Recommending on graphs: a comprehensive review from a data perspective
基于图的学习方法的最新进展已经证明了它们在为推荐系统（RSS）建模用户偏好和项目特征方面的有效性。RSS中的大多数数据都可以组织成图形，其中各种对象（例如，用户、项目和属性）通过各种关系显式地或隐式地相互连接和影响。这样的基于图的组织为利用图学习中的潜在属性（例如，随机游走和网络嵌入）技术来丰富用户和项目节点的表示，这是成功推荐的基本因素。在本文中，我们提供了一个全面的调查基于图学习的推荐系统（GLRS）。具体而言，我们从数据驱动的角度出发，系统地对GLRS中的各种图进行分类，并分析其特征。然后，我们讨论了最先进的框架，重点是图学习模块，以及它们如何解决实际的推荐挑战，如可扩展性，公平性，多样性，可解释性等。最后，我们分享了一些潜在的研究方向，在这个快速增长的领域。
2023-03-13 cs.IR
Item Silk Road: Recommending Items from Information Domains to Social Users
National University of Singapore（新加坡国立大学）；ShanDong University（山东大学）
在线平台可以分为面向信息和面向社交的领域。前者指的是强调用户与物品互动的论坛或电子商务网站，如Trip.com和亚马逊;而后者指的是具有丰富用户与用户联系的社交网络服务（SNS），如Facebook和Twitter。尽管这两个域具有异质性，但可以通过一些重叠的用户（称为桥接用户）来桥接这两个域。在这项工作中，我们解决了跨域社会推荐的问题，即，向社交网络的潜在用户推荐信息域的相关项。据我们所知，这是一个新问题，以前很少有人研究。现有的跨域推荐系统不适合这项任务，因为他们要么专注于同质信息域或假设用户是完全重叠的。为此，我们提出了一种新的神经社会协作排名（NSCR）的方法，无缝缝合的信息域中的用户-项目的互动和用户-用户之间的连接在SNS。在信息域部分，利用用户和项目的属性来加强用户和项目的嵌入学习。在SNS部分，桥用户的嵌入被传播以学习其他非桥用户的嵌入。在两个真实数据集上的实验证明了该方法的有效性和合理性。
2017-06-10 cs.AI cs.IR cs.SI
Recommending Complementary Products in E-Commerce Push Notifications with a Mixture Model Approach
推送通知是电子商业移动应用程序的关键组件，已被广泛用于用户增长和参与。推送通知的有效性通常通过消息打开率来衡量。推送消息可以包含推荐产品、购物新闻等，但是由于显示空间的限制，在推送消息中通常只能显示一个或两个项目。提出了一种基于混合模型的推送消息打开率预测方法，用于预测购买后的互补产品推荐任务。混合模型被训练来学习由用户和项目配置文件确定的潜在预测上下文，然后相应地进行打开率预测。然后，选择具有最高预测打开率的项目以包括在针对每个用户的推送通知消息中。使用EM算法优化混合模型的参数。通过一个流行的电子商业移动应用程序进行了一组实验，结果表明，该方法明显优于现有的几种解决方案。
2017-07-25 cs.IR
Stageboost: Recommending Signals Based on Counterfactual Estimation
eBay（亿贝）
该研究针对eBay商品详情页信号推荐问题，提出两阶段XGBoost模型，通过反事实估计优化信号配置，使整体GMB提升0.08%、配件GMB提升0.58%。
2026-08-28 cs.AI cs.IR
Invariant representation learning for sequential recommendation
针对现有序列推荐方法易忽略伪关系的问题，本文提出基于不变学习的Irl4Rec框架，通过纳入伪变量与调整变量的关系识别伪关系，性能优于三类典型方法，消融实验验证了其检测伪关系的关键作用。
2024-10-07 cs.IR
An Algorithm for Recommending Groceries Based on an Item Ranking Method
Praxis Business School（Praxis商学院）
本研究提出一种新的网上购物推荐系统算法。该算法是基于这样的观点，因为杂货物品通常是批量购买的，杂货推荐系统应该能够批量推荐物品。该算法根据添加到篮子中的物品计算出用户可能烹饪的菜肴，并相应地推荐配料。我们的算法不依赖于用户评分。顾客通常没有耐心对他们购买的食品进行评价。因此，需要设计不依赖于用户评级的算法。该算法不使用蛮力搜索，而是将搜索空间限制为仅几个可能的食物类别的集合。每一种食物又分为几个小类。例如，“炒饭”和“印度香饭”是属于食物类别“米饭”的食物子类别。对于每个食品类别，项目根据它们如何区分食品子类别进行排名。对于激活的搜索空间中的每个食物子类别，该算法附加一个分数。分数是根据添加到篮子中的项目的排名计算的。一旦分数超过阈值，其对应的子类别将被激活。然后，该算法使用一个篮子食谱相似性措施，以确定最好的食谱匹配内激活的子类别。这在很大程度上减小了搜索空间。我们可以说，该算法在某种意义上类似于基于内容的推荐系统，但它不受限制的内容，过度专业化，或新用户的问题。
