A Hierarchical Optimizer for Recommendation System Based on Shortest Path Algorithm
Top-k最近地理社会关键字查询是指在地理社会网络中，根据用户指定的空间范围和关键字，向用户提供k个推荐，并通过最短路径算法实现。然而，最短路径算法不能提供令人信服的建议，所以我们设计了一个分层的优化器组成的分类器和一个常数优化器，优化结果的一些功能的服务提供商。
2019-11-07 cs.IR cs.SI
Disentangling Multiplex Spatial-Temporal Transition Graph Representation Learning for Socially Enhanced POI Recommendation
针对现有POI推荐方法时空转移分开建模导致表征错位的问题，提出基于解耦变分多路图自动编码器的DiMuST模型，通过解耦共享与私有分布、PoE融合及对比去噪提升性能，在两个数据集上多项指标优于现有方法。
2025-10-03 cs.AI cs.LG
RecMind: LLM-Enhanced Graph Neural Networks for Personalized Consumer Recommendations
Yeshiva University（耶鲁大学）；Oklahoma State University（俄克拉荷马州立大学）；Case Western Reserve University（凯斯西储大学）；North Carolina State University（北卡罗来纳州立大学）
RecMind利用冻结LLM生成文本嵌入，结合LightGCN图协同嵌入，通过对比对齐和层内门控融合，在Yelp和Amazon-Electronics上八项指标均最优，显著提升冷启动推荐性能。
2025-09-08 cs.LG
MuonRec: Shifting the Optimizer Paradigm Beyond Adam in Scalable Generative Recommendation
Shanghai Jiao Tong University（上海交通大学）
MuonRec通过引入Muon优化器提升可扩展生成推荐系统的训练效率和排名质量，优于Adam/AdamW基线。
2026-11-04 cs.AI cs.IR
Knowledge Enhanced Multi-Domain Recommendations in an AI Assistant Application
Amazon Alexa AI（亚马逊Alexa人工智能部门）；University of Southern California（南加利福尼亚大学）
本研究在AI助手应用中统一多领域推荐与知识图谱增强，利用跨领域交互和外部知识提升新领域推荐效果，实验证明该方法在整体及新用户推荐上均有显著改进。
2025-03-25 cs.IR cs.LG
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征，而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架，即用于基于会话的推荐的邻域增强和时间感知推荐机（NETA）。首先，我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后，我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示，特别是单独考虑会话之间的时间新近性;最后，我们设计了一个简单的合作，注意力机制，以确定预测下一个项目时，互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention
Fudan University（复旦大学）
深度神经网络（DNN）已被广泛应用于推荐系统中，包括结合注意力机制以提高性能。然而，现有的基于注意力的推荐模型大多只对用户进行项目级的注意，限制了推荐性能的进一步提高。在本文中，我们提出了一个知识增强的推荐模型ACAM，它结合了从知识图谱（KG）提取的项目属性作为边信息，并建立了一个共同的注意力机制的属性级别，以实现性能增益。具体地说，ACAM中的每个用户和项目首先由一组属性嵌入来表示。然后，用户表示和项目表示的同时，通过捕获不同属性之间的相关性，由一个共同注意模块。我们在两个真实数据集上的广泛实验表明，通过属性级共同注意增强的用户表示和项目表示获得了ACAM优于最先进的深度模型的优势。
2020-06-18 cs.IR cs.LG
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland（奥克兰大学）
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动，为用户和服务提供商提供巨大的价值。然而，这个问题显然是复杂的，因为需要综合考虑各种数据趋势。这包括空间位置，时间背景，用户的喜好，等等。大多数现有的研究认为，下一个POI推荐作为一个序列预测问题，而忽略了其他用户的合作信号。相反，我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型（GETNext），以更好地利用广泛的协作信号，更准确的下一个POI预测，并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中，以预测用户的未来移动。通过这种设计，我们的模型优于最先进的方法，具有很大的利润，也揭示了冷启动的挑战，在时空涉及的推荐问题。
2023-03-03 cs.IR cs.LG
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
