A Complex Network Approach for Collaborative Recommendation
协同过滤（CF）是个性化服务推荐中使用最广泛和最成功的方法。在协同推荐方法中，基于邻域的方法由于其简单性、可扩展性、高效性和稳定性而受到广泛的欢迎。基于邻域的协同过滤方法找到K个最近的邻居到一个活跃的用户或K个最相似的评价项目的目标项目的推荐。传统的相似性度量使用共同评级项目的评级来找到一对用户之间的相似性。因此，传统的相似性度量不能计算有效的邻居在稀疏数据集。在本文中，我们提出了一个两阶段的方法，在第一阶段使用传统的相似性度量生成用户-用户和项目-项目网络。在第二阶段，引入了两种混合方法HB 1，HB 2，它们利用网络的结构相似性来找到K个最近邻居和K个与目标项最相似的项。为了显示措施的有效性，我们比较了性能的邻域为基础的CF使用国家的最先进的相似性措施与我们提出的结构相似性措施为基础的CF。一组真实数据的推荐结果表明，建议的措施为基础的CF在各种评价指标优于现有的措施为基础的CF。
2015-10-02 cs.IR
Auto-detecting groups based on textual similarity for group recommendations
通常，推荐系统被设计为向用户提供个性化的项目。但在少数情况下，项目是为一个组推荐的，挑战是聚合各个用户的偏好来推断对一个组的推荐。考虑群组成员之间特征的相似性以生成更好的推荐也很重要。自动识别的群体的成员将具有相似的特征，在这种情况下，通过决策过程达成共识是可取的。它需要用户项目和他们的评级互动超过一个实用程序矩阵，以自动检测组的建议。我们不能忽视其他内在的信息来形成一个群体。文本信息在用户聚类中也起着举足轻重的作用。在本文中，我们自动检测组的基础上的文本相似性的元数据（审查文本）。我们在模型中考虑了用户偏好的顺序。我们在两个真实世界的数据集上进行了广泛的实验，以检查所提出的模型的有效性。我们还与基线模型进行了竞争性比较，以显示建议质量的改善。
2021-07-15 cs.IR
The importance of being dissimilar in Recommendation
相似性度量在基于记忆的最近邻方法中起着重要作用。它们基于邻近区域中的物品或用户的相似性向用户推荐物品。在本文中，我们认为，虽然它保持了领先的重要性，在计算建议，用户或项目之间的相似性应该配对的值相异性（计算不只是作为互补的相似性之一）。我们正式建模，并注入这个概念在一些最常用的相似性措施，并评估我们的方法显示其有效性的准确性结果。
2019-07-04 cs.IR
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University（世宗大学）
针对序列推荐系统，提出SimDiffRec，利用物品嵌入向量相似性生成语义一致噪声，依高置信度选增强位置，结合对比学习提升训练效率与推荐性能，实验表明其优于基线模型。
2026-07-07 cs.IR
SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity
针对序列推荐的冷启动问题，提出融合物品相似度的SimRec方法，通过定制损失函数在不增加模型参数和推理耗时的前提下提升推荐效果，在稀疏数据集和稀有物品场景下表现显著优于基线模型。
2024-10-29 cs.IR
Fusing Similarity Models with Markov Chains for Sparse Sequential Recommendation
个性化序列行为预测是推荐系统的一个关键任务。为了预测用户动作，例如要购买的下一个产品、要观看的电影或要访问的地方，必须考虑长期用户偏好和顺序模式（即，短期动态）。矩阵分解和马尔可夫链方法已经成为两个独立但强大的范式，分别为这两个建模。结合这些想法，导致了统一的方法，同时适应长期和短期的动态建模成对用户项目和项目项目的相互作用。尽管这些方法在处理密集数据方面取得了成功，但它们受到稀疏性问题的挑战，稀疏性问题在现实世界的数据集中很普遍。近年来，基于相似性的方法已经被提出用于（序列未知）项目推荐，在稀疏数据集上取得了令人满意的结果。在本文中，我们提出了这样的方法与马尔可夫链融合，使个性化的顺序推荐。我们在各种大型真实数据集上评估我们的方法Fossil。我们在定量上表明，Fossil优于其他算法，特别是在稀疏数据集上，在定性上表明，它捕获了个性化的动态，并能够提出有意义的建议。
2016-09-28 cs.IR
A Probabilistic View of Neighborhood-based Recommendation Methods
概率图模型是一个优雅的框架，通过对不确定性和逻辑流（条件独立因素）进行建模，来复杂地呈现复杂的现实世界观察结果。在本文中，我们提出了一个概率框架的基于邻域的推荐方法（PNBM），其中相似性被视为一个不可观察的因素。因此，PNBM导致用户偏好的估计，以最大化后验相似性。我们进一步引入了一种新的多层相似性描述符，该描述符在PNBM下建模和学习各种特征的联合影响，并将新框架命名为MPNBM。在真实数据集上的实验结果表明，MPNBM可以非常准确地估计用户偏好。
2017-01-05 cs.IR
A Predict-Then-Optimize Customer Allocation Framework for Online Fund Recommendation
Tencent（腾讯）；McGill University（麦吉尔大学）；Shenzhen Technology University（深圳技术大学）；Shenzhen University（深圳大学）
