MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
针对文本序列推荐中多属性表示与复杂兴趣匹配两大难题，本文提出MARS模型，通过属性感知编码和属性级交互匹配捕获细粒度偏好，在五个基准数据集上显著超越现有方法。
2024-09-04 cs.IR
Towards Distribution Matching between Collaborative and Language Spaces for Generative Recommendation
针对生成式推荐中语言模型与生成模型特征空间不匹配的问题，提出模型无关框架DMRec，通过概率元网络桥接并设计三种跨空间分布匹配，在三个数据集上显著提升多种生成式推荐方法性能。
2025-04-23 cs.IR
Micro-video recommendation model based on graph neural network and attention mechanism
随着互联网技术的飞速发展和互联网应用的全面普及，网上活动逐渐成为人们日常生活中不可或缺的一部分。原有的推荐学习算法主要是基于用户与微视频的交互进行学习，对用户与微视频的连接关系进行建模，难以捕捉节点之间较为复杂的关系。针对上述问题，提出了一种基于图神经网络的个性化推荐模型。该模型利用图神经网络能够更有效地挖掘图数据的深层信息的特点，将输入的用户评分信息和项目边信息转化为图结构，基于重要性采样策略进行有效的特征提取。基于重要性的采样策略通过计算邻居节点与中心节点之间的关系紧密度来衡量邻居节点对中心节点的重要性，并根据重要性级别来选择推荐任务的邻居节点，可以更有针对性地选择对目标微视频节点影响更大的采样邻居。而池化聚合策略则是先将邻域节点特征输入到全连通层中训练聚合权值，再进行邻域特征聚合，然后引入池化层进行特征聚合，最后将得到的邻域聚合特征与目标节点本身进行聚合，其直接引入对称可训练函数以将邻域权重训练融合到模型中，从而以可学习的方式更好地捕获不同邻域节点的差分特征，当前节点特征的表示。
2022-05-21 cs.IR
Fair Reciprocal Recommendation in Matching Markets
本文研究双边匹配市场中的互惠推荐公平性问题，提出基于纳什社会福利函数的方法寻找接近无嫉妒的推荐策略，以在期望匹配数量与机会公平之间取得平衡。
2024-09-01 cs.IR
Graph Neural Networks for Recommendation: Reproducibility, Graph Topology, and Node Representation
本教程探讨了推荐系统中图神经网络的三个关键方面：最先进方法的可复现性、图拓扑特性对模型性能的影响，以及从头训练或利用预训练嵌入学习节点表示的策略。
2023-11-28 cs.IR
Do All Nodes Benefit Equally from Knowledge Graphs? Adaptive Node-Aware KG Fusion for Recommendation
Soongsil University（崇实大学）
本文提出AdaKG，一种自适应节点感知知识图谱融合方法，通过分别编码交互图和知识图谱，并基于协同过滤信号稳定性动态调整各节点对知识图谱的依赖程度，以提升推荐性能。
2026-09-09 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功，人们对它们在匹配市场中的使用越来越感兴趣（例如，劳动）。虽然这有可能提高市场的流动性和公平性，但我们在本文中表明，天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中，候选人申请，然后得到雇主的评估，我们提出了一个新的推荐框架来模拟这种互动机制，并提出了有效的算法计算个性化的排名在这种情况下。我们发现，最佳排名不仅需要考虑候选人和雇主的潜在不同偏好，而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数（例如，单侧或互反相关性）是非常次优的--不仅对于个人用户，而且对于社会目标（例如，低失业率）。为了解决这个缺点，我们提出了第一种方法，用于联合优化市场上所有候选人的排名，以显式地最大化社会福利。除了理论推导，我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统，我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
A Zero Attentive Relevance Matching Networkfor Review Modeling in Recommendation System
用户评论和项目评论对于推荐系统的构建是有价值的。一般来说，现有的基于评论的推荐方法可以大致分为两类：分别从评论中构建静态用户和项目表示的连体模型，以及根据评论的相似性或关系动态编码用户和项目的基于交互的模型。虽然基于交互的模型具有更大的模型容量，更好地拟合人类购买行为，但现有基于交互的模型的一些问题的模型设计和假设导致其性能不如现有的连体模型。在本文中，我们确定了现有的基于交互的推荐模型的三个问题，并提出了一对夫妇的解决方案，以及一个新的基于交互的模型，将审查数据的评级预测。我们的模型实现了一个相关性匹配模型与正则化的训练损失，以发现用户相关的信息，从长项目评论，它也适应了零注意力策略，以动态平衡项目相关和项目无关的信息提取用户评论。在Amazon Product Benchmark数据集上的实证实验和案例研究表明，我们的模型可以从评论中提取有效且可解释的用户/项目表示，并且优于多种基于评论的推荐模型。
