Personality-Driven Social Multimedia Content Recommendation
Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
社交媒体营销在向广大受众推广品牌和产品价值方面发挥着至关重要的作用。为了提高广告收入,Facebook Ads等全球媒体购买平台不断减少品牌有机帖子的覆盖范围,推动品牌在付费媒体广告上投入更多资金。为了有效地运行有机和付费的社交媒体营销,有必要了解受众,定制内容以适应他们的兴趣和在线行为,这是不可能大规模手动完成的。与此同时,各种性格类型分类方案,如Myers-Briggs性格类型指标,通过以统一和结构化的方式对受众行为进行分类,可以在更广泛的范围内揭示性格特质与用户内容偏好之间的依赖关系。这个问题还有待于研究界深入研究,而不同的人格特质对内容推荐准确性的影响程度还没有被广泛利用和全面评估。具体来说,在这项工作中,我们调查的影响,人类的个性特征的内容推荐模型,通过应用一种新的个性驱动的多视图内容推荐系统,称为个性内容营销推荐引擎,或PersiC。我们的实验结果和真实案例研究表明,PersiC不仅能够执行高效的人性化多视图内容推荐,而且还可以提供可操作的数字广告策略建议,与原始的人工引导方法相比,部署后能够将数字广告效率提高420%以上。
2022-07-25 cs.AI cs.IR
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架,量化LLM推荐中个性与公平性的权衡,发现个性提示提升心理对齐但加剧公平差异,为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
FairEval: Evaluating Fairness in LLM-Based Recommendations with Personality Awareness
Beihang University(北京航空航天大学);McGill University(麦吉尔大学)
本文提出FairEval框架,融合人格特质与八项敏感人口属性,系统评估LLM推荐公平性,并通过PAFS指标揭示ChatGPT 4o与Gemini 1.5 Flash在音乐和电影推荐中的偏差,强调提示鲁棒性对构建包容性推荐系统的重要性。
2025-04-10 cs.AI cs.HC cs.IR
Collaborative Filtering by Personality Diagnosis: A Hybrid Memory- and Model-Based Approach
随着互联网商务的发展,协同过滤(CF)算法被广泛应用于推荐系统中。这样的系统利用关于多个用户的已知偏好的知识来向其他用户推荐感兴趣的项目。CF方法已经被用来对网页、电影、书籍和玩具等项目进行推荐。研究人员已经提出并评估了许多生成推荐的方法。我们描述和评估一种新的方法,称为人格诊断(PD)。给定用户对某些项目的偏好,我们计算他或她与其他用户具有相同“个性类型”的概率,进而计算他或她喜欢新项目的概率。PD保留了传统相似加权技术的一些优点,因为所有数据都与每个预测有关,并且可以轻松地增量添加新数据。此外,PD具有有意义的概率解释,可用于证明、解释和增强结果。我们报告的实证结果的EachMovie数据库的电影评级,并从CiteSeer数字图书馆收集的计算机科学研究论文的用户简档数据。概率框架自然支持各种描述性的测量-特别是,我们考虑的信息值(VOI)计算的适用性。
2013-01-16 cs.IR
PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation
本文提出基于LLM和大五人格的PUB模拟器,从行为日志与物品元数据中推断人格并生成高保真合成交互,为推荐系统评估提供可扩展、可控的替代方案。
2025-06-05 cs.IR
Towards the design of user-centric strategy recommendation systems for collaborative Human-AI tasks
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
人工智能正被人类用来协作解决搜索和救援、制造等复杂任务。通过了解用户偏好并向人类推荐解决特定任务的不同策略,可以实现高效的团队合作。先前的工作集中在个性化的推荐系统,在电子商务或社交网络的背景下,相对较好地理解的任务。在本文中,我们试图了解设计以用户为中心的决策策略推荐系统时要考虑的重要因素。我们进行了一个人类受试者实验(n=60),测量不同的个性类型的用户对不同的策略推荐系统的偏好。我们在四种类型的策略推荐模式中进行了我们的实验,这些模式在先前的工作中已经建立:(1)单一策略推荐,(2)多个相似的推荐,(3)多个不同的推荐,(4)所有可能的策略推荐。虽然这些策略推荐方案已独立探索在以前的工作中,我们的研究是新颖的,因为我们同时采用所有这些策略的建议,为我们提供了一个深入的概述不同的策略推荐系统的看法。我们发现,某些人格特质,如诚实,显着影响对特定类型的系统的偏好(p < 0.01)。最后,我们报告了可用性,一致性和感知智能之间的有趣关系,其中更大的感知一致性的建议与自己的喜好导致更高的感知智能(p < 0.01)和更高的可用性(p < 0.01)。
