Interaction-Data-guided Conditional Instrumental Variables for Debiasing Recommender Systems
Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）；Guangxi Key Lab of Multi-Source Information Mining and Security, Guangxi Normal University（广西多源信息挖掘与安全重点实验室，广西师范大学）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；UniSA STEM, University of South Australia（南澳大利亚大学UniSA STEM）
针对推荐系统中潜变量导致的混杂偏差问题，本文提出IDCIV-RS方法，通过交互数据自动生成有效条件工具变量及其条件集，利用VAE学习表示并结合最小二乘法推导因果表示，有效缓解偏差并提升推荐准确性。
2025-08-25 cs.AI cs.IR
Embedding in Recommender Systems: A Survey
City University of Hong Kong（香港城市大学）；Baidu Inc.（百度公司）；Hong Kong Polytechnic University（香港理工大学）；Unaffiliated Researcher（无隶属机构）
该综述全面梳理推荐系统中矩阵、序列、图结构下的嵌入技术，探讨可扩展性挑战，介绍AutoML、哈希、量化及LLMs增强等新兴方向，指明研究挑战与未来方向。
2025-10-22 cs.AI cs.IR
Towards Efficient Reasoning in LLM-Based Recommender Systems via Model Merging
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
本研究针对LLM推荐系统推理冗长导致成本高的问题，提出首个用于推理压缩的注意力头级细粒度模型合并框架，在不降低推荐准确率的前提下最多缩短24.3%的推理长度。
2026-08-12 cs.AI cs.IR
Towards Efficient Hypergraph and Multi-LLM Agent Recommender Systems
Research Ireland ML-LABS；Dublin City University（都柏林城市大学）；ADAPT Centre（ADAPT中心）；School of Computing（计算学院）；Insight Research Ireland Centre for Data Analytics（Insight Research Ireland 数据分析中心）；University College Dublin（都柏林大学）
HGLMRec通过超图编码器和多LLM代理机制，提升推荐系统在计算效率和推荐质量上的表现。
2025-12-06 cs.AI cs.IR cs.MA
Enhancing Conversational Recommender Systems with Tree-Structured Knowledge and Pretrained Language Models
针对现有对话推荐系统在PLM推理、知识过滤和协同偏好建模方面的挑战，提出PCRS-TKA框架，通过构建对话知识树并结合检索增强生成，提升推荐准确性和对话质量。
2025-11-16 cs.AI
Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation
Kuaishou Technology（快手科技）
本文针对直播推荐的数据及时性问题，提出滑动窗口数据流范式 Sliver 及时间敏感的重新推荐策略，并在快手平台离线与在线实验中验证其能同时提升标签准确性和推荐及时性，显著改善 CTR 和 NFN。
2024-02-22 cs.AI cs.IR
Offline A/B Testing of Slate Recommendation Systems with LLMs: Reducing the Dependency on Pre-Collected User Interaction Data
Université Laval (IID)（拉瓦尔大学）；Mila – Quebec AI Institute（魁北克人工智能研究所）；CIFAR AI CHAIR（CIFAR人工智能主席）
本文研究大型语言模型如何通过对石板推荐结果的成对推理来建模用户偏好，并通过跨数据集的实证研究揭示了任务性能与LLM偏好函数特性之间的关系，展示了LLM作为推荐系统世界模型的潜力。
2026-09-24 cs.AI cs.IR
Semantic Convergence: Harmonizing Recommender Systems via Two-Stage Alignment and Behavioral Semantic Tokenization
Meituan（美团）
本文提出一种融合传统推荐模型与LLMs的新颖框架，通过Alignment Tokenization模块和监督学习任务实现协同信号与语言语义的两阶段对齐，并采用预缓存top-K结果优化在线推理，显著提升了召回率和系统可扩展性。