2021-08-01 cs.IR
Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation
针对多域序列推荐中域转换复杂、数据不平衡及扩展难的问题，提出GMFlowRec生成框架，利用高斯混合流匹配建模域感知轨迹，结合双掩码Transformer与域对齐先验，在京东和亚马逊数据集上NDCG@5提升高达44%。
2025-10-23 cs.IR
Layer-refined Graph Convolutional Networks for Recommendation
利用图卷积网络（GCN）的推荐模型已经达到了最先进的性能，因为它们可以集成节点信息和用户-项目交互图的拓扑结构。然而，这些基于GCN的推荐模型不仅遭受过度平滑时堆叠太多的层，但也承担性能退化的存在噪声的用户-项目交互。在本文中，我们首先确定了一个建议的困境，过度平滑和解决方案崩溃在目前的GCN为基础的模型。具体来说，这些模型通常聚合所有层嵌入进行节点更新，并由于过度平滑而在几层内实现最佳推荐性能。相反，如果我们在层嵌入上放置可学习的权重以进行节点更新，则权重空间将始终坍缩到一个固定点，在该点上，自我层的权重几乎占据了所有权重。我们提出了一个层细化的GCN模型，称为LayerGCN，细化层表示在信息传播和节点更新的GCN。此外，以前的基于GCN的推荐模型聚集所有来自邻居的信息，而不区分噪声节点，这降低了推荐性能。我们的模型进一步修剪用户-项目交互图的边缘，而不是均匀分布的程度敏感的概率。实验结果表明，该模型在四个公共数据集上的训练收敛速度快，性能明显优于现有模型。所提出的方法的实现代码可在https://github.com/enoche/ImRec上获得。
2022-11-25 cs.IR
Preference Flow Matching with Spectral Factorization for Micro-video Recommendation
National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院并行与分布式计算国家重点实验室）；National University of Singapore（新加坡国立大学）；Zhengzhou University（郑州大学）
本研究针对微视频推荐中主流方法的语义动态纠缠与流匹配模型忽略时间结构的问题，提出PrismRec框架，通过谱语义分解和上下文校准偏好匹配，在四个数据集上较SOTA提升最高22.65%且效率更优。
2026-08-28 cs.IR
Reciprocal Sequential Recommendation
本文将互惠推荐系统表述为序列匹配任务，提出ReSeq方法，通过协同注意力机制学习细粒度序列相似性并引入自蒸馏提升推理效率，在五个数据集上验证了有效性和效率。
2023-06-26 cs.IR
Path-Based Reasoning over Heterogeneous Networks for Recommendation via Bidirectional Modeling
异构信息网络（HIN）是推荐系统中数据的自然和通用表示。结合HIN和推荐系统不仅可以帮助建模用户行为，而且还可以通过将用户/项目与网络中的各种类型的实体对齐来使推荐结果可解释。在过去的几年中，基于路径的推理模型在基于隐马尔可夫链的推荐中表现出了巨大的能力。这些模型的基本思想是探索HIN与预定义的路径方案。这些模型虽然有效，但往往面临以下局限性：（1）现有的基于路径的推理模型在对序列进行建模时，大多只考虑了先行节点对后继节点的影响，而忽略了路径中节点之间的相互作用;（2）通常假设同一路径实例中节点的权值为常数，而不同的节点权重可以带来更多的灵活性，并导致表达建模;（3）用户-项目交互是嘈杂的，但他们往往是不加区别地利用。为了克服上述问题，在本文中，我们提出了一种新的基于路径的推理方法推荐HIN。具体来说，我们使用双向LSTM来实现路径的双向建模，并捕获节点之间的互惠性。然后采用注意力机制来学习节点在不同上下文中的动态影响。最后，对抗正则化项施加在模型的损失函数上，以减轻噪声的影响并增强基于HIN的推荐。在三个公共数据集上进行的大量实验表明，我们的模型优于最先进的基线。案例研究进一步证明了我们的模型在可解释推荐任务上的可行性。
2020-08-10 cs.IR
Online Dating Recommendations: Matching Markets and Learning Preferences
在线约会推荐系统最近引起了研究界的广泛关注。本文提出了一个双边匹配的网络约会推荐框架，并设计了一个LDA模型，从观察到的用户消息传递行为和用户简档特征来学习用户偏好。使用大型在线约会网站的数据进行的实验结果表明，双边匹配显著提高了45%的成功匹配率。最后，使用模拟匹配，我们表明，LDA模型可以正确地捕捉用户的喜好。
2014-01-31 cs.IR cs.SI physics.soc-ph
Not All Matches Are Equally Valuable: An Online Experiment of Retention-Focused Recommendation in a Job-Matching Platform
Wantedly, Inc.（Wantedly株式会社）；Hanjuku-kaso Co., Ltd.（Hanju-kaso有限公司）
