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
A Consensus-Focused Group Recommender System
在许多情况下，推荐是由用户组而不是个人消费的。在本文中，我们提出了一个系统，建议社会事件的群体。该系统帮助团体组织联合活动，并在几个可能的选项中集体选择要执行的活动。我们还遵循群体共识决策的原则，促进共识的形成。我们的系统允许用户异步投票，添加和评论的替代品。我们通过群体决策过程中的推荐后反馈来观察群体内的社会影响。我们提出了一个决策级联模型，并估计这样的社会影响力，它可以用来提高组推荐的性能。我们进行实验来衡量我们的模型的预测性能。结果表明，该模型比独立决策模型取得了更好的效果。
2014-03-25 cs.HC cs.IR cs.SI
The Unfairness of Popularity Bias in Recommendation
众所周知，推荐系统会受到受欢迎程度偏差问题的困扰：受欢迎的（即经常评级的）项目会得到大量的曝光，而不太受欢迎的项目在推荐中的代表性不足。这一领域的研究主要集中在通过增加推荐长尾项目的数量或整体目录覆盖率来解决这个问题。然而，在本文中，我们从用户的角度来看这个问题：我们想看看流行偏见如何导致推荐偏离用户期望从推荐系统。我们定义了三个不同的用户组，根据他们的兴趣流行的项目（利基，多样化和大片为重点），并显示在每个组的用户的流行偏见的影响。我们在电影数据集上的实验结果表明，在许多推荐算法中，即使用户对长尾和非热门项目感兴趣，但用户获得的推荐也极其集中在热门项目上，表现出极端的偏差差异。
2019-09-19 cs.IR
"This Suits You the Best": Query Focused Comparative Explainable Summarization
Computer Science and Engineering, IIT Bombay, India（计算机科学与工程系，印度班加罗尔理工学院）；Flipkart, India（Flipkart，印度）
本文提出面向查询的比较式可解释摘要生成任务QF-CES，引入MS-Q2P数据集，并利用多源观点摘要作为中间步骤结合大语言模型生成表格化比较摘要，在降低推理延迟的同时实现了与人类判断高度相关的评估效果。
2025-07-07 cs.CL cs.IR
A probabilistic model to resolve diversity-accuracy challenge of recommendation systems
推荐系统在学术界和工业界都有广泛的应用。传统上，推荐系统的性能是通过其精确度来衡量的。通过引入新颖性和多样性作为推荐系统的关键质量，最近越来越多的关注已经集中在这个话题上。推荐的精确性和新颖性不是一个方向，实际系统应该在这两个数量之间做出权衡。因此，推荐系统的一个重要特征是通过调整模型来调整推荐的多样性和准确性。在本文中，我们引入了一个概率结构，以解决在推荐系统的多样性和准确性的困境。我们提出了一个混合模型，可调水平的多样性和精度，这样就可以通过调整一个单一的参数来执行。建议的推荐模型包括两个模型：一个是最大化的准确性和其他一个规范的推荐列表，以用户的口味。我们在两个真实数据集上的实验表明，该模型在解决准确性和多样性的困境和优于其他经典模型的模型的功能。该方法具有较低的计算复杂性和较好的性能，可广泛应用于实际商用系统。
2015-01-08 cs.IR
User Fairness in Recommender Systems
推荐系统中最近的工作集中在推荐的多样性作为推荐质量的一个重要方面。在这项工作中，我们认为，后处理算法的目的只是提高多样性的建议导致歧视的用户之间。我们引入了用户公平性的概念，这在文献中被忽视了，到目前为止，并提出了措施来量化它。我们的实验上的两个多样化算法表明，增加聚合多样性的结果在用户之间的差距增加。
2018-07-17 cs.CY cs.IR
Exploiting Fine-Grained Skip Behaviors for Micro-Video Recommendation
本研究针对微视频推荐中跳过行为建模过于简化的问题，提出双层图和层次排序损失方法，将交互细分为高度正样本、较少正样本和负样本，在两个公开数据集的八项指标上优于传统方法。
2025-04-04 cs.IR
Graph-based Recommendation for Sparse and Heterogeneous User Interactions
针对小型企业数据稀疏问题，提出利用异构用户-内容交互的图推荐模型，并通过遗传算法优化关系权重，在两个真实数据集上较低数据场景方法最高提升7%。
2023-01-26 cs.IR
Inference at Scale Significance Testing for Large Search and Recommendation Experiments
本研究实证检验大规模搜索与推荐实验中显著性检验的适用性，发现Wilcoxon和符号检验在大样本下错误率偏高，建议改用效应量评估结果的实际意义。
2023-05-12 cs.IR
A Semi-Synthetic Dataset Generation Framework for Causal Inference in Recommender Systems