针对传统推荐在多重约束下基金匹配的缺陷，提出先预测后优化的基金分配框架PTOFA，通过预测预期收益并优化曝光分配实现收益最大化，经真实数据与在线A/B测试验证有效。
2025-03-05 cs.CE cs.IR cs.LG
Interactive Recommendations for Optimal Allocations in Markets with Constraints
University of California, Berkeley（加州大学伯克利分校）；Salesforce Research（赛富时研究院）
推荐系统在市场中起着双重作用：它们帮助用户从一个大的库中选择他们最想要的物品，并帮助将有限数量的物品分配给最想要的用户。尽管在许多现实世界的建议设置的分配能力的限制，一个原则性的方式将它们纳入这些系统的设计一直缺乏。出于这一动机，我们提出了一个互动的框架，系统提供商可以提高质量的建议，用户通过机会主义地探索分配，最大限度地提高用户的奖励和尊重的能力限制，使用适当的定价机制。我们建模的问题作为一个低秩的组合多臂强盗问题的一个实例，选择限制的武器。我们采用了一种综合的方法，使用技术从协同过滤，组合土匪，最优资源分配，提供一个算法，可证明实现次线性遗憾，即$\tilde{\mathcal{O}} ( \sqrt{N M (N+M) RT} )$在$T$轮的问题与$N$用户，$M$项目和排名$R$平均奖励矩阵。对合成数据和真实数据的实证研究也证明了我们方法的有效性和性能。
2022-07-28 cs.GT cs.IR cs.LG
Continuous Online Evaluation of Recommendation Strategies in Social Science Academic Search
GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究机构）
本研究在社会科学学术搜索引擎GESIS Search中，利用STELLA框架实现并比较多种推荐算法，发现语义相似度推荐更受用户偏好，不同信息类型下推荐性能存在差异，为学术搜索推荐的连续评估提供了见解。
2026-07-30 cs.IR
NAIS: Neural Attentive Item Similarity Model for Recommendation
项目到项目协同过滤（Item-to-Item Collaborative Filtering，简称：ITP）基于项目的CF）由于其实时个性化的可解释性和效率，长期以来一直用于在工业环境中构建推荐系统。它将用户的配置文件构建为她的历史交互项目，推荐与用户配置文件相似的新项目。因此，基于项目的CF方法的关键在于项目相似性的估计。早期的方法使用诸如余弦相似性和皮尔逊系数之类的统计度量来估计项目相似性，这些方法不太准确，因为它们缺乏针对推荐任务的定制优化。近年来，一些作品试图从数据中学习项目的相似性，通过表达的相似性作为一个基础模型和估计模型参数，通过优化的解释意识的目标函数。虽然已经做出了广泛的努力，使用浅线性模型学习项目的相似性，有相对较少的工作，探索非线性神经网络模型的项目为基础的CF。在这项工作中，我们提出了一个神经网络模型命名为神经注意项目相似性模型（NAIS）的项目为基础的CF。我们设计NAIS的关键是一个注意力网络，它能够区分用户简档中哪些历史项目对预测更重要。与目前最先进的基于项目的CF方法因子项目相似性模型（FISM）相比，我们的NAIS具有更强的表示能力，只有一些额外的参数所带来的注意力网络。在两个公共基准上的大量实验证明了NAIS的有效性。本文首次尝试为基于项目的CF设计神经网络模型，为神经推荐系统的未来发展开辟了新的研究可能性。
2018-09-19 cs.IR
Personalized recommendation with corrected similarity
个性化推荐引起了跨学科研究的热潮。特别是基于相似度的方法在实际推荐系统中的应用取得了很大的成功。然而，由于单向相似度估计策略的缺陷，使得相似度的计算被显著高估或低估。在本文中，我们解决了这个缺点，利用相互校正的前向和后向相似性估计，并提出了一个新的个性化推荐指数，即，基于相似性的推理（CSI）。通过对四个基准数据集进行广泛的实验，结果显示与这些主流基线相比，CSI有更大的改善。并对CSI指数与主流指数之间的差异进行了详细的分析，以揭示和理解这种差异的根源。
2014-05-16 cs.IR cs.SI physics.soc-ph
Sapling Similarity: a performing and interpretable memory-based tool for recommendation
针对无权重二分网络下传统共同邻居相似度方法仅支持正值、性能弱于模型方法的问题，提出支持负值的Sapling Similarity，构建的SSCF仅含一个超参数，在保证高可解释性的同时实现了可比甚至更优的推荐效果。
2023-05-06 cs.IR
Diffusion-like recommendation with enhanced similarity of objects
在过去的几十年里，多样性和准确性被认为是评价推荐模型的两个重要指标。然而，一个明显的担忧是，过度关注一个度量的模型将使另一个度量处于危险之中，因此同时大幅提高多样性和准确性并不容易。在本文中，我们提出了提高资源分配（RA）相似性的扩散类模型的资源转移方程，通过给一个可调的RA相似性指数，并遍历该指数的值，以达到最佳的推荐结果。通过这种方式，我们可以增加许多不受欢迎对象的推荐分数（分配的资源）。在MovieLens、Netflix和RateYourMusic三个基准数据集上的实验表明，改进后的模型与原模型相比，性能有了显著提高.