2023-01-17 cs.AI cs.HC cs.IR
Enabling the Analysis of Personality Aspects in Recommender Systems
Macquarie University(麦考瑞大学)
现有的推荐系统主要集中在利用用户的反馈,例如,评级和评论,以检测相似的用户。因此,当用户之间没有共同感兴趣的项目时,它们可能会失败。我们称这个问题为数据稀疏没有反馈的共同项目(DSW-n-FCI)。基于个性的推荐系统已经显示出巨大的成功,以确定相似的用户基于他们的个性类型。然而,只有少数基于个性的推荐系统在文献中,要么发现个性明确通过填写问卷,这是一个繁琐的任务,或忽视用户的个人兴趣和知识水平的影响,作为一个关键因素,以提高推荐的接受度。因此,我们隐式地识别用户的个性类型,对用户没有负担,并将其与用户的个人兴趣和他们的知识水平结合起来。在真实数据集上的实验结果证明了该模型的有效性,特别是在DSW-n-FCI情况下。
2020-01-07 cs.CY cs.IR cs.LG
Uncertainty and Fairness Awareness in LLM-Based Recommendation Systems
Beihang University(北京航空航天大学);McGill University(麦吉尔大学)
本文研究了大语言模型推荐系统中不确定性与公平性的影响,提出了一种新的评估方法并揭示了个性化与公平性之间的权衡。
2026-01-31 cs.AI cs.CL cs.CY
When LLM-Inferred User Context Adds Value in Production Streaming Recommendation
DePaul University(迪波大学);Comcast Technology AI(康卡斯特技术AI)
本研究在生产级流式推荐中评估LLM生成与聚合用户画像,发现其优劣取决于消费模式,建议按模式选择策略。
2026-10-01 cs.IR
Deep Cross Networks with Aesthetic Preference for Cross-domain Recommendation
当购买外观第一的产品时,例如,服装,产品外观美学在决定过程中起着重要的作用。此外,用户的审美偏好可以被视为一种个性特征和基本需求,是领域无关的,可以作为知识转移的领域之间的桥梁。然而,现有的工作很少考虑产品照片中的美学信息进行跨域推荐。为此,在本文中,我们提出了一个新的深度审美偏好跨域网络(ACDN),其中表征个人审美偏好的参数在网络之间共享,以在域之间传递知识。具体来说,我们首先利用美学网络来提取相关特征。然后,我们将美学特征整合到跨领域网络中,以传递用户与领域无关的美学偏好。此外,网络交叉连接,使跨领域的双重知识转移。最后,在真实数据上的实验结果表明,我们提出的ACDN优于其他基准方法的推荐精度。研究结果还表明,用户的审美偏好可以有效地缓解跨域推荐中的数据稀疏问题。
2019-05-29 cs.IR
Multifaceted User Modeling in Recommendation: A Federated Foundation Models Approach
本文提出一种基于联邦基础模型的多面用户建模推荐方法,通过新型Transformer层与组门控网络分层捕捉用户兴趣多面性,并扩展至联邦设置以利用私有数据,在基准数据集上取得优越性能。
2024-12-22 cs.IR
You Are What You Eat... Listen to, Watch, and Read
Georgia Institute of Technology(佐治亚理工学院)
本文描述了一种数据驱动的方法,用于导出个性和媒体偏好之间的关系。这种关系的可量化表示可以用于推荐系统,并改善“冷启动”问题。在这里,数据由1,316个OkCupid约会档案的原始集合组成。在这些档案中,有800个被标记为16种可能的迈尔斯-布里格斯类型指标(MBTI)之一。一个个性特定的主题模型描述一个人最喜欢的书籍,电影,表演,音乐和食物使用潜在的Dirichlet分配(LDA)生成。有几个重要的发现,例如,直觉思维类型更喜欢科幻/幻想娱乐,外倾性与乐观的舞蹈音乐呈正相关,爵士乐,民间和国际美食与那些开放的经验呈正相关。许多其他相关性证实了先前的研究结果,描述了个性,写作风格和个人偏好之间的关系。(For完整的单词/个性类型关联见附录)。
2016-12-13 cs.CL cs.IR cs.SI
