Local Music Event Recommendation with Long Tail Artists
在本文中，我们探讨本地音乐事件推荐的任务。许多本地艺术家往往是默默无闻的长尾艺术家，数字足迹很小。也就是说，可能很难找到在本地音乐社区中演出的许多艺术家的社交标签和艺术家相似性信息。为了解决这个问题，我们探索使用潜在语义分析（LSA）嵌入艺术家和标签到一个潜在的特征空间，并研究如何以及艺术家与小数字足迹在这个空间中表示。我们发现，只需要一个相对较小的数字足迹，有效地模拟艺术家的相似性。我们还引入了音乐事件图的概念，作为一种数据结构，它使得基于用户选择的流派标签和流行艺术家的事件推荐变得容易和高效。最后，我们进行了一个小的用户研究，探讨我们提出的系统的事件推荐的可行性。
2018-09-07 cs.IR cs.MM
GEVR: An Event Venue Recommendation System for Groups of Mobile Users
在本文中，我们提出了GEVR，第一组活动场所推荐系统，通过个人的位置跟踪和上下文信息的移动性纳入一个“基于社会”的群体决策模型，为移动用户群体提供场地建议。我们的研究利用了一个真实世界的数据集，该数据集是使用OutWithWeiz移动应用程序收集的，用于群体活动规划，其中包含625个用户和500多个群体活动。我们首先开发了一种新型的“基于社交”的群体位置预测模型，该模型自适应地将不同的群体决策策略应用于具有不同社交关系强度的群体，以汇总每个群体成员的位置偏好，来预测群体将在哪里见面。评估结果表明，我们的预测模型不仅优于常用的和国家的最先进的群体决策策略，预测群体的最终会议地点集群的准确率超过80%，而且还提供了有前途的质量在冷启动场景。然后，我们将我们的预测模型与Foursquare场地推荐API相结合，为移动用户群体构建活动场地推荐框架。评估结果表明，GEVR优于比较模型的显着保证金。
2019-03-25 cs.HC cs.IR cs.SI
Designing a Sequential Recommendation System for Heterogeneous Interactions Using Transformers
虽然许多生产就绪和鲁棒的算法可用于推荐系统的任务，但这些系统中的许多系统不考虑用户的消费顺序。消费的顺序在许多场景中非常有用和重要。一种这样的场景是教育内容推荐，其中用户通常遵循朝向更高级课程的渐进路径。研究人员已经使用RNN构建了序列推荐系统和其他处理序列的模型。顺序推荐系统试图通过读取用户的历史来预测用户的下一个事件。随着Transformers在自然语言处理中的巨大成功，以及它们使用注意力机制来更好地处理序列，已经有人尝试使用这一系列模型作为新一代顺序推荐系统的基础。在这项工作中，通过将每个用户与项目的交互转换为一系列事件，并基于我们的架构上的Transformers，我们试图使这样一个模型，考虑到不同类型的事件的使用。此外，通过认识到某些事件必须在其他类型的事件发生之前发生，我们试图修改架构以反映这种依赖关系并增强模型的性能。
2022-04-30 cs.IR
Merchandise Recommendation for Retail Events with Word Embedding Weighted Tf-idf and Dynamic Query Expansion
eBay Inc.（易趣公司）
为了推荐季节性零售活动的相关商品，我们依赖于从市场库存中检索的商品。通过反馈来扩大查询范围，我们讨论了利用词嵌入相似度来选择关键词扩展候选词，并提出了一种改进的tf-idf扩展词搜索排序公式。
2022-08-18 cs.IR cs.LG
An Intelligent Group Event Recommendation System in Social networks
背景的重要性已被广泛认可的个人推荐系统。然而，大多数现有的基于事件的社交网络（EBSNs）中的群体推荐模型关注于如何聚合群体成员的偏好以形成群体偏好。在这些模型中，虽然考虑了情境对群体的影响，但只是简单地以手动方式定义，无法模拟情境与群体之间复杂而深入的交互。在本文中，我们提出了一个基于注意力的上下文感知的组事件推荐模型（ACGER）EBSN。ACGER通过多层神经网络对上下文对用户、组和事件的深层非线性影响进行建模。特别地，设计了一种新的注意力机制，使得上下文对用户/组的影响权重随着事件的发生而动态变化。考虑到群体可能具有与群体成员完全不同的行为模式，我们提出需要从间接和直接两个角度（分别称为间接偏好和直接偏好）来获得群体的偏好。为了获得间接偏好，提出了一种基于注意力机制的偏好聚集方法。与已有的预定义策略相比，该方法可以根据群组关注的事件灵活地调整策略。为了获得直接的偏好，我们采用神经网络直接学习它从群体事件的相互作用。此外，为了充分利用EBSN中丰富的用户-事件交互，我们将上下文感知的个人推荐任务集成到ACGER中，从而提高了用户嵌入和事件嵌入学习的准确性。在Meetings的两个真实数据集上进行的大量实验表明，我们的模型ACGER显着优于最先进的模型。
2020-06-16 cs.IR cs.SI
An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation
AI at Meta（Meta AI）
该研究提出以事件为中心的AMBER方法，将交互快照压缩为事件Token，在工业级推荐基准上提升了计算-质量帕累托前沿，且事件Token可跨模型架构迁移并随容量扩展持续优化。
2026-09-07 cs.IR
Extracting Attentive Social Temporal Excitation for Sequential Recommendation
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Glasgow（格拉斯哥大学）
在协同过滤中，充分利用社会信息来提高推荐质量是一种重要的方法，由于用户的行为会受到她的好友的影响，这已经被证明是有效的。然而，现有的工作，利用社会关系，聚集用户特征，从朋友的历史行为序列中的用户级间接范例。间接范式的一个显著缺陷是它忽略了跨用户的行为事件之间的时间关系。在本文中，我们提出了一个新的时间感知的顺序推荐框架称为社会时间激励网络（STEN），它引入了时间点过程模型的细粒度的影响，朋友的行为对用户的动态兴趣在事件级的直接范式。此外，我们建议将时序推荐中的时序效应分解为社会互时序效应和自我时序效应。具体来说，我们采用了一个社会异构图嵌入层，通过结构信息来细化用户表示。为了增强时间信息的传播，STEN通过相互激励的时间网络直接提取朋友行为的细粒度时间相互影响。此外，用户的动态兴趣是通过自激时序网络捕获。在三个真实世界数据集上的广泛实验表明，STEN优于最先进的基线方法。此外，STEN提供了事件级的推荐可解释性，这也是实验所示。