2018-10-11 cs.IR cs.SI
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具，在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配（例如，工作推荐），一个重要的问题是推荐是否公平。不公正的推荐不仅不道德，而且损害了推荐人制度本身的长远利益。因此，推荐系统中的公平性问题最近引起了越来越多的关注。然而，由于多个复杂的资源分配过程和各种各样的公平性定义，对推荐中公平性的研究比较分散。为了填补这一空白，我们回顾了在顶级会议/期刊上发表的60多篇论文，包括TOIS，SIGIR和WWW。首先，我们总结了建议中的公平性定义，并提供了几种观点来分类公平性问题。然后，我们回顾了公平性研究中的推荐数据集和测量，并提供了一个详细的分类公平性方法的建议。最后，我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
A novel method for recommendation systems using invasive weed optimization
推荐系统中流行的方法之一是协同过滤（CF）。CF中最重要的一步是选择适当的用户集。为此，相似性度量通常用于计算特定用户与其他用户之间的相似性。本文提出了一种新的入侵杂草优化（IWO）的CF方法，使用用户的上下文来识别重要和有效的用户集。通过使用一个新定义的相似性度量的基础上的评级值和度量值称为信心，所提出的方法计算用户之间的相似性，从而识别和过滤最相似的用户到一个特定的用户。然后使用IWO计算用户的重要度，最后通过识别出的重要用户及其重要度来预测未知的评分。为了评估所提出的方法，几个实验已经进行了两个已知的真实世界的数据集和结果表明，所提出的方法提高了最高15%的最先进的结果在均方根误差（RMSE）和平均绝对误差（MAE）。
2021-06-05 cs.IR
Evaluating Tag Recommendations for E-Book Annotation Using a Semantic Similarity Metric
Know-Center GmbH（知识中心有限公司）；HGV GmbH（HGV有限公司）；Graz University of Technology（格拉茨技术大学）
在本文中，我们提出了我们的工作，以支持出版商和编辑在寻找描述性标签的电子书，通过标签推荐。我们提出了一个混合标签推荐系统的电子书，它利用搜索查询条件从亚马逊用户和电子书元数据，这是由出版商和编辑分配。我们的想法是模仿亚马逊用户的词汇表，他们搜索和评论电子书，并将这些搜索词与编辑器标签结合起来，形成一种混合标签推荐方法。总的来说，我们评估了19个标签推荐算法对亚马逊用户的评论内容，这反映了读者的词汇。我们的研究结果表明，我们可以提高电子书标签推荐系统的性能，无论是关于标签推荐的准确性，多样性，以及一个新的语义相似性度量，我们也提出了在本文中。
2019-08-12 cs.CL cs.IR
A Recommendation Approach based on Similarity-Popularity Models of Complex Networks
King Saud University（沙特国王大学）；College of Computer and Information Sciences（计算机与信息科学学院）
推荐系统已经成为在线服务和商品的提供者和用户的重要工具，特别是随着越来越多地使用互联网来访问信息和购买产品和服务。提出了一种基于相似度-流行度模型的复杂网络推荐方法。我们首先从观察到的评级中构建一个以用户和项目为节点的网络模型，然后用它来预测看不见的评级。使用隐藏度量空间和点积相似性的相似性流行模型产生准确的收视率预测的前景进行了探讨。该方法的实施和实验比较基线和国家的最先进的推荐方法对21个数据集从不同的领域。实验结果表明，该方法产生准确的预测和优于现有的方法。我们还表明，所提出的方法在低维产生优越的结果，证明其有效性的数据可视化和探索。
2022-09-29 cs.IR cs.LG
Beyond Similarity: Relation Embedding with Dual Attentions for Item-based Recommendation
基于项目的协同过滤（ICF）方法由于其有效性和易用性，近年来在工业界得到了广泛的应用。ICF的关键在于项目之间的相似性度量，但它是一个粗粒度的数值，很难从表示学习的角度捕捉用户对项目不同潜在方面的细粒度偏好。在本文中，我们提出了一个名为REDA（潜在关系嵌入与双重注意）的模型来解决这一挑战。REDA本质上是一种基于深度学习的推荐方法，其通过用于项目间关系表示的神经网络结构采用项目关系嵌入方案。然后，一个关系的用户嵌入，提出了通过聚合的关系嵌入之间的所有购买项目的用户，这不仅更好地表征用户的喜好，但也解决了数据稀疏性问题。此外，为了捕获反映用户期望的潜在方面的有效元知识，同时抑制它们向过拟合的爆炸性增长，我们进一步提出了一种双重注意机制，包括记忆注意和权重注意。最后，通过构造项目关系的个性化排序损失，提出了一种基于关系的模型推理优化方法。在真实世界的数据集上进行了大量的实验，所提出的模型大大优于最先进的方法，特别是当数据稀疏时。