Psychologically-Inspired Music Recommendation System
Penn State University(宾夕法尼亚州立大学)
在过去的几年里,自动推荐系统一直是音乐领域的一个主要焦点,Spotify、亚马逊和苹果等公司都在为用户提供最个性化的音乐建议方面展开竞争。开发人员仍然未能解决的挑战之一是考虑到音乐的心理和情感方面。我们的目标是找到一种方法,将用户的个人特质和他们当前的情绪状态整合到一个单一的音乐推荐系统中,同时进行协作和基于内容的过滤。我们试图将听众的个性和当前情绪状态与音频特征联系起来,以建立一个情感感知的MRS。我们将结果与基于Spotify API数据的传统MRS的输出进行定量和定性比较,以了解我们的进步是否对音乐推荐的质量产生重大影响。
2022-05-06 cs.AI cs.IR
Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale
Kuaishou Technology(快手科技);Beihang University(北京航空航天大学)
提出推荐即生成(RaG)范式,通过共享语义ID统一生成式推荐与视频生成,实现个性化视频按需生成,并在工业平台部署,广告收入提升1.87%。
2026-06-25 cs.IR
A two-step model and the algorithm for recalling in recommender systems
当用户在推荐系统中找到感兴趣的推荐时,用户可能想要回忆过去推荐的相关项目以重新考虑或再次欣赏它们。如果系统能在每个用户的请求下捡起这样的“召回”物品,那么它必须深化用户体验。我们提出了一个模型和算法,这种个性化的“召回”在传统的推荐系统,这是一个应用程序的神经网络的联想记忆。在我们的模型中,“召回”项目可以反映每个用户的个性,而不仅仅是项目之间的天真相似性。
2013-10-23 cs.IR
Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
该研究利用 LLM 生成对话摘要与物品推荐信息,并采用 DPO 精炼文本,以提升对话推荐的自然性与真实性。
2025-08-29 cs.IR
SPRINT: Scalable and Predictive Intent Refinement for LLM-Enhanced Session-based Recommendation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(高丽大学)
本文提出SPRINT框架,通过全局意图池约束LLM生成可靠意图,并在推理时使用轻量级意图预测器提升可扩展性,实验证明其在推荐效果和可解释性上优于现有方法。
2026-04-15 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
GenUP: Generative User Profilers as In-Context Learners for Next POI Recommender Systems
提出GenUP方法,利用自然语言用户画像作为LLM的上下文提示,解决POI推荐中的透明性和冷启动问题,提升准确性和可扩展性。
2025-06-20 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段,根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而,这些模型可以容易地继承与用户的敏感属性(例如,人口统计学),并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中,我们提出了FairRank,这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的,我们建议使用一个共享的候选感知用户模型,以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻,分别学习候选感知用户嵌入,反映用户的兴趣在候选新闻和候选不变的用户嵌入,表明用户的内在兴趣。我们将对抗学习应用于这两种方法,以减少敏感用户属性带来的偏见。此外,我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签,使其相似,这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明,FairRank可以提高各种单塔新闻排名模型的公平性,而性能损失较小。
2022-04-01 cs.IR
Neural News Recommendation with Negative Feedback
