User-oriented Fairness in Recommendation
Rutgers University(罗格斯大学)
作为一个高度数据驱动的应用,推荐系统可能会受到数据偏差的影响,导致对不同数据组的结果不公平,这可能是影响系统性能的一个原因。因此,识别和解决推荐场景中的不公平问题非常重要。在本文中,我们从用户的角度来解决推荐系统中的不公平问题。我们根据用户的活跃程度将其分为弱势群体和弱势群体,并进行实验,以表明目前的推荐系统将表现出不公平的两组用户之间。具体而言,在数据中只占很小比例的弱势用户(活跃)比弱势用户(不活跃)享有更高的推荐质量。这种偏见也会影响整体性能,因为弱势用户占大多数。为了解决这个问题,我们提供了一个重新排名的方法,以减轻这种不公平的问题,通过增加约束的评估指标。我们在几个真实世界的数据集上进行了各种推荐算法的实验表明,我们的方法不仅可以提高用户在推荐系统中的群体公平性,但也取得了更好的整体推荐性能。
2021-04-21 cs.AI cs.HC cs.IR
Implicit Feedback-based Group Recommender System for Internet of Thing Applications
随着基于物联网(IoT)的社交媒体应用的普及,人与人之间的距离大大缩短。因此,基于物联网的社交媒体中的推荐系统需要面向用户群体而不是单个用户开发。然而,现有的方法高度依赖于显式偏好反馈,忽略了隐式反馈的情况。为了弥补这一差距,本文提出了一个隐式反馈为基础的群体推荐系统,使用概率推理和非合作博弈(GREPING)基于物联网的社交媒体。特别地,未知的过程变量可以通过贝叶斯后验概率推断从可观察的隐式反馈估计。此外,可以计算全局最优的推荐结果与非合作博弈的援助。通过两组实验从效率和鲁棒性两个方面对GREPING进行了评估。实验结果表明,与基线方法相比,GREPING有明显的提升和相当的稳定性。
2021-04-23 cs.AI 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
NewsTorch: A PyTorch-based Toolkit for Learner-oriented News Recommendation
School of Computing, University of Otago(奥塔哥大学计算机学院)
本文提出NewsTorch,一个基于PyTorch的新闻推荐工具包,提供模块化框架和用户友好的GUI,支持数据集下载预处理及先进模型训练验证,促进学习者理解与实践。
2026-04-16 cs.AI cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院);Aalborg University(奥尔堡大学)
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征,并以结构化的形式提供它们的解释。众所周知,用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面,最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本,我们的目标是表明生成的文本可以成功地用于解释建议。在本文中,我们提出了一个框架,包括流行的审查为导向的生成模型,旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集,其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法,我们采用DeepCoNN,一种新的面向评论的推荐系统,使用深度神经网络,通过均方根误差(RMSE)来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知,这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
RecBundle: A Next-Generation Geometric Paradigm for Explainable Recommender Systems
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyberspace Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
RecBundle通过引入纤维丛理论,将用户交互网络作为基础流形,动态偏好作为纤维,实现推荐系统中用户协作与内容演化的几何建模,提出信息茧房和进化偏见的量化机制。
2026-03-17 cs.AI cs.IR
A Comprehensive Survey on Trustworthy Recommender Systems
The Hong Kong Polytechnic University(香港理工大学);City University of Hong Kong(香港城市大学);Michigan State University(密歇根州立大学);The Hong Kong University of Science and Technology(香港科技大学)