2019-11-11 cs.IR
From Task Classification Towards Similarity Measures for Recommendation in Crowdsourcing Systems
Technische Universität Darmstadt（达姆施塔特工业大学）
微任务市场中的任务选择可以由推荐系统支持，以帮助个体找到合适的任务。以前的工作表明，对于微任务的选择过程中的语义方面，如所需的行动和可理解性，被评为更重要的事实方面，如支付或所需的完成时间。这项工作提供了一个基础，以创建这样的相似性措施。因此，我们表明，基于任务描述的自动分类是可能的。此外，我们提出了相似性的措施，根据语义方面聚类微任务。
2017-07-20 cs.CL cs.IR
Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation
针对多模态跨域推荐中多模态信息利用不足、重叠用户稀缺的问题，提出含相似物品探索、协同过滤与重叠用户引导模块的SIEOUG方法，在Amazon数据集上性能超越现有最优模型。
2025-02-22 cs.IR
Collaborative filtering with diffusion-based similarity on tripartite graphs
协同标签在信息系统的组织中发挥着越来越重要的作用。在本文中，我们研究了个性化推荐模型，利用用户，对象和标签之间的三元关系。我们提出了一种基于用户偏好和标签信息的用户相似性度量方法。两种类型的用户之间的相似性计算，通过使用一个基于扩散的过程，然后集成推荐。我们测试了所提出的方法在一个标准的协同过滤框架与三个指标：排名分数，召回率和精度，并证明它比常用的余弦相似性表现得更好。
2009-10-17 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet（圣菲-锥形研究所）
本文提出一种新颖的价值感知推荐方法，同时解决用户-物品数据的高维性和稀疏性问题，并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中，并基于此计算客户相似性，支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
Personalised Travel Recommendation based on Location Co-occurrence
本研究提出基于用户远程区域访问历史的个性化旅行推荐新任务，通过位置访问共现空间的高斯密度估计构建相似度模型，经多尺度评估验证其优于流行度排名，严格排序方法可带来更具惊喜感的推荐。
2011-06-26 cs.IR
GATSY: Graph Attention Network for Music Artist Similarity
本文提出基于图注意力网络和聚类嵌入的推荐系统GATSY，利用图拓扑结构解决艺术家相似度的主观性挑战，实现多样化音乐推荐且性能优于现有方案。
2025-06-26 cs.IR
Semantically Constrained Memory Allocation (SCMA) for Embedding in Efficient Recommendation Systems
Rice University（莱斯大学）
利用基于深度学习的模型来实现推荐系统的最新性能。这些模型的一个关键挑战是处理数百万个分类类或标记。标准的方法是学习每个令牌的端到端、密集的潜在表示或嵌入。由此产生的嵌入需要大量的内存，这些内存随着令牌的数量而膨胀。使用这些模型进行训练和推理会产生存储和内存带宽瓶颈，从而在实际部署时导致显著的计算和能耗。为此，我们提出的问题，\textit{Memory Allocation}根据预算的嵌入，并提出了一种新的配方的内存共享嵌入，其中内存共享的语义信息的重叠成比例。我们的配方承认一个实用和有效的随机化解决方案与局部敏感哈希基于内存分配（LMA）。我们展示了显着减少内存占用，同时保持性能。特别是，我们的LMA嵌入实现了相同的性能相比，标准的嵌入与16 $\times$减少内存占用。此外，在Criteo和Avazu数据集上，LMA在不同的记忆机制中比标准DLRM模型平均提高了0.003 AUC以上
2021-02-24 cs.AI cs.IR cs.LG
Hybrid Movie Recommender System based on Resource Allocation
推荐系统是个性化用户体验的必然选择。他们使用不同的方法根据用户的偏好向他们推荐Top-K项目。推荐系统已经成为大规模数据采掘技术的重要组成部分。本文提出了一种基于资源分配的混合式电影推荐系统（HMRS），以提高推荐的准确性和解决新电影的冷启动问题。HMRS-RA使用自组织映射神经网络将用户聚类成N个簇。用户的偏好根据他们的年龄和性别而不同，因此HMRS-RA是用于解决新电影的冷启动问题的基于内容的方法和除了用户的人口统计信息之外的协同过滤模型的组合。基于MovieLens数据集的实验结果表明，与现有的同类算法相比，HMRS-RA提高了推荐的准确率。
