Retraining A Graph-based Recommender with Interests Disentanglement
针对图推荐系统需兼顾捕捉新交互趋势与保留长期偏好的需求，提出含信息提取与解耦模块的DIL再训练框架，经多数据集和基础模型验证有效且鲁棒。
2023-05-05 cs.IR
Continual Collaborative Distillation for Recommender System
提出持续协同蒸馏（CCD）框架，通过教师与学生模型在非平稳数据流中持续协同演化，解决推荐系统在动态环境下的高效部署与适应问题，并在真实数据集上验证其有效性。
2024-06-26 cs.IR
Position Paper on Simulating Privacy Dynamics in Recommender Systems
在这篇立场论文中，我们讨论了在推荐系统中模拟隐私动态的优点。我们从两个角度研究这个问题：首先，我们提出了一个概念性的方法，将隐私集成到推荐系统模拟，其关键要素是隐私代理。这些代理可以增强具有不同隐私偏好的用户的简档，例如，他们向推荐系统披露数据的倾向。此外，他们可以通过保护所有可能威胁隐私的行为来保护用户的隐私。例如，代理可以禁止用户的隐私威胁行为或应用隐私增强技术，例如，差分隐私，使行为不那么具有威胁性。其次，我们确定了隐私感知推荐系统模拟未来研究的三个关键主题：（一）我们如何建模用户的隐私偏好，并保护用户免受任何隐私威胁的行动？(ii)隐私代理在多大程度上修改用户的文档偏好？(iii)隐私偏好和隐私保护如何影响他人的建议和隐私？我们的概念性隐私感知模拟方法使研究隐私偏好和隐私保护对微观层面的影响成为可能，即，单个用户，而且在宏观层面上，即，所有推荐系统用户。通过这项工作，我们希望提出有关如何实现隐私感知模拟的观点，以便研究人员能够研究推荐系统中的隐私动态。
2021-09-14 cs.IR
Rank-Preference Consistency as the Appropriate Metric for Recommender Systems
本文指出RMSE等传统评分预测度量无法准确衡量推荐系统性能，提出排序偏好一致性作为更合适的度量，证明优化传统指标的方法不能有效预测用户偏好。
2024-04-26 cs.IR
Dynamic Adaptation of User Preferences and Results in a Destination Recommender System
研究人的因素是近年来推荐系统研究的热点。用户体验在旅游推荐系统中起着至关重要的作用，因为用户满意度是保证这种推荐系统成功的主要因素。在这项工作中，我们设计并实现了一个目的地推荐系统，其中的建议，立即适应用户的喜好。这些建议可以在世界地图上探索，并提供更多信息。该接口解决了推荐系统中常见的可视化挑战，例如透明度，合理性，可控性，可探索性，冷启动问题和上下文感知。我们已经进行了用户研究，从用户的角度来评估这个推荐系统的不同方面。
2023-02-20 cs.HC cs.IR
Solutions to preference manipulation in recommender systems require knowledge of meta-preferences
University College London（伦敦大学学院）
用于推荐系统的迭代机器学习算法经常通过尝试学习来改变人们的偏好。此外，推荐器可以通过使其用户更可预测来更好地预测用户将做什么。用户的某些偏好变化是自我诱导的，并且是期望的，无论推荐者是否引起它们。本文提出，在推荐系统中的偏好操纵的解决方案必须考虑到某些元偏好（偏好超过另一个偏好），以尊重用户的自主性，而不是操纵。
2022-09-14 cs.AI cs.CY cs.IR
IAI MovieBot: A Conversational Movie Recommender System
会话式推荐系统支持用户通过多轮会话实现与广告相关的目标。为了更好地模拟动态变化的用户偏好，并为社区提供一个可重用的开发框架，我们引入了IAI MovieBot，一个对话式的电影推荐系统。它具有特定于任务的对话流，多模式聊天界面，以及处理动态变化的用户偏好的有效方法。该系统是开源的，并作为Telegram上的一个频道运营。
2020-09-08 cs.IR
Controlling Diversity at Inference: Guiding Diffusion Recommender Models with Targeted Category Preferences
本文提出D3Rec解耦扩散推荐模型，通过在推理阶段控制目标类别偏好，灵活调节推荐的准确性与多样性权衡，并在真实与合成数据集上验证其有效性。
2024-11-21 cs.IR