该研究针对求职匹配平台优化了以留存为核心的推荐方法，通过在线实验验证其可降低用户流失风险，为双边匹配平台的推荐系统设计提供了新方向。
2026-09-03 cs.IR
Flow Matching for Collaborative Filtering
针对现有生成式推荐模型后验近似不准、与离散推荐数据不匹配的问题，提出基于流匹配的FlowCF推荐系统，通过行为引导先验和离散流框架优化，在多数据集上实现SOTA推荐精度与最快推理速度。
2025-09-04 cs.IR
FlowRec: Prior-Informed Flow Matching for Efficient Sequential Recommendation Generation
University of Science and Technology of China（中国科学技术大学）；Rutgers University（罗格斯大学）
FlowRec提出基于流匹配的序列推荐框架，利用历史交互构建个性化先验并学习向量场引导笔直偏好流，结合单步对齐目标与确定性ODE生成，在多个基准上同时提升推荐准确性与推理效率。
2026-09-22 cs.IR
From Skill Extraction to Multistakeholder Recommendation: A Two-Stage Framework for Bias Governance in Skills-Based Job Matching
Know Center Research GmbH（Know中心研究有限公司）
研究基于技能的工作匹配中的偏见治理，提出两阶段框架，第一阶段处理技能提取等，第二阶段进行多利益相关方推荐，通过区分硬软约束相连，用分布审计等方法检测治理偏见，生成清单并设定公平阈值。
2026-07-20 cs.IR
Generative Contrastive Graph Learning for Recommendation
本文针对图对比学习推荐中数据增强破坏图结构或忽视节点差异的问题，提出变分图生成-对比学习框架VGCL，通过节点级分布采样生成对比视图并引入簇感知双重对比学习，在三个公开数据集上验证了有效性。
2023-07-11 cs.IR
Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method
University of Science and Technology of China（中国科学技术大学）
本文提出深度树结构检索器DTR，通过softmax多类分类和树采样方法提升推荐效率，理论和实验验证其有效性。
2026-01-28 cs.IR
Distributional Domain-Invariant Preference Matching for Cross-Domain Recommendation
针对非重叠跨域推荐中偏好映射的挑战，提出分布域不变偏好匹配方法，通过分层逼近域级偏好分布并最小化分布距离，实现跨域偏好对齐。
2023-09-04 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题，提出 MCL 模型，通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构，提升了推荐鲁棒性。
2025-05-30 cs.IR
Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University（东北大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
该研究提出基于文本匹配的序列推荐模型TASTE，结合注意力稀疏方法建模长用户交互，在常用数据集上优于现有最优方法，可缓解冷启动、降低流行度偏差，提升推荐准确率。
2023-08-27 cs.AI cs.IR
Anatomy of a Decision: Uncertainty-aware Hierarchical Intent Learning via Flow Matching for Multimodal Recommendation
Sydney Smart Technology College, Northeastern University（悉尼智能科技学院，东北大学）；School of Computer and Communication Engineering and Hebei Key Laboratory of Marine Perception Network and Data Processing, Northeastern University at Qinhuangdao（秦皇岛东北大学计算机与通信工程学院及河北省海洋感知网络与数据处理重点实验室）；Shijiazhuang Innovation Research Institute of Northeastern University（东北大学石家庄创新研究院）
针对现有推荐方法忽视多模态不确定性和静态扁平意图结构的问题，提出UHIFlow框架，通过流匹配量化不确定性并动态构建分层意图，实验证明其显著优于基线。
2026-09-25 cs.IR
Masked Graph Transformer for Large-Scale Recommendation
本文提出线性复杂度的掩码图Transformer模型MGFormer，通过核化注意力和可学习相对度信息高效捕捉全对节点交互，在大规模推荐中仅用单层注意力即取得优越性能。
2024-05-07 cs.IR
