Memento: Personalized RAG-Style Long-Retention Data Scaling for META Ads Recommendation
Meta AI
提出Memento框架，通过个性化检索增强生成（RAG）方式，利用最大边际相关性（MMR）从用户历史行为中检索相关交互，解决长历史数据建模中的注意力稀释、系统效率和灾难性遗忘问题，在广告推荐中提升点击率1%和转化率1.2%。
2026-05-22 cs.IR
Beyond Successor Accuracy: State Retention for Recursive Self-Improvement in Recommendation
The University of Hong Kong（香港大学）；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）；University of Luxembourg（卢森堡大学）
本文提出推荐递归自我改进中的状态保留问题，通过跨代优势量化分布式进展，并用秩分离选择保留策略，实验表明跨代配对在多数设置中优于直接后继模型。
2026-10-07 cs.AI cs.IR
Decision-Oriented Recommendation Reranking: An Empirical Study of Its Promise and Limitations
Singapore Management University（新加坡管理大学）；Meta AI
本研究通过受控实验对比Jev与推荐专用模型及Qwen重排序器，发现Jev在保持推荐效果的同时延迟增长更平缓，但延迟仍高于专用模型，处于独特质量-延迟区间，为结构化输出空间的排序任务提供新方向。
2026-10-14 cs.CL cs.IR
BeautifAI -- A Personalised Occasion-oriented Makeup Recommendation System
随着美容行业的全球变化和全球对美容产品需求的不断增长，对有效的化妆品推荐系统的需求从未如此之大。尽管在个性化化妆推荐方面取得了重大进展，但目前的研究仍然缺乏将场合背景纳入化妆推荐并为用户整合反馈。在这项工作中，我们提出了BeautifAI，一种新颖的化妆推荐系统，为用户提供个性化的化妆推荐，同时提供实时预览和持续反馈。建议的工作的新颖的贡献，包括纳入场合背景下，区域明智的化妆推荐，实时化妆预览和持续化妆反馈，设置我们的系统除了目前的工作在化妆推荐。我们还证明了我们提出的系统的功效，通过进行用户研究，提供个性化的化妆建议。
2022-03-28 cs.IR cs.MM
AgenticRec: A Recommendation-Oriented Agentic Framework with Progressive Tool-Integrated Reasoning Optimization
Xiamen University（厦门大学）
提出AgenticRec框架，将推荐建模为工具集成推理过程，并设计两阶段训练范式，通过隐式反馈激活和渐进偏好细化提升推荐准确性。
2026-06-16 cs.AI cs.IR
STAN: Stage-Adaptive Network for Multi-Task Recommendation by Learning User Lifecycle-Based Representation
针对多任务推荐中用户偏好动态变化的问题，提出STAN框架，通过识别用户生命周期阶段并利用阶段表示增强多任务学习，实验显著提升预测性能，在线测试中停留时间提升3.05%，CVR提升0.88%。
2023-06-21 cs.IR
Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems
Meta
本文提出“保持相关性”这一基于调查的反馈度量，直接评估用户回访意图，经心理测量验证并在大规模离线与在线实验中证明其能显著优于传统参与信号，提升次日留存与参与度，减少低质量内容曝光。
2025-10-08 cs.AI cs.HC cs.IR
NewsTorch: A PyTorch-based Toolkit for Learner-oriented News Recommendation
School of Computing, University of Otago（奥塔哥大学计算机学院）
本文提出NewsTorch，一个基于PyTorch的新闻推荐工具包，提供模块化框架和用户友好的GUI，支持数据集下载预处理及先进模型训练验证，促进学习者理解与实践。
2026-04-16 cs.AI cs.IR
ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing
Central South University（中南大学）；Beihang University（北京航空航天大学）；South China University of Technology（华南理工大学）
针对推荐系统中用户行为异质导致的鲁棒性问题，提出ReliGRec框架，利用双视图弱风险估计器融合行为与图令牌，在推理时路由选择简单或谨慎提示，将弱风险信号转化为生成控制信号，提升推荐质量与鲁棒性。
