Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency
Kuaishou Technology(快手科技)
本文提出HarmonRank框架,通过提升排名一致性和共同性建模,改进推荐系统中的多目标集成方法,实现性能和鲁棒性的提升。
2026-02-09 cs.IR
Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Conversational Group Decision Support
University of Klagenfurt(克雷格弗特大学);University of Sarajevo(萨拉热窝大学);Free University of Bozen-Bolzano(博兹纳-博尔扎诺自由大学)
本文反思群组推荐系统的学术假设与现实差距,提出利用生成式AI,构建人类与AI智能体互动的群组决策支持系统,以推动其实际应用。
2026-10-30 cs.AI cs.IR
A Simple Recommender Engine for Matching Final-Year Project Student with Supervisor
本文讨论了一个简单的推荐引擎,它可以匹配的最后一年的项目学生的兴趣与潜在的主管。推荐引擎基于欧几里得距离算法构建。推荐系统的初始输入数据是通过向最后一年的学生分发问卷并以CSV格式记录他们的回答来获得的。推荐引擎是使用Java类和应用程序实现的,初步测试的结果表明,该项目是可行的,因为它有可能解决最后一年的学生在寻找他们的潜在主管的问题。
2019-08-08 cs.IR
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
Streaming CTR Prediction: Rethinking Recommendation Task for Real-World Streaming Data
本文将CTR预测重新定义为面向真实动态数据流的Streaming CTR Prediction任务,构建基准与指标,揭示流式学习困境,并提出参数调优和样本回放方法以提升模型效果。
2023-07-14 cs.IR
Understanding or Manipulation: Rethinking Online Performance Gains of Modern Recommender Systems
Shanghai Jiao Tong University(上海交通大学);Nanjing University(南京大学);Polixir Technologies(Polixir科技)
本文提出面向石板与序列推荐的操纵程度基准框架及两项指标,通过合成与真实数据实验揭示高点击率可能源于操纵而非理解初始偏好。
2023-12-18 cs.IR cs.LG
CSRec: Rethinking Sequential Recommendation from A Causal Perspective
University of Maryland, College Park(马里兰大学帕克分校)
本文提出因果序列推荐框架CSRec,通过预测推荐物品接受概率并回溯决策成因,隔离推荐系统等因素影响,且可融入现有方法,实验证明其显著优于基线。
2024-08-23 cs.IR cs.LG
Embedding-based Recommender System for Job to Candidate Matching on Scale
在线招聘匹配系统已经成为凯业必达的核心技术和服务平台。在线征聘方案的主要挑战之一是使用推荐系统在职位和候选人之间提供良好的匹配。本文讨论了一个基于嵌入的推荐系统在大规模职位推荐中的应用技术。为了全面有效地学习职位和候选人的嵌入,我们通过对原始文本、语义实体和位置信息进行不同层次的表示学习,构建了一个融合嵌入。然后,使用融合嵌入的工件和候选人的集群来构建和训练支持运行时近似最近邻搜索的候选人检索的Faiss索引。在第一阶段的候选检索后,第二阶段的重排序模型,利用其他上下文信息被用来生成最终的匹配结果。离线和在线评估结果表明,我们提出的基于两阶段嵌入的系统在点击率(CTR),质量和归一化的折扣累积增益(nDCG)方面的显着改善,与我们的基线系统相比。我们进一步描述了支持CareerBuilder百万级职位和候选人匹配流程的系统部署。我们的职位与候选人匹配系统的整体改进已经在一个主要的在线招聘网站上证明了它的可行性和可扩展性。
2021-07-01 cs.IR
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