Don't Lose Yourself: Boosting Multimodal Recommendation via Reducing Node-neighbor Discrepancy in Graph Convolutional Network
针对图卷积网络在多模态推荐中因过度平滑导致节点个性化信息丢失的问题，提出RedN^nD模型，通过减少节点-邻居差异在特征聚合时保留自我节点信息，在三个数据集上取得最优的准确性与鲁棒性。
2024-12-25 cs.IR cs.MM
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation
DePaul University（德保罗大学）
增加聚合多样性（或目录覆盖率）在许多推荐领域中是重要的系统级目标，在这些领域中，可能期望减轻流行度偏差并提高向用户给出的推荐中的长尾项的覆盖率。这在多利益相关者推荐场景中尤其重要，在多利益相关者推荐场景中，不仅对于最终用户，而且对于其他利益相关者（诸如物品卖家或生产者）优化效用可能是重要的，这些利益相关者期望在系统产生的推荐列表中公平地表示他们的物品。不幸的是，增加聚合多样性的尝试通常会导致最终用户的推荐准确性降低。因此，解决这个问题需要一种方法，可以有效地管理准确性和聚合多样性之间的权衡。在这项工作中，我们提出了一个双边的后处理方法，其中用户和项目公用事业被认为是。我们的目标是最大化聚合多样性，同时最小化推荐准确性的损失。我们的解决方案是一个推广的延迟接受算法，提出了一个有效的算法来解决著名的稳定匹配问题。我们证明，我们的算法的结果在一个独特的用户最佳的稳定匹配项目和用户之间。使用三个推荐数据集，我们实证证明了我们的方法与几个基线相比的有效性。特别是，我们的研究结果表明，所提出的解决方案是非常有效的，在增加聚合多样性和项目端的效用，同时优化最终用户的推荐准确性。
2020-06-05 cs.IR cs.LG
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索（EBR）系统的推荐共享与顺序查询相似的思想。其中，如何全面捕捉序列用户兴趣是一个根本性的问题。然而，大多数现有的顺序推荐模型作为输入点击或购买的行为序列，从用户项目的交互。这导致不全面的用户表示和次优的模型性能，因为它们忽略了完整的用户行为暴露数据，即，用户印象深刻但未点击的项目。在这项工作中，我们试图采用一种新的学习方法，以探索更好的顺序推荐技术，将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络，并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性，并验证了未点击项目在顺序推荐中的重要性。此外，我们部署我们的新模型（命名为XDM）在淘宝推荐系统的EBR，性能优于部署的前一代SDM。
2022-03-31 cs.IR
Factorial User Modeling with Hierarchical Graph Neural Network for Enhanced Sequential Recommendation
大多数采用图神经网络（GNNs）的顺序推荐（SR）系统只将用户的交互序列建模为没有层次结构的平面图，忽略了用户偏好中的各种因素。此外，相互作用的项目之间的时间跨度没有充分利用以前的模型，限制SR的性能增益。为了解决这些问题，我们提出了一种新的SR系统采用分层图神经网络（HGNN）模型阶乘用户的喜好。具体地说，一个时间跨度感知序列图（TSG）的目标用户首先构建与交互项目之间的时间跨度。然后，将TSG中的所有原始节点软聚类为因子节点，每个因子节点代表用户偏好的某个因子。最后，所有的因素节点的表示一起使用，以预测SR结果。我们在两个数据集上进行的大量实验证明，我们基于HGNN的阶乘用户建模比最先进的SR模型获得了更好的SR性能。
2022-07-27 cs.IR
Adaptive Multi-Modalities Fusion in Sequential Recommendation Systems
针对顺序推荐中多模态融合阶段争议，提出基于图的MMSR方法，通过自适应融合顺序和双重注意力机制，在六个数据集上超越现有模型，并自然处理缺失模态。
2023-08-30 cs.IR
Socially-Aware Self-Supervised Tri-Training for Recommendation
自监督学习（SSL）可以从原始数据中自动生成真实样本，在改进推荐系统方面具有巨大的潜力。现有的基于SSL的方法大多通过均匀的节点/边丢弃来扰动原始数据图以生成新的数据视图，然后在不同的视图上进行基于自判别的对比学习来学习可泛化的表示。在该方案下，只有一个双射映射之间的节点在两个不同的视图，这意味着从其他节点的自我监督信号被忽略。由于在推荐系统中广泛观察到的同质性，我们认为，来自其他节点的监督信号也很可能有利于表示学习的推荐。为了捕捉这些信号，本文提出了一个通用的社会感知SSL框架，集成了三训练。从技术上讲，我们的框架首先增加了用户数据视图与用户的社会信息。然后，在用于多视图编码的三训练机制下，该框架在增强视图上构建三个图编码器（一个用于推荐），并使用由其他两个编码器生成的来自其他用户的自监督信号迭代地改进每个编码器。由于tri-training是在相同数据源的增强视图上进行自监督信号，因此我们将其命名为自监督tri-training。在多个真实世界数据集上进行的大量实验一致地验证了自监督三训练框架在改进推荐方面的有效性。代码发布于https://github.com/Coder-Yu/QRec。
