What You Like: Generating Explainable Topical Recommendations for Twitter Using Social Annotations
在Twitter上，每天发布超过5亿条推文，Twitter用户很难从大量无聊的帖子中发现有趣的内容。在这项工作中，我们提出了一个新的，可解释的，专题推荐系统，利用社会注释，以帮助Twitter用户发现推文，他们感兴趣的话题。在高容量社交网络中使用传统的依赖于评级的推荐系统（如协作过滤和基于内容的系统）的主要挑战是，由于注意力稀缺，大多数项目得不到任何评级。此外，大多数Twitter用户是被动消费者，44%的用户从不发推文，这使得使用用户评级来生成推荐非常困难。此外，开发推荐系统的一个关键挑战是，在许多情况下，如果用户完全不熟悉推荐项目，他们会拒绝相关的推荐。提供一个合适的解释，为什么该项目被推荐，大大提高了建议的可接受性。由于是一个专题推荐系统，我们的方法是能够产生的建议，目前简单的专题解释。与最先进的基于矩阵分解的协同过滤，基于内容和社会的建议的比较表明所提出的方法的有效性。
2022-12-23 cs.IR
Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务，通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小，以最大化个体满意度，实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Understanding the Effectiveness of Reviews in E-commerce Top-N Recommendation
现代电子商业网站包含不同的信息源，如数字评级、文本评论和图像。这些信息可以用来帮助推荐。通过文本评论，用户明确表达了她对该项目的亲和力。之前的研究发现，通过使用从这些评论中提取的信息，我们可以更好地描述用户的显式偏好以及项目特征，从而提高推荐性能。然而，以往的算法大多只将评论信息用于评分预测等显式反馈问题，而对于top-N推荐等隐式反馈排名问题，评论信息的利用还没有得到充分的研究。针对这一缺陷，本文研究了电子商业环境下文本评论信息对top-N推荐的有效性。我们采用了几个SOTA审查为基础的评级预测模型的前N个推荐任务，并比较它们与现有的前N个推荐模型的性能和效率。我们发现，仅利用评论信息的模型不能获得比香草隐反馈矩阵分解方法更好的性能。当利用评论信息作为正则化子或辅助信息时，隐反馈矩阵分解方法的性能可以进一步提高。然而，最佳的模型结构，利用文本评论的电子商业前N推荐尚未确定。
2021-09-19 cs.IR
TopKGAT: A Top-K Objective-Driven Architecture for Recommendation
Zhejiang University（浙江大学）；Hangzhou City University（杭州城市大学）；CUHK-Shenzhen（香港中文大学（深圳））
TopKGAT是一种基于Top-K目标的推荐系统架构，通过可微近似Top-K指标提升推荐准确性，实验表明其在多个数据集上优于现有方法。
2026-01-26 cs.IR
FAST: A Fairness Assured Service Recommendation Strategy Considering Service Capacity Constraint
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）
过多的客户往往导致服务质量下降。然而，推荐系统忽略了服务的容量限制，这可能导致不满意的推荐。这个问题可以通过限制接收服务推荐的用户数量来解决，但这可能被视为不公平。在本文中，我们提出了一种新的度量Top-N公平性来衡量个人的公平性多轮推荐服务的容量限制。考虑到用户通常只受推荐中排名靠前的项目的影响，Top-N Fairness只考虑由前N个服务组成的子列表。在此基础上，设计了一种公平保证服务推荐策略FAST。FAST调整原有推荐列表，为用户提供推荐结果，保证多轮推荐的长期公平性。从理论上证明了FAST算法的Top-N公平性方差的收敛性。FAST在Yelp数据集和合成数据集上进行了测试。实验结果表明，FAST在保持较高推荐质量的同时，实现了较好的推荐公平性.
2020-12-02 cs.IR cs.LG
Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation
National Taiwan University（国立台湾大学）
针对现有评论模型在Top-N推荐中表现不佳且数据受限的问题，提出AGTM模型，通过结合图卷积网络的高阶连通性与物品文本内容，有效提升了Top-N推荐性能。
2023-05-22 cs.IR cs.LG
The topological face of recommendation: models and application to bias detection
推荐在电子商务和娱乐行业中起着关键作用。我们建议考虑连续推荐给用户的建议图的形式。我们给出了这种表示的模型。出于对算法透明度的日益增长的兴趣，我们提出了这些图的第一个应用程序，即服务提供商引入的推荐偏差的潜在检测。该应用程序依赖于对给定用户的提取图的拓扑结构的分析;我们提出了关于推荐项目的拓扑接近度的推荐一致性的概念（在项目的k-最近邻居的度量下，提醒Watts & Stroggatz的“小世界”模型）。最后，我们在模型和Youtube抓取上说明了这种方法，目标是预测“推荐给你”的链接（即，不管是不是Youtube的）。
2017-04-28 cs.CY cs.IR cs.SI
Top-N Recommendation with Novel Rank Approximation
Southern Illinois University（南伊利诺伊大学）
准确的推荐系统的重要性已经得到学术界和工业界的广泛认可。然而，推荐质量仍然相当低。最近，线性稀疏和低秩表示的用户项矩阵已被应用到产生前N个建议。这种方法使用核范数作为秩函数的凸松弛，并且比最先进的方法实现了更好的推荐准确性。在过去的几年里，利用非凸松弛求解秩最小化问题得到了越来越多的关注。一些实验结果表明，它可以提供一个更好的逼近原问题比凸松弛。在本文中，我们提出了一种新的秩近似，以提高Top-N推荐系统的性能，其中近似误差是可控的。在真实数据上的实验结果表明，该方法显著提高了Top- $N$的推荐准确率.