2021-09-28 cs.AI cs.IR cs.SI
Déjà vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
University of Virginia（弗吉尼亚大学）
根据用户的历史行为序列预测用户的偏好是现代推荐系统的关键和挑战。现有的顺序推荐算法在建模历史事件对当前预测的影响时，大多关注顺序行为之间的过渡结构，而忽略了时间和上下文信息。在本文中，我们认为，过去的事件对用户的当前行动的影响应该随着时间的推移和不同的上下文。因此，我们提出了一个语境化的时间注意力机制，它学会权衡历史行动的影响，不仅是什么行动，而且行动何时以及如何发生。更具体地说，为了动态地校准来自自注意力机制的相对输入依赖性，我们部署了多个参数化核函数来学习各种时间动态，然后使用上下文信息来确定每个输入遵循这些重新加权核中的哪一个。在对两个大型公共推荐数据集的实证评估中，我们的模型始终优于一组广泛的最先进的顺序推荐方法。
2020-01-29 cs.CL cs.IR cs.LG
Contextual Sequence Modeling for Recommendation with Recurrent Neural Networks
推荐可以从推荐时良好的用户状态表示中受益匪浅。最近利用循环神经网络（RNN）进行基于会话的推荐的方法表明，深度学习模型可以为推荐提供有用的用户表示。然而，当前的RNN建模方法仅通过考虑用户过去与之交互的项目序列来总结用户状态，而不考虑其他基本类型的上下文信息，例如用户-项目交互的关联类型，事件之间的时间间隔以及每次交互的时间。为了解决这个问题，我们提出了一类新的上下文循环神经网络推荐（CRNN），它可以考虑输入和输出层的上下文信息，并通过将上下文嵌入与项目嵌入相结合来修改RNN的行为，更明确地说，在模型动态中，通过将隐藏单元转换参数化为上下文信息的函数。我们将CRNN方法与RNN和非顺序基线进行了比较，并在下一个事件预测任务上显示出良好的改进。
2017-06-23 cs.IR
When History Misleads: Asymmetric Margin Supervision for Instruction-Guided LLM Generative Recommendation
Duke University（杜克大学）；Meta
针对指令引导生成式推荐中历史事件误导当前请求的问题，提出AIMS方法，通过冻结参考模型生成边际监督并采用不对称损失，在六个LLM骨干上提升Recall和NDCG。
2026-10-05 cs.IR
Enhancing Collaborative Filtering-Based Course Recommendations by Exploiting Time-to-Event Information with Survival Analysis
KU Leuven（KU Leuven（天主教鲁汶大学））；imec（imec（微电子研究中心））
针对MOOC高退学率问题，本研究提出利用生存分析方法对退学和完成等事件发生时间进行建模，以提升基于协同过滤的课程推荐系统性能，在三个公开数据集上验证了其有效性。
2025-02-27 cs.CY cs.IR cs.LG
MLFriend: Interactive Prediction Task Recommendation for Event-Driven Time-Series Data
Massachusetts Institute of Technology（麻省理工学院）
机器学习中的大多数自动化都集中在模型选择和超参数调整上，许多人忽视了自动定义预测任务的挑战。我们仍然严重依赖人类专家来定义预测任务，并通过汇总原始数据来生成标签。在本文中，我们解决了在事件驱动的时间序列数据上定义有用的预测问题的挑战。我们引入MLFriend来应对这一挑战。MLFriend首先在预定义的空间下生成所有可能的预测任务，然后与数据科学家交互，学习数据的上下文，并从空间中的所有任务中推荐好的预测任务。我们在三个不同的数据集上评估了我们的系统，并生成了总共2885个预测任务并解决了它们。其中722个被专家数据科学家认为有用。我们还表明，一个自动预测任务发现系统是能够识别前10名的任务，用户可能会喜欢在一批100个任务。
2019-06-28 cs.IR cs.LG stat.ML
Advancing Large Language Models for Spatiotemporal and Semantic Association Mining of Similar Environmental Events
Arizona State University（亚利桑那州立大学）；Alaska Native Tribal Health Consortium（阿拉斯加原住民部落健康联盟）；Bentley University（本特利大学）；Woodwell Climate Research Center（伍德韦尔气候研究中心）
本文提出基于大语言模型的检索-重排序框架，结合地理-时间重排序策略融合空间、时间、语义和类别信息，在LEO环境事件数据集上实现相似事件推荐的最佳性能。
2024-11-19 cs.AI cs.IR
Multimodal and Multiscale Spatial-Temporal Semantic Search and Recommendation with AI Foundation Models
School of Geographical Sciences and Urban Planning, Arizona State University（地理科学与城市规划学院，亚利桑那州立大学）；Alaska Native Tribal Health Consortium（阿拉斯加原住民部落健康联盟）；Woodwell Climate Research Center（伍德沃德气候研究中心）；School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）