2021-05-25 cs.IR
VI-MMRec: Similarity-Aware Training Cost-free Virtual User-Item Interactions for Multimodal Recommendation
VI-MMRec通过基于相似性感知的虚拟用户-物品交互，解决多模态推荐中的数据稀疏问题，提升模型性能且不增加训练成本。
2025-12-09 cs.IR
Supervised Learning-enhanced Multi-Group Actor Critic for Live Stream Allocation in Feed
Kuaishou Technology（快手科技）
针对直播流分配问题，提出监督学习增强的多组演员-评论家算法（SL-MGAC），通过方差缩减、多组状态分解和新型奖励函数提升稳定性与性能，实验验证其优于基线方法。
2025-05-26 cs.AI cs.IR
Ultra accurate collaborative information filtering via directed user similarity
协同过滤（CF）信息过滤的一个关键挑战是如何在节点推荐的帮助下获得可靠、准确的过滤结果。由于小度用户与大度用户之间的相似度会大于相反方向的相似度，因此传统的二阶CF算法广泛推荐大度用户的选择。通过考虑用户的相似性方向和二阶相关性来抑制主流偏好的影响，针对CF算法精度和多样性的挑战，提出了有向二阶CF（Directed Second-Order CF，HDCF）算法。在MovieLens和Netflix两个基准数据集上的数值实验结果表明，新算法的精度优于现有的CF算法。与文献7中提出的基于随机游走的CF算法相比，MovieLens和Netflix的平均排名得分分别提高了27.3%和19.1%，达到了0.0767和0.0402。此外，分类的多样性、查准率和查全率也得到了很大的提高.在不依赖任何上下文特定信息的情况下，调整CF算法的相似性方向可以获得准确和多样的推荐。这项工作表明，用户的相似性方向是一个重要的因素，以提高个性化推荐性能。
2014-07-24 cs.IR
A vertex similarity index for better personalized recommendation
推荐系统通过预测我们在不同的利基对象中的潜在选择来帮助我们解决信息过载的问题。到目前为止，已经提出了各种个性化推荐算法，其中大多数是基于相似性，如协同过滤和质量扩散。在这里，我们提出了一种新的顶点相似性指数命名为CosRA，它结合了余弦指数和资源分配（RA）指数的优点。通过将CosRA指标应用于MovieLens、Netflix和RYM等真实推荐系统，我们证明了基于CosRA的方法在准确性、多样性和新颖性方面都优于一些基准方法。此外，CosRA指数不含参数，这在实际应用中是一个显著的优势。进一步的实验表明，引入两个可调参数并不能显著提高CosRA指标的整体性能。
2016-10-06 cs.IR physics.data-an
Relative Contrastive Learning for Sequential Recommendation with Similarity-based Positive Pair Selection
DAMO Academy（达摩院）；Shanghai Jiao Tong University（上海交通大学）；Meituan（美团）
本文提出基于相似性正样本选择的序列推荐相对对比学习框架，通过双层正样本选择模块和相对对比学习模块提升推荐模型表现，实验显示在五个公开数据集和一个私有数据集上平均提升4.88%。
2026-04-03 cs.IR
Measuring Item Global Residual Value for Fair Recommendation
本文针对信息流推荐中物品曝光不公及“雪球效应”，提出建模物品级全局剩余价值（GRV），并通过TaFR框架在提升推荐性能的同时实现更公平的资源分配。
2023-07-17 cs.IR
Information filtering via hybridization of similarity preferential diffusion processes
推荐系统是解决在线系统中信息过载问题的最有前途的方法之一。推荐系统可以根据个人历史记录，在巨大的信息空间中为用户找到有趣且相关的对象。许多物理过程，如质量扩散和热传导已被应用到设计的推荐算法。这两种算法的混合已被证明提供准确和多样的推荐结果。本文提出了两个相似的优先扩散过程。在两个基准数据集上的实验分析表明，由于扩散中的相似性偏好，该算法的推荐精度和多样性都得到了提高。的相似性优先扩散过程的杂交显着优于最先进的推荐算法。最后，通过对网络稀疏性的分析，发现稠密系统和稀疏系统之间存在显著的差异，这表明在稀疏系统中，以往文献中关于推荐的所有结论都需要重新审视。
2013-08-31 cs.IR cs.SI physics.soc-ph
Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation
针对联邦推荐中的嵌入偏斜问题，本文提出FedCA模型，通过同时聚合相似客户端和互补客户端来更新已训练与未训练嵌入，并设计统一优化算法联合学习相似性与互补性，实验验证了其有效性。
2024-06-06 cs.CR cs.IR
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
Item-to-item recommendation based on Contextual Fisher Information
Web推荐服务在电子商务中非常重要，因为它们帮助用户浏览与其需求最相关的项目。在一个典型的网站中，用户以前的活动或购买的长期历史记录很少可用。因此，在大多数情况下，浏览器会建议与当前用户会话中最近查看的项目相似的项目。相应的任务称为基于会话的项目到项目推荐。对于频繁出现的项目，很容易通过“查看过此项目的人，也查看过”列表来呈现项目到项目的推荐。然而，大多数项目属于长尾，以前的行动稀疏可用。另一个困难是所谓的冷启动问题，当项目最近出现，还没有时间积累足够数量的交易。为了在稀疏或冷启动情况下推荐会话中的下一个项目，我们还必须结合项目相似性模型。在本文中，我们描述了一个基于随机场的概率相似性模型来近似项到项的转移概率。我们给出了一个生成模型的项目互动的基础上任意的距离措施，包括显式，隐式评级和外部元数据的项目。该模型可以及时改变以更好地拟合最近的事件，并基于更新的Fisher信息推荐下一个项目。在几个不同的性能指标和公开的数据集下，我们的新模型的性能优于简单的相似性基线方法和最近的项目到项目排序。我们达到了显着的收益，特别是推荐一个新的项目后，一个罕见的项目。
2016-11-08 cs.IR
Given Users Recommendations Based on Reviews on Yelp
在我们的项目中，我们专注于基于NLP的混合推荐系统。数据来自Yelp Data。对于我们的混合推荐系统，我们有两个主要组成部分：第一部分是嵌入与BERT模型和word 2 vec模型的评论;第二部分是实现一个基于项目的协同过滤算法，以计算不同类别的餐厅下的每个评论的相似度。最后，在相似度分数的帮助下，我们能够根据用户记录的评论向他们推荐最匹配的餐厅。编码工作分为几个部分：选择样本和数据清洗，处理，嵌入，计算相似性，计算预测和误差。由于数据的大小，每个部分将生成一个或多个JSON文件作为里程碑，以减少内存压力和每个部分之间的通信。
2021-12-03 cs.CL cs.IR
Saec: Similarity-Aware Embedding Compression in Recommendation Systems
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Platform and Content Group, Tencent（腾讯平台与内容业务线）
产品推荐系统依赖于嵌入方法来表示各种特征。实践中的一个阻碍性挑战是，随着特征的数量随着时间的推移而增长，大的嵌入矩阵在服务中引起大量的存储器占用。我们提出了一种相似性感知的嵌入矩阵压缩方法称为Saec来解决这一挑战。Saec将相似的特征聚集在一个字段中，以减少嵌入矩阵的大小。Saec还采用了一种基于特征频率的快速聚类优化方法，大大提高了聚类时间。我们在腾讯的分布式机器学习系统Many上实现并评估了Saec，使用了QQ手机浏览器10天的特征数据。测试床实验表明，Saec将嵌入向量的数量减少了两个数量级，将嵌入大小压缩了约27倍，并提供了相同的AUC和log loss性能。
2019-02-26 cs.IR cs.LG stat.ML
Hybrid recommendation methods in complex networks
我们在这里提出了两个新的推荐方法，基于适当的规范化已经存在的相似性措施，并在凸组合的推荐分数来自用户之间的相似性和对象之间。我们在三个相关的数据集上验证了所提出的措施，并将它们的性能与文献中最近提出的几个推荐系统进行了比较。我们表明，建议的相似性措施，允许实现高达20\%的性能改进，相对于现有的非参数方法，和建议的准确性可以有很大的不同，从一个特定的二分网络到另一个，这表明，仔细选择最合适的方法是高度相关的一个有效的建议在给定的系统。最后，我们研究了网络中随机链接的增加如何影响推荐分数，我们发现这里介绍的两种推荐算法之一可以在嘈杂的数据集中系统地优于其他算法。
2014-12-10 cs.IR cs.SI physics.soc-ph
Causal Inference for Knowledge Graph based Recommendation