作为最成功的人工智能应用之一,推荐系统旨在帮助人们以有效和高效的方式做出适当的决策,通过在我们生活的许多方面提供个性化的建议,特别是针对各种以人为本的在线服务,如电子商务平台和社交媒体网站。在过去的几十年里,推荐系统的快速发展为人类创造了巨大的经济价值,节省了时间和精力,促进了社会公益。然而,最近的研究发现,数据驱动的推荐系统可能会对用户和社会构成严重威胁,例如在社交媒体网站上传播假新闻以操纵舆论,在工作匹配服务中放大对代表性不足的群体或个人的不公平,或者从推荐结果中推断隐私信息。因此,系统的可信度越来越受到各方面的关注,以减轻推荐系统带来的负面影响,从而提高公众对推荐系统技术的信任度。在这项调查中,我们提供了一个全面的概述值得信赖的推荐系统(TRec),特别关注六个最重要的方面;即,安全性和鲁棒性,非歧视性和公平性,可解释性,隐私,环境福祉以及问责制和可审计性。对于每个方面,我们总结了最近的相关技术,并讨论了潜在的研究方向,以帮助实现值得信赖的推荐系统在未来。
2022-09-21 cs.AI cs.CR cs.IR
XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction
University of Science and Technology of China(中国科学技术大学);Rutgers University(罗格斯大学);Peking University(北京大学);Tencent Inc(腾讯公司)
点击率预测是当前商业推荐系统的核心任务。特征交叉作为CTR预测的研究主线,为提高预测性能提供了一条很有前途的途径。尽管各种模型能够在没有手动特征工程的情况下学习特征交互,但它们很少尝试单独学习不同特征结构的表示。特别是,他们主要集中在交叉稀疏特征的建模,但忽略了具体表示交叉密集特征。出于这一动机,我们提出了一种新的极端交叉网络,简称XCrossNet,其目的是以显式的方式学习密集和稀疏特征的相互作用。XCrossNet作为一种面向特征结构的模型,不仅具有显式的可解释性,而且具有时间效率高、易于实现的特点,从而实现了更具表现力的表示和更精确的CTR预测。在Criteo Kaggle数据集上的实验研究表明,XCrossNet在有效性和效率方面都比最先进的模型有显着提高。
2021-04-22 cs.AI cs.IR
Reproducibility Companion Paper:In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
本文复现了先前提出的面向推荐系统用户公平性的处理中用户约束支配集方法,验证其有效性并提供可复现性指导,涵盖数据集、代码、配置、环境及实验结果。
2025-03-29 cs.IR
A Simple Yet Effective Approach for Diversified Session-Based Recommendation
Shanghai University of Finance and Economics(上海财经大学);Institute of High Performance Computing(高性能计算研究所);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);Nanyang Technological University(南洋理工大学)
本文提出DCA-SBRS框架,通过模型无关的多样性损失函数和类别感知注意力机制,以插件形式提升现有会话推荐系统的多样性,同时保持推荐准确性。
2024-03-30 cs.AI cs.IR
Balancing Consumer and Business Value of Recommender Systems: A Simulation-based Analysis
University of Klagenfurt(克拉根福大学)
如今,在许多电子商务平台上都可以找到自动推荐,这些推荐可以为消费者和提供商创造巨大的价值。然而,并非所有可销售的项目都有相同的利润率,因此供应商可能会受到诱惑,推销利润最大化的项目。在短期内,消费者可能会接受非最佳推荐,但从长远来看,他们可能会失去信任。最终,这导致了设计平衡的推荐策略的问题,该策略考虑消费者和提供者的价值,并导致持续的商业成功。这项工作提出了一个基于代理建模的模拟框架,旨在帮助提供商探索不同推荐策略的纵向动态。在我们的模型中,消费者代理从供应商那里获得推荐,并且随着时间的推移,推荐的感知质量会影响消费者的信任。我们设计了几个推荐策略,无论是提供商的利润或消费者效用给予更多的权重。我们的模拟表明,一个混合策略,把更多的重量对消费者的效用,但不忽视盈利能力的考虑,导致最高的累积利润从长远来看。与纯消费者或利润导向的策略相比,这种混合策略导致利润增加约20%。我们还发现,社交媒体可以加强观察到的现象。在消费者严重依赖社交媒体的情况下,最佳策略的累积利润进一步增加。为了确保可重复性和促进未来的研究,我们公开分享我们灵活的模拟框架。
2022-08-18 cs.AI cs.SI
Scene-adaptive Knowledge Distillation for Sequential Recommendation via Differentiable Architecture Search