2021-05-03 cs.IR cs.LG
Recommending Composite Items Using Multi-Level Preference Information: A Joint Interaction Modeling Approach
Carlson School of Management, University of Minnesota（明尼苏达大学卡尔森管理学院）；Leavey School of Business, Santa Clara University（圣克拉拉大学莱维商学院）
本文提出JIMA方法，通过联合交互建模利用多级偏好信息，提升复合物品推荐的性能。
2026-01-26 cs.IR cs.LG stat.ML
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统，可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同，集合推荐系统输出项目的集合，使得集合中的项目与用户相关，并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中，在现实世界的音乐推荐环境中测试这些想法。我们发现，当推荐收藏品时，消费量增加了2.3倍。此外，它导致房地产的有效利用，并导致推荐更多和更多样化的项目集。据我们所知，这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
Finding the Right Set of Users: Generalized Constraints for Group Recommendations
最近，小组建议引起了相当大的关注。群组管理器不是向单个用户推荐项目，而是向用户群组推荐项目。在这份立场文件中，我们介绍的问题，形成一个适当的用户组推荐一个项目时，限制适用于该组的成员。我们提出了一个正式的模型的问题和算法的解决方案。最后，我们确定了未来工作的几个方向。
2013-02-26 cs.IR
Pixie: A System for Recommending 3+ Billion Items to 200+ Million Users in Real-Time
Pinterest
现代内容发现应用中的用户体验关键取决于高质量的个性化推荐。然而，由于大量的项目池、大量的用户以及对响应于用户动作并按需实时的【形】生成的推荐的要求，构建提供这种推荐的系统提出了重大挑战。在这里，我们介绍了Pixie，一个可扩展的基于图的实时的【形】推荐系统，我们开发和部署在Pinterest。给定一组用户特定的引脚作为查询，Pixie会从数十亿个可能的引脚中实时的【形】选择与查询最相关的引脚。为了生成推荐，我们开发了Pixie Random Walk算法，该算法利用了30亿个节点和170亿条边的Pinterest对象图。实验表明，与以前基于Hadoop的生产系统相比，Pixie提供的推荐可以提高50%的用户参与度。此外，我们还开发了一种图修剪策略，使推荐性能提高了58%。最后，我们讨论Pixie的系统方面，其中单个服务器每秒执行1，200个推荐请求，延迟为60毫秒。今天，Pixie支持的系统贡献了Pinterest上超过80%的用户参与度。
2017-11-21 cs.IR cs.LG cs.PF
Liquid FM: Recommending Music through Viscous Democracy
大多数现代推荐系统使用协同过滤的方法：被认为行为相似的用户被用来产生推荐。在这项工作中，我们描述了一个应用程序（液体FM）采取完全不同的方法。Liquid FM是一个音乐推荐系统，让用户对推荐的项目负责。建议是投票方案的结果，采用了粘性民主的思想。Liquid FM也可以被认为是这个投票系统的第一个测试平台。在本文中，我们概述了应用程序的设计和体系结构，无论是从理论和实施的观点。
2015-03-30 cs.IR cs.SI
Recommending Target Actions Outside Sessions in the Data-poor Insurance Domain
针对保险领域反馈少、商品少且多电话购买的数据稀缺问题，提出基于多会话和多动作学习、预测会话外目标动作的循环神经网络推荐模型，并在真实数据上验证其效果、公平性及人口统计信息增益。
2024-03-01 cs.IR
Feedback Reciprocal Graph Collaborative Filtering
针对交互图中着迷与不着迷反馈造成的跷跷板问题，本文提出FRGCF，通过双图分离、反馈互惠对比学习和宏观反馈建模提升推荐效果。
2024-08-05 cs.IR
Item Association Factorization Mixed Markov Chains for Sequential Recommendation
本文提出项目关联分解混合马尔可夫链算法，利用项目关联图融合项目间关联与用户行为序列信息，在四个公开数据集上以少量参数提升推荐排序效果。
2024-11-18 cs.IR
Cold-start recommendation through granular association rules