2026-09-16 cs.IR
UnifiedSSR: A Unified Framework of Sequential Search and Recommendation
提出统一框架UnifiedSSR，通过双分支网络联合学习搜索与推荐场景的用户行为历史，并设计面向意图的会话建模模块捕捉动态意图，在三个数据集上显著优于现有方法。
2023-10-21 cs.IR
Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；City University of Hong Kong（香港城市大学）；Centre for Frontier AI Research, A*STAR（新加坡国立研究局前沿人工智能研究中心）；Institute of High-Performance Computing, A*STAR（新加坡国立研究局高性能计算研究所）
本文提出CPGRec框架，通过准确性驱动、多样性驱动和综合模块平衡视频游戏推荐的准确性和多样性，实验表明在Steam数据集上提升了推荐效果。
2026-08-28 cs.IR
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；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）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Reinforcing User Retention in a Billion Scale Short Video Recommender System
Kuaishou Technology（快手科技）
最近，短视频平台通过向用户推荐有趣的内容，实现了用户的快速增长。该建议的目的是优化用户保留，从而推动DAU（每日活跃用户）的增长。留存是用户与系统多次交互后的长期反馈，留存奖励很难分解到每个项目或项目列表中。因此，传统的逐点和逐列表模型无法优化保留。在本文中，我们选择强化学习方法来优化保留，因为它们旨在最大限度地提高长期性能。我们将问题表述为一个基于无限时域请求的马尔可夫决策过程，我们的目标是最小化多个会话的累积时间间隔，这相当于提高应用程序的打开频率和用户保留率。然而，由于用户保持的特性所引起的不确定性、偏差和长延迟时间，现有的强化学习算法不能直接应用于该设置。我们提出了一种新的方法，称为RLUR，以解决上述挑战。离线和实时实验都表明，RLUR可以显着提高用户留存率。RLUR已在快手APP全面上线多时，在用户留存和DAU上实现了持续的性能提升。
2023-02-12 cs.IR cs.LG
Alleviating the recommendation bias via rank aggregation
推荐系统的主要目标通常被称为“帮助用户找到相关的项目”，并相应地提出了许多推荐算法。然而，这些面向准确性的方法通常遭受的问题，推荐偏见的热门项目，这是不受欢迎的，不仅用户，而且项目提供商。为了缓解推荐偏差问题，我们提出了一个通用的排名聚合框架的现有算法的推荐结果，其中用户和项目为导向的排名结果线性聚合在一起，与一个参数控制的权重，后者的排名过程。典型算法在两个真实数据集上的实验结果表明，该框架能够有效地提高现有面向准确率的推荐算法的公平性，同时避免了显著的准确率损失。
2020-04-22 cs.IR cs.SI
From Clicks to Conversions: Recommendation for long-term reward
推荐系统通常针对短期奖励进行优化：如果在推荐后立即可以观察到奖励（例如点击），则推荐被认为是成功的。这个框架的优点是，通过一些合理的（尽管有问题）假设，它允许熟悉的监督学习工具用于推荐任务。然而，这意味着长期的业务指标，例如销售或保留被忽略。在本文中，我们介绍了一个框架，长期的奖励建模的ECORGYM仿真环境。我们使用这个新引入的功能来展示在转换优化推荐的情况下由最后点击归因方案引入的问题，并提出一个简单的扩展，从而获得最先进的结果。
2020-09-01 cs.IR stat.ML
Sequential Modality Dropout for Robust Multi-Modal Sequential Recommendation
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出序列模态丢弃（SMD），通过训练时随机擦除模态流提升多模态序列推荐器的鲁棒性，在四个骨干网络和亚马逊数据集上显著提升了缺失模态下的推荐准确率，且几乎不损失完整模态性能。
2026-08-12 cs.IR cs.LG 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
Align-for-Fusion: Harmonizing Triple Preferences via Dual-oriented Diffusion for Cross-domain Sequential Recommendation
National University of Defense Technology（国防科技大学）；National University of Singapore（新加坡国立大学）