2016-02-26 cs.AI cs.IR stat.ML
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
Conditioned Variational Autoencoder for top-N item recommendation
University of Padova（帕多瓦大学）
在本文中，我们提出了一个有条件的变分自编码器（C-VAE）的约束top-N项目推荐，其中推荐的项目必须满足一个给定的条件。所提出的模型架构类似于标准VAE，其中条件向量被馈送到编码器中。由于考虑了输入条件的新的重建损失，在训练期间学习受约束的排名。我们表明，我们的模型概括了国家的最先进的多VAE协同过滤模型。此外，我们还提供了关于C-VAE在潜在空间中学习的内容的见解，提供了人性化的解释。实验结果强调了C-VAE在约束条件下提供准确建议的潜力。最后，所进行的分析表明，C-VAE可以用于其他推荐场景，如上下文感知推荐。
2020-05-04 cs.IR cs.LG
Thresholding for Top-k Recommendation with Temporal Dynamics
这项工作的重点是top-k推荐的基础数据分布偏移超时的域。我们建议在现有的推荐引擎上学习每个项目的时间依赖性偏差。这种偏差学习过程在构建引擎时消除了数据稀疏性，同时捕获了在数据中观察到的最近趋势变化。我们提出了一个交替优化框架来解决偏差学习问题，并开发了处理各种常用的推荐评估标准，以及大量的项目和用户在实践中的方法。所提出的算法进行检查，离线和在线，使用从全球最大的零售商收集的真实世界的数据集。实验结果表明，偏见学习几乎总是可以提高推荐性能。我们鼓励其他从业者采用它作为一个标准的组成部分，在推荐系统的时间动态是一个规范。
2015-11-09 cs.IR cs.LG
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类，或者更简洁地说，是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是，组推荐是个性化推荐系统的改造。此外，这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战，研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前，推荐系统应用于电子商务、视频网站、社交网站等领域，给人们的日常生活带来了极大的方便。在推荐系统中，信息的类型越来越多样化和丰富，因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而，由于不同模态之间的表示差距，它是难以有效地使用非结构化的多模态数据，以提高推荐系统的效率。在本文中，我们提出了一个端到端的多模态的与数据相关的项目相似性模型（多模态IRIS）提供建议的多模态数据源的基础上。具体来说，多模式综合注册资讯系统模式包括三个模块，即：多模态特征学习模块、项目相关网络（IRN）模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后，IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后，多模态数据特征学习，IRN和项目相似性推荐模块被统一到一个集成的系统中，以实现性能的增强，并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明，通过处理人们在选择项目时可能更加关注的多模态数据，所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
On Sampling Top-K Recommendation Evaluation
最近，Rendle警告说，使用基于采样的top- $k$指标可能还不够。这使得最近关于基于深度学习的推荐算法以及使用这种度量的经典非深度学习算法的许多研究陷入危险之中。在这项工作中，我们彻底调查的抽样和全球顶级$K$命中率（HR，或召回），最初提出的Koren[2]和广泛使用的其他人之间的关系。通过公式化的问题对齐采样顶部- $k$（$SHR@k$）和全局顶级- $K$（$HR@K$）命中率通过映射函数$f$，使得$SHR@k\approx HR@f(k)$，我们在理论上和实验上证明了采样顶部- $k$命中率提供了其全局（精确）对应物的精确近似，并且可以一致地预测正确的获胜者（与其相应的全局命中率所指示的相同）。
2021-06-20 cs.IR stat.AP
Profiling vs. Time vs. Content: What does Matter for Top-k Publication Recommendation based on Twitter Profiles? - An Extended Technical Report
目前还不清楚基于用户推文的科学出版物推荐系统中的不同因素对推荐性能的影响。我们研究了三个不同的因素，即分析方法，时间衰减和丰富的内容。关于分析，我们比较CF-IDF，取代条款TF-IDF的语义概念，HCF-IDF作为新的层次结构的变体CF-IDF，和主题建模。作为时间衰减函数，我们采用滑动窗口和指数衰减。在内容的丰富性方面，我们比较了使用全文和出版物标题的建议和仅使用标题的建议。总的来说，这三个因素构成了十二种推荐策略。我们对123名参与者进行了一项在线实验，并在组内设计中比较了这些策略。最好的建议是通过结合CF-IDF，滑动窗口，并与全文的策略。然而，使用新的HCF-IDF分析方法的策略仅使用出版物的标题就可以获得类似的结果。因此，HCF-IDF可以在只有短而稀疏的数据时提出建议。