准确的推荐和可靠的解释是现代推荐系统的两个关键问题。然而，大多数推荐基准只关注用户项目评分的预测，而忽略了评分背后的潜在原因。例如，广泛使用的Yahoo！R3数据集包含的关于用户电影评级原因的信息很少。一个解决办法是进行调查，并要求用户提供这类信息。在实践中，用户调查很难避免遵从性问题和稀疏的用户响应，这极大地阻碍了基于感知的推荐的探索。为了更好地支持推荐系统中的因果推理和进一步解释的研究，我们提出了一种新的推荐系统半合成数据生成框架，该框架采用带有缺失的因果图模型来描述实际推荐场景的因果机制.为了说明我们的框架的使用，我们构建了一个半合成的数据集与因果标签和评级（CTAR）的基础上，电影以及他们的描述性标签和评级信息收集从一个著名的电影评级网站。使用所收集的数据和因果图，自动生成用户项目评级及其对应的用户项目标签，其提供用户对项目进行评级的原因（所选标签）。还报告了关于CTAR数据集的描述性统计量和基线结果。建议的数据生成框架不仅限于推荐，而且发布的API可以用于生成其他研究任务的自定义数据集。
2022-02-23 cs.IR
Block based Singular Value Decomposition approach to matrix factorization for recommender systems
University of Hyderabad（海得拉巴大学）；Central University of Rajasthan（拉贾斯坦中央大学）
近年来，随着数据的丰富，在推荐系统领域提出了有趣的挑战。生成具有可扩展性和性能的高质量推荐是当前的需求。基于奇异值分解（SVD）的推荐算法已经被利用来产生更好的结果。在本文中，我们进一步扩展SVD技术的可扩展性和性能的上下文中1）多线程2）多个计算单元（使用图形处理单元）和3）分布式计算。我们提出了基于块的矩阵分解（BMF）与SVD配对。这使我们能够利用SVD而不是基本矩阵分解（MF），同时利用BMF的并行性和可扩展性。我们使用统一计算设备架构（CUDA）平台和相关硬件来利用图形处理单元（GPU）以及基于块的SVD来展示性能和内存方面的优势。
2019-07-17 cs.AI cs.IR cs.LG
Toward Active Learning in Cross-domain Recommender Systems
推荐系统（RS）中的主要挑战之一是新用户问题，当系统必须为系统没有信息的新用户生成个性化推荐时，会发生新用户问题。主动学习试图通过以最小的获取成本获取最高质量的用户偏好数据来解决这个问题。虽然在主动学习领域的研究成果很多，但几乎所有的研究都集中在单域推荐场景。然而，几个真实世界的RS在跨域场景中操作，其中系统通过利用目标域和辅助域中的用户偏好来生成目标域中的推荐。在这种情况下，主动学习策略的表现可能会受到显著影响，并且典型的主动学习策略可能无法正常执行。在本文中，我们解决这个问题，通过评估主动学习策略在一个新的评价框架，明确适合跨域推荐的情况。我们发现，在辅助域中访问用户的偏好可能会对主动学习策略w.r. t的性能产生巨大影响。经典的单域场景。
2017-01-08 cs.IR
Weighted Random Walk Sampling for Multi-Relational Recommendation
在信息过载的网络中，个性化推荐系统是帮助用户找到最相关信息的重要工具。最常用的推荐框架假设用户交互的特点是一个单一的关系。然而，对于许多任务，例如社交网络中的推荐，用户-项目交互必须被建模为多个关系的复杂网络，而不仅仅是单个关系。最近的多关系分解和混合推荐模型的研究表明，使用扩展的元路径来捕获额外的信息，用户和项目在网络中可以提高在这样的网络中的推荐的准确性。大部分的工作集中在未加权的异构网络，并应用这些技术，加权关系必须简化为二进制的。然而，与加权边缘相关联的信息，例如用户评级，这可能是至关重要的推荐，在这样的二进制化中丢失。本文提出了一种边采样频率为边权重函数的随机游走采样方法，并应用该方法在加权异构网络中生成扩展元路径。通过这种采样技术，我们在多个数据集上的推荐准确性和模型生成效率方面都表现出了改进的性能。
2017-03-02 cs.IR cs.SI
Dionysius: A Framework for Modeling Hierarchical User Interactions in Recommender Systems
我们解决了以下问题：我们如何将用户项目交互信号的相关性模型的一部分，在一个大规模的个性化推荐系统，使（1）解释模型和解释建议的能力被保留，（2）现有的基础设施设计（用户简档）基于内容的模型可以被利用？我们提出了Dionysius，一个分层的图形模型为基础的框架和系统，将用户交互到推荐系统，底层基础设施的变化最小。我们通过考虑交互信号的层次结构来学习每个用户的隐藏字段向量，并用这个学习的向量替换基于用户简档的向量，从而根本不扩展特征空间。因此，我们的框架允许使用现有的推荐基础设施，支持基于内容的功能。我们在LinkedIn的推荐平台上实施和部署了这个系统一年多。我们通过不同模型选择的大量离线实验以及在线A/B测试实验验证了我们方法的有效性。我们将该系统作为职位推荐引擎的一部分进行部署，显著提高了检索结果的质量，从而改善了用户体验，并对数百万用户产生了积极影响。
2017-06-12 cs.IR cs.SI
On Explaining Recommendations with Large Language Models: A Review
本文针对大语言模型用于生成推荐解释的方向开展系统综述，检索2022年11月至2024年11月相关文献后发现该领域研究仍处早期，梳理了现有方法与挑战并指出未来发展方向。
2025-01-17 cs.HC cs.IR
End-to-End Graph-Sequential Representation Learning for Accurate Recommendations
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所（AIRI））