推荐系统在电子商务中很受欢迎，因为它们向用户推荐感兴趣的项目。研究人员已经解决了用户或项目是新的冷启动问题。然而，新用户和新项目的情况很少被考虑。在本文中，我们提出了一个冷启动推荐方法，这种情况下，基于粒度关联规则。具体来说，我们提供了一种通过信息粒描述用户和项目的方法，一种生成用户和项目之间的关联规则的方法，以及一种使用这些规则向用户推荐项目的方法。实验是在公开的数据集MovieLens上进行的。结果表明，规则集在训练集和测试集上的表现相似，粒度的合理设置对粒度关联规则的应用至关重要。
2013-05-07 cs.IR
Debiasing Neighbor Aggregation for Graph Neural Network in Recommender Systems
图神经网络（GNNs）通过基于用户和项目的历史交互来表示用户和项目，在推荐系统中取得了显着的成功。然而，很少有人关注GNN的暴露偏见的脆弱性：用户暴露于有限数量的项目，使系统只学习用户偏好的偏见，导致次优的推荐质量。虽然已知逆倾向加权可以识别和减轻暴露偏差，但它通常对模型输出的最终目标起作用，而GNN在邻居聚合期间也可能有偏差。在本文中，我们提出了一种简单但有效的方法，GNNs的邻居聚合通过逆倾向（Navip）。具体来说，给定一个用户-项目二分图，我们首先推导出图中每个用户-项目交互的倾向得分。然后，将具有拉普拉斯归一化的倾向分数的倒数应用于从暴露偏差中去除邻居聚合的偏差。我们通过对两个公共和Amazon Alexa数据集的广泛实验来验证我们方法的有效性，其中性能提高了14.2%。
2022-08-18 cs.IR
Recommending Burgers based on Pizza Preferences: Addressing Data Sparsity with a Product of Experts
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swisscom（瑞士电信）
在本文中，我们描述了一种方法来解决数据稀疏性，并在用户偏好知识有限的领域中创建推荐。我们将变分自编码器协同过滤从单域扩展到多域。直觉是，源域中的用户-项目交互可以增强目标域中的推荐质量。这种直觉可以发挥到极致，在跨域设置中，源域中的用户历史足以在目标域中生成高质量的推荐。因此，我们创建了一个产品的专家（POE）的建议，联合模型跨多个领域的用户项目交互架构。该方法对一个或多个域的丢失数据有弹性，这是现实生活中经常发现的情况。我们提出了两个广泛使用的数据集上的结果-亚马逊和Yelp，支持主张，全面的用户偏好知识导致更好的建议。令人惊讶的是，我们发现，在某些情况下，一个POE推荐，不访问目标域的用户表示可以超过一个强大的VAE推荐基线训练的目标域。
2021-09-07 cs.IR cs.LG
KATRec: Knowledge Aware aTtentive Sequential Recommendations
顺序推荐系统基于用户与平台的历史交互来建模用户的动态偏好。尽管最近取得了进展，但在这样的系统中对用户的短期和长期行为进行建模是不平凡和具有挑战性的。为了解决这个问题，我们提出了一个解决方案，增强了一个知识图谱称为KATRec（知识感知的主动顺序建议）。KATRec通过对用户的交互项目序列进行建模，并通过知识图谱注意力网络利用预先存在的辅助信息，来学习用户的短期和长期兴趣。我们的新的知识图谱增强的顺序推荐包含项目的多关系在实体级和用户的动态序列在项目级。KATRec通过考虑高阶连接并在推荐下一个项目时将其纳入用户偏好表示来改进项目表示学习。在三个公共数据集上的实验表明，KATRec的性能优于最先进的推荐模型，并证明了对时间和辅助信息进行建模以实现高质量推荐的重要性。
2021-07-06 cs.IR
FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation
针对现有联邦推荐算法聚合物品嵌入时存在的信息丢失、无法保留个性化特征及不兼容无参数算法等问题，提出FedCIA方法，通过聚合物品相似度矩阵共享用户-物品全局关系，实现隐私保护且性能更优。
2025-04-19 cs.IR
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
Temporal aware Multi-Interest Graph Neural Network For Session-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，它的目的是推荐下一个项目的匿名交互序列的基础上。尽管现有的SBR方法性能优越，但仍然存在一些局限性：（1）几乎所有现有的工作都集中在单一的兴趣提取，而不能解开用户的多个兴趣，这很容易导致SBR的次优表示。(ii)此外，以前的方法也忽略了多种形式的时间信息，这是重要的信号，以获得当前的意图SBR。为了解决上述局限性，我们提出了一种新的方法，称为\emph{Temporal aware Multi-Interest Graph Neural Network}（TMI-GNN）解开多个利益，并产生细化的意图表示与两个级别的时间信息的注入。具体来说，通过添加多个兴趣节点，我们为当前会话构建了一个多兴趣图，并采用GNN来建模项目-项目关系以捕获相邻的项目转换，项目-兴趣关系以解开多个兴趣，以及兴趣-项目关系以细化项目表示。同时，我们结合项目级的时间间隔信号来引导项目信息的传播，和兴趣级的时间分布信息，以帮助分散的兴趣信息。在三个基准数据集上的实验表明，TMI-GNN始终优于其他最先进的方法。