DE-RRD: A Knowledge Distillation Framework for Recommender System
POSTECH（浦项科技大学）
最近的推荐系统已经开始采用知识蒸馏，这是一种模型压缩技术，将知识从繁琐的模型（教师）提取到紧凑的模型（学生），以减少推理延迟，同时保持性能。最先进的方法只专注于使学生模型准确地模仿教师模型的预测。但它们的局限性在于预测结果不能完全反映教师的知识水平。在本文中，我们提出了一种新的知识蒸馏框架的推荐系统，称为DE-RRD，它使学生模型学习的潜在知识编码的教师模型，以及从教师的预测。具体地说，DE-RRD包括两种方法：1）蒸馏专家（DE），直接转移潜在的知识从教师模型。DE利用“专家”和一种新颖的专家选择策略，有效地将大量的教师知识提炼给能力有限的学生。2)放松排名蒸馏（RRD），考虑项目之间的放松排名顺序，转移教师预测中揭示的知识。我们广泛的实验表明，DE-RRD的性能优于最先进的竞争对手，并实现了与教师模型相当甚至更好的性能，具有更快的推理时间。
2020-12-08 cs.IR cs.LG
DIET: Learning to Distill Dataset Continually for Recommender Systems
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
DIET通过持续蒸馏数据集提升推荐系统模型训练效率，压缩数据至原大小的1-2%，降低模型迭代成本60倍，且在不同架构间保持良好泛化性。
2026-03-26 cs.IR
Mult-DPO: Multinomial Direct Preference Optimization for Recommender Systems
University of Virginia（弗吉尼亚大学）；Netflix（网飞）；Cornell University（康奈尔大学）
针对推荐系统中集合级偏好（多个正项）的LLM对齐问题，提出Mult-DPO，通过可计算的多项式替代似然实现直接偏好优化，并证明其是边际化Plackett-Luce DPO损失的可计算上界。
2026-06-08 cs.IR
Enhancing User Personalization in Conversational Recommenders
会话式推荐器正在成为个性化用户推荐体验的强大工具。通过一个来回的对话，用户可以快速磨练在正确的项目。然而，许多会话式推荐方法仅部分地探索用户偏好空间，并对如何最好地结合用户反馈做出限制性假设，导致长对话和较差的推荐性能。在本文中，我们提出了一种新的会话推荐框架，具有两个独特的功能：（i）贪婪NDCG属性选择器，通过优先考虑最有效地代表用户实际偏好空间的属性，增强交互式偏好获取过程中的用户个性化;以及（ii）用户表示细化器，以有效地将从交互式启发过程收集的用户偏好融合在一起，从而获得对用户的更加个性化的理解。通过对四个常用数据集的广泛实验，我们发现所提出的框架不仅优于所有最先进的会话推荐器（在推荐性能和会话效率方面），而且在所提出的多地面实况多轮会话推荐设置下为用户提供了更个性化的体验。
2023-02-13 cs.IR
Exploring Feature-based Knowledge Distillation for Recommender System: A Frequency Perspective
East China Normal University（华东师范大学）
该研究从频域视角分析推荐系统的基于特征的知识蒸馏，指出均等权重分配会忽视重要知识，提出轻量级知识重加权方法FreqD，实验证明其显著优于现有最优知识蒸馏方法。
2025-01-13 cs.AI cs.IR cs.LG
A preference elicitation interface for collecting dense recommender datasets with rich user information
我们提出了一个界面，可以利用快速和毫不费力地引出人们的偏好，如照片，视觉艺术和屏保，以及丰富的边信息，其用户的视觉刺激。我们计划使用新的界面来收集密集的推荐数据集，以补充现有的稀疏行业规模数据集。新的界面和收集的数据集旨在促进推荐系统研究与社会和行为科学研究的整合。例如，我们将使用这些数据集来评估人类在不同视觉体验领域的偏好多样性。此外，使用这些数据集，我们将能够测量关键的心理效应，例如偏好一致性，规模敏锐度和锚定偏差。最后，我们的数据集将有助于评估反事实学习实验。
2017-06-27 cs.IR cs.SI
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