2021-08-26 cs.IR
Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
Hanyang University（翰林大学）；Chung-Ang University（Chung-Ang 大学）
本文提出终身感知兴趣匹配框架LIME，通过用户-主题年龄表示、候选感知终身注意力和新鲜度引导兴趣精炼，解决新闻推荐中用户兴趣持续性与新闻生命周期建模问题，并在两个真实数据集上显著优于现有方法。
2025-08-18 cs.IR cs.LG
PREMISE: Matching-based Prediction for Accurate Review Recommendation
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（国立新加坡大学）
提出PREMISE架构，通过计算多尺度多领域表征并过滤重复语义获取匹配分数作为特征，在多模态评论有用性任务上以更低计算成本显著超越基于融合的方法。
2025-05-02 cs.CL cs.IR cs.MM
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
Parameterized Explanations for Investor / Company Matching
J.P.Morgan AI Research（摩根大通人工智能研究）
匹配公司和投资者通常被认为是一个高度专业化的决策过程。构建一个可以自动化这种推荐过程的人工智能智能体可以显着帮助降低成本，消除人为偏见和错误。然而，由于财务数据集的样本规模有限，而且不仅需要好的建议，而且需要解释为什么提出某项建议，因此这是一个具有挑战性的问题。在这项工作中，我们提出了一个表示学习为基础的推荐引擎，工作非常好，与小数据集，并演示了它如何可以与参数化的解释生成引擎，以建立一个可解释的推荐系统投资者-公司匹配。我们比较了我们的系统与人类产生的建议的性能，并证明了我们的算法在这项任务上执行得非常好的能力。我们还强调了可解释性如何帮助我们的系统在现实生活中的采用。
2021-10-27 cs.AI cs.IR q-fin.CP
Distillation-based Scenario-Adaptive Mixture-of-Experts for the Matching Stage of Multi-scenario Recommendation
Northwestern Polytechnical University（西北工业大学）；Tsinghua University（清华大学）
本文提出DSMOE，通过场景自适应投影模块和跨架构知识蒸馏框架，提升多场景推荐中匹配阶段的检索质量，尤其在数据稀疏场景中表现突出。
2025-11-28 cs.AI cs.IR
Improving Outfit Recommendation with Co-supervision of Fashion Generation
Shandong University（山东大学）；University of Amsterdam（阿姆斯特丹大学）
服装推荐的任务包括两个主要的挑战：视觉理解和视觉匹配。视觉理解的目的是提取有效的视觉特征。视觉匹配旨在模拟人类的兼容性概念，以计算时尚物品之间的匹配。大多数先前的研究仅依赖于推荐损失来指导视觉理解和匹配。尽管这些方法所捕获的特征描述了基本特征（例如，颜色、纹理、形状），它们与输出项的视觉信号（推荐）不直接相关。这是有问题的，因为美学特性（例如，风格，设计），我们可以直接推断输出项的基础上，是缺乏的。特征仅在推荐损失下学习，其中监督信号仅仅是给定的两个项目是否匹配。为了解决这个问题，我们提出了一个神经协同监督学习框架，称为Fashion推荐机（FARM）。FARM提高了视觉理解，通过纳入监督代损失，我们假设能够更好地编码美学信息。FARM通过引入一种新的层到层匹配机制来增强视觉匹配，从而更有效地融合美学信息，同时避免了过于关注生成质量而忽视推荐性能。在两个公开数据集上进行的大量实验表明，FARM在AUC和MRR方面优于最先进的服装推荐模型。通过对生成和推荐项目的详细分析表明，FARM可以编码更好的特征，并生成高质量的图像作为参考，以提高推荐性能。
2019-08-24 cs.CV cs.IR
User-item matching for recommendation fairness
众所周知，用户和商品提供者是推荐系统的两个主要参与方。然而，大多数现有的研究工作的推荐集中在更好地服务用户，忽视了项目提供者的目的。本文致力于在满足项目提供者目标的前提下提高项目曝光的公平性，在满足用户目标的前提下保持推荐的准确率不降低甚至提高。我们建议对商品设置库存量约束，具体来说，限制商品的最大允许推荐次数，使其与过去互动的频率成比例，这被验证为实现对普通用户的商品曝光公平性，从而减轻商品流行度的马太效应。在已有的用户推荐长度和商品库存量两个约束条件下，提出了基于归一化评分的启发式策略和基于最小成本最大流（MCMF）的模型来求解用户-商品最优匹配问题，其准确率性能甚至优于常规推荐环境下的基线算法，并与基线算法的最新改进相一致.更重要的是，我们基于MCMF的策略是无参数的，而那些同行的算法必须诉诸参数遍历过程，以达到最佳的性能。
2021-10-21 cs.IR cs.SI
Rethinking Conversational Recommendations: Is Decision Tree All You Need?