2021-12-31 cs.IR
Fashion Recommendation and Compatibility Prediction Using Relational Network
Visa Research（Visa研究院）
时尚是一个固有的视觉概念，计算机视觉和人工智能（AI）在塑造这一领域的未来方面发挥着越来越重要的作用。许多研究已经完成了基于学习的用户偏好的时尚产品推荐。然而，除了推荐单品外，人工智能还可以帮助用户从现有的单品中创建时尚的服装，或者购买与当前衣柜搭配的其他单品。兼容性是从单个项目创建时尚服装的关键因素。以前的研究主要集中在建模成对的兼容性。有几种方法可以考虑整个装备，但这些方法都有局限性，例如需要丰富的语义信息，类别标签和固定的项目顺序。因此，在没有这类信息的情况下，它们无法有效地确定兼容性。在这项工作中，我们采用关系网络（RN）开发新的兼容性学习模型，时尚RN和FashionRN-VSE，解决了现有方法的局限性。FashionRN学习整个服装的兼容性，任意数量的项目，以任意顺序。我们使用从Polyvore网站收集的49，740套服装的大型数据集来评估我们的模型。定量地，我们的实验结果证明了与文献中的替代方法相比，在相容性预测和填充空白测试中的最新性能。定性，我们还表明，项目嵌入学习FashionRN表明时尚项目之间的兼容性。
2020-05-13 cs.AI cs.IR cs.LG
Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations
Cornell University（康奈尔大学）；Northeastern University（东北大学）
本文提出PAIR框架，通过结合用户活动水平和项目流行度偏好，重加权推荐系统中的用户和项目，以减少流行偏见并提升整体推荐性能。
2026-01-25 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差：受欢迎的产品会被频繁推荐，而不太受欢迎的小众产品则很少推荐或根本不推荐。然而，推荐“长尾”中被忽视的产品对企业至关重要，因为它们不太可能被发现。在本文中，我们引入了一个个性化的多样化重新排名的方法，以增加不太受欢迎的项目的建议，同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤，可以应用于任何推荐系统的输出。我们表明，我们的方法是能够更有效地管理流行的偏见，与现有的方法相比，基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 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
RecCoT: Enhancing Recommendation via Chain-of-Thought
针对推荐系统难以理解用户偏好原因的问题，提出RecCoT方法，通过思维链结合物品内容评论的语义知识增强推荐，解决现有方法仅预测评分却缺乏可解释性的不足。
2025-08-23 cs.IR
Beyond the Trigger: Learning Collaborative Context for Generalizable Trigger-Induced Recommendation
Alibaba Group（阿里巴巴集团）
本文提出CCN框架，通过学习用户特定偏好提升触发诱导推荐的泛化能力，在淘宝新场景中实现CTR和订单量提升。
2026-04-15 cs.IR
A Hybrid Recommender System for Recommending Smartphones to Prospective Customers
Verizon Communications（威瑞森通信）
推荐系统是机器学习系统的一个子类，它采用复杂的信息过滤策略来减少搜索时间并向任何特定用户推荐最相关的项目。混合推荐系统将多种推荐策略以不同的方式结合起来，以发挥它们的互补优势。一些混合推荐系统结合了协同过滤和基于内容的方法来构建更健壮的系统。在本文中，我们提出了一个混合推荐系统，它结合了交替最小二乘（ALS）的协同过滤与深度学习，以提高推荐性能，以及克服与协同过滤方法，特别是有关其冷启动问题的限制。从本质上讲，我们使用ALS（协同过滤）的输出来影响深度神经网络（DNN）的推荐，该网络在大数据处理框架中结合了特征，上下文，结构和顺序信息。我们已经进行了几个实验，在测试所提出的混合架构的有效性，在推荐智能手机给潜在客户，并比较其性能与其他开源路由器。结果表明，该系统的性能优于现有的几个混合推荐系统。
2022-07-19 cs.IR cs.LG
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
Deep Reinforcement Learning for Page-wise Recommendations