获取用户的精确偏好是大规模推荐系统的一个基本问题。目前，基于项目的协同过滤（CF）方法是工业界常用的匹配方法。然而，它们不能有效地对用户的动态和不断变化的偏好进行建模。在本文中，我们提出了一个新的顺序深度匹配（SDM）模型，通过结合短期会话和长期行为来捕获用户的动态偏好。与现有的序列感知推荐方法相比，我们解决了以下两个实际应用中的固有问题：（1）在一个会话中可能存在多个兴趣倾向。(2)长期偏好可能无法有效地与当前会话兴趣融合。长期行为是多样的、复杂的，因此与短期会话高度相关的行为应该被保留以进行融合。我们建议编码行为序列与两个相应的组件：多头自我注意模块捕捉多种类型的利益和长期-短期门控融合模块，将长期的喜好。在序列用户行为向量和项目嵌入向量之间进行匹配后，推荐连续项目。真实世界数据集上的离线实验表明，所提出的SDM的优越性能。此外，SDM已成功部署在淘宝网的在线大型推荐系统，并在一系列商业指标方面取得了改善。
2019-12-28 cs.IR
Controllable Recommenders using Deep Generative Models and Disentanglement
在本文中，我们认为可控性作为一种手段，以满足用户的动态偏好，使他们能够控制的建议，使他们目前的偏好得到满足。虽然深度模型在协同过滤方面表现出了更好的性能，但它们通常不适合用户的细粒度控制，这导致了像深度语言批评这样的方法的发展。我们提出了一个替代的观点，而不是基于关键词的批评，用户提供的“旋钮”在一个解开的潜在空间，每个旋钮对应于一个项目方面。解纠缠在这里指的是一个潜在的空间，其中生成因素（在这里，对一个项目类别，如流派的偏好）被独立地捕获在其各自的维度，从而实现可预测的操纵，否则不可能在纠缠的空间。为此，我们建议使用（半）监督解纠缠目标，以及多个指标来评估可控性和个性化程度的控制建议。我们表明，通过更新的用户反馈的基础上解开的潜在空间，并利用生成的推荐，控制和个性化的建议可以产生。通过在两个广泛使用的协同过滤数据集上的实验，我们证明了一个可控的推荐器可以在推荐性能略有下降的情况下训练出来，只要提供足够的监督。由这些模型产生的推荐似乎既符合用户的当前偏好，又保持个性化。
2021-10-11 cs.IR
Unbiased Recommender Systems with Implicit Feedback
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本研究针对隐式反馈推荐系统的位置偏差与流行度偏差，开发了适配排序学习、协同过滤及图神经网络社交推荐系统的无偏方法，以生成更贴合用户偏好的个性化推荐。
2026-08-18 cs.IR
Comparison-based Conversational Recommender System with Relative Bandit Feedback
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Shandong University（山东大学）
随着会话式推荐的最新进展，推荐系统能够通过会话式交互主动且动态地引出用户偏好。为了实现这一点，系统定期查询用户对属性的偏好，并收集他们的反馈。然而，大多数现有的会话式推荐系统只能使用户提供绝对的反馈属性。在实践中，绝对反馈通常是有限的，因为用户在表达偏好时倾向于提供有偏见的反馈。相反，用户通常更倾向于表达比较偏好，因为用户偏好本质上是相对的。为了使用户在会话交互过程中提供比较偏好，我们提出了一种新的基于比较的会话推荐系统。相对反馈虽然更实用，但由于其反馈尺度与用户的绝对偏好不匹配，不容易被纳入。通过有效地收集和理解来自交互方式的相对反馈，我们进一步提出了一种新的强盗算法，我们称之为RelativeConUCB。在合成数据集和真实数据集上的实验结果表明，与会话推荐系统中现有的强盗算法相比，本文提出的方法具有明显的优势。
2022-08-21 cs.IR cs.LG
Preference and Concurrence Aware Bayesian Graph Neural Networks for Recommender Systems
Huawei Technologies Canada（华为技术加拿大）
针对交互图存在漏链和虚假正向交互的问题，提出融合用户偏好、物品共现与图结构信息的贝叶斯图生成模型，并在四个基准数据集上验证其推荐有效性。
2024-01-22 cs.IR cs.LG
MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models
本文提出 MemoCRS 框架，通过用户特定实体记忆与通用协同知识记忆增强 LLM，建模跨会话偏好连续性，缓解历史噪声及冷启动问题。
2024-07-06 cs.IR
Knowledge Distillation Approaches for Accurate and Efficient Recommender System
Pohang University of Science and Technology（浦项科技大学）