提出融合大语言模型和视觉-语言模型的框架，通过CAMERA算法融合文本与视觉信息生成更丰富嵌入，以及ASTRA算法结合尺度依赖的时空相关性与语义相似性进行重排序，在环境事件文档检索中优于单模态方法。
2026-07-02 cs.AI cs.IR
Online POI Recommendation: Learning Dynamic Geo-Human Interactions in Streams
University of Central Florida（中佛罗里达大学）；Portland State University（波特兰州立大学）；Rutgers University（罗格斯大学）
在本文中，我们专注于问题的建模动态地理人类互动流在线POI建议。具体来说，我们制定了流中的地理人类交互建模问题到一个新的深度交互式强化学习框架，其中代理是一个推荐和行动是下一个POI访问。我们独特地将强化学习环境建模为用户和地理空间上下文（POI，POI类别，功能区）的联合和连接组成。用户访问流中的POI的事件更新用户和地理空间上下文的状态;代理感知更新的环境状态以进行在线推荐。具体来说，我们通过将所有用户、访问和地理空间上下文统一为动态知识图谱流来建模混合用户事件流，以建模人-人、地理-人、地理-地理交互。我们设计了一个退出机制来解决过期信息的挑战，设计了一个元路径方法来解决推荐候选生成的挑战，并开发了一个新的深度策略网络结构来解决不断变化的动作空间的挑战，最后，提出了一个有效的对抗训练方法进行优化。最后，我们提出了广泛的实验来证明我们的方法的增强性能。
2022-10-12 cs.AI cs.IR cs.LG
WatchLens: A Configurable Platform for Online Video Recommendation Experiments
Yonsei University（延世大学）
WatchLens是一款开源可配置平台，可在单一工作流中关联在线视频推荐策略与用户播放等行为，通过模块化架构实现灵活配置，支持会话级效果比较，为在线视频推荐研究提供可复现的单服务器部署方案。
2026-08-06 cs.IR
Multi-Layer Ranking with Large Language Models for News Source Recommendation
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出新闻事件可信专家推荐任务，构建含23,571对引语–发言者的NewsQuote数据集，并采用基于LLM上下文学习的多层排序框架提升推荐质量。
2024-06-17 cs.CL cs.IR
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）；Carnegie Mellon University（卡内基梅隆大学）
为了解决传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱来补充辅助信息成为近年来的研究热点。然而，在现有的基于KG的RS模型中，简单地集成KG并不一定能保证提高推荐性能，这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此，这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中，我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导（CG-KGR）。CG-KGR是一种新的知识感知推荐模型，通过我们提出的协作指导机制，可以充分和一致地学习知识组和用户-项目交互。具体来说，CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导，以提取信息的KG，最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验，即，Top-K推荐和点击率（CTR）预测。实验结果表明，CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
A novel recommendation system to match college events and groups to students
随着最近在线数据的增加，发现有意义的机会对许多人来说可能是耗时和复杂的。为了克服这种数据过载的挑战，我们提出了一种新的基于文本内容的推荐系统作为一个有价值的工具来预测用户的兴趣。为此，我们开发了一个特定的过程来创建用户模型和项目特征向量，其中项目以自由文本描述。用户模型是通过向用户请求几个关键字并将这些关键字扩展为加权近义词列表来生成的。使用用户关键字及其近义词的修改后的tf-idf值，从项目的文本描述中生成项目特征向量。一旦用户被建模并且项目被抽象为特征向量，系统就将最大相似性项目作为推荐返回给该用户。我们的实验评估表明，我们的方法创建的用户模型和项目特征向量相比，众所周知的特征向量生成方法，如手套和Word 2 Vec的精度和准确性更高。它还表明，与非词干和标准tf-idf定义相比，词干和使用修改后的tf-idf定义分别将准确度和精度提高了2%和3%。此外，评估结果表明，更新用户模型的使用历史，提高了系统的精度和准确性。该推荐系统是作为Agnes应用程序的一部分开发的，该应用程序在iOS和Android平台上运行，可通过Agnes网站访问。
2017-09-26 cs.IR
Causal Embeddings for Recommendation
许多当前的应用程序使用推荐来修改自然用户行为，例如增加销售数量或在网站上花费的时间。这导致了最终推荐目标和经典设置之间的差距，在经典设置中，通过预测用户-项目矩阵中缺失的条目或最有可能的下一个事件，通过与过去用户行为的一致性来评估推荐候选者。为了弥合这一差距，我们优化了推荐策略，以增加期望的结果与有机用户行为的任务。我们证明了这相当于学习在完全随机的推荐策略下预测推荐结果。为此，我们提出了一个新的领域自适应算法，学习记录的数据包含结果从一个有偏见的推荐策略，并预测推荐结果根据随机曝光。我们比较我们的方法对国家的最先进的因式分解方法，除了新的方法的因果关系的建议，并显示显着的改善。
2018-08-03 cs.IR
From Time and Place to Preference: LLM-Driven Geo-Temporal Context in Recommendations