2016-04-18 cs.DL cs.IR
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中，基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能，如评分预测的均方根误差和top-N推荐的命中率，其中用户的反馈被认为是真实的。然而，在现实世界的应用中，用户的反馈可能被不完美的用户行为，即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中，为了解决上述问题，我们提出了一个通用的基于神经网络的推荐模型，提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡，并详细说明了如何取得平衡。具体来说，我们在协作自动编码器上实现了我们的方法，然后在三个公共数据集上进行了实验：MovieLens-1 M，Ciao和FilmTrust。我们表明，我们的方法优于竞争激烈的国家的最先进的推荐方法。此外，我们对噪声的影响，以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改，我们的对抗性训练框架可以应用于许多基于神经网络的模型，这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage
用于top-N推荐的标准协同过滤方法偏向于热门项目。因此，他们推荐用户可能知道的项目，并代表长尾项目。这是不够的，既为消费者谁喜欢新颖的项目，因为集中在流行的项目覆盖率低的项目空间，而高项目空间覆盖率增加供应商的收入。我们提出了一种方法，依赖于历史评级数据来学习用户长尾新奇的喜好。我们将这些偏好整合到一个通用的重新排名框架中，该框架可以在准确性和覆盖率之间实现自定义平衡。我们经验验证，我们提出的框架增加了建议的新颖性。此外，通过向正确的用户群推广长尾项目，我们显着增加了系统的覆盖率，同时可扩展地保持准确性。我们的框架还支持现有非个性化算法的个性化，使其在关键性能指标（包括准确性和覆盖率）方面与现有个性化算法竞争。
2018-03-01 cs.IR
Topic-Enhanced Memory Networks for Personalised Point-of-Interest Recommendation
University of Cambridge（剑桥大学）；Tencent Inc.（腾讯公司）
兴趣点推荐系统通过向用户推荐未知兴趣点而在人们的生活中发挥着重要作用，引起了学术界和工业界的广泛关注。尽管他们的价值，但是，他们仍然遭受的挑战，捕捉复杂的用户偏好和细粒度的用户-兴趣点关系的时空敏感的兴趣点推荐。现有的推荐算法，包括浅层和深层的方法，通常嵌入到一个单一的潜在向量的访问记录的用户的偏好模型：这具有有限的能力表示和解释。在本文中，我们提出了一种新的主题增强的记忆网络（TEMN），一个深度的架构集成的主题模型和记忆网络的优势，利用全球结构的潜在模式和本地邻域为基础的功能，在一个非线性的方式。我们进一步纳入了地理模块，利用用户特定的空间偏好和POI特定的空间影响，以提高建议。所提出的统一混合模型可广泛应用于各种兴趣点推荐场景。在真实世界的微信数据集上进行的大量实验证明了其有效性（上下文感知推荐和顺序推荐的改进率分别为3.25%和29.95%）。此外，定性分析的关注权重和主题建模提供了洞察模型的推荐过程和结果。
2019-05-19 cs.IR cs.LG stat.ML
Curriculum Pre-Training Heterogeneous Subgraph Transformer for Top-$N$ Recommendation
由于数据异构建模的灵活性，异构信息网络（HIN）已经被采用来表征被称为\emph{HIN-based recommendation}的顶级$N$推荐系统中的复杂和异构辅助数据。HIN的特点是复杂的，异构的数据关系，包含各种信息，可能不相关的推荐任务。因此，有效地利用来自HIN的有用信息来提高推荐性能是具有挑战性的。为了解决上述问题，我们提出了一个基于课程预训练的异构子图Transformer（称为\emph{CHEST}）与新的\emph{data characterization}，\emph{representation model}和\emph{learning algorithm}。具体来说，我们考虑从HIN中提取有用的信息来组成特定于交互的异构子图，包含足够的和相关的上下文信息用于推荐。然后，我们通过一个异构的子图Transformer，在那里我们编码的子图与多槽序列表示的子图中捕获丰富的语义（\eg图结构和路径语义）。此外，我们设计了一个课程预训练策略，提供了一个初级到高级的学习过程，我们顺利地转移基本语义HIN建模用户-项目交互关系。在三个真实世界的数据集上进行的大量实验表明，我们提出的方法优于一些有竞争力的基线，特别是当只有有限的训练数据。
2021-06-12 cs.IR
Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR cs.LG