本论文提出多种知识蒸馏方法，包括潜在知识与排序知识迁移，以提升紧凑推荐模型的性能，实现更好的精度-效率权衡。
2024-07-19 cs.AI cs.IR
Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems
针对现有对话推荐系统评估依赖有目标偏差用户模拟器、仅关注单轮召回、忽略偏好挖掘过程的问题，提出基于真实用户数据的无目标评估协议PEPPER，可更准确评估CRS的偏好挖掘能力。
2025-10-22 cs.IR
Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems
Declic AI Research（Declic人工智能研究院）；CESI LINEACT Laboratory（CESI LINEACT实验室）；Université Paris-Est（巴黎东部大学）；UPEC（巴黎第十二大学）
本文提出一种集成生成式自监督学习（SSL）与残差图Transformer的前沿方法，通过理性感知SSL自动化数据增强、拓扑感知Transformer捕捉全局上下文及自动蒸馏优化信号，在多数据集上持续优于基线方法，增强推荐系统性能。
2025-04-08 cs.AI cs.IR cs.LG
Pre-trained LLMs Meet Sequential Recommenders: Efficient User-Centric Knowledge Distillation
Independent researcher（独立研究者）；Sber AI Lab（Sber AI实验室）；Innopolis University（Innopolis大学）；HSE University（俄罗斯高等经济大学）；ITMO University（ITMO大学）；AIRI
本文提出一种高效的用户导向知识蒸馏方法，利用预训练大语言模型生成的文本用户资料提升序列推荐系统对用户语义的理解，无需实时调用大语言模型，保持传统序列模型的推理效率。
2026-04-23 cs.AI cs.IR
Soundtracks of Our Lives: How Age Influences Musical Preferences
本研究利用LFM-2b数据集，首次在推荐系统领域纵向分析年龄对音乐偏好的影响，发现年轻用户偏好广泛流行音乐，年长用户习惯更精细个性化，为推荐系统研究开辟新方向。
2025-09-10 cs.IR
Estimating and Penalizing Induced Preference Shifts in Recommender Systems
MIT（麻省理工学院）；University of YYY（YYY大学）；Institute of WWW（WWW研究院）；Institute for Clarity in Documentation（文档清晰性研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗克库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）
推荐系统（RS）向用户展示的内容会影响用户。因此，在选择推荐器部署时，也隐含地选择诱导用户的特定内部状态。更重要的是，通过长期优化训练的系统将有直接的动机来操纵用户：在这项工作中，我们关注的是改变用户偏好的动机，这样他们就更容易满足。我们认为，在部署之前，系统设计者应该：估计的变化，推荐将诱导;评估这种变化是否将是不可取的，甚至可能积极优化，以避免有问题的转变。这些步骤涉及两个具有挑战性的成分：估计需要预测假设的算法将如何影响用户偏好，如果部署-我们这样做是通过使用历史用户交互数据训练一个预测用户模型，其中隐含地包含他们的偏好动态;评估和优化另外需要度量来评估这种影响是人为的还是不想要的我们使用“安全转移”的概念，定义了一个信任区域，在该区域内行为是安全的：例如，用户在不受系统干扰的情况下自然移动的方式可以被认为是“安全的”。在模拟实验中，我们表明，我们的学习偏好动态模型是有效的估计用户的喜好，以及他们将如何应对新的浏览器。此外，我们表明，优化留在信任区域的决策者可以避免操纵行为，同时仍然产生参与。
2022-07-14 cs.IR cs.LG
Towards Question-based Recommender Systems
近年来，基于对话和问题的推荐系统越来越受到关注，用户能够与系统对话并更好地控制推荐。然而，与传统的推荐系统相比，该领域的研究仍然有限。在这项工作中，我们提出了一种新的基于Web的推荐方法，Qrec，以帮助用户找到项目交互式，通过回答自动构建和算法选择的问题。以前的会话推荐系统要求用户表达他们对项目或项目方面的偏好。相反，我们的模型要求用户表达他们对描述性项目特征的偏好。该模型首先通过一种新的矩阵分解算法进行离线训练，然后根据用户的回答，通过一个封闭形式的解决方案在线迭代更新用户和项目的潜在因素。同时，我们的模型推断出潜在的用户的信念和偏好的项目，学习一个最佳的提问策略，通过使用广义二叉搜索，从而问一系列的问题给用户。我们的实验结果表明，我们提出的矩阵分解模型优于传统的概率矩阵分解模型。此外，我们提出的Qrec模型可以大大提高最先进的基线的性能，并且在冷启动用户和项目推荐的情况下也是有效的。