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Westlake University(西湖大学);Tencent Kandian Group(腾讯看点事业部);Huazhong University of Science and Technology(华中科技大学)
顺序推荐系统(SRS)因其对用户动态兴趣和顺序行为模式建模的能力而成为研究热点。为了最大限度地提高模型的表达能力,默认选择是应用更大更深的网络架构,然而,在生成在线推荐时,这通常会带来高网络延迟。当然,我们认为,压缩到中等或轻量级的神经网络的重型推荐模型是非常重要的实际生产系统。为了实现这样一个目标,我们提出了AdaRec,一个知识蒸馏(KD)框架,该框架通过使用可微神经结构搜索(NAS),根据推荐场景自适应地将教师模型的知识压缩到学生模型中。具体来说,我们引入了一个面向目标的蒸馏损失,以指导结构搜索过程中发现的学生网络架构,和成本敏感的损失作为约束的模型大小,从而实现了推荐的有效性和效率之间的一个优越的权衡。此外,在知识蒸馏过程中,我们利用地球移动器距离(EMD)实现多对多的层次映射,使每个中间学生层能够自适应地向其他中间教师层学习。在真实世界推荐数据集上的大量实验表明,与强大的同行相比,我们的模型具有竞争力或更好的准确性,具有显着的推理加速,同时在不同的推荐场景下发现了不同的顺序推荐模型的神经架构。
2022-04-10 cs.AI cs.IR
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
VisMaker: a Question-Oriented Visualization Recommender System for Data Exploration
数据生产的日益快速增长以及随之而来的探索数据以获得最多样化问题的答案的需求促进了工具的开发,以促进数据可视化的操作和构建。然而,构建有用的数据可视化并不是一项微不足道的任务:它可能涉及大量微妙的决策,需要设计人员的经验。在本文中,我们提出了VisMaker,可视化推荐工具,使用一组规则来呈现可视化建议组织和描述通过问题,以促进理解的建议,并协助视觉探索过程。我们进行了两项研究,将我们的工具与Voyager 2进行比较,并分析了工具使用的某些方面。我们收集了参与者的反馈,以确定我们的推荐方法的优点和缺点。因此,我们收集了评论,以帮助改进该领域的工具开发。
2020-02-14 cs.HC cs.IR
Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users
Institute of Computing Technology, CAS(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent(腾讯);Beihang University(北京航空航天大学);Xiamen Data Intelligence Academy of ICT, CAS(中国科学院信息工程研究所厦门数据智能研究院)
冷启动问题是实际推荐系统面临的巨大挑战。跨域推荐(CDR)是一种很有前途的解决方案,它利用来自辅助(源)域的丰富信息来提高推荐系统在目标域的性能。在这些CDR方法中,CDR的嵌入和映射方法(EMCDR)家族是非常有效的,其明确地学习从具有重叠用户的源嵌入到目标嵌入的映射函数。然而,这些方法都存在一个严重的问题:映射函数只在有限的重叠用户上学习,并且映射函数会偏向于有限的重叠用户,从而导致泛化能力不佳,并降低了目标域中冷启动用户的性能。利用Meta学习对新任务具有良好泛化能力的优点,提出了一种具有迁移阶段和Meta阶段的迁移-元CDR框架(TMCDR)。在转移(预训练)阶段,分别在源域和目标域上训练源模型和目标模型。在Meta阶段,学习面向任务的Meta网络,隐式地将源域中的用户嵌入转换到目标特征空间。此外,TMCDR是可以应用于各种基本模型的通用框架,例如,MF、BPR、CML。通过使用Amazon和豆瓣的数据,我们在6个跨域任务上进行了广泛的实验,以证明TMCDR的优越性能和兼容性。
2021-05-11 cs.AI cs.IR
AgenticRec: A Recommendation-Oriented Agentic Framework with Progressive Tool-Integrated Reasoning Optimization
Xiamen University(厦门大学)
提出AgenticRec框架,将推荐建模为工具集成推理过程,并设计两阶段训练范式,通过隐式反馈激活和渐进偏好细化提升推荐准确性。
2026-06-16 cs.AI cs.IR
Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
Peking University(北京大学);Renmin University of China(中国人民大学)
会话式推荐系统(CRS)旨在通过交互式会话向用户推荐高质量的项目。尽管已经为CRS做出了一些努力,但仍有两个主要问题有待解决。首先,会话数据本身缺乏足够的上下文信息来准确理解用户的偏好。第二,在自然语言表达和项目级用户偏好之间存在语义鸿沟。为了解决这些问题,我们将面向单词和面向实体的知识图谱(KG),以提高CRS中的数据表示,并采用互信息最大化对齐单词级和实体级的语义空间。对齐的语义表示的基础上,我们进一步开发了KG增强的推荐组件,使准确的建议,和KG增强的对话组件,可以生成信息的关键字或实体的响应文本。大量的实验已经证明了我们的方法在推荐和会话任务上都有更好的性能。