针对现有推荐系统忽略现实地理时间上下文的问题，提出利用LLM生成地理时间嵌入的可扩展框架，设计轻量信息量测试验证其有效性，通过两种方式融入序列模型，凸显自适应混合策略的必要性并发布增强数据集。
2025-10-28 cs.IR
Deep Joint Embeddings of Context and Content for Recommendation
本文提出了一种基于深度学习的方法，用于学习联合上下文内容嵌入（JCCE），以实现上下文感知推荐，并展示了其在电视领域的应用。JCCE建立在推荐和深度度量学习的潜在表示方面的最新进展之上。该模型基于270万个观看事件的监督，有效地对观看情况和相关的消费内容进行了分组。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。此外，该方法显示了有意义的结构，在学习的表示，可以用来获得有价值的见解的基础因素之间的关系上下文设置和内容属性。
2019-11-12 cs.IR
Computing recommendations via a Knowledge Graph-aware Autoencoder
在过去的几年里，深度学习已经被证明是人工智能中的一项改变游戏规则的技术，这要归功于它在不同应用领域取得的众多成功。其中，使用深度学习来解决推荐问题，虽然是新的，但由于其在推荐结果准确性方面的积极表现，看起来很有前途。在推荐设置中，为了预测用户对未知项目的评级，深度神经网络的可能配置是自动编码器，其通常用于产生原始数据的较低维度表示。在本文中，我们提出了KG-AUTOENCODER，一个自动编码器，其神经网络的结构的基础上的一个知识图谱的semanticsware拓扑结构，从而提供了一个标签的神经元在隐藏层，最终用于建立一个用户简档，然后计算建议。通过与最先进的推荐算法进行比较，我们展示了KG-AUTOENCODER在准确性、多样性和新颖性方面的有效性。
2018-07-13 cs.IR
Rotate Both Ways: Time-and-Order RoPE for Generative Recommendation
本文提出时间与顺序RoPE（TO-RoPE），通过将索引和时间作为角度来源直接塑造查询-键几何，联合建模用户行为序列中的时间与顺序信息，在公开和工业数据集上显著提升生成式推荐的准确性。
2025-10-23 cs.IR
TRACE: Transformer-based user Representations from Attributed Clickstream Event sequences
Expedia Group（亿客行集团）
提出TRACE模型，利用Transformer从多会话点击流生成用户嵌入，通过多任务学习捕获长期偏好，在旅游电商数据集上表现优于传统架构。
2024-09-02 cs.AI cs.IR cs.LG
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Pohang University of Science and Technology（浦项科技大学）
推荐系统在建模用户对商品的偏好和预测用户下一次消费商品方面取得了巨大的成功。近来，已经有许多努力来利用用户与项目的交互的时间信息来捕获用户行为的固有时间模式并在给定时间提供及时的推荐。现有的研究将时间信息视为单一类型的特征，并关注如何将其与用户对项目的偏好相关联。然而，我们认为他们是不够的，充分学习的时间信息，因为用户偏好的时间模式通常是异构的。用户对特定项目的偏好可以1）周期性地增加或2）在重要的最近事件的影响下随时间演变，并且这两种时间模式中的每一种都以一些独特的特征出现。在本文中，我们首先定义了独特的特点，这两种时间模式的用户偏好，应考虑在时间感知推荐系统。然后，我们提出了一种新的推荐系统，及时的建议，称为TimelyRec，联合学习的异构时间模式的用户偏好考虑所有定义的特征。在TimelyRec中，两个编码器的级联使用针对每个编码器的建议的注意力模块来捕获用户偏好的时间模式。此外，我们引入了一个评估场景，该场景评估了在top-K推荐中预测感兴趣的项目以及何时同时推荐该项目的性能（即，项目定时建议）。我们在真实数据集上对项目推荐场景和项目定时推荐场景进行了广泛的实验，证明了TimelyRec和所提出的注意力模块的优越性。
2021-04-29 cs.AI cs.IR
Content-Based Top-N Recommendation using Heterogeneous Relations
National University of Defense Technology（国防科技大学）；Massachusetts Institute of Technology（麻省理工学院）
Top-$N$推荐系统已经被广泛研究。然而，用户项活动的稀疏性还没有得到很好的解决。虽然提出了许多混合动力系统来解决冷启动问题，但配置文件信息尚未得到充分利用。此外，用户和项目之间的配置文件的异质性加剧了挑战。在本文中，我们提出了一个基于内容的顶部$N$推荐系统，通过学习的全局术语的权重在配置文件。为了实现这一点，我们引入了PathSim，它可以很好地测量节点的相似性与异构关系（用户和项目之间）。从原始TF-IDF值开始，全局词权重逐渐收敛，并最终反映简档和活动信息。为了便于训练，导数被重新表示为矩阵形式，这可以很容易地被替换。我们进行了大量的实验，这表明所提出的方法的优越性。
2016-06-27 cs.AI cs.IR
Generative News Recommendation
针对现有新闻推荐仅做语义匹配、仅原样推送新闻的不足，提出含高层匹配与连贯叙述生成的生成式新闻推荐范式及GNR模型，通过双层表征、新闻筛选和UIFT训练方法提升推荐准确率与叙述质量。
2024-03-06 cs.IR
Context-aware Retail Product Recommendation with Regularized Gradient Boosting
Razorthink Inc（拉佐思维公司）
在FARFETCH时尚推荐挑战中，参与者需要预测各种产品在推荐印象中向用户展示的顺序。数据分两个阶段提供-验证阶段和测试阶段。验证阶段有一个带标签的训练集，其中包含一个二进制列，指示产品是否已被点击。该数据集包含超过5，000，000个推荐事件，450，000个产品和230，000个独立用户。它代表了FARFETCH平台的实际用户的真实，公正，但匿名的互动。根据第二阶段的表现进行最终评价。共有167名参与者参加了挑战，我们在最终评估中获得了第6名，测试集的MRR为0.4658。我们设计了一个独特的上下文感知系统，它考虑到产品与用户上下文的相似性，从而更有效地对产品进行排名。评估后，我们已经能够微调我们的方法，在测试集上的MRR为0.4784，这将使我们处于第三位。