推荐系统可以通过推荐用户的个性化项目来缓解信息过载问题。在电子商务等现实推荐中，系统与用户之间的典型交互是--用户被推荐一页商品并提供反馈;然后系统推荐一页新的商品。为了有效地捕捉这种交互，我们需要解决两个关键问题-（1）如何根据用户的\textit{real-time feedback}更新推荐策略，以及2）如何生成一个页面的项目与适当的显示，这对传统的推荐系统提出了巨大的挑战。在本文中，我们研究的问题页明智的建议，旨在同时解决上述两个挑战。特别是，我们提出了一个原则性的方法来联合生成一组互补的项目和相应的策略，以显示它们在一个2-D页面，并提出了一种新的逐页推荐框架的基础上，深度强化学习，DeepPage，它可以优化一个页面的项目与适当的显示基于用户的实时反馈。基于真实电子商务数据集的实验结果表明了该框架的有效性。
2018-08-10 cs.IR
Global Context Enhanced Graph Neural Networks for Session-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是基于匿名的行为序列来推荐项目。现有的SBR模型用户偏好的解决方案几乎都是基于当前会话而不利用其他会话，这些会话可能包含与当前会话相关和不相关的项目转换。本文提出了一种新的方法，称为全局上下文增强的图神经网络（GCE-GNN），利用项目过渡在所有会话中，以更微妙的方式，更好地推断用户的偏好，当前会话。具体来说，GCE-GNN分别从会话图和全局图中学习两个级别的项嵌入：（i）会话图，通过对当前会话内的成对项转换进行建模来学习会话级别的项嵌入;（ii）全局图，通过对所有会话上的成对项转换进行建模来学习全局级别的项嵌入。在GCE-GNN中，我们提出了一种新的全局级项目表示学习层，该层采用会话感知的注意力机制来递归地合并全局图上每个节点的邻居嵌入。我们还设计了一个会话级项目表示学习层，它在会话图上使用GNN来学习当前会话中的会话级项目嵌入。此外，GCE-GNN聚合的学习项目表示在两个层次的软注意力机制。在三个基准数据集上的实验表明，GCE-GNN始终优于最先进的方法。
2021-06-09 cs.IR
Personalized Multimedia Item and Key Frame Recommendation
当向用户推荐或广告项目时，出现的趋势是向每个多媒体项目呈现关键帧图像（例如，电影海报）。由于每个多媒体项可以被表示为多个细粒度的视觉图像（例如，电影的相关图像），个性化关键帧推荐在这些应用中是必要的，以吸引用户独特的视觉偏好。然而，先前的个性化关键帧推荐模型依赖于用户对多媒体项的细粒度图像行为（例如，用户-图像交互行为），这在真实场景中通常是不可用的。在本文中，我们研究了一般问题的联合多媒体项目和关键帧推荐的细粒度的用户图像行为的情况下。我们认为，这个问题的关键挑战在于发现用户的视觉轮廓的关键帧推荐，因为大多数推荐模型会失败，没有任何用户的细粒度的图像行为。为了应对这一挑战，我们利用用户的项目行为投影用户（项目）在两个潜在的空间：一个合作的潜在空间和视觉潜在空间。我们进一步设计了一个模型来识别用户的协作和视觉维度，并模拟用户如何从这两个空间做出决定性的项目偏好。因此，学习的用户视觉简档可以直接应用于关键帧推荐。最后，在真实数据集上的实验结果清楚地表明了我们提出的模型在两个推荐任务上的有效性。
2020-01-04 cs.IR
A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息技术学院）
推荐系统允许用户识别社区中的热门项目，同时及时且与用户的期望相关。当各种推荐系统的目的不同时，每个用例所需的推荐类型也不同。虽然一个推荐系统可以专注于推荐流行的项目，但是另一个推荐系统可以专注于推荐与用户的兴趣相当的项目。基于内容的过滤，用户到用户和项目到项目的协同过滤，以及最近的深度学习方法已经被研究人员提出来实现更好的质量推荐。尽管这些方法中的每一种都被证明单独执行得很好，但已经有人试图突破它们的局限性。在广泛的方法之后，研究人员试图扩展标准推荐系统的功能，以向用户提供最有效的推荐，同时从企业的角度来看更有利可图。这是通过在为推荐系统构建模型和架构时采用混合方法实现的。本文综述了混合推荐系统的新模型和体系结构。作者确定了扩展基线模型功能的可能性，以及每个模型的优点和缺点，并在本文中选择了用例。
2022-05-03 cs.AI cs.IR cs.SI
Order Matters at Fanatics Recommending Sequentially Ordered Products by LSTM Embedded with Word2Vec
Fanatics Inc.（Fanatics公司）；Airbnb Inc.（爱彼迎公司）；eHealth Inc.（eHealth公司）
电子商务推荐面临的一个独特挑战是，客户通常对比他们已经购买的产品更先进的产品感兴趣，但不是相反。现有的几个推荐系统建模单向序列输出有限数量的类别或连续变量。为了对有序序列进行建模，我们设计了第一个推荐系统，该系统使用Word 2 Vec嵌入购买的项目，并使用无状态LSTM RNN对序列进行建模。这个推荐系统在生产中的点击率超过了它唯一基于Word 2 Vec的前身。它开发于2017年，可能是第一个发布的真实世界应用程序，可以在Spark从节点上对单个机器训练的Keras模型进行分布式预测，每行超过40万列。