2024-12-18 cs.AI cs.CL cs.IR
Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay
Google LLC（谷歌公司）
该研究针对推荐系统的内容陈旧问题，提出双过滤器框架SDF，通过替代模型和PTR模型分别处理替代与衰减机制，在Google Discover部署后使用户陈旧性报告降54.9%，同时降低服务成本并提升用户参与度。
2026-08-18 cs.AI cs.IR
Break Out of a Pigeonhole: A Unified Framework for Examining Miscalibration, Bias, and Stereotype in Recommender Systems
University of Pittsburgh（匹兹堡大学）
本研究提出统一框架，量化推荐系统中的系统引发效应（偏见、刻板印象、校准误差），发现简单算法更刻板但偏见更少，且对少数群体影响更大，过采样可缓解并提升推荐质量。
2023-12-29 cs.AI cs.IR cs.LG
A Neural Matrix Decomposition Recommender System Model based on the Multimodal Large Language Model
Tandon School of Engineering, University of New York（纽约大学坦登工程学院）；Cullen College of Engineering, University of Houston（休斯顿大学卡伦工程学院）
本研究针对信息检索需求，提出结合BoBERTa、ViT与神经矩阵分解的多模态大语言模型推荐系统BoNMF，经实验验证其在公开数据集上性能优异，有效提升推荐准确率。
2024-07-12 cs.AI cs.IR
Not All Candidates are Created Equal: A Heterogeneity-Aware Approach to Pre-ranking in Recommender Systems
ByteDance Hangzhou P.R.China（字节跳动杭州中国）；ByteDance Beijing P.R.China（字节跳动北京中国）；ByteDance Shenzhen P.R.China（字节跳动深圳中国）；ByteDance Shanghai P.R.China（字节跳动上海中国）
本文提出HAP方法，通过冲突敏感采样和定制化损失设计，解决推荐系统预排序中的异质性问题，提升效果并降低计算成本。
2026-03-04 cs.AI cs.IR cs.LG
Aligning Recommendations with User Popularity Preferences
University of Amsterdam（阿姆斯特丹大学）；Amazon Music（亚马逊音乐）
本文研究推荐系统中的流行偏差问题，提出基于激活引导的SPREE方法，通过量化用户历史流行偏好与推荐流行度的不匹配，提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
LLM-Assisted Reranking to Operationalize Nuanced Objectives in Recommender Systems
Department of Communication, University of California, Los Angeles, CA 90095（通信系，加州大学洛杉矶分校，CA 90095）；Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA 19104（计算机与信息科学系，宾夕法尼亚大学，Philadelphia, PA 19104）；Amenenberg School of Communication, University of Pennsylvania, Philadelphia, PA 19104（安纳伯格通信学院，宾夕法尼亚大学，Philadelphia, PA 19104）；Operations, Information, and Decisions Department, University of Pennsylvania, Philadelphia, PA 19104（运营、信息与决策系，宾夕法尼亚大学，Philadelphia, PA 19104）
本研究通过零样本指令提示对YouTube侧边栏候选进行重排序，发现无约束的LLM辅助重排序会放大极端和阴谋论内容，而轻量级提示正则化可在轻微损失相关性的情况下减少极端内容并增加意识形态多样性。
2026-06-01 cs.AI cs.CY cs.HC
Regularized Singular Value Decomposition and Application to Recommender System
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