会话式推荐系统（CRS）通过多轮问答动态获取用户偏好。现有的CRS解决方案广泛地由深度强化学习算法主导。然而，深度强化学习方法经常因缺乏可解释性和需要大量训练数据来执行而受到批评。在本文中，我们探索了一个更简单的替代方案，并提出了一个基于决策树的解决方案CRS。CRS中的潜在挑战是，不同的用户可以对同一项目进行不同的描述。我们表明，决策树是足够的用户和项目之间的互动的特点，并解决了多轮CRS的关键挑战：即问哪些问题，如何排名的候选项目，何时推荐，以及如何处理的建议负反馈。首先，决策树的训练使我们能够找到有效缩小搜索空间的问题。其次，通过学习每个项目和树节点的嵌入，可以基于候选项目与由树节点编码的会话上下文的相似性对候选项目进行排名。第三，与每个树节点相关联的项目的多样性允许我们开发早期停止策略来决定何时进行推荐。第四，当用户拒绝推荐时，我们自适应地选择下一棵决策树来改进后续的问题和推荐。在三个公开的基准CRS数据集上进行的大量实验表明，我们的方法对现有的CRS方法有显著的改进。
2022-08-31 cs.IR
Supervised Contrastive Learning for Recommendation
School of Automation Engineering, University of Electronic Science and Technology of China（电子科技大学自动化工程学院）
在这项工作中，我们的目标是充分考虑对比学习在推荐系统的场景中的应用，使其更适合于推荐任务。我们提出了一种称为监督对比学习（SCL）的学习范式来支持图卷积神经网络。具体来说，我们在数据预处理时分别计算用户端和项目端不同节点之间的相似度，然后在应用对比学习时，不仅将增强后的视图作为正样本，还将一定数量的相似样本作为正样本，这与Simplified将一批中的其他样本作为负样本不同。我们在最先进的LightGCN上应用SCL。此外，为了考虑节点交互的不确定性，本文还提出了一种新的数据扩充方法--节点复制。在Gowalla、Yelp 2018、Amazon-Book数据集上的实证研究和消融研究证明了SCL和节点复制的有效性，提高了推荐的准确性和对交互噪声的鲁棒性。
2022-04-19 cs.AI cs.IR
Self-supervised Graph Learning for Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Sun Yat-sen University（中山大学）；Microsoft Research Asia（微软亚洲研究院）
用于推荐的用户项图上的表示学习已经从使用单个ID或交互历史发展到利用高阶邻居。这导致了图卷积网络（GCN）的成功，如PinSage和LightGCN。尽管有效，我们认为，他们遭受两个局限性：（1）高程度的节点施加更大的影响表示学习，恶化低程度（长尾）项目的建议;和（2）表示是容易受到噪声的相互作用，作为邻域聚合方案进一步扩大观察到的边缘的影响。在这项工作中，我们探索自监督学习的用户项图，以提高GCN的推荐的准确性和鲁棒性。其思想是补充经典的监督任务的推荐与辅助的自我监督任务，加强节点表示学习通过自我歧视。具体来说，我们生成一个节点的多个视图，最大限度地提高同一节点的不同视图之间的协议相比，其他节点。我们设计了三个操作符来生成视图-节点丢弃，边缘丢弃和随机行走-以不同的方式改变图结构。我们将这种新的学习范式称为\textit{Self-supervised Graph Learning}（SGL），并在最先进的模型LightGCN上实现它。通过理论分析，我们发现SGL具有自动挖掘硬否定的能力。在三个基准数据集上的实验结果表明，SGL算法提高了推荐的准确率，特别是对长尾项的推荐，并具有较强的抗干扰能力。我们的实现可从\url{https://github.com/wujcan/SGL}获得。
2021-06-18 cs.IR cs.LG
Flow Matching based Sequential Recommender Model
针对扩散模型在序列推荐中噪声扰动导致偏好建模不准的问题，提出基于流匹配的FMRec模型，采用直线轨迹、定制损失及确定性ODE采样器，在四个基准数据集上平均提升6.53%。
2025-05-22 cs.IR
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
