码，解决下篮推荐中习惯与探索的冲突问题，提升推荐效果。
2026-05-01 cs.IR
Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations
University of Calabria（卡拉布里亚大学）；ICAR-CNR；KTH Royal Institute of Technology（皇家理工学院）
本文提出以用户为中心的推荐框架，通过概率用户行为模型和 copula 函数结合相关性与多样性，以最大化用户知识获取，并在多个数据集上验证其优于现有方法。
2024-08-07 cs.AI cs.IR
Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery
Google LLC（谷歌有限责任公司）
本文通过解耦架构离线预计算LLM理由说明，在YouTube Music上实现大规模可解释推荐，显著提升用户探索和参与度。
2026-09-22 cs.AI cs.IR
Value Function Decomposition in Markov Recommendation Process
针对推荐系统中TD学习未分别建模策略与环境随机性导致的长期奖励估计次优问题，提出通过分解TD损失解耦两类随机因子的方法，实现更准确快速的估计并提升探索鲁棒性。
2025-02-01 cs.IR
Item Recommendation Using User Feedback Data and Item Profile
矩阵分解（MS）是一种基于协同过滤（CF）的方法，广泛应用于推荐系统（RS）。在这项研究工作中，我们处理的内容管理系统（CMS）的用户的内容推荐问题的基础上，用户的反馈数据。CMS用于向公司或组织的员工发布和推送策划的内容。在这里，我们使用了用户的反馈数据和内容数据来解决内容推荐问题。我们准备个人用户简档，然后根据用户反馈数据的不同类别（包括直接交互、社交分享和阅读统计）生成推荐结果。随后，我们分析了不同类别对推荐结果的影响。结果表明，不同类别的反馈数据对推荐准确率有不同的影响。如果我们在推荐任务中包含所有类型的数据，则可以实现最佳性能。我们还将内容相似性作为一个正则化项到MF模型设计的混合模型。实验结果表明，提出的混合模型表现出更好的性能相比，传统的MF为基础的模型。
2022-06-28 cs.IR
LaRec: Unleashing LLM-based Latent Reasoning for Generative Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Xiaohongshu（小红书）
研究针对LLMs在推荐中现有方法的问题，提出LaRec框架。核心方法是通过潜在预训练赋予潜在推理能力，用个性化强化学习调整引导遍历多样推理路径。主要贡献是在多数据集实验中，以相当效率显著超越现有基线。
2026-07-28 cs.IR
AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University（北京大学）；HULU LLC（HULU有限责任公司）；Alibaba Group（阿里巴巴集团）
近年来，深度学习模型在工业推荐系统中得到了广泛的应用，并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功，但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力，我们探索神经结构搜索（NAS）的潜力，并介绍AMEIR的自动行为建模，交互探索和多层感知器（MLP）调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段，并引入了一个新的搜索空间，其中包含三个定制的子空间，覆盖了现有的大多数方法，从而可以搜索到更好的模型。为了高效地找到理想的体系结构，AMEIR在三个阶段逐步实现推荐中的一次随机搜索，并将搜索结果汇总为最终结果。进一步的分析表明，AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型，这证明了我们设计的通用性。在各种场景下的大量实验表明，AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法，具有较低的模型复杂度和可比的时间成本，表明所提出的方法的有效性，效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
Fiduciary Bandits
Technion - Israel Institute of Technology（以色列理工学院）；University of British Columbia（不列颠哥伦比亚大学）
推荐系统经常面临探索-利用的权衡：系统只能通过向某些用户推荐新选项来了解新选项的可取性。这样的系统因此可以被建模为多臂强盗设置;然而，用户是自私的，不能遵循建议。我们要问的是，探索是否仍然可以以一种严格尊重代理人利益的方式进行-即，由一个充当受托人的系统来管理。更正式地说，我们引入了一个模型，在这个模型中，推荐系统面临着一个探索-利用权衡的约束下，它永远不能推荐任何行动，它知道收益较低的预期回报比代理将实现，如果它单独行动。我们的主要贡献是一个积极的结果：一个渐进最优的，激励相容的，和事前个别合理的推荐算法。
2020-06-28 cs.GT cs.IR cs.LG
Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce AI研究院）；Beihang University（北京航空航天大学）
针对序列推荐中表示退化导致多样性不足的问题，提出SPMRec方法，通过奇异谱平滑正则化控制退化，平衡推荐性能与多样性，并在四个基准数据集上验证其优越性。
2024-07-19 cs.IR cs.LG
Modeling User Exploration Saturation: When Recommender Systems Should Stop Pushing Novelty
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Kansas State University（堪萨斯州立大学）
研究探讨了用户依赖的探索饱和现象，分析了增加探索对不同推荐模型用户的影响，发现公平性驱动的探索存在边际效益递减，需调整推荐系统以平衡公平与用户体验。
2026-04-02 cs.AI cs.IR cs.LG
A Content-Based Approach to Email Triage Action Prediction: Exploration and Evaluation
University of Washington（华盛顿大学）；Microsoft Corporation（微软公司）
电子邮件仍然是人们之间沟通的主要形式，无论是在企业还是在社会环境中。随着大量的电子邮件每天挤满我们的邮箱，有一个智能电子邮件系统，可以恢复重要的电子邮件，并作出个性化的建议迫切需要.在这项工作中，我们研究的问题，预测用户分流行动传入的电子邮件，我们采取的答复预测作为一个工作的例子。不同于现有的方法，我们制定的分流行动预测作为一个推荐问题，并专注于基于内容的方法，其中用户表示使用当前和过去的电子邮件的内容。我们还引入了额外的相似性功能，以进一步探索用户和电子邮件之间的亲和力。在公开的Avocado电子邮件集合上的实验证明了我们提出的推荐框架的优点，与最先进的深度推荐方法相比，我们的方法能够实现更好的性能。更重要的是，我们对不同文本和用户表示的有效性提供了有价值的见解，并表明传统的词袋方法在相似性特征的帮助下，可以与更先进的神经嵌入方法竞争。
2019-04-30 cs.IR cs.LG stat.ML
Kernel-based Substructure Exploration for Next POI Recommendation
Peking University（北京大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Central Florida（中佛罗里达大学）
兴趣点（POI）推荐得益于支持GPS的设备和基于位置的社交网络（LBSNs）的激增，在推荐系统中起着越来越重要的作用。它旨在为用户提供方便，根据以前的访问和当前状态发现他们感兴趣的地方。大多数现有的方法通常只是利用递归神经网络（RNN）来探索推荐的顺序影响。尽管这些方法是有效的，但它们不仅忽略了POI之间的拓扑地理影响，而且无法建模高阶序列子结构。为了解决上述问题，我们提出了一个基于核的图神经网络（KBGNN）的下一个兴趣点推荐，它结合了地理和顺序的影响，在一个合作的方式。KBGNN由地理模块和顺序模块组成。一方面，我们建立一个地理图，并利用一个消息传递神经网络来捕捉拓扑地理影响。另一方面，我们探索高阶顺序子结构的用户感知的顺序图使用图形内核神经网络捕捉用户的喜好。最后，一个一致性学习框架，共同将地理和顺序信息提取两个单独的图。通过这种方式，两个模块有效地交换知识，相互促进。在两个真实世界的LBSN数据集上进行的大量实验表明，我们所提出的方法优于现有技术。我们的代码可在https://github.com/Fang6ang/KBGNN上获得。
2022-10-08 cs.AI cs.IR cs.LG
Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations
Delhi Technological University（德里理工大学）
在过去的几十年里，电子商务领域的快速发展导致了对个性化，高效和动态推荐系统的迫切需求。为了充分满足这一需求，我们提出了一种新的方法，通过创建一个集成的聚类与强化学习来生成前k推荐。我们采用了DB扫描集群来处理巨大的项目空间，从而提高了效率。此外，通过使用深度上下文强化学习，我们提出的工作充分利用了用户特征。通过部分更新和批量更新，模型可以不断学习用户模式。基于Duelling Bandit的探索由于其自适应性质而与最先进的策略相比提供了稳健的探索。在公共数据集上进行的详细实验验证了我们关于我们的技术与现有技术相比的效率的说法。
2020-11-29 cs.AI cs.IR cs.LG
It's Enough: Relaxing Diagonal Constraints in Linear Autoencoders for Recommendation
Sungkyunkwan University（成均馆大学）
本文通过SVD和PCA揭示线性自编码器中L2正则化与零对角约束的影响，提出放宽对角约束的RLAE和RDLAE模型，在六个数据集上显著提升长尾物品推荐准确率。
2023-05-22 cs.IR cs.LG
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