奇异值分解（SVD）是主成分分析（PCA）的数学基础。SVD和PCA是机器学习、数据采掘、模式识别、人工智能、计算机视觉、信号处理等领域中最广泛使用的数学形式主义/分解之一。本文提出了一种正则化奇异值分解（RSVD），给出了一种有效的计算算法，并给出了一些理论分析。我们表明，虽然RSVD是非凸的，它有一个封闭形式的全局最优解。最后，我们将RSVD应用于推荐系统中，实验结果表明RSVD的性能明显优于SVD。
2018-04-13 cs.IR cs.LG stat.ML
Reinforcement Learning for Slate-based Recommender Systems: A Tractable Decomposition and Practical Methodology
Google Research（谷歌研究院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；YouTube, LLC（YouTube有限责任公司）
大多数实用的推荐系统专注于估计即时用户参与度，而不考虑推荐对用户行为的长期影响。强化学习（RL）方法提供了优化长期用户参与建议的潜力。然而，由于用户经常被呈现多个项目的板-这可能对用户选择有交互作用-需要方法来处理RL动作空间的组合。在这项工作中，我们解决了使用RL提出基于石板的建议以优化长期价值的挑战。我们的贡献是三方面的。(i)我们开发了SLATEQ，一种基于值的时间差和Q学习的分解，使RL易于使用石板。在对用户选择行为的温和假设下，我们证明了一个石板的长期价值（LTV）可以分解为一个易于处理的功能，其组件项目明智的LTV。(ii)我们概述了一种方法，利用现有的近视学习为基础的推荐快速开发一个推荐处理LTV。(iii)我们在模拟中展示了我们的方法，并在YouTube上的现场实验中使用SLATEQ验证了分解TD学习的可扩展性。
2019-05-31 cs.AI cs.IR cs.LG
Reducing Popularity Bias in Recommender Systems through AUC-Optimal Negative Sampling
本文提出最大化 partial AUC 的最优负采样规则，在保持推荐准确率的同时校正样本与先验信息，从而降低流行度偏差，真实数据集验证了其双赢效果。
2023-06-02 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
Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems
Taboola Israel（Taboola以色列）
提出一种秩感知分解方法，通过将上下文相关计算从每个候选一次减少为每个请求一次，在不改变模型预测的情况下显著提升工业推荐系统的吞吐量。
2026-05-24 cs.IR cs.LG
Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs
Central South University, Changsha, China（中南大学）；Shopee Pte. Ltd., Shanghai, China（Shopee（上海）有限公司）；Shopee Pte. Ltd., Singapore, Singapore（Shopee（新加坡）有限公司）；Nanyang Technological University, Singapore, Singapore（南洋理工大学）
ReSID通过原生编码和语义量化提升推荐系统性能，实现比现有方法高超10%的准确率并大幅降低分词成本。
2026-02-02 cs.AI cs.IR
Using Wikipedia to Boost SVD Recommender Systems
Ben Gurion University（本·古里安大学）；Deutsche Telekom laboratories at Ben Gurion University（本·古里安大学德国电信实验室）
奇异值分解（SVD）近年来在推荐系统领域得到了成功的应用。在本文中，我们提出了如何将这个模型扩展到考虑用户评级和维基百科的信息。通过将条目映射到维基百科页面并量化它们的相似性，我们能够使用这些信息来提高推荐的准确性，特别是当稀疏度很高时。所提出的方法的另一个优点是，它可以很容易地集成到任何其他SVD实现，无论可能已经添加到它的额外参数。MovieLens数据集上的初步实验结果是令人鼓舞的。
2012-12-05 cs.IR cs.LG stat.ML
AgenticRS-Architecture: System Design for Agentic Recommender Systems
University of Chinese Academy（中国科学院大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
本文提出AgenticRS架构，通过交互式进化代理实现推荐系统全生命周期自动化，核心模块包括AutoTrain、AutoFeature和AutoPerf，实现模型、特征和资源的自适应演化。
2026-04-09 cs.IR
Dataset-Agnostic Recommender Systems
Huawei Ireland Research Centre（华为爱尔兰研究中心）