Deep Neural Review Text Interaction for Recommendation Systems
用户的评论包含有价值的信息，而这些信息在大多数推荐系统中没有被考虑在内。根据该领域的最新研究，使用评论文本不仅可以提高推荐性能，而且可以减轻数据稀疏性的影响，有助于解决冷启动问题。在本文中，我们提出了一个神经推荐模型，推荐项目，利用用户评论。为了预测每个项目的用户评分，我们提出的模型，命名为匹配金字塔推荐系统（MPRS），代表每个用户和项目与其相应的评论文本。因此，推荐问题被视为一个文本匹配问题，使得从匹配用户和项目文本中获得的匹配分数可以被认为是它们的联合相似程度的良好代表。为了解决文本匹配问题，受MatchPyramid（Pang，2016）的启发，我们采用了一种基于交互的方法，根据该方法，在给定一对输入文本的情况下构建匹配矩阵。然后将具有分层匹配模式属性的匹配矩阵馈送到卷积神经网络（CNN）中，以计算给定用户-项目对的匹配分数。我们在Amazon评论数据集的小数据类别上的实验表明，与DeepCoNN模型相比，我们提出的模型的相对改进从1.76%提高到21.72%，与TransNets模型相比，相对改进从0.83%提高到3.15%。此外，在两个大类别，即AZ-CSJ和AZ-Mov上，与DeepCoNN模型相比，我们的模型实现了8.08%和7.56%的相对改进，与TransNets模型相比，分别实现了1.74%和0.86%的相对改进。
2020-03-16 cs.IR cs.SI
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
PP-Rec: News Recommendation with Personalized User Interest and Time-aware News Popularity
个性化新闻推荐方法在在线新闻服务中得到了广泛的应用。这些方法通常基于新闻内容和从历史行为推断的用户兴趣之间的匹配来推荐新闻。然而，这些方法通常难以向冷启动用户做出准确的推荐，并且倾向于推荐与那些用户已经阅读过的新闻相似的新闻。一般来说，热门新闻通常包含重要信息，可以吸引不同兴趣的用户。此外，它们通常在内容和主题上是多样的。因此，在本文中，我们建议将新闻流行度信息，以减轻个性化新闻推荐的冷启动和多样性问题。在我们的方法中，用于向目标用户推荐候选新闻的排名分数是个性化匹配分数和新闻流行度分数的组合。前者用于捕捉个性化的用户对新闻的兴趣。后者用于测量候选新闻的时间感知流行度，其基于新闻内容、新近度和实时CTR使用统一框架进行预测。此外，我们提出了一个流行度感知的用户编码器，以消除用户行为的流行偏见，准确的兴趣建模。在两个真实数据集上的实验表明，该方法能有效地提高新闻推荐的准确性和多样性。
2021-06-10 cs.IR
Dynamic Graph Neural Networks for Sequential Recommendation
从用户的历史偏好序列中建模用户偏好是顺序推荐的核心问题之一。该领域现有的方法从常规方法到深度学习方法分布广泛。然而，大多数的模型只在自己的序列内的用户的兴趣，而忽略了不同的用户序列之间的动态协作信号，使得它不足以探索用户的偏好。我们从动态图神经网络中获得灵感来应对这一挑战，将用户序列和动态协作信号建模到一个框架中。本文提出了一种动态图神经网络的顺序推荐方法（DGSR），该方法通过动态图结构连接不同的用户序列，利用时间和顺序信息来研究用户和项目的交互行为。此外，我们设计了一个动态图推荐网络，从动态图中提取用户的偏好。因此，顺序推荐中的下一个项目预测任务被转换为动态图中的用户节点和项目节点之间的链接预测。在三个公共基准上的大量实验表明，DGSR优于几种最先进的方法。进一步的研究证明了通过动态图对用户序列建模的合理性和有效性。
2021-07-27 cs.IR
MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对多兴趣推荐中的兴趣坍缩问题，提出MIMA框架，通过多正例互斥分配和因果Transformer生成互补兴趣，并利用路由模块校准得分，在公共和工业数据集上超越现有方法。
2026-09-14 cs.IR
Neural Attentive Session-based Recommendation