Enhanced NIRMAL Optimizer With Damped Nesterov Acceleration: A Comparative Analysis
ThinkAI - A Machine Learning Community（ThinkAI-机器学习社区）
本文提出带阻尼 Nesterov 加速的增强型 NIRMAL 优化器，在四个图像分类基准上验证其收敛稳定性与泛化性能，并在 CIFAR-100 上取得最低测试损失。
2025-08-22 cs.AI cs.IR
MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；IBM T.J. Watson Research Center（IBM TJ沃森研究中心）；University of Connecticut（康涅狄格大学）
针对现有健康感知食品推荐系统个性化不足、缺乏可解释性的问题，该研究构建了两个相关基准，提出融合图学习与帕累托优化、LLM增强解释的MOPI-HFRS框架，兼顾用户偏好、个性化健康度与营养多样性。
2024-12-12 cs.IR cs.LG
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
针对KG增强推荐难以平衡IG与KG对比视图的问题，提出SimKGCL框架，通过双视图互信息最大化与KG到IG的单向融合提升性能，并在三个真实数据集上验证了有效性与效率。
2023-09-23 cs.IR cs.LG
Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；Beijing Institute of Remote Sensing（北京遥感信息研究所）；School of Computer Science, Wuhan University（武汉大学计算机学院）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）；Chinese Academy of Engineering（中国工程院）
现有的大多数基于深度学习的顺序推荐方法利用递归神经网络架构或自注意力来对用户历史行为中的顺序模式和时间影响进行建模，并学习用户在特定时间的偏好。然而，这些方法具有两个主要缺点。首先，他们专注于从以用户为中心的角度对用户的动态状态进行建模，而总是忽略项目随时间的动态变化。第二，他们中的大多数只处理一阶的用户和项目之间的相互作用，并没有考虑用户和项目之间的高阶连接，这是最近被证明是有益的顺序推荐。针对上述问题，本文尝试用二分图结构对用户-项目交互进行建模，并提出一种基于位置增强和时间感知的图卷积网络（PTGCN）的顺序推荐方法. PTGCN通过定义一个位置增强和时间感知的图卷积运算，并使用自注意力聚合器在二分图上同时学习用户和项目的动态表示，对用户-项目交互之间的顺序模式和时间动态进行建模。此外，它实现了用户和项目之间的高阶连接，通过堆叠多层图卷积。为了证明PTGCN的有效性，我们在三个不同大小的真实数据集上对PTGCN进行了全面的评估，并与一些竞争基线进行了比较。实验结果表明，PTGCN优于几个国家的最先进的模型在两个常用的评价指标的排名。
2022-01-14 cs.IR cs.LG
An Enhanced Batch Query Architecture in Real-time Recommendation
Bilibili（哔哩哔哩）
本文提出一种面向实时推荐的高性能批量查询架构，通过优化哈希结构和混合存储，在哔哩哔哩系统中实现模型计算量10倍增长而资源消耗极小。
2024-08-31 cs.IR cs.LG
Model-enhanced Contrastive Reinforcement Learning for Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；University of Technology Sydney（悉尼科技大学）
针对离线推荐中奖励信号和状态转换稀疏及负反馈缺失导致的过高估计问题，提出模型增强对比强化学习（MCRL），通过保守价值学习机制与对比学习挖掘MDP内部结构，显著优于现有方法。
2023-10-25 cs.IR cs.LG
Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Southwest University（西南大学）
针对图对比推荐中随机增强引入噪声且难利用全局协同信号的问题，提出LFA-GCL，通过潜在因子分析进行无约束结构精化并构建全局协同图，在四个公开数据集上优于现有方法。
2024-08-09 cs.IR cs.LG
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
DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models
University of Science and Technology of China（中国科学技术大学）；Kuaishou Inc.（快手公司）；Sun Yat-Sen University（中山大学）
针对序列推荐中物品表示与多样性难以同时优化的挑战，提出DimeRec框架，结合指导提取模块与生成式扩散聚合模块，在三个公开数据集及大规模短视频平台上显著提升了推荐效果与多样性。
2024-08-22 cs.IR cs.LG
Meta-learning enhanced next POI recommendation by leveraging check-ins from auxiliary cities