2020-05-28 cs.IR
Topology Distillation for Recommender System
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
推荐系统（RS）采用了知识蒸馏，这是一种模型压缩技术，利用从预先训练的大型教师模型传递的知识来训练紧凑的学生模型。最近的工作表明，从教师的中间层转移知识显着提高学生的推荐质量。然而，它们传递的知识的个人表示逐点，因此有一个限制，即主要信息的RS在于关系的表示空间。本文提出了一种新的拓扑蒸馏方法，通过在教师空间中转移建立在关系上的拓扑结构来指导学生。我们首先观察到，简单地让学生学习整个拓扑结构并不总是有效的，甚至会降低学生的成绩。我们证明，因为学生的能力是非常有限的老师相比，学习整个拓扑结构是令人生畏的学生。为了解决这个问题，我们提出了一种新的方法命名为分层拓扑蒸馏（HTD），分层蒸馏的拓扑结构，以应付大的容量差距。我们在真实世界数据集上的大量实验表明，所提出的方法显着优于最先进的竞争对手。我们还提供了深入的分析，以确定提取RS的拓扑结构的好处。
2021-06-16 cs.IR cs.LG
UniRec: Cross-stage Multi-Task Fusion with Preference Optimization for Cascaded Recommender Systems
Kuaishou Technology（快手科技）
针对级联推荐系统跨阶段不一致问题，提出UniRec统一融合模型，通过共享嵌入、双轴偏好对齐和属性组正则化实现跨阶段联合优化，离线优于基线，在线时长提升0.616%。
2026-10-19 cs.IR
Learning Complex Users' Preferences for Recommender Systems
Macquarie University（麦考瑞大学）
推荐系统（RS）已经成为非常有用的工具，以帮助客户与他们的决策过程中，找到他们感兴趣的项目，并减轻信息过载的问题。在RS中有两种不同的方法：（1）一般的搜索器，其主要目标是发现长期用户的偏好，以及（2）顺序搜索器，其主要焦点是在用户-物品交互的会话中捕获短期用户的偏好（这里，会话是指在一个购物事件中购买多个物品的记录）。虽然考虑短期用户的偏好可以满足他们当前的需求和兴趣，但长期用户的偏好最终为用户提供他们可能与之交互的项目。在这篇论文中，我们首先专注于提高一般RS的性能。现有的通用RS大多倾向于利用用户对共同项目的评分模式来检测相似用户。数据稀疏性问题（即缺乏可用信息）是当前通用RS的主要挑战之一，并且当用户之间没有共同感兴趣的项目时，它们可能无法提供任何推荐。我们称这个问题为数据稀疏，没有反馈的共同项目（DSW-n-FCI）。为了克服这个问题，我们提出了一个基于个性的RS中，相似的用户被确定的基础上，他们的个性特征的相似性。
2021-07-04 cs.IR cs.LG
Review of Clustering-Based Recommender Systems
推荐系统是机器学习中最常用的方法之一，在从经济学到物联网的许多领域都有应用。本文提供了一个一般性的概述现代推荐系统的设计方法，使用聚类作为一个初步的步骤，以提高整体性能。使用聚类可以解决推荐系统中的几个已知问题，包括增加推荐的多样性，一致性和可靠性;用户偏好矩阵的数据稀疏性;以及用户偏好随时间的变化。这项工作将是有用的初学者在推荐系统领域和专家在相关领域有兴趣研究推荐系统的适用性。这篇评论的重点是分析的科学文献的主题推荐系统和聚类模型，近年来出现的，并包含一个有代表性的清单，为进一步探讨这一主题的文献。在第一部分中，简要介绍了所谓的经典或传统的推荐算法，以及聚类问题的概述。
2021-09-27 cs.IR
Joint Semantic and Structural Representation Learning for Enhancing User Preference Modelling
针对知识图谱推荐忽视连接语义且图谱不完整的问题，本文提出KIRS-CL框架，联合结构信息与预训练语言模型编码的语义表示，并采用对比预热策略，显著提升暖启动与冷启动推荐性能。
2023-04-24 cs.IR
Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems
经典的面向准确性的推荐系统（RS）通常面临着冷启动问题和过滤气泡问题，当用户遭受熟悉的，重复的，甚至是可预测的推荐时，使他们变得无聊和不满意。为了解决上述问题，偶然性导向的RS被提出来推荐吸引人的和有价值的项目显着偏离用户的历史交互，从而满足他们通过引入未探索的，但相关的候选项目给他们。在本文中，我们设计了一个新的偶然性为导向的推荐系统（\textbf{G}生成\textbf{S} elf- \textbf{S} erendipity \textbf{R} commender \textbf{S} elf，\textbf{GS$^2$-RS}），产生用户的自我偶然性偏好，以提高推荐性能。具体地说，该模型提取用户的兴趣和满意度偏好，生成虚拟的，但conventionally邻居从自己的偏好，并实现他们的自我意外的偏好。然后，这些偏好被注入到评级矩阵作为RS模型的附加信息。请注意，GS $^2$ -RS不仅可以解决冷启动问题，还可以提供各种相关建议，以缓解过滤器气泡问题。在基准数据集上的大量实验表明，所提出的GS $^2$ -RS模型在偶然性度量方面可以显著优于现有的基线方法，并且具有稳定的精度性能。
2022-04-27 cs.IR cs.LG
Snippet-based Conversational Recommender System
针对现有对话推荐系统依赖预定义属性或昂贵标注数据的局限，提出SnipRec方法，利用用户生成内容（如评论），通过大语言模型生成简洁片段表示用户偏好并检索物品，实现跨领域灵活推荐且无需大量人工数据或微调。
2025-04-14 cs.IR
RosePO: Aligning LLM-based Recommenders with Human Values
本文提出RosePO框架，通过设计拒绝采样和缓解偏见策略，并引入个性化平滑因子优化目标，使基于LLM的推荐器在后训练阶段与人类价值观对齐，提升了推荐性能并缓解了语义幻觉和流行度偏见。
2024-10-16 cs.IR
SelfDR: Self-Distillation from Reasoning for LLM-Based Recommendation
Tsinghua University（清华大学）；Quan Cheng Laboratory（量子计算实验室）；DCST, Tsinghua University（清华大学计算机科学与技术系）；Meituan（美团）
该研究针对基于LLM的推荐中推理轨迹生成成本高的问题，提出SelfDR框架，通过同一LLM的自蒸馏提升推荐效果与效率，在三个公开数据集上验证了其有效性。
2026-09-04 cs.IR
OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment
本文提出OneRec，一个统一的生成式推荐模型，通过编码器-解码器结构、会话级生成和迭代偏好对齐，在真实场景中超越传统级联推荐系统，并在快手部署中实现观看时长1.6%的提升。
2025-02-26 cs.IR
A News Recommender System Considering Temporal Dynamics and Diversity
Ryerson University（瑞尔森大学）
在新闻推荐系统中，读者的偏好会随着时间的推移而改变。有些偏好的变化非常突然（短期偏好），而另一些偏好的变化则需要较长的时间（长期偏好）。虽然现有的新闻推荐系统考虑了读者的完整历史，但它们往往忽略了读者行为的动态性。因此，它们不能满足新闻读者对随时间变化的偏好的需求。此外，最先进的新闻推荐模型通常专注于提供准确的预测，这在传统的推荐场景中可以很好地工作。然而，在新闻推荐系统中，多样性是必不可少的，不仅要保持新闻读者的参与，而且要在民主社会中发挥关键作用。在这篇博士论文中，我们的目标是建立一个新闻推荐系统来解决这两个挑战。我们的系统应该能够：（i）适应读者行为的动态;（ii）在推荐模型的设计中考虑准确性和多样性。我们的新闻推荐系统也可以为未配置文件，匿名和短期的读者，通过利用丰富的新闻项目的边信息，并包括在我们的模型中的隐式反馈。我们用多个评估指标（准确性和多样性指标）来评估我们的模型，以证明我们的方法的有效性。
2021-03-23 cs.AI cs.IR
Evaluating Conversational Recommender Systems via User Simulation
会话信息获取是一个新兴的研究领域。目前，端到端的系统评估主要采用人工评估，这种评估方式在大规模上耗费大量时间和资源，成为系统评估的瓶颈。作为替代方案，我们提出了通过模拟用户的自动化评估。我们的用户模拟器的目的是生成一个真正的人会考虑个人偏好和一般流程的互动系统给出的反应。我们评估我们的模拟方法的项目推荐任务，比较现有的会话推荐系统。我们表明，偏好建模和特定于任务的交互模型都有助于更逼真的模拟，并可以帮助实现自动评估措施和人工评估之间的高度相关性。