提出数据集无关推荐系统（DAReS），利用数据集描述语言（DsDL）实现无需微调的跨数据集自适应，减少人工干预，提升可重用性与可复现性。
2025-04-23 cs.IR cs.LG
Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education（教育部教育区块链与智能技术重点实验室）；Guangxi Normal University（广西师范大学）；Guangxi Key Lab of Multi-Source Information Mining and Security（广西多源信息挖掘与安全重点实验室）；UniSA STEM, University of South Australia（南澳大利亚大学STEM学院）；China University of Mining and Technology（中国矿业大学）
针对推荐系统中多原因潜在混杂因素导致的偏差问题，提出MCDCF方法，利用多原因因果效应估计学习替代变量，理论验证并在三个数据集上实验证明其能有效降低偏差、提升推荐准确性。
2024-10-16 cs.IR
DIET: Learning to Distill Dataset Continually for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
DIET通过持续蒸馏数据集提升推荐系统模型训练效率，压缩数据至原大小的1-2%，降低模型迭代成本60倍，且在不同架构间保持良好泛化性。
2026-03-26 cs.IR
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich（苏黎世大学）
负面用户偏好是一个重要的背景，没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下，此上下文特别有用。在这项工作中，我们描述了一个新的推荐算法，明确地模型消极的用户偏好，以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型，将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估，我们证明了我们的方法能够提高推荐质量：通过提高准确性，同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值，也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University（卡拉兹米大学）；Islamic Azad University（伊斯兰阿扎德大学）
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法，情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
PICASSO: Unleashing the Potential of GPU-centric Training for Wide-and-deep Recommender Systems
个性化推荐的发展显着提高了信息匹配的准确性和电子商务平台的收入。近年来，它有两个趋势：1）推荐系统必须及时训练，以应对不断增长的新产品和不断变化的用户兴趣，从在线营销和社交网络; 2）SOTA推荐模型引入DNN模块，以提高预测精度。传统的基于CPU的推荐系统不能满足这两个趋势，以GPU为中心的训练已经成为一种趋势。然而，我们观察到GPU设备在训练推荐系统中的利用率不足，并且它们不能达到预期的吞吐量提高，因为它在CV和NLP领域已经取得了成就。这个问题可以解释为这些推荐模型的两个特点：第一，它们包含多达一千个输入特征字段，引入零碎和内存密集型操作;第二，多个组成特征交互子模块引入了大量的小型计算内核。为了消除这个障碍，推荐系统的发展，我们提出了一个新的框架名为PICASSO商品硬件上的推荐模型的训练加速。具体而言，我们进行了系统的分析，以揭示培训推荐模型中遇到的瓶颈。我们利用模型结构和数据分布，通过我们的打包、交织和缓存优化来释放硬件的潜力。实验表明，PICASSO在SOTA基准的基础上，硬件利用率提高了一个数量级，对各种行业推荐模型的吞吐量提升高达6倍。在生产中使用相同的硬件预算，PICASSO平均将日常培训任务的walltime缩短了7个小时，大大减少了持续交付的延迟。
2022-04-17 cs.DC cs.IR
OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
Nanyang Technological University（南洋理工大学）；ByteDance（字节跳动）
OneTrans通过统一的Transformer架构实现特征交互和序列建模，提升工业推荐系统的性能和效率。
2026-02-02 cs.IR
FairFS: Addressing Deep Feature Selection Biases for Recommender System
University of Science and Technology of China（中国科学技术大学）；Huawei Noah's Ark Lab（华为诺亚实验室）
FairFS通过正则化和聚合方法解决推荐系统中深度特征选择的层、基线和近似偏差问题，提升特征选择的准确性和效率。