本文提出一种端到端多表示学习框架，协同训练序列与图组件，在多个数据集上显著提升推荐性能。
2024-03-15 cs.AI cs.IR cs.LG
User-item fairness tradeoffs in recommendations
本文构建用户与物品公平性联合优化模型，刻画公平约束下的最优权衡，并通过 arXiv 预印本推荐原型验证多样偏好带来“免费”公平及偏好误估用户受损等现象。
2024-12-05 cs.CY cs.IR
User-item matching for recommendation fairness
众所周知，用户和商品提供者是推荐系统的两个主要参与方。然而，大多数现有的研究工作的推荐集中在更好地服务用户，忽视了项目提供者的目的。本文致力于在满足项目提供者目标的前提下提高项目曝光的公平性，在满足用户目标的前提下保持推荐的准确率不降低甚至提高。我们建议对商品设置库存量约束，具体来说，限制商品的最大允许推荐次数，使其与过去互动的频率成比例，这被验证为实现对普通用户的商品曝光公平性，从而减轻商品流行度的马太效应。在已有的用户推荐长度和商品库存量两个约束条件下，提出了基于归一化评分的启发式策略和基于最小成本最大流（MCMF）的模型来求解用户-商品最优匹配问题，其准确率性能甚至优于常规推荐环境下的基线算法，并与基线算法的最新改进相一致.更重要的是，我们基于MCMF的策略是无参数的，而那些同行的算法必须诉诸参数遍历过程，以达到最佳的性能。
2021-10-21 cs.IR cs.SI
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder（科罗拉多大学博尔德分校）
虽然推荐系统是由个性化定义的，但最近的工作表明了额外的，超越准确性目标的重要性，例如公平性。由于用户通常希望他们的推荐是纯粹个性化的，这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史，但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具，但这项工作并没有集中在推荐上。在这里，我们认为公平意识推荐系统和技术，以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究，调查用户的公平感，推荐系统，公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
Adversarial Training Towards Robust Multimedia Recommender System
随着多媒体内容在Web上的普及，迫切需要开发能够有效利用多媒体数据中丰富信号的推荐解决方案。由于深度神经网络在表示学习方面的成功，多媒体推荐的最新进展主要集中在探索深度学习方法以提高推荐精度。然而，到目前为止，一直很少有人努力研究多媒体表示的鲁棒性及其对多媒体推荐性能的影响。在本文中，我们阐明了多媒体推荐系统的鲁棒性。使用最先进的推荐框架和深度图像特征，我们证明了整个系统并不鲁棒，例如对输入图像的小（但有目的的）扰动将严重降低推荐准确性。这意味着多媒体推荐系统在预测用户偏好方面可能存在的弱点，更重要的是，通过提高其鲁棒性来改进的潜力。为此，我们提出了一种新的解决方案，名为对抗性多媒体推荐（AMR），它可以通过使用对抗性学习来产生一个更强大的多媒体推荐模型。这个想法是训练模型来防御对手，这增加了扰动的目标图像的目的是降低模型的准确性。我们对两个具有代表性的多媒体推荐任务进行了实验，即图像推荐和视觉感知产品推荐。大量的结果验证了对抗学习的积极效果，并证明了我们的AMR方法的有效性。源代码可在https://github.com/duxy-me/AMR上获得。
2019-05-29 cs.IR cs.MM
Exploring Applications of State Space Models and Advanced Training Techniques in Sequential Recommendations: A Comparative Study on Efficiency and Performance
Phystech（菲斯特技术）
针对基于Transformer的序列推荐模型内存与推理成本高的问题，本研究探索了SSM提速、基于ORPO的LLM推荐质量提升、自适应批次与步长加速训练三个方向，旨在平衡序列推荐的效率与性能。
2025-10-05 cs.AI cs.IR cs.LG
SiReN: Sign-Aware Recommendation Using Graph Neural Networks
Yonsei University（延世大学）；Chungnam National University（忠南国立大学）
近年来，在提高推荐精度的意义上，已经广泛地研究了诸如图神经网络（GNNs）的使用网络嵌入（NE）的许多推荐系统。然而，这样的尝试主要集中在仅利用具有高评级的积极用户-项目交互的信息。因此，如何利用低评分来代表用户的偏好存在挑战，因为低评分在设计基于NE的推荐系统时仍然可以提供信息。在这项研究中，我们提出了SiReN，一个新的基于GNN模型的标志感知推荐系统。具体而言，SiReN有三个关键组成部分：2）分别通过GNN模型和多层感知器（MLP）为具有正边和负边的划分图生成两个嵌入，然后利用注意力模型得到最终的嵌入; 3）在优化过程中建立了一个符号感知的贝叶斯个性化排序（BPR）损失函数。通过全面的实验，我们经验证明，SiReN始终优于国家的最先进的NE辅助推荐方法。
2022-05-19 cs.AI cs.IR cs.LG