新闻推荐是在线新闻服务的重要组成部分。精确的用户兴趣建模是个性化新闻推荐的关键。现有的新闻推荐方法通常依赖于用户的隐式反馈,如新闻点击来建模用户的兴趣。然而,新闻点击可能不一定反映用户的兴趣,因为用户可能由于其标题的吸引力而点击新闻,但对其内容感到失望。新闻阅读的停留时间是用户兴趣建模的一个重要线索,因为短的阅读停留时间通常表明低,甚至负面的兴趣。因此,结合从新闻阅读的停留时间推断的负反馈可以提高用户建模的质量。在本文中,我们提出了一个神经新闻推荐方法,可以考虑到隐式的负面用户反馈。我们提出了根据阅读停留时间区分正面和负面新闻点击,并通过Transformer和附加注意力网络的组合分别从正面和负面新闻点击中学习用户表征。此外,我们建议计算一个积极的点击得分和一个消极的点击得分的基础上候选新闻表示和用户表示从积极和消极的新闻点击学习之间的相关性。最终的点击分数是正点击分数和负点击分数的组合。此外,我们提出了一种交互式的新闻建模方法,在新闻建模中考虑标题和正文之间的相关性。在真实数据集上的大量实验验证了该方法可以实现更准确的新闻推荐用户兴趣建模。
2021-01-12 cs.IR
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
图神经网络(GNN)被广泛用于推荐,以模拟用户和项目之间的高阶交互。现有的基于GNN的推荐方法依赖于用户项图的集中存储和集中模型学习。然而,用户数据是隐私敏感的,并且用户项图的集中存储可能引起隐私担忧和风险。本文提出了一种基于GNN的隐私保护推荐的联邦框架,该框架可以从分散的用户数据中集体训练GNN模型,同时利用高阶用户-项目交互信息,保护隐私。在我们的方法中,我们在本地训练GNN模型在每个用户客户端的基础上,从本地用户-项目交互数据推断的用户-项目图。每个客户端将GNN的局部梯度上传到服务器进行聚合,其进一步发送到用户客户端以更新局部GNN模型。由于局部梯度可能包含隐私信息,我们将局部差分隐私技术应用于局部梯度以保护用户隐私。此外,为了保护用户与之交互的项目,我们建议将随机采样的项目作为伪交互项目进行匿名。为了将高阶用户项交互,我们提出了一种用户项图扩展方法,可以找到相邻的用户与共同交互的项目和交换他们的嵌入扩展本地用户项图的隐私保护的方式。在6个基准数据集上的实验表明,该方法能够在有效保护用户隐私的同时,取得与现有的基于GNN的集中式推荐方法相竞争的结果。
2021-03-01 cs.IR
FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling
联邦学习(FL)是一种从分散的用户数据中学习个性化推荐模型的可行技术。不幸的是,联合推荐系统很容易受到恶意客户端的中毒攻击。现有的推荐系统中毒方法主要集中在提高目标项目的推荐机会,由于经济激励。事实上,在现实世界中,攻击者也可能试图降低推荐系统的整体性能。然而,现有的一般FL中毒降低模型性能的方法要么是无效的或不隐藏中毒联邦推荐系统。本文提出了一种针对联邦推荐的简单有效的隐蔽中毒攻击方法--FedAttack。它的核心思想是使用全局最难的样本来颠覆模型训练。更具体地,恶意客户端首先基于本地用户简档推断用户嵌入。接下来,他们选择与用户嵌入最相关的候选项作为最难的负样本,并找到距离用户嵌入最远的候选项作为最难的正样本。然后,从这些中毒样本推断出的模型梯度被上传到服务器以进行聚合和模型更新。由于恶意客户端的行为与具有不同兴趣的用户有些相似,因此服务器无法有效地将其与正常客户端区分开来。在两个基准数据集上的大量实验表明,FedAttack可以有效地降低各种联邦推荐系统的性能,同时许多现有方法无法有效地检测或防御FedAttack。
2022-02-10 cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣,并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是,新闻点击行为可以表明用户的兴趣。然而,在实际场景中,除了用户兴趣与新闻内容之间的相关性之外,新闻点击行为还可能受到其他因素的影响,例如在线平台中新闻呈现的偏差。例如,位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声,影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec,该方法可以处理偏见信息,从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块,一个偏见意识的用户建模模块,和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模,以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型,从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型,其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。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性能。