2026-02-23 cs.IR cs.LG
A Generic Coordinate Descent Framework for Learning from Implicit Feedback
University of Konstanz（康斯坦茨大学）；National University of Singapore（新加坡国立大学）；Google Inc.（谷歌公司）
近年来，对推荐系统的研究兴趣已经从显式反馈转向隐式反馈数据。各种各样的复杂模型已经被提出用于各种各样的应用。尽管如此，从内隐反馈中学习仍然是计算上的挑战。到目前为止，大多数工作都依赖于随机梯度下降（SGD）求解器，这些求解器很容易导出，但在实践中应用起来很有挑战性，特别是对于具有许多项目的任务。对于简单的矩阵分解模型，先前已经提出了一种有效的坐标下降（CD）求解器。然而，有效的CD方法还没有得到更复杂的模型。在本文中，我们提供了一个新的框架，推导出有效的CD算法复杂的推荐模型。我们识别并介绍了k-可分模型的性质。我们表明，k-可分性是一个足够的属性，允许有效的优化隐式推荐问题与CD。我们说明了这个框架上的各种国家的最先进的模型，包括因式分解机和塔克分解。总之，我们的工作提供了理论和积木，以获得高效的隐式CD算法复杂的推荐模型。
2016-11-15 cs.IR cs.LG
The Future is Agentic: Definitions, Perspectives, and Open Challenges of Multi-Agent Recommender Systems
University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Polytechnic University of Bari（巴里理工大学）
本文探讨多代理推荐系统从被动生成到主动规划的转变，提出基于状态代理的框架，分析其在提升推荐效果中的作用，并通过实验验证代理系统在不同场景下的有效性。
2026-06-28 cs.IR
Single-shot Embedding Dimension Search in Recommender System
作为大多数现代深度推荐系统的重要组成部分，特征嵌入将高维稀疏用户/项目特征映射到低维密集嵌入。然而，这些嵌入通常被分配一个统一的维度，这遭受了以下问题：（1）高内存使用和计算成本。(2)次优性能由于劣质的维度分配。为了缓解上述问题，一些工作集中在自动嵌入维搜索，将其公式化为超参数优化或嵌入修剪问题。然而，它们要么需要精心设计的超参数搜索空间，要么需要耗时的优化过程。在本文中，我们提出了一种单镜头嵌入维度搜索方法，称为SSEDS，它可以有效地分配维度为每个特征字段通过一个单镜头嵌入修剪操作，同时保持推荐模型的准确性。具体来说，它引入了一个标准，用于确定每个特征字段的每个嵌入维的重要性。因此，SSEDS可以自动获得混合维嵌入显式减少冗余嵌入维数的基础上相应的维度重要性排名和预定义的参数预算。此外，建议的SSEDS是模型无关的，这意味着它可以集成到不同的基础推荐模型。在两个广泛使用的公共CTR预测数据集上进行了大量的离线实验，实验结果表明，SSEDS在参数减少90%的情况下仍能获得较好的推荐性能.此外，SSEDS亦已部署于微信订阅平台，提供实用的推荐服务。7天的在线A/B测试结果表明，SSEDS可以显着提高在线推荐模型的性能。
2022-04-15 cs.IR
Compress, Cross and Scale: Multi-Level Compression Cross Networks for Efficient Scaling in Recommender Systems
Bilibili Inc.（哔哩哔哩公司）
本文提出MLCC和MC-MLCC架构，通过多级压缩和动态组合实现高效特征交互，提升推荐系统在参数和计算效率上的表现。
2026-02-12 cs.IR
How big can style be? Addressing high dimensionality for recommending with style
在推荐系统中，使用嵌入作为产品的表示是很常见的，无论是通过提取文本描述，用户会话，协作关系，或产品图像的语义嵌入。在本文中，我们提出了一种方法来提取用于时尚推荐系统中的风格嵌入，特别关注的风格信息，如纹理，打印，材料等使用这样一种类型的嵌入的主要问题是它的高维。因此，我们提出了特征减少解决方案，同时调查其在基于其主图像推荐相同风格产品的整体任务中的影响。我们提出的特征缩减允许将嵌入向量从600k特征减少到512，从而在不严重影响推荐质量的情况下减少99.91%的内存。
2019-08-28 cs.IR
Aggregate and Broadcast: Scalable and Efficient Feature Interaction for Recommender Systems
Kuaishou Technology（快手科技）
INFNet通过线性复杂度实现可扩展、任务感知的特征交互，提升推荐系统性能和扩展性。
2026-01-26 cs.IR
Measuring the Predictability of Recommender Systems using Structural Complexity Metrics