2021-09-17 cs.AI cs.IR cs.LG
Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment
Shanghai Jiao Tong University（上海交通大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Shanghai AI Laboratory（上海人工智能实验室）
序列事件预测的目标是基于一系列历史事件来估计下一个事件，其应用于序列推荐、用户行为分析和临床治疗。在实践中，下一事件预测模型是用一次收集的序列数据训练的，并且需要推广到遥远未来新到达的序列，这要求模型处理从训练到测试的时间分布偏移。在本文中，我们首先从数据生成的角度揭示了一个负面的结果，即现有的最大似然估计方法由于潜在的上下文混淆而导致分布偏移失败，即，历史事件和下一个事件的共同原因。然后，我们设计了一个基于后门调整的新学习目标，并进一步利用变分推理使其易于处理序列学习问题。最重要的是，我们提出了一个框架与层次分支结构学习上下文特定的表示。针对不同任务的综合实验（例如，顺序推荐）证明了我们的方法的有效性，适用性和可扩展性与各种现成的模型作为骨干。
2023-01-15 cs.IR cs.LG
Modeling Time-Series and Spatial Data for Recommendations and Other Applications
Indian Institute of Technology Delhi（印度理工学院德里分校）
在这篇论文中描述的研究方向，我们试图解决设计推荐系统，可以理解连续时间事件序列的动态的关键挑战。我们采用的是一种自上而下的方法，即，首先，我们解决的问题，可能会出现由于质量差的CTES数据被送入推荐系统。之后，我们处理设计精确推荐系统的任务。为了提高CTES数据的质量，我们解决了一个根本问题，克服时间序列中的缺失事件。此外，为了提供准确的序列建模框架，我们设计了用于兴趣点推荐的解决方案，即，模型，可以处理用户的空间移动性数据到各种POI签到，并为下一次签到推荐候选位置。最后，我们强调，所提出的模型的能力可以有超越推荐系统的应用程序，我们扩展他们的能力，设计解决方案的大规模CTES检索和人类活动预测。本论文的一个重要部分使用的想法，通过神经标记时间点过程（MTPP）的CTES的底层分布建模。传统的MTPP模型是随机过程，利用固定的公式来捕获连续时间中局部化的离散事件序列的生成机制。相比之下，神经MTPP将点过程文献中的基本思想与现代深度学习架构相结合。深度学习模型作为精确函数逼近器的能力使神经MTPP模型的预测能力显著提高。在这篇论文中，我们利用并提出了几个神经网络为基础的增强目前的MTPP框架的上述现实世界的应用。
2022-12-25 cs.IR cs.LG
Online Music Listening Culture of Kids and Adolescents: Listening Analysis and Music Recommendation Tailored to the Young
在本文中，我们分析了来自Last.fm的用户生成的音乐收听事件的大型数据集，重点关注6至18岁的用户。我们的贡献是双重的。首先，我们研究这个年轻的用户组的音乐类型的偏好，并分析这些偏好的同质性更细粒度的年龄组和性别和国家。第二，我们研究了一个协同过滤推荐器的性能时，定制的音乐推荐，以不同的年龄组。我们发现，这样做可以提高18岁以下所有用户组的性能，但会降低19岁及以上成年用户的性能。
2019-12-24 cs.IR
Content based News Recommendation via Shortest Entity Distance over Knowledge Graphs
基于内容的新闻推荐系统需要在不使用用户特定信息的情况下基于文章的主题和内容来推荐新闻文章。许多新闻文章描述特定事件的发生和命名实体，包括人，地点或物体。在本文中，我们提出了一个图遍历算法，以及一个新的加权方案冷启动内容为基础的新闻推荐利用这些命名实体。为了创建更高程度的用户特定的相关性，我们的算法计算命名实体之间的最短距离，跨新闻文章，在一个大的知识图谱。此外，我们已经创建了一个新的人类注释数据集，用于评估基于内容的新闻推荐系统。实验结果表明，我们的方法是合适的，以解决硬冷启动问题，它产生更强的皮尔逊相关性的人类相似性分数比其他冷启动方法。我们的方法也是互补的，与传统的冷启动推荐方法相结合，可能会产生显着的性能增益。数据集CNRec可在以下网址获得：https://github.com/kevinj22/CNRec
2019-05-24 cs.IR cs.LG stat.ML
Bites of Tomorrow: Personalized Recommendations for a Healthier and Greener Plate
本文提出GRAPE绿色推荐系统，通过两种绿色损失函数主动推荐符合用户偏好的可持续食品，实验验证其有效性。
2025-08-19 cs.IR
What Drives Readership? An Online Study on User Interface Types and Popularity Bias Mitigation in News Article Recommendations
个性化新闻推荐系统支持读者在在线新闻平台中找到正确和相关的文章。在本文中，我们讨论了引入个性化，基于内容的新闻推荐DiePresse，一个流行的奥地利在线新闻平台，专注于两个具体方面：（i）用户界面类型，和（ii）流行偏见缓解。因此，我们从2020年10月开始进行了为期两周的在线研究，分析了推荐对两个用户组的影响，即，匿名和订阅用户以及三种用户界面类型，即，在桌面、移动和平板设备上。关于用户界面类型，我们发现，建议被看到的概率是最高的桌面设备，而与建议进行交互的概率是最高的移动设备。关于流行偏见缓解，我们发现，个性化的，基于内容的新闻推荐可以导致一个更平衡的分布的新闻文章的读者群的流行程度的情况下，匿名用户。除此之外，我们发现重大事件（例如，奥地利的COVID-19封锁公告和维也纳恐怖袭击）影响了匿名和订阅用户对热门文章的一般消费行为。