针对跨域序列推荐中偏好融合粗糙的问题，提出对齐即融合框架HorizonRec，利用双导向扩散模型协调三重偏好，并通过混合条件分布检索稳定建模，实验验证其有效性。
2025-08-07 cs.AI cs.IR
AlignPxtr: Aligning Predicted Behavior Distributions for Bias-Free Video Recommendations
本文提出AlignPxtr方法，通过分位数映射对齐不同偏差条件下的预测行为分布，从理论上消除偏差与用户兴趣的互信息，并在快手两个平台A/B测试中显著提升用户留存和使用时长。
2025-03-11 cs.IR
Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
Pinterest（Pininterest）
本文提出了一种可扩展的框架，通过代理归因过程和事件聚合流水线，优化大规模推荐系统中的用户留存，提升活跃用户数量0.1%。
2025-11-22 cs.AI cs.IR cs.LG
Experiments on Generalizability of User-Oriented Fairness in Recommender Systems
University College London（伦敦大学学院）；University of Southern California（南加州大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；University of Amsterdam（阿姆斯特丹大学）
推荐系统的公平性是衡量推荐质量的一个重要方面。公平性推荐系统旨在相似地对待不同的用户组。面向用户的公平性的相关工作突出了基于用户活动水平定义的特定用户组的公平性不可知推荐算法的区别行为。典型的解决方案包括提出应用于基础排名模型之上的以用户为中心的公平性重新排名框架，以减轻其对某个用户组的不公平行为，即，弱势群体。在本文中，我们重新产生了面向用户的公平性研究，并提供了广泛的实验来分析他们提出的方法对各种公平性和推荐方面的依赖性，包括推荐域，基本排名模型的性质和用户分组方法。此外，我们评估由重新排名框架提供的来自两个用户的最终推荐（例如，NDCG，用户公平性）和项目侧（例如，新颖性、项目公平性）度量。我们发现有趣的趋势和权衡模型的性能在不同的评估指标。例如，我们看到，定义的弱势/弱势用户组的公平算法的有效性，以及它如何提高特定的基础排名模型的性能起着至关重要的作用。最后，我们强调了这一领域的一些重要挑战和未来发展方向。我们在https://github.com/rahmanidashti/FairRecSys上公开发布数据、评估管道和训练模型。
2022-05-17 cs.AI cs.IR
A Simple Yet Effective Approach for Diversified Session-Based Recommendation
Shanghai University of Finance and Economics（上海财经大学）；Institute of High Performance Computing（高性能计算研究所）；Centre for Frontier AI Research, A*STAR（新加坡科技研究局前沿人工智能研究中心）；Nanyang Technological University（南洋理工大学）
本文提出DCA-SBRS框架，通过模型无关的多样性损失函数和类别感知注意力机制，以插件形式提升现有会话推荐系统的多样性，同时保持推荐准确性。
2024-03-30 cs.AI cs.IR
Music Recommendation on Spotify using Deep Learning
Manipal University Jaipur（斋浦尔马尼帕尔大学）
针对Spotify推荐算法不公开的现状，本文采用深度学习方法实现音乐推荐过滤以提升用户喜好度，其架构取得98.57%的训练准确率与80%的验证准确率。
2023-12-10 cs.AI cs.IR
Towards Low-loss 1-bit Quantization of User-item Representations for Top-K Recommendation
由于量化表示学习在空间压缩和推理加速方面的优势，近年来已成为推荐系统的一个新兴研究方向。由于目标是在离散的嵌入空间中嵌入潜在特征，因此开发具有少量低精度整数的用户项表示的量化面临着高信息损失的挑战，从而导致Top-K推荐的性能不理想。在这项工作中，我们研究的问题，表示学习的建议与1位量化。提出了一种低损失量化图卷积网络（L^2 Q-GCN）模型。与以往将量化作为用户项嵌入的最终编码器的工作不同，L^2 Q-GCN学习量化表示，同时捕获不同语义级别的用户项交互图的结构信息。这实现了中间交互信息的大量保留，减轻了由数值量化引起的用于排名的特征平滑问题。为了进一步提高模型的性能，我们还提出了一种改进的解决方案，称为L^2 Q-GCN-anl与量化近似和退火训练策略。我们在Top-K推荐任务的四个基准上进行了广泛的实验。实验结果表明，L^2 Q-GCN-anl在近9倍的表示存储压缩下，与现有模型相比，性能恢复率约为90~99%.