Mining top-k granular association rules for recommendation
推荐系统对电子商务公司和研究人员都很重要。最近，粒度关联规则已被提出用于冷启动推荐。然而，现有的方法仅保留全局强规则，因此一些用户可能根本没有收到任何推荐。在本文中，我们提出了挖掘每个用户的top-k粒度关联规则。首先，我们定义了三个粒度关联规则的措施。这些是测量用户粒度的源覆盖率，测量项目粒度的目标覆盖率，以及测量关联强度的置信度。通过置信度度量，可以根据规则的强度对其进行排名。然后，我们提出了算法，用于训练推荐和建议项目给每个用户。实验进行了公开的数据集MovieLens。结果表明，合理的粒度设置可以避免过度拟合，同时有助于获得较高的推荐准确率。
2013-05-21 cs.IR
A Novel Evaluation Perspective on GNNs-based Recommender Systems through the Topology of the User-Item Graph
本文提出从用户-物品图拓扑角度评估GNNs推荐系统，通过采样构建1800个数据集，发现图拓扑与模型性能强相关，提供新评估视角。
2024-08-21 cs.IR
Candidate Set Sampling for Evaluating Top-N Recommendation
本文研究离线Top-N推荐评估中候选集采样策略与流行度偏差的交互，并通过仿真验证采样候选集能否降低指标估计偏差。
2023-09-21 cs.IR
Candidate Generation with Binary Codes for Large-Scale Top-N Recommendation
从大型语料库中生成前N个推荐对于大规模执行来说是计算昂贵的。在工业环境中，通常采用基于候选生成和重新排序的方法来缓解效率问题。然而，仍有待充分研究如何以及这些计划近似完整的排名（或需要多少候选人才能实现良好的近似），或开发系统的方法来有效地产生高质量的候选人。在本文中，我们试图调查这些问题，通过提出一个基于候选生成和重新排名的框架（CIGAR），它首先学习一个偏好保持二进制嵌入构建一个哈希表检索候选人，然后学习重新排名的候选人使用实值排名模型与面向候选人的目标。我们对由数百万用户/项目和数亿交互组成的几个大规模真实数据集进行了全面的研究。我们的研究结果表明，CIGAR显着提高了Top-N的准确性，对国家的最先进的推荐模型，同时减少查询时间的数量级。我们希望这项工作可以引起更多的关注，在推荐系统中的候选生成问题。
2019-09-12 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
Towards Fair and Rigorous Evaluations: Hyperparameter Optimization for Top-N Recommendation Task with Implicit Feedback
Shanghai University of Finance and Economics（上海财经大学）；Singapore University of Technology and Design（新加坡科技设计大学）
针对推荐模型超参数调优难、结果可复现性不足的问题，本文提出公平比较的研究方法，用七种超参数搜索算法在三个数据集上优化六种Top-N隐式推荐算法，找出适配的最优搜索算法，为推荐系统研究提供公平比较基础。
2024-08-14 cs.IR cs.LG
Local Popularity and Time in top-N Recommendation
在推荐算法中，项目流行度是一个强信号。它强烈影响协同过滤方法，并且已被证明是结果准确性方面的一个非常好的基线。即使我们错过了一个真正的个性化，全球流行度可以有效地用于向用户推荐项目。在本文中，我们介绍了一个时间感知的个性化流行推荐系统的想法，考虑两个项目之间的邻居的流行度，以及它如何随着时间的推移而变化。实验评估表明，所提出的方法相比，最先进的基于模型的协作方法，在结果的准确性方面具有很强的竞争力的行为。
2019-07-04 cs.IR
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University（西安交通大学）
top-k推荐是推荐系统中的一项基本任务，通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题，近年来受到了越来越多的关注，我们发现它非常适合于top-k推荐。然而，CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面，合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面，在稀疏数据集中，正项很少，因此应该强调它们的重要性。此外，另一个重要的问题是，稀疏的积极项目仍然没有充分利用的建议。因此，我们提出了一种新的数据增强方法，使用多个正项目（或样本）同时与CL损失函数。因此，我们提出了一种基于多样本的对比损失（MSCL）函数，通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络（GCN）方法，实验结果验证了MSCL的先进性能。所提出的MSCL方法简单，适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