2022-05-30 cs.IR
Transformers with multi-modal features and post-fusion context for e-commerce session-based recommendation
NVIDIA（英伟达）
基于会话的推荐是电子商业服务中的一项重要任务，其中大量用户匿名浏览或可能对不同的会话具有非常不同的兴趣。在本文中，我们介绍了SIGIR 2021电子商业数据挑战研讨会推荐任务的获奖解决方案之一。我们的解决方案受到NLP技术的启发，由两个Transformer架构的集合组成- Transformer-XL和XLNet -使用自回归和自编码方法进行训练。为了利用比赛中提供的大部分丰富数据集，我们描述了如何通过将表格事件与文本和图像向量相结合来准备多模型特征。我们还提出了一个模型预测分析，以更好地了解我们的架构的有效性，基于会话的建议。
2021-07-11 cs.IR cs.LG cs.NE
A two-step Recommendation Algorithm via Iterative Local Least Squares
推荐系统可以改变我们的生活很多，并帮助我们选择合适的和喜爱的物品更方便和容易。因此，在过去的几年中，已经提出了各种算法来提高性能。然而，它们都面临一个关键问题：数据稀疏性。在本文中，我们提出了一个两步推荐算法，通过迭代局部最小二乘（ILLS）。首先，我们通过用户的行为记录来构造评分矩阵，它通常是非常稀疏的。其次，我们通过ProbS预处理“评级”矩阵，可以将稀疏数据转换为密集数据。然后我们使用ILLS来估计这些缺失值。最后，生成推荐列表。在MovieLens、Netflix、RYM三个数据集上的实验结果表明，该方法能够提高AUC算法的准确性。特别是，它在密集数据集中表现得更好。此外，由于该方法可以通过迭代更准确地改善那些缺失的值，这可能对发现那些不活跃的用户的购买意图，并最终解决冷启动问题有一定的启示。
2012-06-14 cs.IR
Mobile Multimedia Recommendation in Smart Communities: A Survey
由于互联网宽带接入的快速增长和现代移动设备的激增，各种类型的多媒体（例如，文本、图像、音频和视频）已经变得无处不在地随时可用。移动终端用户通常基于他们的个人兴趣和偏好来存储和使用多媒体内容。然而，诸如存储限制的移动终端挑战已经向用户引入了移动多媒体过载的问题。为了解决这个问题，研究人员开发了各种技术，为移动用户推荐多媒体。在这篇调查论文中，我们从三个智能社区的角度，即移动社会学习，移动事件指南和上下文感知服务，研究移动多媒体推荐系统的重要性。对现有研究的谨慎分析表明，主动的、基于传感器的和混合的推荐系统的实现可以改善移动多媒体推荐。然而，仍然有挑战和开放的问题，如纳入上下文和社会属性，这需要解决，以产生准确和值得信赖的移动多媒体推荐。
2013-12-23 cs.IR cs.MM
Metric Learning for Session-based Recommendations
Computer Vision Center（计算机视觉中心）；Universitat Autónoma de Barcelona（巴塞罗那自治大学）；Warsaw University of Technology（华沙理工大学）
基于会话的预测器用于对用户不间断的动作序列进行预测，对许多应用程序都很有吸引力。在这里，对于这项任务，我们建议使用度量学习，其中创建会话和项目的公共嵌入空间，距离度量所提供的用户事件序列与下一个动作之间的差异。我们讨论和比较度量学习方法常用的学习排名方法，其中存在一些协同作用。我们提出了一个简单的架构问题分析，并证明，既不广泛的大，也不深的架构是必要的，以优于现有的方法。对强基线的实验结果在四个数据集上提供了一个消融研究。
2021-01-07 cs.IR cs.LG
Exploring Artist Gender Bias in Music Recommendation
音乐推荐系统（mRS）旨在向用户群提供个性化和有意义的项目推荐（即歌曲、播放列表或艺术家），从而反映并进一步补充个人用户的特定音乐偏好。虽然准确性指标已被广泛应用于评估建议的mRS文献，从其他影响导向的角度，包括其潜在的歧视，评估用户的项目效用，仍然是一个新的评价实践在音乐领域。在这项工作中，我们将注意力集中在一个特定的现象上，我们想估计mRS是否会加剧其影响：性别偏见。我们的工作提出了一个探索性的研究，分析在何种程度上通常部署的最先进的协同过滤（CF）算法可能会采取行动，以进一步增加或减少艺术家的性别偏见。为了评估CF引入的群体偏见，我们在两个听力事件数据集上部署了最近提出的偏见差异指标：LFM-1b数据集和早期构建的Celma数据集。我们的工作跟踪差异的原因，在输入的性别分布和用户项目的偏好变化，突出这样的配置可以对用户的性别偏见的建议生成后的效果。
2020-10-06 cs.IR
Tencent Advertising Algorithm Challenge 2025: All-Modality Generative Recommendation
Tencent Inc.（腾讯公司）；CUHK（香港中文大学）
本文介绍了腾讯广告算法挑战2025，通过两个全模态数据集TencentGR-1M和TencentGR-10M，推动生成推荐研究，提供大规模真实数据和评估方法，旨在促进工业级全模态生成推荐技术的发展。
2026-04-04 cs.IR
Interest-aware Message-Passing GCN for Recommendation
图卷积网络（GCN）在推荐方面显示出巨大的潜力。这归因于它们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样，基于GCN的推荐模型也存在臭名昭著的过度平滑问题-当堆叠更多层时，节点嵌入变得更加相似，最终无法区分，导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这个问题，但是，我们认为，他们忽略了一个重要因素的过度平滑问题的推荐，即，高阶相邻用户没有共同的兴趣用户也可以参与到用户的嵌入学习中的图卷积运算。因此，多层图卷积将使具有不同兴趣的用户具有相似的嵌入。在本文中，我们提出了一种新的可感知的消息传递GCN（IMP-GCN）推荐模型，该模型在子图内部执行高阶图卷积。子图由具有相似兴趣的用户和他们交互的项目组成。为了形成子图，我们设计了一个无监督的子图生成模块，它可以有效地识别用户的共同兴趣，利用用户特征和图结构。为此，我们的模型可以避免将来自高阶邻居的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明，该模型可以通过堆叠更多的层来提高性能，并显着优于最先进的基于GCN的推荐模型。