2019-11-22 cs.CL cs.IR cs.LG
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
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
Latent Collaborative Retrieval
Google（谷歌）
检索任务通常需要对给定查询的项目进行排序。另一方面，协同过滤任务学习对用户对项目的偏好进行建模。在本文中，我们研究的联合问题，推荐项目给用户相对于一个给定的查询，这是一个令人惊讶的共同任务。这种设置与标准的协同过滤不同之处在于，我们给出了一个查询x用户x项目张量来进行训练，而不是更传统的用户x项目矩阵。与文档检索相比，我们确实有一个查询，但我们可能有也可能没有内容特征（我们将考虑这两种情况），我们还可以考虑用户的个人资料。我们为这个新任务引入了一个因子分解模型，该模型优化了给定查询和用户返回的排名靠前的项目。我们报告的实证结果，它优于几个基线。
2012-06-18 cs.AI cs.IR
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
Graph Neural Patching for Cold-Start Recommendations
本文提出图神经补丁框架GNP，通过GWarmer建模热启动协同信号并用Patching Networks模拟增强冷启动推荐，在不牺牲热启动性能的前提下解决冷启动问题。
2024-10-18 cs.IR
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
顺序推荐的目的是根据用户的行为历史来确定用户偏好的下一个项目。与利用注意力机制和RNN的传统顺序模型相比，最近的努力主要遵循两个改进方向：多兴趣学习和图卷积聚合。具体地，多兴趣方法（诸如ComiRec和MIMN）专注于通过执行历史项目聚类来提取用户的不同兴趣，而图卷积方法（包括TGSRec和SURGE）选择基于历史项目之间的多级相关性来细化用户偏好。不幸的是，他们都没有意识到，这两种类型的解决方案可以相互补充，通过聚合多层次的用户偏好，以实现更精确的多兴趣提取更好的推荐。为此，在本文中，我们通过多兴趣学习和图卷积聚合的组合提出了一个统一的多粒度神经模型（名为MGNM）。具体地，MGNM首先学习用户的历史项目的图结构和信息聚合路径。然后，它执行图卷积，以迭代的方式导出项目表示，其中可以很好地捕获不同级别的复杂偏好。然后，提出了一种新的顺序胶囊网络，将顺序模式注入到多兴趣提取过程中，从而以多粒度的方式实现更精确的兴趣学习。
2022-05-03 cs.IR
Towards Confidence-aware Calibrated Recommendation
推荐系统利用用户的历史数据来学习和预测他们未来的兴趣，为他们提供适合他们口味的建议。校准确保推荐项目类别的分布与用户的历史数据一致。减少误校准给推荐系统带来了各种好处。例如，系统通过仅推荐流行类别而忽略用户简档上具有较少交互的类别变得不太可能。尽管取得了显著的成功，校准方法有几个缺点，如限制了推荐项目的多样性和不考虑校准的信心。这项工作，提出了一组属性，解决各个方面的一个所需的校准推荐系统。考虑到这些属性，我们提出了一个置信度感知的优化为基础的重新排名算法，找到校准，相关性和项目的多样性之间的平衡，同时占校准置信度的基础上用户简档大小。我们的模型在不同用户组的各种准确性和超准确性指标方面优于最先进的方法。
2022-08-22 cs.IR
User Embedding based Neighborhood Aggregation Method for Inductive Recommendation
Microsoft Research India（微软印度研究院）
我们考虑在推荐设置中学习用户和项目的潜在特征（aka嵌入）的问题。只给出一个用户-项目交互图，目标是为每个用户推荐项目。传统的方法采用基于矩阵分解的协同过滤方法。最近的使用图卷积网络的方法（例如，LightGCN）实现最先进的性能。他们学习用户和项目嵌入。大多数现有方法的一个主要缺点是它们不是归纳的;它们不能概括在训练过程中看不到的用户和项目。此外，现有的网络模型相当复杂，难以训练和规模。受LightGCN的启发，提出了一种协同过滤CF-GCN的图卷积网络建模方法。我们只学习用户嵌入，并使用执行邻域聚合的轻变体CF-LGCN-U导出项目嵌入，由于降低了模型复杂度，因此具有可扩展性。CF-LGCN-U模型自然具有对新项目的归纳能力，我们提出了一个简单的解决方案来推广新用户。我们展示了所提出的模型是如何与LightGCN相关的。作为副产品，我们提出了一个简单的解决方案，使LightGCN感应。我们在几个基准数据集上进行了全面的实验，并证明了所提出的方法的能力。实验结果表明，类似的或更好的泛化性能是实现比最先进的方法在两个转导和归纳设置。
2021-02-16 cs.IR cs.LG
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