获取用户的精确偏好是大规模推荐系统的一个基本问题。目前,基于项目的协同过滤(CF)方法是工业界常用的匹配方法。然而,它们不能有效地对用户的动态和不断变化的偏好进行建模。在本文中,我们提出了一个新的顺序深度匹配(SDM)模型,通过结合短期会话和长期行为来捕获用户的动态偏好。与现有的序列感知推荐方法相比,我们解决了以下两个实际应用中的固有问题:(1)在一个会话中可能存在多个兴趣倾向。(2)长期偏好可能无法有效地与当前会话兴趣融合。长期行为是多样的、复杂的,因此与短期会话高度相关的行为应该被保留以进行融合。我们建议编码行为序列与两个相应的组件:多头自我注意模块捕捉多种类型的利益和长期-短期门控融合模块,将长期的喜好。在序列用户行为向量和项目嵌入向量之间进行匹配后,推荐连续项目。真实世界数据集上的离线实验表明,所提出的SDM的优越性能。此外,SDM已成功部署在淘宝网的在线大型推荐系统,并在一系列商业指标方面取得了改善。
2019-12-28 cs.IR
Parallel and Mini-Batch Stable Matching for Large-Scale Reciprocal Recommender Systems
针对双向推荐系统中稳定匹配算法因用户数量增长导致计算复杂度和内存效率二次上升的问题,提出并行与小批量计算方法,提升优化效率,在不损失匹配数的情况下实现单GPU处理百万样本。
2024-11-28 cs.IR
Rethinking Reinforcement Learning for Recommendation: A Prompt Perspective
现代推荐系统旨在改善用户体验。由于强化学习(RL)自然符合这一目标-最大化用户每次会话的奖励-它已成为推荐系统中的一个新兴话题。然而,由于\emph{offline training challenge}的存在,开发基于RL的推荐方法并不简单。具体来说,传统强化学习的重点是通过大量的在线探索来训练智能体,从而在训练过程中产生大量的“错误”。然而,在推荐设置中,我们无法承担在线“错误”的代价。因此,需要通过在不同推荐策略下收集的离线历史隐式反馈来训练代理;传统RL算法可能会在这些离线训练设置下导致次优策略。在这里,我们提出了一个新的学习范式-即基于约束的强化学习(PRL)-基于RL的推荐代理的离线训练。虽然传统的RL算法试图将状态-动作输入对映射到它们的预期奖励(例如,Q值),PRL直接推断动作(即,从国家奖励的投入。简而言之,智能体被训练来预测推荐的项目,给出先前的交互和观察到的奖励值-通过简单的监督学习。在部署时,这些历史(训练)数据用作知识库,而状态-奖励对用作提示。因此,代理人被用来回答这个问题:\emph{ Which item should be recommended given the prior interactions \& the prompted reward value}?我们实现了PRL与四个显着的推荐模型,并在两个真实世界的电子商务数据集上进行实验。实验…
2022-06-15 cs.IR
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
Evaluation on Entity Matching in Recommender Systems
University of California, San Diego(加州大学圣地亚哥分校)
本文提出Reddit-Amazon-EM数据集,通过手动标注评估推荐系统中实体匹配方法,为相关研究提供可复现的资源。
2026-02-01 cs.IR cs.LG
Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough
City University of Hong Kong(香港城市大学);Hong Kong Institute of AI for Science(香港人工智能科学研究所);Beihang University(北京航空航天大学);Chinese University of Hong Kong(香港中文大学);Jingdong(京东)
本文挑战了传统语义与协作表示对齐的假设,提出互补融合视角,强调共享与私有因素的区分,通过实验揭示语义与协作视图的低一致性及互补性,倡导以互补性为核心的推荐系统设计。
2026-04-24 cs.IR
Path-based Deep Network for Candidate Item Matching in Recommenders