2021-04-15 cs.IR
Density Weighting for Multi-Interest Personalized Recommendation
针对多用户表示(MUR)在数据分布倾斜时尾部物品表现不佳的问题,提出带用户塔校准的迭代密度加权方案(IDW),有效缓解长尾分布对个性化的影响,并在三个真实基准上取得优于其他方法的性能。
2023-08-03 cs.IR
Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation
针对基于 GNN 的会话推荐忽视语义信息的问题,提出 LLM-DMsRec,利用 LLM 从候选物品推断多语义意图,并通过对齐机制与 GNN 结构意图融合,显著提升推荐性能。
2025-07-27 cs.IR
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems
本文提出DLCRec框架,通过将推荐过程分解为类型预测、类型填充和物品预测三个子任务,并结合数据增强技术,实现对基于大语言模型推荐系统中多样性的细粒度控制,在多个场景中优于现有基线。
2025-01-06 cs.IR
Words to Waves: Emotion-Adaptive Music Recommendation System
Virginia Tech(弗吉尼亚理工大学)
针对现有推荐系统忽视情感上下文的问题,本文提出一种基于宽深学习架构变体的音乐推荐系统,利用Transformer嵌入从自然语言中实时推断情感状态,结合深度泛化与宽度记忆机制,实验证明能显著提升情感相关性。
2025-09-17 cs.IR cs.LG
Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System
该学位论文聚焦推荐系统模型比较与评估的理论基础,梳理了推荐系统的反馈形式、核心原理、协同过滤算法及融合辅助数据的复杂形态,为相关研究提供理论支撑。
2024-11-04 cs.IR
Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
TCS Research, India(塔塔咨询服务公司研究院)
本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架,通过构建异构知识图谱并学习用户人设,提升稀疏或冷启动场景下的个性化推荐效果。
2026-04-14 cs.IR
Inferring Complementary Products from Baskets and Browsing Sessions
Yandex Market
互补产品推荐是电子商务中的一个重要问题。这样的建议增加了平均订单价格和篮子中的产品数量。互补产品通常是从篮子数据推断出来的。在这项研究中,我们提出了BB 2 vec模型。BB 2 vec模型通过联合分析两种类型的数据来学习产品的矢量表示-篮子和浏览会话(访问产品的网页)。这些向量表示用于进行互补产品推荐。该模型通过为很少或没有购买的产品提供更好的推荐来解决冷启动问题。我们发现,BB 2 vec模型具有更好的性能比其他模型,只使用篮子数据。
2018-09-25 cs.IR cs.LG stat.ML
Offline Reasoning for Efficient Recommendation: LLM-Empowered Persona-Profiled Item Indexing
Yonsei University(延世大学)
Persona4Rec通过离线推理构建物品个性化表示,实现高效且可解释的推荐系统,减少推理时间并提供直观解释。
2026-02-25 cs.IR cs.LG
Improving Implicit Feedback-Based Recommendation through Multi-Behavior Alignment
提出多行为对齐框架,通过最大化多行为数据似然并最小化KL散度来推断通用用户偏好,实现去噪和知识迁移,在三个数据集上验证了提升目标行为预测的有效性。
2023-05-09 cs.IR
Learning Spatiotemporal-Aware Representation for POI Recommendation
基于位置的社交网络的广泛应用带来了海量的用户签到数据,为兴趣点的推荐提供了便利。分布式表示的最新进展为学习低维稠密向量以缓解数据稀疏性问题提供了启示。现有的表示学习算法将用户和兴趣点都嵌入到一个共同的潜在空间中,根据用户与兴趣点之间的距离/相似度来推断用户的偏好。这种方法不符合用户和POI的语义,因为它们是固有的不同对象。该文提出了一种新的时空感知(STA)表示方法,将时空信息建模为\emph{a relationship connecting users and POIs} .该模型概括了知识图谱嵌入的最新进展。基本思想是$<$时间、位置$>$对的嵌入对应于从用户的嵌入到POI的转换。由于POI嵌入应当接近于用户嵌入加上关系向量,因此可以通过选择与翻译的POI类似的顶部\emph{k} POI来执行推荐,这些POI都是相同类型的对象.例如,当一位用户在浏览运动品类下的商品时,其可能同时有购买足球和运动衫这两种商品的意图。实验结果表明,该模型具有较高的推荐准确率、对数据稀疏性的鲁棒性和对冷启动问题的有效处理能力。