知识图谱作为一种辅助信息，被用来补充基于协同过滤的推荐模型。以往的研究大多是通过将项目与知识库中的实体进行映射，从知识库中提取知识信息，并将其注入到用户和项目的表示中。尽管他们的显着的性能，他们未能在KG中的属性建模的用户偏好，因为他们忽略了（1）KG的结构信息可能会阻碍用户偏好学习，（2）用户的交互属性将导致在相似性得分的偏差问题。在因果关系工具的帮助下，我们构建了基于知识生成的推荐中变量之间的因果关系，并找出了导致上述挑战的原因。因此，我们开发了一个新的框架，称为知识图谱的因果推荐（KGCR），它实现了去基础的用户偏好学习，并采用反事实推理，以消除偏见的相似性评分。最终，我们在三个数据集上评估了我们提出的模型，包括Amazon-book，LastFM和Yelp 2018数据集。通过对数据集进行广泛的实验，我们证明了KGCR优于几个最先进的基线，如KGNN-LS，KGAT和KGIN。
2022-12-20 cs.IR
SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
University of Antwerp（安特卫普大学）；University of Helsinki（赫尔辛基大学）
提出SPADE指标，通过二维帕累托前沿距离同时衡量相似度、流行度与用户相关性，在五个数据集上验证其能有效识别真正的惊喜推荐。
2026-09-28 cs.AI cs.IR cs.LG
ElasticRec: A Microservice-based Model Serving Architecture Enabling Elastic Resource Scaling for Recommendation Models
KAIST（韩国科学技术院）；School of Electrical Engineering（电气工程学院）
针对推荐系统按模型分配资源导致利用率低、成本高的问题，提出基于微服务和效用驱动分配的 ElasticRec 架构，实现细粒度弹性扩缩并显著降低部署成本。
2024-06-11 cs.DC cs.IR cs.LG
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota（明尼苏达大学）；Samsung Research America（三星美国研究院）
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时，忽略了项目特征之间的相互作用，将它们独立考虑。对特征之间的交互进行建模可能是有帮助的，因为与独立考虑特征的情况相比，当一起考虑时，一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题，在这项工作中，我们引入了基于搜索的因子分解双线性相似性模型（FBSM），它学习因子分解双线性相似性模型的TOP-n推荐的新项目，给定的信息，用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估，我们发现，所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外，该方法还从数据中学习项目特征之间的有见地的交互作用，从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
Hybrid Transfer in Deep Reinforcement Learning for Ads Allocation
Meituan（美团）
广告分配是指将广告和有机项目分配到Feed中的有限位置，以最大化平台收入为目的，已成为研究热点。请注意，电子商务平台通常有多个入口用于不同的类别，有些入口的访问量很少。来自这些入口的数据覆盖率很低，这使得代理很难学习。为了应对这一挑战，我们提出了基于相似性的广告分配混合传输（SHTAA），它有效地将样本和知识从数据丰富的入口转移到数据贫乏的入口。具体来说，我们定义了一个不确定性感知的相似性MDP估计不同入口的MDP的相似性。基于这种相似性，我们设计了一种混合迁移方法，包括实例迁移和策略迁移，有效地将样本和知识从一个入口转移到另一个入口。在美团外卖平台上进行的线下和线上实验表明，该方法能够在数据贫乏的入口上获得更好的性能，并增加平台的收入。
2022-08-11 cs.IR cs.LG
Feature-level Attentive ICF for Recommendation
基于项目的协同过滤（ICF）具有推荐准确率高、易于在线惩罚等优点，受到工业推荐系统的青睐。ICF基于项目与用户的先前交互的项目的相似性向目标用户推荐项目。近年来，通过应用先进的机器学习技术（例如，深度神经网络）以从数据中学习项目相似性。早期的方法简单地对待所有的历史项目平等和最近提出的方法试图区分不同的历史项目的重要性时，推荐一个目标项目。尽管取得了进展，我们认为，这些ICF模型忽视了用户在采用项目时的不同意图（例如，因为导演、主演或视觉效果而观看电影）。因此，它们无法在更细粒度的水平上估计项目相似性来预测用户对项目的偏好，从而导致次优推荐。在这项工作中，我们提出了一个通用的ICF模型的特征级注意力方法。我们的方法的关键是区分不同的因素的重要性时，计算项目的相似性预测。为了证明我们的方法的有效性，我们设计了一个轻注意力神经网络集成项目级和特征级的注意力神经ICF模型。它与模型无关，易于实现。我们将其应用于两个基线ICF模型，并在六个公共数据集上评估其有效性。大量的实验表明，特征级的注意力增强模型始终优于他们的同行，展示了潜在的差异化用户意图上的特征级的ICF推荐模型。