大规模推荐系统主要包括两个阶段:匹配和排序。匹配阶段(也称为检索步骤)以低延迟和计算成本从十亿级项目语料库中识别一小部分相关项目。基于项目的协同过滤(Item-to-item collaborative filter,简称CF)和基于嵌入的检索(embedding-based retrieval,简称EBR)因其高效性而被广泛应用于工业匹配阶段。然而,基于项目的CF难以满足个性化,而EBR难以满足多样性。在本文中,我们提出了一种新的匹配架构,基于路径的深度网络(PDN),它可以结合个性化和多样性,以提高匹配性能。具体来说,PDN由两个模块组成:触发器网络和相似性网络。PDN利用触发器网络来捕获用户对他/她的每个交互项目的兴趣,并且利用相似性网络来基于这些项目的简档和CF信息来评估每个交互项目与目标项目之间的相似性。通过明确考虑用户的不同兴趣,\ie聚合相关两跳路径的相关权重(路径的一跳对应于用户-项目交互,另一跳对应于项目-项目相关),计算用户与目标项目之间的最终相关度。此外,我们描述了一个匹配系统的架构设计与建议PDN在一个领先的现实世界的电子商务服务(手机淘宝应用程序)。基于离线评估和在线A/B测试,我们表明PDN优于现有的解决方案,为相同的任务。在线结果还表明,PDN可以检索更个性化和更多样化的相关项目,以显着提高用户参与度。目前,PDN系统已成功部署于手机淘宝App及处理主…
2021-05-18 cs.IR
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation
University of Science and Technology of China(中国科学技术大学);FaceBook AI(脸书人工智能研究院)
针对推荐系统缺失数据被误标为负样本导致长尾物品召回受损的问题,提出偶然不确定性感知推荐(AUR)框架,通过引入不确定性估计器并基于不确定性进行推荐,有效提升了长尾物品推荐性能且不牺牲整体效果。
2023-07-27 cs.AI cs.IR
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
Fast and Examination-agnostic Reciprocal Recommendation in Matching Markets
针对匹配市场现有推荐方法计算成本高且依赖特定考察函数的问题,提出基于可转移效用匹配模型的快速且与考察无关的互惠推荐算法,在合成与真实数据上实现了更优或持平的匹配数并支持大规模数据。
2023-07-27 cs.IR
Counterfactual Reciprocal Recommender Systems for User-to-User Matching
Sony Group Corporation(索尼集团)
针对互惠推荐系统中的曝光偏差,提出反事实互惠推荐系统(CFRR),利用逆倾向得分自归一化目标,显著提升匹配准确性和公平性。
2025-08-03 cs.AI cs.IR
From Delivery to Stateful Exploration: Rethinking the Index for Agentic Search
Yonsei University(延世大学)
针对智能体搜索中候选集优化与文本检查耦合的问题,提出索引原生接口IndexAct,通过持久化候选集和状态反馈分离二者,在五个基准上超越基线,并提升证据覆盖率与可扩展性。
2026-10-07 cs.IR
On Mitigating Data Sparsity in Conversational Recommender Systems
Nanyang Technological University(南洋理工大学);The University of Queensland(昆士兰大学)
针对对话推荐系统的对话与实体空间数据稀疏问题,提出含三个模块的DACRS框架,经实验验证其性能优于现有最先进对话推荐系统。
2026-08-19 cs.IR
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段,用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索,以有效地衡量用户的兴趣项目从庞大的候选池。然而,现有的工作主要是建立在预定义的检索渠道,包括用户CF(U2 U),项目CF(I2 I),嵌入式检索(U2 I),从而访问用户和项目之间的有限的相关性,这仅仅需要从潜在的交互的部分信息。在本文中,我们提出了一个模型无关的综合跨渠道(MIC)的方法,最大限度地利用固有的多渠道互信息,以提高匹配性能的大规模推荐。具体来说,MIC鲁棒模型内的用户-项目,用户-用户,项目-项目从潜在的相互作用在一个通用的模式。对于每个通道,MIC自然地将对与语义相似性对齐,并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计,但MIC直观地将其视为一个整体,使用户和项目之间的完整信息流。因此,MIC可以很容易地插入到其他检索推荐系统。大量的实验表明,我们的MIC帮助几个国家的最先进的模型,提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
An Equity-Aware Recommender System for Curating Art Exhibits Based on Locally-Constrained Graph Matching