2020-06-15 cs.IR
Recommender Systems with Characterized Social Regularization
随着在线社交网络的迅速发展，利用社会关系来增强推荐系统的社会推荐近年来受到越来越多的关注。现有的社交推荐方法都是基于用户的偏好或决策会受到其社交好友行为的影响这一事实。然而，他们假设社会关系的影响总是相同的，这违背了用户可能与不同的朋友分享对不同产品的偏好的事实。本文通过设计一个通用的正则化项来建模变量社会影响力，提出了一个新的CSR（Characterized Social Regularization）模型。我们提出的模型可以应用于显式和隐式迭代。在真实数据集上的大量实验表明，CSR显著优于最先进的社交推荐方法。
2018-09-05 cs.IR
Ranking Distillation: Learning Compact Ranking Models With High Performance for Recommender System
Simon Fraser University（西蒙弗雷泽大学）
我们提出了一种新的方法来训练排名模型，如推荐系统，这是有效的和高效的。知识蒸馏（KD）被证明是成功的图像识别，以实现有效性和效率。我们提出了一个KD技术学习排序的问题，称为\emph{ranking distillation (RD)}。具体来说，我们训练一个较小的学生模型，以学习从训练数据和较大教师模型的监督中对文档/项进行排名。学生模型实现了与大型教师模型相似的排名性能，但其较小的模型大小使在线推理更有效。RD是灵活的，因为它是正交的排名模型的教师和学生的选择。我们解决的排名问题的RD的挑战。在公共数据集和最先进的推荐模型上的实验表明，RD达到了其设计目的：使用RD学习的学生模型的模型大小不到教师模型的一半，同时实现了与教师模型相似的排名性能，并且比没有RD学习的学生模型要好得多。
2018-09-19 cs.IR cs.LG stat.ML
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
MSCRS: Multi-modal Semantic Graph Prompt Learning Framework for Conversational Recommender Systems
本文提出MSCRS框架，通过构建多模态语义图并结合提示学习与大语言模型，从文本和图像等维度丰富用户偏好，显著提升对话推荐系统的推荐准确性与响应自然度。
2025-04-25 cs.IR
Large Language Models are Competitive Near Cold-start Recommenders for Language- and Item-based Preferences
University of Toronto（多伦多大学）；Google（谷歌）
本研究探索LLM在近冷启动场景下利用语言偏好进行推荐，实验证明其性能可与基于物品的协同过滤方法相媲美，且语言偏好表示更具可解释性。
2023-07-26 cs.IR cs.LG
ReFRS: Resource-efficient Federated Recommender System for Dynamic and Diversified User Preferences
由于其设计的可扩展性和隐私性，联邦学习（FL）在分散式深度学习中受到越来越多的关注。FL还促进了最近关于升级和私有化个性化推荐服务的研究，使用设备上的数据在本地学习推荐模型。然后，这些模型将在全球范围内进行聚合，以获得更高性能的模型，同时保持数据隐私。通常，联合推荐系统（FRS）不考虑终端设备处的资源和数据可用性的缺乏。此外，他们假设用户和物品之间的交互数据是i. i. d。并且在终端设备上是固定的，并且可以直接对所有本地推荐器模型进行平均，而不考虑用户的行为多样性。然而，在实际场景中，必须在具有稀疏交互数据和有限资源的终端设备上进行推荐。此外，用户的偏好是异构的，他们经常访问新的项目。这使得他们的个人偏好高度倾斜，因此直接聚合模型对于这种非独立同分布是不适定的。数据在本文中，我们提出了资源高效的联合推荐系统（ReFRS），使分散式推荐与动态和多样化的用户偏好。在设备端，ReFRS由一个轻量级的自监督局部模型组成，该模型建立在变分自编码器上，用于从一系列交互项中学习用户的时间偏好。在服务器端，ReFRS利用语义采样器在每个识别的用户集群内自适应地执行模型聚合。聚类模块以异步和动态的方式操作，以支持高效的全局模型更新并应对不断变化的用户兴趣。因此，ReFRS在准确性和可扩展性方面都实现了卓越的性能，正如比较实验所证明的那样。
2022-07-28 cs.DC cs.IR
Future-Aware Diverse Trends Framework for Recommendation