Macquarie University（麦考瑞大学）；Chengdu University of Information Technology（成都信息工程大学）；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）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）；Nanyang Technological University（南洋理工大学）
针对城市级签到数据稀缺问题，提出MERec框架，通过城市级相关性注意力策略从辅助城市迁移共同行为模式，并以元学习提升目标城市的下一POI推荐效果。
2023-08-18 cs.IR cs.LG
Improving Sequential Recommendation Models with an Enhanced Loss Function
Xiamen University（厦门大学）
本文分析了序列推荐中常用损失函数的优缺点，提出一种结合各优势的改进损失函数，在多个开源库上的实验表明该函数显著提升了GRU4Rec、SASRec等模型的性能，并使改进的SASRec基准在多个数据集上优于或接近BERT4Rec。
2023-05-22 cs.IR cs.LG
Direct Preference Optimization for LLM-Enhanced Recommendation Systems
针对LLM预训练目标与推荐任务不匹配导致性能受限的问题，提出DPO4Rec框架，通过将直接偏好优化（DPO）集成至LLM增强的推荐系统，利用奖励模型筛选响应构建微调数据并实现结构对齐，显著提升了重排序性能及指令遵循能力。
2025-04-02 cs.IR
SPRINT: Scalable and Predictive Intent Refinement for LLM-Enhanced Session-based Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea University（高丽大学）
本文提出SPRINT框架，通过全局意图池约束LLM生成可靠意图，并在推理时使用轻量级意图预测器提升可扩展性，实验证明其在推荐效果和可解释性上优于现有方法。
2026-04-15 cs.IR
An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation
本文研究了基于图的推荐，其中交互图是从历史记录中构造的，并被存储以缓解数据稀疏和冷启动问题。我们揭示了现有的基于图的模型中的早期摘要问题，并提出了邻居交互（NI）模型来捕获每个邻居对（用户端和项目端之间）的区别。NI模型具有更强的表达能力，可以捕捉用户-项目交互背后更复杂的结构模式。为了进一步丰富节点的连通性和利用高阶结构信息，我们将额外的知识图谱（KG），并采用图神经网络（GNNs）在NI，称为知识增强的邻居互动（KNI）。与现有的推荐方法相比，基于特征，基于Meta路径和基于KG的模型，我们的KNI在点击率预测方面实现了卓越的性能（1.1%-8.4%的绝对AUC改善），并在4个真实世界数据集上的前N个推荐中表现出色。
2020-02-14 cs.IR
Prospective Preference Enhanced Mixed Attentive Model for Session-based Recommendation
针对会话推荐任务，提出融合时间模式与用户预期偏好的P2MAM模型，采用位置敏感注意力机制，在6个基准数据集上性能最高提升19.2%，测试效率较最佳基线平均提升47.7倍。
2022-06-04 cs.IR
Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation
针对搜索增强推荐中物品特征领域差距导致的负迁移问题，提出基于反事实学习的表示解耦框架ClardRec，分离物品的查询无关通用特征用于推荐增强，实验证明其在两类推荐场景中均有效。
2024-11-14 cs.IR
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Rice University（莱斯大学）
CEMG通过多模态融合层和残差量化变分自编码器，提升多模态生成推荐的性能。
2025-12-25 cs.IR
Benefit from Rich: Tackling Search Interaction Sparsity in Search Enhanced Recommendation
针对搜索增强推荐中搜索交互稀疏问题，提出GSERec方法，利用LLM向量量化构建用户-代码图，通过消息传递和对比损失增强稀疏用户表示，实验验证其有效性。
2025-08-06 cs.IR
Capturing Popularity Trends: A Simplistic Non-Personalized Approach for Enhanced Item Recommendation
Nanyang Technological University（南洋理工大学）
本文提出非个性化的 PARE，通过建模物品流行度历史、时间与周期影响及辅助信息并以注意力融合来预测热门物品，可媲美或超越先进方法并作为现有推荐器的有效补充。
2023-08-17 cs.AI cs.IR cs.LG
Intent-Enhanced Data Augmentation for Sequential Recommendation
Beihang University（北京航空航天大学）；State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）
针对现有数据扩增方法引入噪声且利用不充分的问题，提出意图增强数据扩增方法IESRec，通过意图片段插入构建正负样本并联合对比学习损失训练，有效提升了序列推荐性能。
2024-10-11 cs.AI cs.IR