Tufts University(塔夫茨大学)
针对公共艺术策展中的公平性问题,提出一种基于局部约束图匹配的公平感知推荐系统,利用Schelling模型构建成本矩阵并通过投影梯度下降优化分配,以满足最低代表性与曝光标准,实现公平策展。
2023-10-10 cs.IR cs.LG
Motifs-based Recommender System via Hypergraph Convolution and Contrastive Learning
近年来,利用不同的渠道来建模社会语义信息,并使用自监督学习任务来提高推荐性能已被证明是一个非常有前途的工作。但如何在保持各渠道独特性的同时,深入挖掘不同渠道之间的关系并充分利用,是该领域尚未得到很好研究和解决的问题。在这种情况下,本文通过实际实验,探索并验证了直接在不同通道上构造对比学习任务的不足,提出了跨通道交互建模和匹配表示的方案。这是在推荐系统领域的首次尝试,相信本文的研究成果对今后基于多渠道信息的自监督学习研究具有一定的启发意义。针对这一问题,提出了一种基于注意交互的跨渠道匹配表示模型,实现了跨渠道信息间关系的高效建模。在此基础上,我们还提出了一种分层自监督学习模型,实现了通道内和通道间两个层次的自监督学习,提高了自监督任务自主挖掘不同层次潜在信息的能力。我们已经进行了大量的实验,在多个公共数据集上的各种度量表明,本文提出的方法与现有的方法相比,无论是在一般情况下还是在冷启动情况下,都有明显的改善。并在模型变异分析实验中,充分验证了本文提出的跨通道匹配表示模型和层次自监督模型的优越性。
2022-09-25 cs.IR
Optimizing Long-term Social Welfare in Recommender Systems: A Constrained Matching Approach
Google Research(谷歌研究院);University of Toronto(多伦多大学);Vector Institute(向量研究所);Technion(以色列理工学院)
大多数推荐系统(RS)研究假设用户的效用可以独立于其他代理的效用而被最大化(例如,其他用户、内容提供方)。在现实环境中,这往往是不正确的-RS生态系统的动态耦合所有代理的长期效用。在这项工作中,我们探索设置中,内容提供方不能保持可行的,除非他们收到一定程度的用户参与。我们制定的推荐问题在这种情况下作为一个均衡选择诱导动力系统,并表明它可以解决作为一个最佳的约束匹配问题。我们的模型确保系统达到一个平衡,最大的社会福利支持一个足够多样化的可行的供应商。我们证明,即使在一个简单的,程式化的动态RS模型,标准的近视推荐方法-总是匹配用户的最佳供应商-表现不佳。我们开发了几种可扩展的技术来解决匹配问题,并绘制连接到用户的遗憾和公平的各种概念,认为这些结果是公平的功利意义上。
2020-08-18 cs.AI cs.IR cs.LG
SRSUPM: Sequential Recommender System Based on User Psychological Motivation
本文提出SRSUPM框架,通过建模用户心理动机变化提升序列推荐性能,通过心理动机变化评估、状态建模和信息分解等方法,有效捕捉用户行为模式,实验表明其在多个基准测试中表现优异。
2026-04-17 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
Rethinking Deep Research from the Perspective of Web Content Distribution Matching
School of Computer science and engineering, Sun Yat-sen University(计算机科学与工程学院,中山大学);CSE, The Hong Kong University of Science and Technology(计算机科学与工程系,香港科学与技术大学);Sydney AI Centre, The University of Sydney(悉尼人工智能中心,悉尼大学);Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University(数据科学与人工智能系,香港理工大学);DSA Thrust, The Hong Kong University of Science and Technology (GuangZhou)(数据科学与技术 thrust,香港科学与技术大学(广州));TMLR Group, Department of Computer Science, Hong Kong Baptist University(TMLR 组,计算机科学系,香港 Baptist 大学)
WeDas通过引入网页内容分布感知机制,改进深度搜索代理的查询-结果对齐能力,提升子目标完成和准确性。