2021-03-28 cs.IR
Modeling Artist Preferences of Users with Different Music Consumption Patterns for Fair Music Recommendations
音乐推荐系统已经成为流行的流媒体平台（如www.example.com，Pandora或Spotify）的核心部分，以帮助用户找到适合他们偏好的音乐。这些系统从用户过去的收听事件中学习，以推荐用户将来可能收听的音乐。在这里，当前的算法通常采用协同过滤（CF）利用用户的收听行为之间的相似性。一些方法还将CF与内容特征结合到混合推荐系统中。虽然音乐推荐系统可以为主流音乐艺术家的听众提供高质量的推荐，但最近的研究表明，它们倾向于歧视非正统、低主流艺术家的听众。这主要是由于低主流音乐的使用数据稀缺，因为音乐消费模式偏向流行艺术家。因此，我们的工作的目标是提供一种新的方法来建模艺术家的喜好，不同的音乐消费模式和收听习惯的用户。
2019-07-23 cs.HC cs.IR
Movie Recommendation System using Composite Ranking
在当今世界，丰富的数字内容，如电子书，电影，视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此，数字媒体提供商希望利用这种混乱并解决它，以增加用户参与度，最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上，电影推荐系统使用协同过滤，其利用用户与媒体的交互，或者基于内容的过滤，其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而，我们的方法只处理基于内容的建议，进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性，视觉内容和电影的用户评论。我们使用文本矢量化，然后对元数据进行余弦相似性，通过预训练的VGG 19进行特征提取，然后对视觉内容进行K均值聚类，并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
Job recommendations: benchmarking of collaborative filtering methods for classifieds
OLX Group（OLX集团）；Adam Mickiewicz University（亚当·密茨凯维奇大学）；Poznań University of Economics and Business（波兹南经济与商业大学）
由于有关用户和物品的信息有限，分类为推荐方法带来了许多挑战。在本文中，我们探索推荐方法的分类使用的例子OLX工作。本文的目标是对不同的推荐方法进行测试，以提高广告的转换率和用户满意度。在我们的研究中，我们实现了可扩展的方法，代表了不同的推荐方法，即ALS，LightFM，RP 3beta和SLIM。我们在准确性、多样性和可扩展性（训练和预测期间的内存和时间消耗）方面对方法进行了实验室比较。在线A/B测试也通过发送数百万条带有建议的消息来进行，以在现实世界中评估模型。此外，我们还发布了我们为研究需要而创建的数据集。据我们所知，这是第一个此类数据集。该数据集包含3，295，942名用户在OLX Jobs上执行的65，502，201个事件，这些用户在2020年的两周内与185，395个招聘广告进行了交互（显示，回复或书签）。我们证明，在实验室环境中进行测试时，RP 3beta，SLIM和ALS的表现明显优于RP 2 Vec和LightFM。在线A/B测试还表明，发送带有ALS和RP 3beta模型生成的推荐的消息会增加与广告商联系的用户数量。此外，RP 3beta对该指标的影响比ALS大20%。
2023-01-19 cs.IR cs.LG
Evaluating Recommender System Algorithms for Generating Local Music Playlists
Ithaca College（伊萨卡学院）
我们探索本地音乐推荐的任务：为听众提供个性化的播放列表的相关曲目的艺术家谁发挥他们的大部分现场活动在一个小的地理区域。大多数本地艺术家往往是默默无闻的长尾艺术家，并且通常很少或没有与他们相关的可用用户偏好数据。这就给基于协作过滤的推荐算法带来了一个冷启动问题，这些算法依赖于大量的此类信息来做出准确的推荐。在本文中，我们比较了三个标准的推荐系统算法（项目-项目邻域（IIN），交替最小二乘隐式反馈（ALS），贝叶斯个性化排名（BPR））的本地音乐推荐使用百万播放列表数据集的任务上的性能。要做到这一点，我们修改了标准的评估程序，使算法只排名轨道的本地艺术家为每个八个不同的城市。尽管基于矩阵分解（ALS，BPR）的技术通常在大型推荐任务中表现最好，但我们发现基于邻域的方法（IIN）在长尾本地音乐推荐中表现最好。
2019-07-17 cs.IR cs.LG stat.ML
Recommendation systems: a joint analysis of technical aspects with marketing implications
2010年，仅在亚马逊，网络用户每秒订购73件商品，并对他们的消费体验做出大量评论。随着Web的成熟，变得社会化和参与性，协作过滤器是搜索有关人员，事件和产品的在线信息的基本补充。在Web 2.0中，连接的消费者创建的不仅仅是内容（例如评论），而是上下文。这种新的消费情境框架是通过大规模地聚集和协同过滤网络上的个人偏好而出现的。更重要的是，它促进了互联消费者更有效地搜索和浏览复杂的网络，并增强了对质量的激励。本文的目的是共同审查的基本程式化的事实，在计算机和营销研究的相关研究，以分享一些共同的见解推荐系统。在提供了一个全面的定义的商品和用户在Web上，我们描述了一个分类的推荐系统的基础上两个家庭的标准：如何形成的建议和输入数据的可用性。该分类是在一个共同的最小矩阵符号，并作为一个桥梁，在商业和营销文献的相关问题。我们的分析集中在一对一营销，基于网络的营销，网络营销和气氛及其在网络个性化和适应过程中的影响。市场购物篮分析的背景下，建议系统。关于进一步研究的讨论涉及推荐系统的业务影响和技术挑战。