Online Distillation-enhanced Multi-modal Transformer for Sequential Recommendation
本文针对多模态序列推荐提出模型无关的在线蒸馏增强多模态Transformer（ODMT）框架，通过ID感知多模态Transformer和在线蒸馏策略促进多源特征交互与相互学习，在流媒体和电商数据集上相比基线模型性能提升约10%。
2023-08-14 cs.IR
Propagating Similarity, Mitigating Uncertainty: Similarity Propagation-enhanced Uncertainty for Multimodal Recommendation
Dalian University of Technology（大连理工大学）；Zhejiang University（浙江大学）
SPUMR通过构建模态相似性图和协作相似性图，结合不确定性感知的偏好聚合模块，提升多模态推荐系统的特征融合和不确定性估计能力。
2026-01-27 cs.IR
LLMDiRec: LLM-Enhanced Intent Diffusion for Sequential Recommendation
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Centrum Wiskunde & Informatica（数学与计算机科学中心）
LLMDiRec通过整合大语言模型与意图感知扩散模型，提升序列推荐中复杂用户意图捕捉和长尾项推荐效果。
2025-10-20 cs.IR
KERAG_R: Knowledge-Enhanced Retrieval-Augmented Generation for Recommendation
针对LLM推荐缺乏领域知识及知识图谱噪声问题，提出KERAG_R模型，通过GraphRAG和GAT选择相关三元组增强LLM，在三个数据集上显著优于十种基线方法。
2025-07-08 cs.IR
Basket-Enhanced Heterogenous Hypergraph for Price-Sensitive Next Basket Recommendation
针对下一篮推荐忽视价格及商品—购物篮—用户交互建模不足的问题，提出BDHH动态异构超图方法，利用价格关系图与购物篮引导增强网络提升推荐准确率。
2024-09-18 cs.IR
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine（加州大学欧文分校）；Brown University（布朗大学）；Southwest Jiaotong University（西南交通大学）
本文提出融合协同过滤与大语言模型的增强推荐方法，利用LLMs增强文本理解以缓解冷启动和数据稀疏问题，实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation
协同过滤问题通常基于矩阵补全技术来解决，该技术恢复用户-项目交互矩阵的缺失值。在矩阵中，评级位置专门代表给定的用户和评级的项目。以往的矩阵补全技术往往忽略每个元素（用户，项目和评级）在矩阵中的位置，但主要集中在用户和项目之间的语义相似性来预测矩阵中的缺失值。提出了一种新的位置增强的用户/项目表示训练模型SUPER-Rec，该模型首先利用相对位置评分编码捕获评分矩阵中的评分位置，并将位置增强的评分信息及其用户-项目关系存储到不受矩阵大小影响的固定嵌入维数中.然后，我们将经过训练的位置增强的用户和项目表示应用于最简单的传统机器学习模型，以突出我们的表示学习模型的纯粹新颖性。我们贡献的第一个正式的介绍和定量分析的位置增强项目表示在推荐领域，并产生一个原则性的讨论我们的超级Rec的典型的协同过滤推荐任务的显式和隐式反馈的出色表现。
2022-10-08 cs.AI cs.IR
Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学教育部符号计算与知识工程重点实验室）；PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学PolyU人工智能学院）；Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney（悉尼科技大学FEIT澳大利亚人工智能研究所）；College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院）
本文提出了一种多模态增强的联邦推荐方法，通过组级融合机制提升推荐系统在多模态特征整合方面的性能。
2026-02-27 cs.IR
Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems
针对图与序列推荐无法互补的问题，提出整合两者的框架，通过共享嵌入空间并设计对齐与一致性损失函数实现正向知识迁移，在三个数据集上取得最优性能。
2025-01-29 cs.IR
Knowledge-enhanced Session-based Recommendation with Temporal Transformer
最近的研究在基于会话的推荐方面取得了令人印象深刻的进展。然而，信息，如项目知识和点击时间间隔，这可能是潜在的利用，以提高性能，仍然在很大程度上未被利用。在本文中，我们提出了一个框架，称为知识增强的基于会话的建议与时间Transformer（KSTT），将这些信息时，学习项目和会话嵌入。具体地说，知识图谱，它模型的上下文之间的项目在一个会话及其相应的属性，提出了通过图表示学习获得项目嵌入。我们引入时间间隔嵌入来表示需要预测的项目和历史点击之间的时间模式，并使用它来代替原始Transformer（称为时间Transformer）中的位置嵌入。会话中的项目嵌入通过时态Transformer网络进行传递，以获得会话嵌入，并在此基础上进行最终推荐。大量的实验表明，我们的模型在四个基准数据集上的性能优于最先进的基线。