2026-03-07 cs.IR cs.LG
Transfer Learning for Content-Based Recommender Systems using Tree Matching
Deutsche Telekom Labs(德国电信实验室);Ben-Gurion University(本-古里安大学)
在本文中,我们提出了一种新的方法,基于内容的迁移学习解决数据稀疏性问题的情况下,用户的偏好在目标域是稀缺的或不可用的,但必要的信息存在于另一个域的偏好。我们表明,训练系统使用跨域的信息可以产生更好的性能。具体来说,我们表示用户的行为模式的基础上的拓扑图结构。每个行为模式代表一组用户的行为,当用户的行为被定义为他们评分的项目和项目的评分值时。在下一步中,我们将找到源域中的行为模式与目标域中的行为模式之间的相关性。这种映射被认为是两个域之间的桥梁。基于项目的相关性和内容属性,我们训练一个机器学习模型来预测用户在目标领域的评分。当我们将我们的方法与真实世界数据集上的流行度方法和KNN跨域方法进行比较时,结果显示,在平均83个$%$的情况下,我们的方法优于这两种方法。
2013-05-15 cs.IR cs.LG
Balancing Fairness and High Match Rates in Reciprocal Recommender Systems: A Nash Social Welfare Approach
CyberAgent, Inc.(CyberAgent公司);School of Information Science and Technology, The University of Tokyo(东京大学信息理工学院)
本文提出纳什社会福利方法,用于在互惠推荐系统中平衡公平性与高匹配率,通过优化算法和实验验证其有效性。
2026-01-20 cs.IR
Revisit Recommender System in the Permutation Prospective
推荐系统(RS)的工作有效地缓解信息过载和匹配用户的兴趣在各种网络规模的应用。大多数RS检索用户最喜欢的候选人,然后排名他们的评级分数在贪婪的方式。然而,在置换的前景,目前的RS来揭示以下两个局限性:1)他们忽略了解决的置换变量的影响内推荐的结果; 2)置换的考虑扩展潜在的解决方案空间呈指数级,目前的RS缺乏能力,以评估的置换。两者都使RS偏离了推荐的最佳排列结果和更好的用户体验。为了有效地逼近置换最优推荐结果,本文在RS的重排序阶段提出了一种新的置换框架PRS,该框架依次包括置换匹配(PMatch)和置换排序(PRank)两个阶段.具体来说,PMatch阶段的目的是获得候选列表集,在这里,我们提出了FPSA算法,通过置换明智的和面向目标的束搜索算法生成多个候选列表。之后,对于候选列表集,PRank阶段提供了一个统一的排列方式的排名标准,称为LR度量,该度量由精心设计的排列方式模型DPWN的评级得分计算。最后,具有最高LR分数的列表被推荐给用户。实证结果表明,PRS一贯和显着优于国家的最先进的方法。此外,在淘宝应用的一个热门推荐场景中成功部署后,PRS在PV指标上实现了11.0%的性能提升,在IPV指标上实现了8.7%的性能提升。
2021-04-02 cs.IR
A Theory of Information Matching
在这项工作中,我们提出了一个理论的信息匹配。它的动机是观察,检索是关于两组属性(特征)之间的相关性匹配,即信息需求表示和信息项表示。然而,许多概率检索模型依赖于固定一种表示并优化另一种表示(例如,固定单个信息需求并调整文档),而不是两者兼而有之。因此,在计算相关性概率时,很难同时使用关于文档和查询的可用相关信息。在本文中,我们解决这个问题,通过假设的相关性作为两组属性之间的逻辑关系,这些属性之间的关系定义在两个单独的映射。通过使用的假设,我们开发了一个统一的概率相关性模型,它是能够使用所有可用的信息。我们验证了所提出的理论,制定和开发的概率相关性排名功能的特设文本检索和协同过滤。我们在文本检索中的推导说明了在没有相关信息的情况下使用该理论。在协同过滤中,我们表明,所得到的推荐模型统一的用户和项目的信息到一个相关性排名功能,而不应用任何降维技术或计算两个不同的用户(或项目)之间的显式相似性,在对比国家的最先进的推荐模型。
2012-06-01 cs.IR
Rethinking Chunk Size For Long-Document Retrieval: A Multi-Dataset Analysis
本研究系统评估了固定大小分块策略对长文档检索性能的影响,发现较小块适用于事实型数据集、较大块适用于需广泛上下文的数据集,且不同嵌入模型对块大小表现出不同的敏感性。
2025-05-29 cs.IR
DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System