在推荐系统中，用户-项目行为建模是用户表示学习的基础。现有的顺序排序器考虑历史交互项目之间的顺序相关性，以捕获用户的历史偏好。然而，由于用户的偏好本质上是随时间演变的和多样化的，因此仅对历史偏好进行建模（而不知道偏好的随时间演变的趋势）对于推荐补充或新鲜项目可能是较差的，从而损害推荐系统的有效性。在本文中，我们通过提出未来感知的多样化趋势（FAT）框架，弥合了过去偏好和潜在未来偏好之间的差距。通过未来感知，对于每个被检查的用户，我们构建未来序列从其他类似的用户，其中包括发生在被检查的用户的最后一个行为之后的行为，基于建议的邻居行为提取器。通过多样化的趋势，假设未来的偏好是多样化的，我们提出了多样化的趋势提取器和时间感知机制来表示一个给定的用户与多个向量的偏好的可能趋势。我们利用历史偏好和可能的未来趋势的表示来获得最终的建议。在真实世界数据集上进行的大量实验的定量和定性结果表明，该框架不仅在各种指标上优于最先进的顺序推荐方法，而且还提供了补充和新鲜的推荐。
2021-05-03 cs.IR
Deconvolving Feedback Loops in Recommender Systems
协同过滤是一种基于所有用户偏好的集体信息来推断用户对新内容的偏好的流行技术。然后推荐系统使用这些信息向用户提供个性化的建议。当用户接受这些推荐时，它会在推荐系统中创建一个反馈循环，这些循环会随着时间的推移迭代地影响协同过滤算法的预测。我们调查是否有可能确定这些反馈回路的影响项目。我们充分的假设状态去卷积的反馈回路，同时保持逆解易处理。此外，我们开发了一个度量来解开推荐系统对整个用户项目评级矩阵的影响。我们在合成和真实世界的数据集上使用这个度量来（1）识别推荐系统影响最终评级矩阵的程度，（2）对经常推荐的项目进行排名，以及（3）区分用户的评级项目是推荐的还是内在偏好。我们的研究结果表明，它是可以恢复的评级矩阵的内在用户偏好使用一个单一的快照的评级矩阵没有任何时间信息。
2017-03-03 cs.IR cs.SI
PromptMM: Multi-Modal Knowledge Distillation for Recommendation with Prompt-Tuning
针对多模态推荐系统的过拟合与侧信息干扰问题，提出带提示调优的多模态知识蒸馏框架PromptMM，通过蒸馏压缩、软提示适配与解耦重加权蒸馏提升效果与效率。
2024-03-10 cs.IR
Rejuvenating Cross-Entropy Loss in Knowledge Distillation for Recommender Systems
East China Normal University（东华大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出RCE-KD方法，通过将教师的顶部物品分为两部分并采用采样策略，改进推荐系统知识蒸馏中的交叉熵损失，提升NDCG性能。
2026-03-01 cs.AI cs.IR
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
Dual Correction Strategy for Ranking Distillation in Top-N Recommender System
School of Computing, KAIST（韩国科学技术院计算机学院）；Graduate School of AI, KAIST（韩国科学技术院人工智能研究生院）
针对现有排序蒸馏方法效率不足、视角单一的问题，提出基于师生预测差异筛选蒸馏知识、同时迁移用户侧与物品侧排序信息的双重校正策略，性能优于SOTA基线。
2024-05-15 cs.IR cs.LG
MLPs are Efficient Distilled Generative Recommenders
University of California, San Diego（加州大学圣地亚哥分校）；Snap Inc.（Snap公司）
本文提出SID-MLP框架，通过蒸馏简化生成推荐的解码过程，提升推理效率8.74倍，同时支持不同backbone和tokenizer设置。
2026-05-12 cs.IR
Gryphon-v2: One Model in Place of a Cascade - Generate-and-Rank Recommender with Rollout Distillation
Yandex
Gryphon-v2是替代多阶段级联推荐系统的单一模型，采用生成排序架构与Rollout蒸馏技术，在Yandex Music的在线实验中使活跃用户增1.41%且服务延迟相当。
2026-08-07 cs.IR
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