针对用户简档不可见的电子商务场景，提出了基于会话的推荐方法，利用短会话生成推荐结果。以前的工作只考虑用户在当前会话中的顺序行为，而用户在当前会话中的主要目的没有得到强调。在本文中，我们提出了一种新的神经网络框架，即，神经注意力推荐机（NARM）解决了这个问题。具体来说，我们探索了一种混合编码器与注意力机制来模拟用户的顺序行为，并捕捉用户在当前会话中的主要目的，这是作为一个统一的会话表示后。然后，我们根据这个统一的会话表示，使用双线性匹配方案计算每个候选项的推荐评分。我们通过共同学习项目和会话表示以及它们的匹配来训练NARM。我们在两个基准数据集上进行了广泛的实验。我们的实验结果表明，NARM在这两个数据集上的表现都优于最先进的基线。此外，我们还发现，NARM实现了显着的改善长会话，这表明它的优势，同时建模用户的顺序行为和主要目的。
2017-11-13 cs.IR
How Graph Convolutions Amplify Popularity Bias for Recommendation?
本文研究图卷积网络如何放大推荐中的流行度偏差，提出一种通用方法，通过聚类估计并移除流行节点在图卷积各层的放大效应，在推理阶段纠正现有模型，有效提升尾部物品推荐且不牺牲流行物品性能。
2023-05-24 cs.IR
A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search
针对互惠求职推荐中匹配标签稀疏及双向独立模型误差传播问题，提出融合真实标签与稠密预测的 BoB 伪匹配分数及元模型，并支持个性化权重以提升潜在匹配发现效果。
2024-09-18 cs.IR
MV-HAN: A Hybrid Attentive Networks based Multi-View Learning Model for Large-scale Contents Recommendation
工业推荐系统通常采用多源数据来提高推荐质量，而在不同数据源之间有效地共享信息仍然是一个挑战。在本文中，我们介绍了一种新的多视图方法与混合注意网络（MV-HAN）的内容检索在推荐系统的匹配阶段。该模型使高阶特征交互从各种输入功能，同时有效地转移不同类型之间的知识。通过采用适当的参数共享策略，MV-HAN大大提高了稀疏类型的检索性能。所设计的MV-HAN继承了双塔模型在在线服务中的效率优势，通过将不同类型的用户和内容映射到相同的特征空间。这使得能够使用近似最近邻算法快速检索相似内容。我们在几个工业数据集上进行了离线实验，证明了所提出的MV-HAN在内容检索任务上的性能明显优于基线。重要的是，MV-HAN部署在真实世界的匹配系统中。在线A/B测试结果表明，该方法能显著提高推荐质量。
2022-10-14 cs.IR
MixDec Sampling: A Soft Link-based Sampling Method of Graph Neural Network for Recommendation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Tencent PCG（腾讯PCG）；School of Mathematical Science, University of Electronic Science and Technology of China（电子科技大学数学科学学院）；School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）；Beihang University（北京航空航天大学）；Beijing Chaoyang Hospital, Capital Medical University（首都医科大学附属北京朝阳医院）；Pengcheng Laboratory（鹏城实验室）
针对现有负采样方法丢失结构信息、无法为少邻居节点生成正样本对的问题，提出含Mixup和Decay模块的MixDec软链接采样方法，为少邻居节点提供足够样本并强化结构信息利用，提升GNN推荐模型性能。
2025-02-12 cs.AI cs.IR
Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation
Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）
研究针对序列推荐中项目目录离散稀疏致欧几里得路径失效问题，提出MIRAGE框架，利用项目共现图校正嵌入几何，使插值路径状态与局部锚点对齐，保留原始概率路径仅训练用图，实验表明其性能优于基线。
2026-07-28 cs.AI cs.IR