School of Data and Computer Science, Sun Yat-sen University(中山大学数据与计算机学院);Department of Computer Science, University of Illinois at Chicago(伊利诺伊大学芝加哥分校计算机科学系);Institute for Data Science, Tsinghua University(清华大学数据科学研究院);School of Data and Computer Science, Sun Yat-sen University, Guangzhou, China(中山大学数据与计算机学院);Department of Computer Science, University of Illinois at Chicago, Chicago, USA(伊利诺伊大学芝加哥分校计算机科学系);Institute for Data Science, Tsinghua University, Beijing, China(清华大学数据科学研究院)
一般来说,推荐可以被看作是一个匹配问题,即,为合适的用户匹配合适的项目。然而,由于用户和项目之间的巨大语义鸿沟,它几乎是不可能的,直接匹配用户和项目在其初始表示空间。为了解决这个问题,已经研究了许多方法,这些方法通常可以分为两种类型,即,基于表示学习的CF方法和基于匹配函数学习的CF方法。基于表示学习的CF方法试图将用户和项目映射到公共表示空间中。在这种情况下,用户和该空间中的项目之间的相似性越高,意味着它们匹配得越好。基于匹配函数学习的CF方法试图直接学习将用户-项目对映射到匹配分数的复杂匹配函数。虽然这两种方法都发展得很好,但它们有两个基本缺陷,即,点积的有限表达能力和在捕捉低秩关系方面的弱点。为此,我们提出了一个名为DeepCF(Deep Collaborative Filtering的缩写)的通用框架,以结合这两种方法的优势并克服这些缺陷。在四个公开数据集上的大量实验证明了所提出的DeepCF框架的有效性。
2019-01-15 cs.IR cs.LG stat.ML
Rethinking negative sampling in content-based news recommendation
Promptly Health;Faculty of Sciences, University of Porto(波尔图大学理学院);Joint Research Centre, European Commission(欧盟委员会联合研究中心);ISEP, Polytechnic of Porto(波尔图理工学院ISEP);INESC TEC
针对新闻推荐中文章生命周期短且现有模型复杂、缺乏负样本考量的问题,提出一种提升准确率并促进系统去中心化的负采样技术,在 MIND 数据集上达到 SOTA 性效。
2024-11-13 cs.AI cs.IR cs.LG
Submission-Aware Reviewer Profiling for Reviewer Recommender System
University of Texas, Houston(休斯顿大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University at Buffalo(布法罗大学)
合格、公正和感兴趣的审稿人对论文投稿至关重要,这对于保持学术出版系统的完整性和质量,并为作者提供有价值的评论至关重要。然而,在有限的时间内将数千份提交与数千名潜在的评审员进行匹配,对于会议程序委员会来说是一项艰巨的挑战。先前基于主题建模的努力已经失去了帮助定义发布或提交摘要中的主题的特定上下文。此外,在某些情况下,所确定的专题很难解释。我们提出了一种方法,从潜在的评论者发表的每个摘要中学习研究的主题和评论者研究主题的明确背景。此外,我们贡献了一个新的数据集,用于评估审稿人匹配系统。我们的实验表明,与现有的方法相比,一个显着的,一致的精度提高。我们还使用例子来说明为什么我们的建议更容易解释。在过去两年中,新方法已在顶级会议上成功部署。
2022-11-08 cs.AI cs.IR
Rethinking Large-scale Pre-ranking System: Entire-chain Cross-domain Models
针对预排序系统忽略整链路数据依赖导致样本选择偏差的问题,提出整链路跨域模型ECM及细粒度结构ECMM,利用全级联阶段样本并引入L0正则化路由,在真实流量日志上超越SOTA且保持时间消耗可接受。
2023-10-12 cs.AI cs.IR cs.LG
Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems
Tencent(腾讯);Tsinghua University(清华大学)