LLM-as-a-Judge for Reliable and Explainable Offline Evaluation in Top-K Recommendation
City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）；Xiamen University（厦门大学）
针对离线评估中反馈偏差和缺乏解释的问题，提出基于LLM的语义代理和推理评分框架，提升评估可靠性与可解释性。
2026-06-23 cs.IR
Autoregressive Generation Strategies for Top-K Sequential Recommendations
Sber AI Lab（Sber AI实验室）；Skoltech, HSE University（斯克里普钦科技大学，俄罗斯联邦经济大学）
本文研究生成式Transformer在Top-K序列推荐中的应用，提出基于温度采样与多序列聚合的RRA和RA策略，在多个数据集上验证其在较长时间范围内优于传统Top-K预测和单序列自回归生成方法。
2024-09-26 cs.IR cs.LG
A Large-Scale Rich Context Query and Recommendation Dataset in Online Knowledge-Sharing
数据在机器学习研究中起着至关重要的作用。在推荐研究中，用户行为和边信息都有助于对用户进行建模。因此，具有丰富用户行为的大规模真实场景数据集将做出很大贡献。然而，要获得这样的数据集并不容易，因为它们中的大多数只由公司持有和保护。本文提出了一个新的大规模数据集，该数据集收集自一个知识共享平台，由10天内收集的约1亿次交互、798 K用户、165 K问题、554 K答案、240 K作者、70 K主题和超过501 K用户查询关键字组成。还有对用户、答案、问题、作者和主题的描述，这些都是匿名的。请注意，每个用户的最新查询关键字尚未包含在以前的开放数据集中，这些数据集揭示了用户的明确信息需求。我们的数据集的特点，并展示其潜在的应用推荐研究。实验结果表明，该数据集可用于评价一般的top-N推荐算法、顺序推荐算法和上下文感知推荐算法。该数据集还可以用于集成搜索和推荐以及带有负面反馈的推荐。此外，推荐之外的任务，如用户性别预测，最有价值的回答者识别和高质量答案识别，也可以使用该数据集。据我们所知，这是用于个性化推荐的最大的真实交互数据集。
2021-06-11 cs.IR
B-Rank: A top N Recommendation Algorithm
本文提出了一种有效的推荐系统排序算法B-Rank。B-Rank基于超图上的随机游走模型。根据不同的设置，B-Rank在精度、召回率（19% - 50%）和列表间多样性（20% - 60%）方面优于其他最先进的算法。B-Rank很好地捕捉了流行和利基对象之间的差异。该算法产生非常有前途的结果稀疏和密集的投票矩阵。此外，一个推荐列表更新算法，以应付新的投票。该技术显著降低了计算复杂度。该算法实现简单，因为B-秩不需要参数调整。
2012-04-30 cs.IR physics.data-an
GAPfm: Optimal Top-N Recommendations for Graded Relevance Domains
推荐系统经常被用于用户以分级判断的形式表达其偏好的领域，例如评级。如果要为这种分级的相关性域生成准确的前N个推荐列表，则直接生成推荐项目的排名列表而不是预测评级是至关重要的。目前的技术选择两个次优的方法之一：要么他们优化的二进制度量，如平均精度，丢弃相关等级的信息，或者他们优化的归一化贴现累积增益（NDCG），忽略了一个项目的贡献更高排名的项目的相关性的依赖。在本文中，我们提出了分级平均精度因子模型（GAPfm），一个潜在的因素模型，特别适合于在域的前N推荐的问题，分级相关数据的现有方法的缺点。该模型优化了分级平均精度，这是最近提出的一个度量标准，用于评估分级相关性的排名结果列表的质量。GAPfm通过直接优化GAP的平滑近似来学习潜在因子模型。GAPfm的优势有两个方面：它保持了关于分级相关性的全部信息，并解决了优化NDCG的模型的局限性。实验结果表明，GAPfm实现了显着的改善上的前N推荐任务，相比几个国家的最先进的方法。为了确保GAPfm能够扩展到非常大的数据集，我们提出了一个快速的学习算法，使用自适应的项目选择策略。最后的实验表明，GAPfm不仅对生成推荐列表有用，而且对给定的评级项目列表也有用。
2013-07-15 cs.IR
Integrating Topic Models and Latent Factors for Recommendation
目前，在各种网络应用中，存在着大量的在线项目，这使得建立有效的个性化推荐系统，以节省用户的信息搜索的努力成为一个重要的任务。协同过滤（CF）技术是目前应用最广泛、最成功的个性化推荐方法之一，它根据用户的历史选择以及其他用户的历史选择进行推荐。最流行的CF方法，如潜在因素模型（LFM），是通过理解用户意见的隐藏维度或因素来建模用户如何评估项目。如何对这些隐藏因素进行建模是提高推荐系统性能的关键。在这项工作中，我们考虑的旅游规划服务的酒店推荐问题，通过整合的位置信息和用户的推荐偏好。直觉是，用户偏好可以在不同的位置上动态地改变，因此将用户的历史决策视为静态的或普遍适用的在现实世界的应用中可能是不可行的。例如，用户在商务旅行时可能更喜欢具有标准配置的连锁品牌酒店，而在娱乐旅行时他们可能更喜欢独特的本地酒店。在本文中，我们的目标是提供旅行级个性化的用户推荐。