2017-04-28 cs.IR cs.SI
Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models
本文提出基于链的提示方法揭示语义方面感知交互,并构建SAGCN模型融合多语义方面嵌入,有效解决了评论数据噪声与稀疏问题,提升了推荐性能与可解释性。
2024-11-16 cs.IR cs.MM
Embedding Ranking-Oriented Recommender System Graphs
基于图的推荐系统(GRSs)分析数据的图形表示中的结构信息以做出更好的推荐,特别是当直接用户-项目关系数据稀疏时。面向排名的GRS形成了一个主要类别的推荐系统,主要使用偏好(或排名)数据的图形表示来测量节点的相似性,从这些相似性中,它们可以使用基于邻域的机制来推断推荐列表。在本文中,我们提出了PGRec,一种新的基于图的面向排名的推荐框架。PGRec通过一种名为PrefGraph的新型图结构对用户对项目的偏好进行建模。然后通过改进的嵌入方法利用该图,利用因子分解和深度学习方法,提取代表用户,项目和偏好的向量。然后,将得到的嵌入用于预测用户的未知成对偏好,从该偏好推断出最终的推荐列表。我们已经评估了所提出的方法对最先进的基于模型和基于邻域的推荐方法的性能,我们的实验表明,PGRec优于基线算法高达3.2%的NDCG@10在不同的MovieLens数据集。
2020-07-31 cs.IR cs.LG stat.ML
Causal Structure Learning with Recommendation System
Rutgers University(罗格斯大学);Walmart Labs(沃尔玛实验室);Indeed
推荐系统的一个基本挑战是理解用户决策背后的因果动力学。大多数现有的文献解决这个问题,使用领域知识推断的因果结构。然而,有许多现象,领域知识是不够的,因果机制必须从反馈数据中学习。从RS反馈数据中发现因果机制既新颖又具有挑战性,因为RS本身就是一种干预来源,可以影响用户的暴露和他们的互动意愿。同样出于这个原因,大多数现有的解决方案变得不合适,因为它们需要从任何RS免费收集数据。在本文中,我们首先制定了潜在的因果机制作为因果结构模型,并描述了一个通用的因果结构学习框架,在现实世界的RS工作机制接地。我们的方法的本质是承认RS干预的未知性质。然后,我们从我们的框架中推导出学习目标,并提出了一个增强的拉格朗日求解器进行有效的优化。我们进行模拟和现实世界的实验,以证明我们的方法相比,有利的现有解决方案,以及从敏感性和消融研究的实证分析。
2022-10-19 cs.IR cs.LG
Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring
University of Technology Sydney(悉尼大学);Curtin University(Curtin大学);Education University of Hong Kong(香港教育大学)
本文提出时间感知逆倾向评分(TIPS)方法,通过捕捉用户行为的序列依赖性和时间动态,有效解决序贯推荐中的选择偏差和曝光偏差问题,提升推荐性能。
2026-03-05 cs.AI cs.IR
Enhancing Long-Term Welfare in Recommender Systems: An Information Revelation Approach
Gaoling School of Artificial Intelligence Renmin University of China(中国人民大学高瓴人工智能学院)
本文提出LoRe框架,通过信息揭示方法优化推荐系统长期用户福利,优于现有方法。
2026-02-16 cs.IR
Sim2Rec: A Simulator-based Decision-making Approach to Optimize Real-World Long-term User Engagement in Sequential Recommender Systems
Nanjing University(南京大学);DiDi AI Labs(滴滴人工智能实验室);Peng Cheng Laboratory(鹏城实验室);City University of Hong Kong(香港城市大学);Lyft(来福车)