Center for Artificial Intelligence (CENIA)（人工智能中心（CENIA））
本文提出基于数据驱动的度量方法，通过测量用户-物品交互矩阵的结构复杂性来量化推荐系统输出的可预测性，实验表明该度量与推荐算法性能相关，并展示了结构感知的数据选择方法。
2026-03-31 cs.IR cs.IT cs.LG
Learnable Embedding Sizes for Recommender Systems
University of Electronic Science and Technology of China（电子科技大学）；University College London（伦敦大学学院）；Tsinghua University（清华大学）
基于嵌入的表示学习通常用于深度学习推荐模型中，以将原始稀疏特征映射到密集向量。传统的嵌入方式，分配一个统一的大小，所有的功能有两个问题。首先，众多的功能不可避免地导致巨大的嵌入表，从而导致高内存使用成本。其次，它可能会导致过度拟合的问题，这些功能，不需要太大的表示能力。现有的工作，试图解决这个问题，总是导致推荐性能显着下降，或遭受难以负担的训练时间成本的限制。在本文中，我们提出了一种新的方法，命名为PEP（插件嵌入修剪的缩写），以减少嵌入表的大小，同时避免了推荐准确率的下降。PEP修剪嵌入参数，其中修剪阈值可以从数据中自适应地学习。因此，我们可以自动获得一个混合维嵌入方案，通过修剪冗余参数的每个功能。PEP是一个通用的框架，可以插件各种基本的推荐模型。大量实验表明，该算法可以有效地减少嵌入参数，提高基模型的性能。具体来说，它实现了强大的推荐性能，同时减少了97-99%的参数。至于计算成本，PEP只带来了额外的20-30%的时间成本相比，基本模型。代码可在https://github.com/ssui-liu/learnable-embed-sizes-for-RecSys上获得。
2021-03-11 cs.IR cs.LG
Beyond Uniform Token Training: A Multi-Target Framework for Learning Token-Weighted Objectives in Generative Recommenders
Carnegie Mellon University（卡内基梅隆大学）；National Taiwan University（台湾大学）；National Tsing Hua University（国立清华大学）；Academia Sinica（中央研究院）
本文提出基于课程学习的生成推荐系统中的标记加权多目标学习方法，通过两种信息增益策略提升推荐性能，实验表明其在不同语义ID构造下表现优异。
2026-08-21 cs.IR
Visually-aware Recommendation with Aesthetic Features
视觉信息在人类决策过程中起着至关重要的作用。虽然视觉感知推荐系统的最新发展已经考虑到产品形象，他们都没有考虑美学方面。我们认为，审美因素是非常重要的建模和预测用户的喜好，特别是对一些时尚相关的领域，如服装和珠宝。这项工作解决了视觉感知推荐系统中的审美信息建模的需要。从技术上讲，我们在利用深层美学特征方面做出了三个关键贡献：（1）为了描述产品的美学，我们引入了通过深层美学网络从产品图像中提取的美学特征。我们将这些功能纳入推荐系统中，在审美方面的用户的喜好模型。(2)在服装推荐中，时间对于用户的决策非常重要，因此我们设计了一个新的隐式反馈数据的张量分解模型。然后将美学特征注入到基本张量模型中以捕获美学偏好的时间动态（例如，季节性模式）。(3)我们还使用美学特征来优化内隐反馈数据的学习策略。我们通过考虑视觉空间和图空间中项目之间的相似性来丰富成对训练样本;关键思想是用户可能对相似项目有相似的感知。我们在几个真实世界的数据集上进行了广泛的实验，并证明了美学特征的有用性和我们提出的方法的有效性。
2021-01-16 cs.IR
An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System
本文针对推荐系统处理大量用户时效率不足的问题，提出一种多线程相似度方法，通过将用户划分到并行线程中运行，显著减少计算时间，从而构建更快、更高效且可扩展的推荐系统，同时保障用户数据安全。
2024-09-28 cs.IR
Toward Safe and Human-Aligned Game Conversational Recommendation via Multi-Agent Decomposition
Roblox Corporation（Roblox公司）；University of Cambridge（剑桥大学）
MATCHA通过多智能体框架提升游戏对话推荐的安全性与人本对齐，实现更精细的个性化和更强的对抗防御能力。
2026-02-25 cs.CL cs.HC cs.IR
GenPage: Towards End-to-End Generative Homepage Construction at Netflix
Netflix（网飞）
提出GenPage，用单一Transformer替代传统多阶段推荐栈，通过自回归生成整个主页，结合预训练与后训练，在线A/B测试中核心指标提升0.24%，延迟降低20%。
2026-08-04 cs.IR