2021-12-28 cs.AI cs.IR
A general graph-based framework for top-N recommendation using content, temporal and trust information
Université de Yaoundé I（雅温得第一大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；IRD（法国国家发展研究院）
在许多电子商务平台中，向用户推荐合适的商品是至关重要的，这些平台包含用户的浏览、购买和流媒体历史等隐式数据。一种常见的方法是针对给定的N个项目，选择与每个用户最相关的N个项目，这被称为前N个推荐。为此，推荐系统依赖于各种信息，如项目和用户特征，用户对项目的过去兴趣，浏览历史和用户之间的信任。然而，它们通常只使用一两条这样的信息，这限制了它们的性能。在本文中，我们设计并实现了GraFC 2 T2，一个通用的基于图的框架，可以轻松地组合和比较各种边信息的前N推荐。它将基于内容的特征、时间和信任信息编码到一个复杂的图中，并在这个图上使用个性化的PageRank来执行推荐。我们在Epperly和Ciao数据集上进行了实验，并将使用F1分数，命中率和MAP评估指标获得的性能与基于矩阵分解和深度学习的系统进行了比较。这表明，我们的框架是方便这样的探索，并结合不同种类的信息确实提高了一般的建议。
2019-05-06 cs.IR cs.LG stat.ML
Top-N recommendations in the presence of sparsity: An NCD-based approach
University of Patras（帕特雷大学）
在稀疏性的存在下进行推荐是协同过滤方法面临的最具挑战性的问题之一。在这项工作中，我们解决这个问题，利用项目空间的内在层次结构的方法，受分解理论的启发。我们认为项目空间作为一个几乎可分解的系统，我们定义块密切相关的元素和相应的间接邻近组件。我们研究的理论性质的分解，我们推导出充分的条件，保证充分的项目空间覆盖，即使在冷启动推荐方案。在MovieLens和Yahoo！R2 Music数据集使用几个广泛应用的性能指标，支持我们模型的理论预测属性，并验证NCDREC在推荐准确性，多样性和稀疏性不敏感性方面优于几种最先进的算法。
2015-07-07 cs.AI cs.IR stat.ML
Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations
Delhi Technological University（德里理工大学）
在过去的几十年里，电子商务领域的快速发展导致了对个性化，高效和动态推荐系统的迫切需求。为了充分满足这一需求，我们提出了一种新的方法，通过创建一个集成的聚类与强化学习来生成前k推荐。我们采用了DB扫描集群来处理巨大的项目空间，从而提高了效率。此外，通过使用深度上下文强化学习，我们提出的工作充分利用了用户特征。通过部分更新和批量更新，模型可以不断学习用户模式。基于Duelling Bandit的探索由于其自适应性质而与最先进的策略相比提供了稳健的探索。在公共数据集上进行的详细实验验证了我们关于我们的技术与现有技术相比的效率的说法。
2020-11-29 cs.AI cs.IR cs.LG
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站，如Facebook，YouTube，Lastfm等，已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中，我们感兴趣的是研究社会网络信息的有效性，以预测用户的评分项目。提出了一种新的分层贝叶斯模型，它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息，以及它们的重要性，协同过滤的训练数据。在两个大规模数据集上的实验结果表明，该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解，即社交圈对人们关于信息有用性的决定有更大的影响（例如，对美味的书签偏好）而不是个人品味（例如，在Lastfm上的音乐偏好）。我们还研究和讨论了潜在的信息泄漏的解决方案，在许多推荐系统，利用社会信息。
2012-06-18 cs.IR cs.SI
An LLM-Powered Semantic Alignment Framework for Journal Recommendation
Central University of Finance and Economics（中央财经大学）；Peking University（北京大学）
提出一种基于大语言模型的语义对齐框架，将期刊推荐转化为稿件内容与期刊范围描述之间的语义匹配问题，无需训练即可实现高效推荐。
2026-06-29 cs.IR stat.AP
RecRankerEval: A Flexible and Extensible Framework for Top-k LLM-based Recommendation
针对RecRanker核心组件贡献未充分探索的问题，本研究复现其 pipeline 并分析各组件影响，提出覆盖五个关键维度的RecRankerEval评估框架，可复现原模型部分数据集结果并验证优化组件能提升性能。