2021-12-16 cs.IR cs.SI
Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning
跨域推荐（CDR）由于能够有效地解决推荐系统中的数据稀疏性问题而受到越来越多的研究者关注。然而，现有的单目标或双目标CDR方法往往遭受两个缺点，假设至少一个丰富的域和严重依赖于域不变的偏好，这是不切实际的，在现实世界中稀疏性是无处不在的，可能会降低用户偏好学习。为了克服这些问题，我们提出了一个多稀疏域协同推荐（MSDCR）模型的多目标跨域推荐。与传统的CDR方法不同，MSDCR将多个相关领域视为稀疏的，并且可以同时提高每个领域的推荐性能。我们提出了一个多域分离网络（MDSN）和一个门控方面偏好增强（GAPE）模块MSDCR增强用户的领域特定的方面的偏好在一个领域通过转移在其他领域的互补方面的偏好，在此期间，特定领域的偏好的唯一性可以通过MDSN提供的对抗性训练和互补性可以自适应地确定由GAPE。同时，我们提出了一个多领域自适应网络（MDAN）的MSDCR捕捉用户的领域不变的方面的喜好。通过结合增强的领域特定方面偏好和领域不变方面偏好，MSDCR可以全面了解用户在每个稀疏域中的偏好。最后，在真实数据集上进行的大量实验表明，MSDCR相对于现有的单域推荐模型和CDR模型具有显著的优越性。
2022-01-16 cs.IR
Inter-sequence Enhanced Framework for Personalized Sequential Recommendation
对用户历史交互行为的序列相关性建模是序列推荐的关键。然而，大多数的方法主要集中在每个单独的序列内的\emph{intra-sequence}项目相关性建模，但忽略了跨不同的用户交互序列的\emph{inter-sequence}项目相关性。虽然一些研究已经意识到这个问题，但他们的方法要么简单，要么隐含。为了更好地利用这些信息，我们提出了一个序列间增强的顺序推荐（ISSR）框架。在ISSR中，同时考虑序列间和序列内项目的相关性。首先，我们在序列间相关性编码器中配备图神经网络，以从用户-项目二分图和项目-项目图中捕获高阶项目相关性。然后，在序列间相关性编码器的基础上，在序列内相关性编码器中构建GRU网络和注意力网络，对每个序列内的项目序列相关性和时间动态进行建模，预测用户对候选项目的偏好。此外，我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，ISSR方法优于许多国家的最先进的方法和有效的序列间相关编码器。
2020-04-29 cs.IR
The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective
本文提出CoTrans框架，基于图信息瓶颈压缩源域知识并迁移纯净信息到目标域，结合知识增强编码器解决跨域推荐中的无关信息干扰问题，在三个数据集上显著优于现有方法。
2024-09-29 cs.IR
REG4Rec: Reasoning-Enhanced Generative Model for Large-Scale Recommendation Systems
Alibaba Group（阿里巴巴集团）；Wuhan University（武汉大学）
REG4Rec通过构建动态语义推理路径和自我反思机制，提升大规模推荐系统的推荐质量和可靠性。
2026-02-09 cs.IR
Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）
许多先前的研究旨在增强协同过滤与深度神经网络技术，以实现更好的推荐性能。然而，现有的大多数基于深度学习的推荐系统都是针对单一类型的用户-项目交互行为建模而设计的，很难提取用户与项目之间的异构关系。在实际的推荐场景中，存在多种类型的用户行为，例如浏览和购买。现有的推荐方法忽略了用户在不同项目上的多行为模式，无法从用户多行为数据中捕捉到异构的协作信号。受图神经网络在结构化数据建模中的优势启发，本文提出了一种图神经多行为增强推荐（GNMR）框架，该框架在基于图的消息传递架构下，对不同类型的用户-项目交互之间的依赖关系进行了显式建模。GNMR设计了一个关系聚合网络来模拟交互异构性，并递归地在用户-项目交互图上的相邻节点之间执行嵌入传播。在真实世界推荐数据集上的实验表明，我们的GNMR始终优于最先进的方法。源代码可在https://github.com/akaxlh/GNMR上获得。
2022-01-07 cs.AI 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
Wavelet Enhanced Adaptive Frequency Filter for Sequential Recommendation
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；School of Computing, Macquarie University（麦考瑞大学计算学院）
本文提出小波增强的自适应频率滤波器，通过动态频域滤波和小波特征增强，提升序列推荐的性能和效率。
2025-11-26 cs.IR
Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation
协同过滤在实际的推荐场景中经常会遇到稀疏性和冷启动问题，因此研究人员和工程师通常使用边信息来解决这些问题，提高推荐系统的性能。在本文中，我们考虑知识图谱作为边信息的来源。我们提出了MKR，一个多任务的知识图谱增强推荐的特征学习方法。MKR是一个深度的端到端框架，它利用知识图谱嵌入任务来辅助推荐任务。这两个任务通过cross&compress单元相关联，cross & compress单元自动共享潜在特征并学习推荐系统中的项目与知识图谱中的实体之间的高阶交互。我们证明了交叉压缩单元具有足够的多项式逼近能力，并表明MKR是推荐系统和多任务学习的几个代表性方法的广义框架。通过对真实世界数据集的广泛实验，我们证明了MKR在电影，书籍，音乐和新闻推荐方面取得了巨大的进步，超过了最先进的基线。MKR也被证明能够保持一个体面的性能，即使用户项交互稀疏。
2019-01-23 cs.IR stat.ML
Factorial User Modeling with Hierarchical Graph Neural Network for Enhanced Sequential Recommendation
大多数采用图神经网络（GNNs）的顺序推荐（SR）系统只将用户的交互序列建模为没有层次结构的平面图，忽略了用户偏好中的各种因素。此外，相互作用的项目之间的时间跨度没有充分利用以前的模型，限制SR的性能增益。为了解决这些问题，我们提出了一种新的SR系统采用分层图神经网络（HGNN）模型阶乘用户的喜好。具体地说，一个时间跨度感知序列图（TSG）的目标用户首先构建与交互项目之间的时间跨度。然后，将TSG中的所有原始节点软聚类为因子节点，每个因子节点代表用户偏好的某个因子。最后，所有的因素节点的表示一起使用，以预测SR结果。我们在两个数据集上进行的大量实验证明，我们基于HGNN的阶乘用户建模比最先进的SR模型获得了更好的SR性能。
2022-07-27 cs.IR
TRAWL: External Knowledge-Enhanced Recommendation with LLM Assistance
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；Tencent（腾讯）
本文提出TRAWL方法，利用大语言模型从外部数据提取知识，并通过对比学习适配器训练，以增强基于行为的推荐系统，实验验证了其有效性。
2024-05-24 cs.AI cs.CL cs.IR
Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation
Shandong Normal University（山东师范大学）；The University of Queensland（昆士兰大学）
共享账户跨域顺序推荐（SCSR）是一个新兴的具有挑战性的研究课题，它同时考虑了共享账户和跨域的特点。现有的SCSR研究主要基于递归神经网络（RNN）和图神经网络（GNN），但忽略了多个用户共享一个帐号，但帐号每次主要由一个用户占用的事实。这种观察激励我们通过专注于其最近的行为来学习更准确的用户特定帐户表示。此外，虽然现有的工作赋予较低的权重，无关的互动，他们仍然可能稀释域信息，并阻碍跨域推荐。为了解决上述问题，我们提出了一个基于强化学习的解决方案，即RL-ISN，它由一个基本的跨域推荐和一个基于强化学习的域过滤器。具体来说，为了对共享账户场景中的账户表示进行建模，基本推荐器首先将用户的混合行为聚类为潜在用户，然后利用对它们的注意力模型来进行用户识别。为了减少不相关的领域信息的影响，我们制定的领域过滤器作为一个分层的强化学习任务，其中一个高层次的任务是用来决定是否修改整个传输序列或没有，如果是这样，一个低层次的任务是进一步执行，以确定是否删除其中的每个交互或没有。为了评估我们的解决方案的性能，我们在两个真实世界的数据集上进行了广泛的实验，实验结果表明，我们的RL-ISN方法相比，国家的最先进的推荐方法的优越性。
2022-06-16 cs.AI cs.IR cs.LG
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
WPGRec: Wavelet Packet Guided Graph Enhanced Sequential Recommendation
College of Software, Jilin University（吉林大学软件学院）；College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
WPGRec通过结合小波包变换与图传播，解决序列推荐中时序建模与结构依赖的对齐问题，提升稀疏和行为复杂数据集的推荐效果。
2026-04-23 cs.IR
AI Recommendation System for Enhanced Customer Experience: A Novel Image-to-Text Method
The University of Carthage（迦太基大学）；Higher School of Communications of Tunis（突尼斯高等通信学院）；Qatar University（卡塔尔大学）；KINDI Center for Computing Research（KINDI计算研究中心）
本研究提出一种图像到文本的AI流水线，通过生成风格描述引导时尚产品检索，在超10万张图片数据集上检测F1达0.97，提升个性化推荐与客户体验。
2023-11-16 cs.AI cs.IR
LLM-Enhanced Multimodal Fusion for Cross-Domain Sequential Recommendation
Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学）；University of Liverpool（利物浦大学）；Microsoft（微软公司）；Zhejiang University（浙江大学）
本文提出LLM-EMF方法，通过融合视觉和文本数据提升跨域序列推荐性能，利用CLIP模型生成多模态嵌入并引入多重注意力机制，实验证明其在多领域推荐中的有效性。
2026-02-27 cs.CV cs.IR