针对推荐系统匹配阶段的用户冷启动问题,提出双专家门控融合、动态知识蒸馏与行为偏置建模的 Cold & Warm Net,在公开数据集和工业短视频平台均取得显著效果。
2023-09-27 cs.IR cs.LG
Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
Spotify;Carnegie Mellon University(卡内基梅隆大学)
研究通过针对性数据选择缓解时间分布漂移导致的性能下降,采用梯度表示与分布匹配提升模型性能,实现训练效率提升与鲁棒性保障。
2026-04-09 cs.IR cs.LG
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
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
Understanding Echo Chambers in E-commerce Recommender Systems
个性化推荐有利于用户有效地访问感兴趣的内容。目前推荐系统的研究主要集中在基于用户兴趣的推荐上。然而,在理解推荐如何影响用户偏好和行为方面缺少重大努力,例如,建议是否以及如何产生\textit{echo chambers}。在审查在线媒体和社会网络系统中的这一现象方面作出了广泛的努力。与此同时,越来越多的人担心,推荐系统可能会导致用户的兴趣,由于缩小曝光的项目,这可能是回声室的潜在原因自我加强。在本文中,我们的目的是分析回声室现象在阿里巴巴淘宝-一个最大的电子商业平台在世界上。回音室是指通过重复接触类似内容来加强用户兴趣的效果。基于这个定义,我们分两步来检验回声室的存在。首先,我们探讨用户的兴趣是否得到了加强。第二,我们检查强化是否来自类似内容的暴露。我们的评估增强了强大的指标,包括聚类有效性和统计显著性。实验是在大量的真实世界数据上进行的,这些数据包括用户点击、购买和浏览阿里巴巴淘宝的日志。有证据表明,用户点击行为中的回声室倾向,而用户购买行为中的回声室倾向相对减轻。从结果的见解指导在现实世界的电子商业系统中的推荐算法的改进。
2020-07-06 cs.IR cs.SI
Attribute-aware Explainable Complementary Clothing Recommendation
The University of Queensland(昆士兰大学)
现代电子商务推荐系统对时尚商品之间的混搭关系建模的要求越来越高,但也越来越具有挑战性。在进行服装匹配时,大多数现有的方法利用从时尚物品图像中提取的潜在视觉特征进行兼容性建模,这缺乏对所生成的匹配结果的可解释性,并且难以说服用户推荐。尽管最近的方法开始结合预定义的属性信息(例如,颜色、款式、长度等)对于学习项目表示和改进模型可解释性,它们对属性信息的利用仍然主要保留用于增强所学习的项目表示和经由后处理生成解释。因此,当我们试图提高推荐准确性并生成细粒度的解释时,这会产生严重的瓶颈,因为显式属性与实际推荐过程只有松散的联系。本文提出了一种新颖的属性感知的时尚推荐器(AFRec),旨在解决时尚推荐任务中的可解释性挑战。具体而言,AFRec推荐器通过明确利用从每个项目的视觉特征中提取的属性级表示来评估服装兼容性。属性作为两个时尚物品之间的桥梁,我们通过学习它们属性之间的兼容性来量化一对物品的亲和力。大量的实验表明,通过充分利用推荐过程中的显式属性,AFRec能够实现最先进的推荐准确率,同时生成直观的解释。
2021-07-04 cs.IR cs.LG
PrivateJobMatch: A Privacy-Oriented Deferred Multi-Match Recommender System for Stable Employment
University of California, Merced(加州大学默塞德分校)
协调失败降低了就业市场上雇主和候选人之间的匹配质量,导致大量职位空缺和/或不稳定的短期就业。集中的职位搜索引擎提供了一个平台,直接连接雇主和求职者。然而,它们要求用户披露大量的个人数据,即,建立一个用户简档,以便提供有意义的建议。在本文中,我们提出了PrivateJobMatch -一个面向隐私的延迟多匹配推荐系统-它产生稳定的配对,同时要求用户只提供他们的偏好的部分排名。PrivateJobMatch探索了一系列基于博弈论的Gale-Shapley延迟接受算法,该算法将分散市场的灵活性与集中匹配的智能相结合。我们发现了原始算法应用于就业市场时的缺点,并提出了新的解决方案,依赖于机器学习技术。真实和合成数据上的实验结果证实了所提出的算法在几个质量指标上的好处。在过去的一年里,我们已经实施了PrivateJobMatch原型,并将其部署在活跃的就业市场经济中。使用收集的真实用户偏好数据,我们发现匹配推荐优于典型的分散式就业市场-同时只需要用户偏好的部分排名。
2019-05-11 cs.DS cs.IR cs.LG