2021-12-03 cs.IR
Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation
Tarbiat Modares University (TMU)（塔比亚特莫达雷斯大学）
针对现有研究独立处理穿搭兼容性和个性化推荐的问题，提出FGAT框架，通过用户-穿搭-商品三层图及图注意力机制联合建模，在POG数据集上多指标优于基线，提升推荐效果。
2025-08-20 cs.IR cs.LG
Benchmarking Deep Neural Networks for Modern Recommendation Systems
Computer Science and Applied Mathematics Laboratory (LIMA) Faculty of Science and Technology（计算机科学与应用数学实验室（LIMA）理学院）；Faculty of Science and Technology, Chadli Bendjedid University（科学与技术学院，恰德利·本杰迪德大学）；School of Computer Science, University of Windsor（计算机科学学院，温莎大学）
本文通过需求导向基准测试评估七种深度神经网络在不同推荐系统需求上的表现，揭示了不同架构的互补优势，为多目标推荐系统设计提供指导。
2026-01-17 cs.AI cs.IR
Towards welfare-oriented recommendations in activity-travel behavior
University of Houston（休斯顿大学）；New York University（纽约大学）
该研究针对活动-出行行为领域推荐系统忽视用户福利的问题，提出福利导向推荐框架，通过正效用概率、遗憾最小化准则设计算法，经智能体模拟验证，为优化推荐系统提供了实用方案。
2026-08-19 cs.CY cs.IR
HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
Kuaishou Technology（快手科技）
针对内容平台推荐需求，提出HGenPush架构。通过设计混合用户行为理解等模块，兼顾视频与作者推荐，采用轻量预测方法并利用用户反馈提升质量，部署后使快手日活用户显著增加。
2026-07-07 cs.IR
LabelCraft: Empowering Short Video Recommendations with Automated Label Crafting
针对短视频推荐中用户反馈质量差的问题，提出LabelCraft自动化标签生成方法，通过元学习解决双层优化难题，有效提升平台使用时长、用户参与度和留存率等运营指标。
2024-11-14 cs.IR
User-oriented Fairness in Recommendation
Rutgers University（罗格斯大学）
作为一个高度数据驱动的应用，推荐系统可能会受到数据偏差的影响，导致对不同数据组的结果不公平，这可能是影响系统性能的一个原因。因此，识别和解决推荐场景中的不公平问题非常重要。在本文中，我们从用户的角度来解决推荐系统中的不公平问题。我们根据用户的活跃程度将其分为弱势群体和弱势群体，并进行实验，以表明目前的推荐系统将表现出不公平的两组用户之间。具体而言，在数据中只占很小比例的弱势用户（活跃）比弱势用户（不活跃）享有更高的推荐质量。这种偏见也会影响整体性能，因为弱势用户占大多数。为了解决这个问题，我们提供了一个重新排名的方法，以减轻这种不公平的问题，通过增加约束的评估指标。我们在几个真实世界的数据集上进行了各种推荐算法的实验表明，我们的方法不仅可以提高用户在推荐系统中的群体公平性，但也取得了更好的整体推荐性能。
2021-04-21 cs.AI cs.HC cs.IR
MEGCF: Multimodal Entity Graph Collaborative Filtering for Personalized Recommendation
在大多数电商平台中，展示的商品能否引发用户的兴趣，很大程度上取决于其最吸引眼球的多模态内容。因此，越来越多的努力集中在多模态用户偏好建模，迫切的范式是将项目的完整的多模态深度特征纳入推荐模块。然而，现有的研究忽略了多模态特征提取（MFE）和用户兴趣建模（UIM）之间的失配问题。也就是说，MFE和UIM有不同的侧重点。具体地，MFE从上游任务（诸如图像分类）迁移并适应于上游任务。此外，它主要是一个面向内容和非个性化的过程，而UIM更注重理解用户交互，本质上是一个面向用户和个性化的过程。因此，将MFE直接并入UIM用于纯粹面向用户的任务，往往会引入大量与偏好无关的多模态噪声，并污染UIM中的嵌入表示。本文旨在解决MFE和UIM之间的不匹配问题，从而生成高质量的嵌入表示和更好的模型多模态用户偏好。为此，我们开发了一个新的模型，MEGCF。所提出的模型的UIM捕获的交互和MFE获得的功能之间的语义相关性，从而使MFE和UIM之间更好的匹配。更确切地说，语义丰富的实体首先从多模态数据中提取，因为它们比其他多模态信息更与用户偏好相关。这些实体然后被集成到用户-项目交互图中。然后，构造对称线性图卷积网络（GCN）模块来执行图上的消息传播，以捕获高阶语义相关和协同过滤信号。
2022-10-14 cs.IR
Capturing User Interests from Data Streams for Continual Sequential Recommendation
University of Illinois（伊利诺伊大学）；dot（42dot）；Korea University（韩国延世大学）