Future Impact Decomposition in Request-level Recommendations
针对请求级MDP与用户物品级行为不一致的问题，提出物品级actor-critic及基于奖励的未来影响分解，并用对抗式模型重加权进一步提升长期推荐性能。
2024-06-18 cs.IR
CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles
University of Missouri（密苏里大学）
推荐系统今天已经成为任何商业网站的重要组成部分。协同过滤方法，特别是矩阵分解（MF）技术，被广泛应用于推荐系统。然而，自然的数据稀疏性问题限制了它们的性能，用户通常与系统中很少的项目进行交互。因此，最近提出了多个混合模型，通过在其学习过程中加入额外的上下文信息来优化MF性能。虽然这些模型提高了推荐质量，但有两个主要方面需要进一步改进：（1）多个模型只关注可用上下文信息的一部分而忽略其他部分;（2）学习侧上下文信息的特征空间需要进一步增强。在本文中，我们介绍了一个合作的双重注意自动编码器（CATA++）推荐科学文章。CATA++利用文章的内容，并通过两个并行的自动编码器学习其潜在空间。我们采用注意力机制来捕捉信息中最相关的部分，以便提出更相关的建议。在三个真实世界数据集上的广泛实验表明，与其他最先进的基于MF的模型相比，我们的双向学习策略显着提高了MF性能。我们的方法的源代码可在https://github.com/jianlin-cheng/CATA上获得。
2020-05-15 cs.IR cs.LG stat.ML
Recommendation with Attribute-aware Product Networks: A Representation Learning Model
随着商业智能的繁荣，推荐系统已经发展到一个新的阶段，我们不仅关心推荐什么，而且关心为什么推荐。因此，建议的可解释性成为研究的焦点，并在电子商务中变得非常理想。沿着这条线的不确定性研究通常从不同的角度利用项目属性和相关性，但他们还缺乏一种有效的方法来结合这两种类型的信息，以进行个性化兴趣的深度学习。鉴于此，我们提出了一种新的图结构，\emph{attribute network}，基于项目的共同购买网络和重要属性。然后提出了一种新的神经模型称为\emph{eRAN}属性网络的可解释性和冷启动能力产生的建议。具体而言，eRAN首先通过深度自编码器将属性网络中连接的项目映射到低维嵌入向量，然后应用注意力机制对属性对用户的吸引力进行建模，由此可以导出个性化的项目表示。此外，成对排序损失被构造到eRAN中以改善推荐，假设用户共同购买的项目对应该比那些在个性化视图中具有负采样的非配对项目更相似。在真实数据集上的实验表明，与一些最先进的竞争对手相比，我们的方法是有效的。特别是，eRAN在以更高的准确性推荐冷启动项目以及理解复杂的共同购买行为背后的用户偏好方面显示出其独特的能力。
2020-09-23 cs.IR
Proactive Recommendation in Social Networks: Steering User Interest with Causal Inference
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）
社交网络中的前瞻性推荐通过因果推理引导用户兴趣，利用邻居影响调整物品曝光以平衡引导效果与用户体验。
2025-12-31 cs.IR
Where to Go on Your Next Trip? Optimizing Travel Destinations Based on User Preferences
基于用户偏好的推荐是电子商务网站的常见任务。新的推荐算法通常通过与基线算法进行离线比较来评估，例如推荐随机或最受欢迎的项目。在这里，我们研究这些算法本身是如何执行的，并在实际应用中的大规模在线实验中与操作生产系统进行比较。具体来说，我们专注于在主要的在线旅游网站Booking.com上向搜索他们喜欢的度假活动的用户推荐旅游目的地。为了建立排名模型，我们使用了以前的用户在目的地停留后提供的多标准评级数据。我们实现了三种方法，并将它们与Booking.com中的当前基线进行比较：random，most popular和Naive Bayes。我们的总体结论是，在对实时用户的在线A/B测试中，我们基于朴素贝叶斯的排名器比当前的在线系统显著提高了用户参与度。
2015-06-02 cs.IR
HAKG: Hierarchy-Aware Knowledge Gated Network for Recommendation
知识图谱在提高推荐性能和可解释性方面发挥着越来越重要的作用。最近的技术趋势是基于信息传播方案设计端到端模型。然而，现有的基于传播的方法未能（1）建模底层的层次结构和关系，以及（2）捕获项目的高阶协作信号，用于学习高质量的用户和项目表示。在本文中，我们提出了一个新的模型，称为层次感知知识门控网络（HAKG），以解决上述问题。从技术上讲，我们在双曲空间中对用户和项目（由用户-项目图捕获）以及实体和关系（在KG中捕获）进行建模，并设计了一个双曲聚合方案来收集KG上的关系上下文。同时，我们引入了一个新的角度约束，以保持嵌入空间中的项目的特性。此外，我们提出了一个双项目嵌入设计表示和传播的合作信号和知识协会分开，并利用门控聚合，以更好地捕捉用户的行为模式，以提取判别信息。在三个基准数据集上的实验结果表明，HAKG与CKAN，Hyper-Know和KGIN等最先进的方法相比取得了显着的改进。对学习的双曲嵌入的进一步分析证实，HAKG提供了对数据层次结构的有意义的见解。