2011-12-10 cs.IR stat.AP
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado（科罗拉多大学）
随着这些系统在社会中变得越来越普遍，人工智能的算法公平性变得越来越重要。人工智能的一个领域，推荐系统，由于在优化用户的准确性和提供商的公平性之间进行权衡，因此对公平性提出了独特的挑战。但是，在建议的背景下，什么是公平的-特别是在有多个利益攸关方的情况下？在这个问题的初步探索，我们问用户他们的想法，公平对待的建议可能是，为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化，最终帮助设计更公平，更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
Learning Multi-granularity User Intent Unit for Session-based Recommendation
基于会话的推荐旨在根据用户在当前会话中的先前动作来预测用户的下一个动作。主要的挑战是在整个会话中捕获真实和完整的用户偏好。最近的工作利用图结构来表示整个会话，并采用图神经网络来编码会话信息。实践证明，这种模式选择是有效的，取得了显著的效果。然而，大多数现有的研究只考虑会话中的每个项目独立，并没有捕捉会话语义从一个高层次的角度。这种限制通常会导致严重的信息丢失，并增加了在会话中捕获长期依赖关系的难度。直观地，与单个项目相比，会话片段，即，一组局部连续的项目能够提供现有方法难以捕获的补充用户意图。在这项工作中，我们提出学习多粒度连续的用户意图单元，以提高推荐性能。具体来说，我们创造性地提出了多粒度意图异构会话图，它捕获了不同粒度意图单元之间的交互，减轻了长依赖的负担。此外，我们提出的意图融合排名模块组成的推荐结果，从各种粒度的用户意图。与目前仅利用单个项目的意图的方法相比，IFR受益于不同粒度的用户意图，以生成更准确和全面的会话表示，从而最终提高推荐性能。我们在五个基于会话的推荐数据集上进行了大量的实验，结果证明了我们的方法的有效性。
2022-01-10 cs.IR cs.SI
Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce
一旦用户在短时间内找到更多符合其兴趣的商品，电子商业服务的销售就有了保证。因此，推荐系统已经成为任何成功的电子商业服务的关键部分。虽然各种推荐技术可以用于电子商业，相当多的注意力已经提请基于会话的推荐系统在最近几年。这种日益增长的兴趣是由于对收集个性化用户行为数据的安全担忧，特别是在最近的一般数据保护法规之后。在这项工作中，我们提出了一个全面的评估国家的最先进的深度学习方法中使用的基于会话的建议。在基于会话的推荐中，推荐系统依靠用户在同一会话中做出的事件序列来预测和认可更可能与他/她的偏好相关的其他项目。我们广泛的实验研究了基线技术（\textit{e.g.,}最近邻和模式挖掘算法）和深度学习方法（\textit{e.g.,}循环神经网络，图神经网络和基于注意力的网络）。我们的评估表明，先进的基于神经元的模型和基于会话的最近邻算法在大多数情况下优于基线技术。然而，我们发现，当用户兴趣存在漂移时，以及在训练期间没有足够的数据来正确地对不同的项目进行建模时，这些模型在长会话的情况下会受到更多的影响。我们的研究表明，使用不同方法的混合模型与基线算法相结合，可以在基于数据集特征的基于会话的推荐中产生实质性结果。我们还讨论了目前基于会话的推荐算法的缺点和进一步开放的研究方向在这一领域。
2020-10-17 cs.CY cs.IR cs.MM
Towards Multi-Language Recipe Personalisation and Recommendation
多语言食谱个性化和推荐是学术和生产系统中信息检索的一个未充分开发的领域。我们目前的理解存在着许多差距，即使是在基本问题上，例如是否可以跨语言提供一致和高质量的食谱推荐。在本文中，我们介绍了多语言的食谱推荐设置和接地的结果，这将有助于建立在这一领域的未来工作的潜力和绝对价值。我们的工作借鉴了来自数百万食谱和阿拉伯语，英语，印度尼西亚语，俄语和西班牙语用户的数十亿个事件。我们使用标准化的成分，标准化的技能和图像嵌入的组合来表示食谱，而无需人工干预。在建模中，我们采取了一种经典的方法，基于优化嵌入式双线性用户-项目度量空间，以最强烈地引发烹饪意图的交互。对于没有交互历史的用户，引入了一个基于内容的冷启动模型，该模型预测上下文和食谱亲和力。我们表明，我们的个性化方法是稳定的，很容易扩展到新的语言。一个强大的交叉验证活动，并始终拒绝基线模型和表示，强烈支持我们提出的。我们的研究结果是在一个面向语言（而不是面向模型）的时尚，强调这项工作的语言为基础的目标。我们相信，这是第一个全面考虑多语言食谱推荐和个性化以及提供可扩展和可靠模型的价值和潜力的大规模工作。
2020-08-18 cs.IR cs.SI
Geo-SAGE: A Geographical Sparse Additive Generative Model for Spatial Item Recommendation
随着基于位置的社交网络（LBSNs）的快速发展，空间项目推荐已成为帮助人们发现有吸引力和有趣的场所和活动的重要手段，特别是当用户外出旅游时。然而，与传统的推荐系统相比，这种推荐是非常具有挑战性的。一个用户只能访问有限数量的空间项，导致一个非常稀疏的用户-项矩阵。用户访问的大多数项目位于离他/她居住的地方很短的距离内，这使得当用户旅行到很远的地方时很难推荐项目。此外，不同地理区域的用户兴趣和行为模式可能会有很大差异。鉴于此，我们提出了地理SAGE，一个地理稀疏的空间项目推荐的可加性生成模型。Geo-SAGE通过利用空间项目的共现模式和空间项目的内容，同时考虑用户的个人兴趣和目标区域人群的偏好。为了进一步缓解数据稀疏性问题，Geo-SAGE利用地理相关性，通过一个精心设计的空间索引结构（称为空间金字塔）来平滑人群的偏好。我们进行了广泛的实验，以评估我们的Geo-SAGE模型在两个真正的大规模数据集上的性能。实验结果清楚地表明，我们的Geo-SAGE模型优于国家的最先进的两个任务的外地和家乡的建议。
2015-03-12 cs.DB cs.IR cs.SI