针对顺序推荐系统中长期用户参与度优化面临的现实差距问题,提出基于模拟器集合的Sim2Rec方法,通过环境参数提取与上下文感知策略训练,实现策略直接迁移至真实环境,并在合成及滴滴出行真实数据上取得显著性能提升。
2023-05-03 cs.IR cs.LG
Natural brain-information interfaces: Recommending information by relevance inferred from human brain signals
从万维网等大型文档集中查找相关信息是我们日常生活中的一项常见任务。用户的兴趣或搜索意图的估计是必要的,以推荐和检索相关的信息,从这些集合。我们介绍了一个大脑信息接口,用于推荐信息的相关性直接从大脑信号推断。在实验中,参与者被要求阅读维基百科上关于一系列主题的文档,同时记录他们的脑电图。基于词的相关性的预测,个人的搜索意图建模,并成功地用于检索新的,相关的文件从整个英文维基百科语料库。结果表明,用户对数字内容的兴趣可以从阅读引起的大脑信号建模。所引入的大脑相关性范例使得能够在没有任何显式用户交互的情况下推荐信息,并且可以应用于各种信息密集型应用。
2016-07-12 cs.HC cs.IR q-bio.NC
Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
KU Leuven, Campus Kulak, Department of Public Health and Primary Care(KU莱顿大学);Itec, imec research group at KU Leuven(Itec);KU Leuven, Department of Mathematics(KU莱顿大学)
提出一种基于成对比较与属性感知的决策树偏好引导方法,通过同时收集物品评分与属性偏好并使用物品对替代单个物品,有效解决了冷启动用户的个性化推荐问题。
2025-10-31 cs.IR cs.LG
DeepGroup: Representation Learning for Group Recommendation with Implicit Feedback
Ontario Tech University(安大略理工大学)
群组推荐系统便于针对一组个体(例如,一群朋友、一个团队、一个公司等)。然而,这些系统中的许多系统或者假设(i)用户偏好可以被引出(或推断)并且然后被聚集成群组偏好,或者(ii)群组偏好被部分地观察/引出。我们专注于为一组偏好未知的新用户提供推荐,但我们会获得其他用户的决策/选择。通过将这个问题表述为来自群体内隐反馈的群体推荐,我们关注了它的两个实际例子:群体决策预测和反向社会选择。给定一组群体及其观察到的决策,群体决策预测旨在预测新一组用户的决策,而反向社会选择旨在推断参与观察到的群体决策的用户的偏好。这两个问题不仅关系到群体推荐,而且当用户有意隐藏自己的个人偏好但参与了群体决策时,也关系到个人隐私。为了解决这两个问题,我们提出并研究了DeepGroup --一种基于组隐式数据的深度学习方法。我们根据经验评估了DeepGroup对各种真实世界数据集、群体条件(例如,同质性或异质性)和群体决策(或投票)规则。我们广泛的实验不仅证明了DeepGroup的有效性,还揭示了一些决策过程中的隐私泄露问题。
2021-03-13 cs.AI cs.IR cs.MA
RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment
Fudan University(复旦大学);University of Southern California(南加州大学)
针对生成式语言模型表示与ID协同信号之间的语义异质性,提出基于图神经网络和最优传输理论的双粒度语义对齐框架RecGOAT,通过实例级和分布级对齐实现统一特征空间,理论证明其表示误差更低,实验达到最优性能。
2026-05-25 cs.AI cs.IR
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊)
SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化,提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
2026-07-28 cs.AI cs.CL cs.IR
Improving One-class Recommendation with Multi-tasking on Various Preference Intensities
National Taiwan University(国立台湾大学)
本文针对单类推荐中隐式反馈偏好强度固定的不现实假设,提出多任务框架建模不同偏好强度,并结合注意力图卷积捕获高阶关系,在三个大规模数据集上显著超越现有方法。
2024-01-18 cs.AI cs.IR cs.LG
ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation
Walmart Global Tech(沃尔玛全球科技)
本文提出ARAG框架,通过将多智能体协作机制集成到RAG流程中,利用用户理解、自然语言推理、上下文总结和项目排序四个智能体捕捉动态用户偏好,显著提升了个性化推荐性能。
2025-08-11 cs.AI cs.CL cs.IR
An Efficient Continuous Control Perspective for Reinforcement-Learning-based Sequential Recommendation
City University of Hong Kong(香港城市大学);Tianjin University(天津大学);University of Science and Technology of China(中国科学技术大学)
针对基于强化学习的序列推荐中离散动作空间难以高效处理海量物品的问题,提出连续控制框架ECoC,通过统一动作表示、双重正则化等实现更高效的离线训练,且在离线数据拟合和长期奖励获取上优于离散基线。
2024-08-15 cs.IR cs.LG
CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation
Fudan University(复旦大学);Southeast University(东南大学);University of Malaya(马来亚大学)
本文提出CaST-POI模型,通过候选条件化序列阅读器动态关注用户历史,引入候选相对时间空间偏置,提升POI推荐性能。
2026-09-03 cs.AI cs.IR
GreenFlow: A Computation Allocation Framework for Building Environmentally Sound Recommendation System
Ant Group(蚂蚁集团);Nanjing University(南京大学)
GreenFlow提出面向级联推荐系统的计算分配框架,通过动作链与动态原始-对偶优化平衡精度与碳排放,在工业应用中减少41%计算消耗并保持商业收益。
2023-12-15 cs.IR cs.LG
Multi-Pointer Co-Attention Networks for Recommendation
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research(资讯通信研究所)
许多最近的最先进的推荐系统,如D-ATT,TransNet和DeepCoNN利用评论进行表示学习。本文提出了一种新的神经网络结构的建议与评论。我们的模型基于多层次范式,并基于并非所有评论都是平等的直觉,即,只有少数几个是重要的。然而,应该根据当前目标动态推断重要性。为此,我们提出了一个基于指针的学习计划,提取重要的评论,随后匹配他们在一个字一个字的方式。这不仅使信息量最大的评论能够用于预测,而且还可以进行更深层次的单词级交互。我们的基于指针的方法采用新型的基于gumbel-softmax的指针机制,该机制能够将离散向量纳入可微神经架构中。我们的指针机制本质上是共同关注的,学习指针是共同依赖于用户项关系。最后,我们提出了一个多指针学习方案,学习结合用户和项目之间的交互的多个视图。总体而言,我们证明了我们提出的模型的有效性,通过广泛的实验\textbf{24}基准数据集从亚马逊和Yelp。实证结果表明,我们的方法明显优于现有的最先进的技术,与TransNet和DeepCoNN相比,分别有高达19%和71%的相对改进。我们研究了我们的多指针学习机制的行为,揭示了基于评论的推荐系统中的证据聚合模式。
2018-06-21 cs.AI cs.CL cs.IR
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
University of California, Berkeley(加州大学伯克利分校)
本文提出一种碳感知重排序策略,通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签,并在三个推荐模型上权衡用户参与度与碳排放,实现可持续推荐。
2026-06-03 cs.AI cs.IR cs.SI
How Does Empowering Users with Greater System Control Affect News Filter Bubbles?
LinkedIn Corporation(领英公司);Tulane University(杜兰大学);Illinois Institute of Technology(伊利诺伊理工学院)
研究探讨赋予用户更大系统控制权对新闻过滤气泡的影响,设计增强界面的政治新闻推荐系统,通过用户研究发现该系统虽提高了用户对过滤气泡的认知,但对新闻消费的影响因用户偏好呈现异质性。
2026-07-20 cs.AI cs.IR