2025-07-08 cs.IR
GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
Nanyang Technological University（南洋理工大学）；Chongqing University（重庆大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）
基于图的推荐模型对于top-N推荐系统工作得很好，因为它们能够捕捉实体之间的潜在关系。然而，现有的方法大多只构建了一个单一的全局项目图的所有用户共享和遗憾的是，忽略了不同的用户组之间的不同口味。受局部推荐模型成功的启发，本文首次尝试研究多个局部项图以及基于图的推荐模型的全局项图。我们认为，全球和局部图上的推荐优于一个单一的全球图或多个局部图。具体来说，我们提出了一种新的基于图的推荐模型名为GLIMG（全球和本地IteM图），它同时捕捉全球和本地用户的口味。通过将全局图和局部图集成到自适应半监督学习模型中，用户对项目的偏好在全局和局部传播。在真实数据集上的大量实验结果表明，我们提出的方法在前N个推荐任务上始终优于最先进的同行。
2021-08-11 cs.IR cs.LG
RecPrompt: A Self-tuning Prompting Framework for News Recommendation Using Large Language Models
本文提出首个面向新闻推荐的自调优提示框架 RecPrompt，结合提示优化器迭代改进推荐，并引入 TopicScore 评估可解释性，实验证明其多项指标优于深度神经模型。
2024-10-22 cs.IR
Calibrating the Predictions for Top-N Recommendations
FUJIFILM（富士胶片）
针对推荐系统Top-N项目预测失准问题，提出按排名分组并使用依赖排名训练权重优化各组校准模型的通用方法，在显式和隐式反馈数据集上验证了其有效性。
2024-08-21 cs.IR cs.LG
A Differentiable Ranking Metric Using Relaxed Sorting Operation for Top-K Recommender Systems
Sungkyunkwan University（成均馆大学）
推荐系统通过计算项目的偏好分数、根据分数对项目进行排序以及过滤具有高分数的前K个项目来为用户生成个性化推荐。虽然对项目进行排序和排名是这个推荐过程不可或缺的一部分，但将它们纳入端到端模型训练的过程并非易事，因为排序是不可微的，并且难以用梯度下降进行优化。这导致了现有的学习目标和排名指标之间的不一致性问题。在这项工作中，我们提出了DRM（微分排名度量），减轻了不一致性，并通过采用微分放松排名度量，提高推荐性能。通过与几个真实世界的数据集的实验，我们证明了DRM目标的联合学习现有的基于因子的推荐器显着提高了推荐的质量，与其他国家的最先进的推荐方法相比。
2020-12-05 cs.AI cs.IR
Fifty Shades of Ratings: How to Benefit from a Negative Feedback in Top-N Recommendations Tasks
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Institute of Numerical Mathematics of the Russian Academy of Sciences（俄罗斯科学院数值数学研究所）
传统的协同过滤技术将前n个推荐问题视为生成最相关项目列表的任务。然而，这种提法忽视了一个相反的方面-避免提出完全不相关的建议。由于这种偏见，标准算法以及常用的评估指标对负反馈变得不敏感。为了解决这个问题，我们建议把用户反馈作为一个分类变量，并在三元的方式与用户和项目的模型。我们采用了三阶张量分解技术，并实现了更高阶的折叠方法来支持在线推荐。该方法是同样敏感的用户评级的整个频谱，并能够准确地预测相关项目，甚至从一个负面的反馈。我们的方法可以部分地消除复杂的评级启发过程的需要，因为它提供了个性化的建议，从一开始的互动与推荐系统。我们还提出了一个修改的标准度量，这有助于揭示不必要的偏见和帐户的敏感性的负面反馈。我们的模型在标准推荐任务中达到了最先进的质量，同时在冷启动“无正反馈”场景中显着优于其他方法。
2016-07-14 cs.IR cs.LG stat.ML
Modeling User Behaviour in Research Paper Recommendation System
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
在推荐系统的设计中，用户意图往往是动态变化的，它被认为是对用户建模的一个重要因素。最近的研究开始关注预测用户意图（用户想要什么），而不是用户偏好（用户喜欢什么）。在这项工作中，用户意图模型提出了基于深度顺序主题分析。该模型根据感兴趣的主题预测用户的意图。提出了一种由潜在狄利克雷分配（LDA）和Word2Vec组成的混合主题模型（HTM），用于获取用户感兴趣的主题和偏好历史。HTM发现真实的论文主题估计词的主题分布，其中包括句法和语义之间的相关性的话。接下来，为了对用户意图进行建模，提出了基于长短期记忆（LSTM）的顺序深度学习模型。该模型考虑了时间上下文，即用户看到的两个连续文件的点击之间的时间差。对真实世界研究论文数据集的大量实验表明，所提出的方法显着优于最先进的方法。此外，所提出的方法引入了一个新的路线图来模拟用户活动适合的研究论文推荐系统的设计。