2022-04-11 cs.IR
General Debiasing for Graph-based Collaborative Filtering via Adversarial Graph Dropout
针对图协同过滤中邻域聚合放大交互图偏差的问题，本文提出对抗图丢弃框架AdvDrop，通过对抗学习将邻域拆分为缓解偏差和感知偏差两个视图，并保持表示不变性，在多个数据集上实现无偏表示和性能提升。
2024-02-21 cs.IR
Relational Collaborative Filtering:Modeling Multiple Item Relations for Recommendation
University of Glasgow（格拉斯哥大学）；USTC（中国科学技术大学）；Rutgers University（罗格斯大学）
现有的基于项目的协同过滤（ICF）方法只利用了协作相似性的关系。然而，在现实世界的场景中，项目之间存在多种关系。不同的协作相似性，这意味着从用户的角度来看，共同互动模式，这些关系揭示了细粒度的知识项目从不同的角度的元数据，功能等，但是，如何将多个项目的关系是较少探索的推荐研究。在这项工作中，我们提出了关系协同过滤（RCF），一个通用的框架，利用多个项目之间的关系，在推荐系统。我们发现，关系类型和关系值是至关重要的推断用户的喜好。为此，我们开发了一个两级层次的注意力机制模型用户偏好。第一级注意力区分哪些类型的关系更重要，第二级注意力考虑特定的关系值来估计历史项目在推荐目标项目中的贡献。为了使项目嵌入反映项目之间的关系结构，我们进一步制定了一个任务，以保持项目的关系，并联合训练它与推荐任务的偏好建模。在两个真实数据集上的实验结果证明了RCF的强大性能。此外，我们还进行了定性分析，以显示多项目关系建模带来的解释的好处。
2019-05-11 cs.AI cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；MX Media Co., Ltd（MX媒体有限公司）
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐，而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合，Murzim可以捕获用户偏好模式，为用户-项目交互序列生成嵌入，然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明，Murzim在召回率和MRR方面优于其他几种推荐方法，说明Murzim可以利用项目属性信息产生更好的推荐结果。目前，Murzim已经部署在印度最大的流媒体平台之一MX Player中，正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
Multiple Choice Questions based Multi-Interest Policy Learning for Conversational Recommendation
会话式推荐系统（CRS）能够基于交互式对话获取细粒度的、动态的用户偏好。以前的CRS假设用户有一个明确的目标项。然而，对于许多使用CRS的用户来说，他们可能并不清楚自己真正喜欢的是什么。具体地，用户可能对物品的某些属性类型（例如颜色）具有明确的单一偏好，而对于其他属性类型，用户可能具有多个偏好或者甚至没有明确的偏好，这导致一个属性类型的多个可接受的属性实例（例如黑色和红色）。因此，用户可以在多个属性实例的组合下显示他们对项目的偏好，而不是所有属性实例的唯一组合的单个项目。因此，我们首先提出了一个更现实的CRS学习设置，即多兴趣多轮会话推荐，其中用户可能有多个属性实例组合的兴趣，并接受多个项目的属性实例的部分重叠组合。为了有效地应对新的CRS学习环境，在本文中，我们提出了一种新的学习框架，即基于多选择问题的多兴趣策略学习。为了更有效地获取用户的偏好，代理生成多项选择问题，而不是二元的是/否的特定属性实例。此外，我们提出了一个联合集策略来选择候选项目，而不是现有的交集策略，以克服过度过滤项目在会话。最后，我们设计了一个多兴趣策略学习模块，它利用捕获的用户的多个兴趣来决定下一步的行动，无论是问属性实例或推荐项目。在四个数据集上的实验结果验证了该方法的优越性。
2022-02-07 cs.IR
UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering
National Tsing Hua University（台湾清华大学）；Chang Gung University（长庚大学）
本文提出 UIPC-MF，一种基于用户-物品原型连接权重的矩阵分解方法，在保持高推荐准确率的同时提升可解释性，并在三个数据集上优于现有原型基线方法。
2023-08-14 cs.IR cs.LG