CSTRec通过连续序列注意力机制有效捕捉用户兴趣变化，提升连续序列推荐中的知识保留与获取能力。
2025-11-23 cs.IR
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University（宾夕法尼亚州立大学）
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题，提出ESMR框架，融合Transformer情绪预测与混合推荐策略，兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
Mutually-Regularized Dual Collaborative Variational Auto-encoder for Recommendation Systems
最近，面向用户的自动编码器（UAE）已被广泛用于推荐系统，以学习用户的语义表示的基础上，他们的历史评级。然而，由于潜在的项目变量在阿联酋没有建模，它是很难利用广泛可用的项目内容信息时，评级是稀疏的。此外，每当新物品到达时，我们需要等待收集这些物品的评级数据，并从头开始重新训练UAE，这在实践中效率低下。针对上述两个问题，我们提出了一个相互正则化的双重合作变分自动编码器（MD-CVAE）的建议。首先，通过用堆叠的潜在项嵌入替换vanilla UAE的随机初始化的最后一层权重，MD-CVAE集成了两个异构信息源，即，项目内容和用户评级，到相同的原则变分框架中，其中UAE的权重由项目内容正则化，使得可以避免由于数据稀疏而收敛到非最优。此外，正则化是相互的，因为用户评级也可以帮助双项内容模块学习更多面向正则化的项内容嵌入。最后，我们提出了一个对称的推理策略MD-CVAE阿联酋编码器的第一层权重绑定到阿联酋解码器的潜在项目嵌入。通过这一战略，不需要再培训就可以推荐新引进的项目。实证研究表明，MD-CVAE在正常和冷启动的情况下的有效性。代码可在https://github.com/yaochenzhu/MD-CVAE上获得。
2022-11-21 cs.IR
Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning
Pinterest（拼趣（图片分享社交平台））
研究如何在推荐系统中优化长期用户价值，提出统一的模型无关下游奖励框架，先制定问题并开发离线筛选框架识别相关行为，再提出奖励信号，经实验验证可提升参与度和留存率，已在多页面部署。
2026-08-25 cs.IR cs.LG
VisMaker: a Question-Oriented Visualization Recommender System for Data Exploration
数据生产的日益快速增长以及随之而来的探索数据以获得最多样化问题的答案的需求促进了工具的开发，以促进数据可视化的操作和构建。然而，构建有用的数据可视化并不是一项微不足道的任务：它可能涉及大量微妙的决策，需要设计人员的经验。在本文中，我们提出了VisMaker，可视化推荐工具，使用一组规则来呈现可视化建议组织和描述通过问题，以促进理解的建议，并协助视觉探索过程。我们进行了两项研究，将我们的工具与Voyager 2进行比较，并分析了工具使用的某些方面。我们收集了参与者的反馈，以确定我们的推荐方法的优点和缺点。因此，我们收集了评论，以帮助改进该领域的工具开发。
2020-02-14 cs.HC cs.IR
Large Memory Network for Recommendation
针对序列推荐中相似用户兴趣难互通及长期兴趣易遗忘的问题，本文提出可扩展至百万规模的 Large Memory Network（LMN），并在抖音电商搜索离线与在线实验中验证其效果且已全面上线。
2025-02-17 cs.IR
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine（加州大学欧文分校）
本文提出ChatDiet框架，通过集成个人因果模型与群体模型并利用LLM编排，实现个性化、可解释且交互式的营养导向食物推荐，在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling
针对推荐系统物品冷启动难题，提出基于transformer的Next-User Retrieval生成式框架，通过建模用户交互序列生成潜在交互用户，结合物品特征提升推荐效果，在抖音实验中获显著指标提升。
2025-06-18 cs.IR
Economic Recommender Systems -- A Systematic Review
该综述系统梳理了经济推荐系统文献，识别133篇论文，分类并评述技术方法、评估方法，指出研究局限与未来方向。
2023-12-21 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型，通过公平感知的映射函数和基于影响函数的重加权方法，在跨域推荐中实现用户群体公平，同时保持推荐准确性。
2023-05-15 cs.IR
CPGRec+: A Balance-oriented Framework for Personalized Video Game Recommendations
Harbin Institute of Technology（哈尔滨工业大学）；School of Computer Science, Wuhan University（武汉大学计算机学院）
本文提出CPGRec+框架，通过引入偏好引导边加权和表示生成模块，解决传统推荐系统在准确率与多样性间的平衡问题，实验表明其在Steam数据集上表现更优。
2026-08-28 cs.AI cs.IR
GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation
Waseda University（早稻田大学）
GenRec通过单解码器架构解决大规模推荐中生成检索的三个挑战，提出Page-wise NTP任务提升梯度信号，采用异构线性Token合并压缩输入，结合GRPO-SR强化学习方法提升用户满意度，实现点击量和交易量分别提升9.5%和8.7%。
2026-04-16 cs.AI cs.IR
ROCS: Request-Oriented Compute Sharing for Efficient Large-Scale Recommendation
Meta AI
本研究提出面向请求的计算共享（ROCS）范式，通过GLM、DCA、IKBO等技术优化推荐模型推理，在公开基准和生产 workload 中均实现效率提升且保持或改善预测质量，已大规模部署应用。
2026-07-31 cs.AI cs.IR cs.LG
In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
Zhejiang University（浙江大学）；OPPO Research Institute（OPPO研究院）
提出In-UCDS框架，通过约束支配集聚类和公平性损失处理，解决推荐系统用户导向公平性问题，并在三个数据集上验证其优于现有方法。
2023-09-04 cs.CY cs.IR cs.LG
C-3PO: Click-sequence-aware DeeP Neural Network (DNN)-based Pop-uPs RecOmmendation
随着移动和可穿戴设备的出现，推送通知成为连接和维护与App用户关系的有力工具，但在错误的时间发送不合适或过多的消息可能会导致App被用户删除。为了保持广告的留存率和投放率，我们采用深度神经网络（DNN）开发了一个基于协同过滤的混合用户行为分析的弹出推荐系统"Click sequence-aware deeP神经网络（DNN）-based Pop-uPs recommendation（C-3PO）"。我们进一步验证了该系统与实际数据收集的产品安全大师，清洁大师和CM浏览器，支持豹移动公司。（猎豹移动台湾机构）。通过这种方式，我们可以准确地了解用户对推送通知/弹出窗口的点击偏好和频率，有效地减少用户的麻烦，同时提高推送通知/弹出窗口的点击率。
2018-12-20 cs.CY cs.HC cs.IR
PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence
University of Technology Sydney（悉尼技术大学）；Rutgers University（罗格斯大学）
针对推荐智能体中长行为序列建模的挑战，提出与智能体无关的LLM-UM框架PersonaX，通过聚类分段、多样化子序列选择、离线多画像生成及推理解耦，仅用30-50%数据提升AgentCF和Agent4Rec性能3-50%。
2025-05-24 cs.AI cs.IR
Federated Continual Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出联邦持续推荐任务FCRec及F3CRec框架，通过客户端自适应回放记忆和服务器逐项时序均值，在保护隐私的同时平衡知识保留与适应，实验证明其优于现有方法。
2025-08-17 cs.IR cs.LG
A Hybrid Recommendation Framework for Enhancing User Engagement in Local News
本文提出一种融合本地与全局偏好模型的混合新闻推荐框架，通过集成策略和多阶段训练提升推荐准确性与覆盖率，并在合成及丹麦数据集上验证其优于单一模型，旨在增强本地新闻用户参与度。
2025-08-27 cs.IR
M-$LLM^3$REC: A Motivation-Aware User-Item Interaction Framework for Enhancing Recommendation Accuracy with LLMs
The University of Sydney（悉尼大学）
本文提出动机感知推荐框架M-LLM^3REC，利用大语言模型从有限交互中提取深层动机信号，通过三个集成模块实现动机驱动建模，显著提升冷启动场景下的推荐准确性。
2025-08-21 cs.AI cs.IR
Redefining POI Popularity: Integrating User Preferences and Recency for Enhanced Recommendations
针对现有兴趣点推荐中流行度建模忽视时间影响的问题，提出融合签到次数、用户数及时间效应的时效性流行度定义，并在真实数据上验证其有效性。
2025-01-21 cs.IR
KuaiSim: A Comprehensive Simulator for Recommender Systems
针对现有推荐系统模拟器在用户反馈、数据一致性和跨系统迁移方面的局限，提出综合模拟器KuaiSim，支持列表推荐、顺序推荐和留存优化三个层次任务，并提供评估基准，验证了其在多数据集上的灵活性与鲁棒性。
2023-10-19 cs.IR
Tailor: Size Recommendations for High-End Fashion Marketplaces
FARFETCH
针对高端时尚市场，提出整合隐式和显式用户信号的序列分类方法，采用 LSTMs 和 Attention 机制构建模型，显著提升了推荐准确率和用户覆盖率，并验证了实时场景下的低延迟可用性。
2024-01-03 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