2021-07-16 cs.IR cs.LG
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
Top-N Recommendation with Counterfactual User Preference Simulation
University College London（伦敦大学学院）；Noah’s Ark Lab, Huawei（华为诺亚方舟实验室）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京大数据管理与分析方法重点实验室）
Top-N推荐是一种基于用户偏好排序的推荐方法，在许多应用中一直是一个基本问题。传统模型通常通过基于不同假设设计复杂或定制的架构来激励自己。然而，推荐系统的训练数据可能是非常稀疏和不平衡的，这对提高推荐性能提出了很大的挑战。为了缓解这个问题，在本文中，我们建议重新制定的因果推理框架内的推荐任务，这使我们能够反事实地模拟用户排名为基础的偏好来处理数据稀缺的问题。我们模型的核心在于反事实问题：“如果推荐的商品不同，用户会怎么做？".为了回答这个问题，我们首先制定了一系列的结构方程模型（SEM），其参数的基础上观察到的数据进行优化的推荐过程。然后，我们主动指示许多未记录在数据集中的推荐列表（在因果推理术语中称为干预），并根据学习到的SEM模拟用户反馈以生成新的训练样本。我们设计了一种基于学习的方法来发现更多信息的训练样本，而不是随机干预推荐列表。考虑到学习到的SEM可能并不完美，最后从理论上分析了生成样本数与模型预测误差的关系，并在此基础上设计了一种探试法来控制预测误差带来的负面影响。基于合成和真实世界的数据集进行了大量的实验，以证明我们的框架的有效性。
2021-09-13 cs.AI cs.IR
Top-N Recommendation on Graphs
Southern Illinois University（南伊利诺伊大学）
推荐系统在在线应用中扮演着越来越重要的角色，帮助用户找到他们需要或喜欢的东西。当矩阵稀疏时，通过分析用户-项目评级矩阵来生成预测的协同过滤算法表现不佳。为了缓解这个问题，本文提出了一个简单的推荐算法，充分利用用户和项目之间的相似性信息和用户-项目矩阵的内在结构信息。该方法构造了一种新的表示方法，保留了用户-项目评分矩阵中的亲和度和结构信息，然后执行推荐任务。为了捕获关于用户和物品的邻近度信息，构造了两个图。利用流形学习的思想来约束新表示在这些图上是光滑的，从而增强用户和项目的邻近性。我们的模型是作为一个凸优化问题，我们只需要解决著名的西尔维斯特方程。我们在六个基准数据集上进行了广泛的实证评估，以显示这种方法的有效性。
2016-09-27 cs.AI cs.IR
Boolean kernels for collaborative filtering in top-N item recommendation
University of Padova（帕多瓦大学）
在许多个性化推荐问题中，可用数据仅由用户和项目之间的积极交互（隐式反馈）组成。这个问题也被称为单类协同过滤（OC-CF）。线性模型通常在OC-CF问题上实现最先进的性能，并且已经投入了许多努力来构建能够改进推荐的更具表达力和复杂的表示。最近的分析表明，协同过滤（CF）数据集具有独特的特点，如高稀疏性和长尾分布的评级。在本文中，我们提出了一个布尔内核，称为析取内核，这是表达比线性的，但它能够减轻稀疏CF上下文中的问题。该核的嵌入由输入变量的某个元数d的所有组合组成，并且这些组合特征在语义上被解释为输入变量的析取。在多个CF数据集上的实验表明了该核函数的有效性和高效性。
2017-07-18 cs.AI cs.IR
Using Affective Features from Media Content Metadata for Better Movie Recommendations
本文通过用户的情感特征来研究电影推荐决策中的因果关系。本文提出了一种通过自动检测电影概述中的情感特征来为电影分配情感标签的方法。我们采用一个基于文本的情感检测和识别模型，该模型通过tweet短消息进行训练，并将学习到的模型转移到检测电影概述的隐含情感特征。我们对情感电影标签进行矢量化，以表示电影的情绪嵌入。我们通过对用户观看过的所有电影的情感向量取平均值来获得用户的情感特征。我们应用五个距离度量来对用户的情感简档对Top-N电影推荐进行排名。我们发现余弦相似性距离度量比其他距离度量方法表现得更好。我们的结论是，通过用余弦相似性距离度量的重新排序的推荐列表替换推荐器生成的前N个推荐，用户将有效地获得情感感知的前N个推荐，同时使推荐器感觉像情感感知的推荐器。
2021-02-10 cs.IR
RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k Recommendation
本文提出RecRanker，通过自适应采样高质量训练数据、位置平移策略及融合传统推荐信号增强提示，并以逐点、逐对、逐列表三种排序任务的混合排序方法微调大语言模型，提升Top-k推荐性能。
2024-03-31 cs.IR