2021-10-20 cs.IR
BeLightRec: A lightweight recommender system enhanced with BERT
提出BeLightRec轻量级推荐系统，融合协同过滤与BERT语义相似性信号，通过图卷积神经网络优化权重，实现准确推荐并评估各信号贡献。
2025-03-26 cs.IR
Constrained Approximate Similarity Search on Proximity Graph
建立搜索引擎和推荐系统以有效地显示来自这些大量候选者的相关信息。通常，在这些系统中采用三阶段机制：（i）首先通过（例如，）近似近邻搜索算法;（ii）然后对检索到的项目应用一组约束;（iii）采用细粒度排名神经网络来确定最终推荐。我们观察到原始三阶段流水线的一个主要缺陷：虽然我们在最终建议中只针对检索$k$向量，但我们必须为每个查询预设足够大的$s$（$s > k$），并且“确保”过滤后存活的向量数量不小于$k$。即，$s$相似候选中的至少$k$向量满足查询约束。在本文中，我们研究这个受约束的相似性搜索问题，并试图合并的相似性搜索阶段和过滤阶段到一个单一的搜索操作。我们介绍了飞艇，一个系统，集成了用户定义的功能过滤到相似性搜索框架。建议的系统不需要建立额外的索引，也不需要先验知识的查询约束。我们提出了三种优化策略：（1）起点选择，（2）多方向搜索，（3）偏向优先级队列选择。仿真数据和实际数据的实验验证了算法的有效性。在这项研究中，我们专注于基于图的约束近似近邻（ANN）搜索，部分原因是基于图的ANN被称为实现出色的性能。我们相信也有可能开发基于约束哈希的ANN或基于约束量化的ANN。
2022-11-08 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
Improving Recommendation Relevance by simulating User Interest
Salesforce（赛富时）
大多数（如果不是所有的话）在线项目到项目推荐系统依赖于项目之间相似性的距离（排名）的估计。对于在线推荐系统，这种相似性度量的时间敏感性是非常重要的。我们观察到，建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估，我们得出结论，语义推荐系统一般优于传统的推荐系统的准确性，精度和召回率方面，建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
Similar but Different: Exploiting Users' Congruity for Recommendation Systems
社交媒体的广泛使用提供了关于个人在线社交活动及其社会关系的大量数据。大多数现有推荐系统的构建块是具有社会关系的用户之间的相似性，即，朋友虽然友谊确保了一些同质性，但用户与她的朋友的相似性可以随着朋友数量的增加而变化。社会学研究表明，朋友比陌生人更相似，但朋友可能有不同的兴趣。评论和评级等外部信息可能有助于辨别不同程度的一致性（即，相似用户之间的一致性。在本文中，我们研究是否可以将用户的一致性纳入到推荐系统，以提高其性能。实验结果证明了在推荐系统中嵌入一致性相关信息的有效性。
2018-03-16 cs.IR cs.SI
Uniboost: Global Coordination with Value Alignment for Fair and Efficient Traffic Allocation
Taobao \& Tmall Group of Alibaba Hangzhou China；Taobao \& Tmall Group of Alibaba Beijing China；Taobao \& Tmall Group of Alibaba
提出Uniboost统一流量分配框架，通过后验价值对齐机制和独立线性提升范式，解决耦合分配、分数膨胀和可解释性问题，提升流量分配效率和推荐性能。
2026-05-26 cs.AI cs.IR cs.LG
HS-GCN: Hamming Spatial Graph Convolutional Networks for Recommendation
大规模推荐系统的有效解决方案是将用户和项目表示为汉明空间中的二进制哈希码。为此，现有的方法倾向于通过对用户与他们历史上交互的项目的汉明相似性进行建模来对用户进行编码，这些相似性在这项工作中被称为一阶相似性。尽管它们的效率，这些方法遭受次优的代表能力，因为它们放弃了通过连接多个一阶相似性建立的相关性，即，间接实例之间的关系，可以定义为高阶相似度。为了解决这个问题，我们建议通过用户项二分图在汉明空间中建模第一和高阶相似性。因此，我们开发了一种新的学习哈希框架，即汉明空间图卷积网络（HS-GCN），显式建模的汉明相似性，并将其嵌入到用户和项目的代码。在三个公共基准数据集上的大量实验表明，我们提出的模型显着优于几个最先进的哈希模型，并获得与实值推荐模型相当的性能。
2023-01-13 cs.IR