2020-07-08 cs.AI cs.CL cs.IR
Sustainability Evaluation Metrics for Recommender Systems
该研究围绕推荐系统的可持续性评估展开,基于联合国可持续发展目标(SDGs),探讨了覆盖环境、社会、经济维度的基础可持续性评估指标,并分析其应用,以补充传统评估维度的不足。
2025-07-30 cs.IR
ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework
University of California, Irvine(加州大学欧文分校)
本文提出ChatDiet框架,通过集成个人因果模型与群体模型并利用LLM编排,实现个性化、可解释且交互式的营养导向食物推荐,在案例研究中达到92%有效性。
2024-09-25 cs.AI cs.IR cs.LG
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统,提出基于物品特征的新分类,并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
PrivateJobMatch: A Privacy-Oriented Deferred Multi-Match Recommender System for Stable Employment
University of California, Merced(加州大学默塞德分校)
协调失败降低了就业市场上雇主和候选人之间的匹配质量,导致大量职位空缺和/或不稳定的短期就业。集中的职位搜索引擎提供了一个平台,直接连接雇主和求职者。然而,它们要求用户披露大量的个人数据,即,建立一个用户简档,以便提供有意义的建议。在本文中,我们提出了PrivateJobMatch -一个面向隐私的延迟多匹配推荐系统-它产生稳定的配对,同时要求用户只提供他们的偏好的部分排名。PrivateJobMatch探索了一系列基于博弈论的Gale-Shapley延迟接受算法,该算法将分散市场的灵活性与集中匹配的智能相结合。我们发现了原始算法应用于就业市场时的缺点,并提出了新的解决方案,依赖于机器学习技术。真实和合成数据上的实验结果证实了所提出的算法在几个质量指标上的好处。在过去的一年里,我们已经实施了PrivateJobMatch原型,并将其部署在活跃的就业市场经济中。使用收集的真实用户偏好数据,我们发现匹配推荐优于典型的分散式就业市场-同时只需要用户偏好的部分排名。
2019-05-11 cs.DS cs.IR cs.LG
In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
Zhejiang University(浙江大学);OPPO Research Institute(OPPO研究院)
提出In-UCDS框架,通过约束支配集聚类和公平性损失处理,解决推荐系统用户导向公平性问题,并在三个数据集上验证其优于现有方法。
2023-09-04 cs.CY cs.IR cs.LG
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
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响,推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来,由于神经网络强大的表示能力,神经推荐模型的研究取得了重大进展,它推广和超越了传统的推荐模型。本文从推荐建模的角度,以推荐准确率为目标,对神经推荐模型进行了系统的综述,旨在对该领域的研究进行总结,以方便推荐系统的研究者和实践者。具体来说,根据推荐建模过程中的数据使用情况,我们将工作分为协同过滤和信息丰富推荐:1)协同过滤,它利用用户-项目交互数据的关键来源; 2)内容丰富推荐,它另外利用与用户和项目相关的辅助信息,如用户简档和项目知识图谱;以及3)时间/顺序推荐,它考虑与交互相关的上下文信息,例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后,我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
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
A Universal Framework for Offline Serendipity Evaluation in Recommender Systems via Large Language Models
针对推荐系统意外发现评估真实值不可观测、现有指标通用性不足的问题,提出基于LLMs的通用评估框架,通过思维链提示提升预测准确性,重新评估发现无面向意外发现的推荐系统能持续最优,通用系统有时更优。
2025-08-25 cs.IR
Conversational Recommender System
一个个性化的会话式销售代理可能有很大的商业潜力。电子商务公司,如亚马逊,eBay,京东,阿里巴巴等正在与他们的用户试点这种代理。然而,目前对该问题的研究还很有限,现有的解决方案要么是基于单轮自组织搜索引擎,要么是传统的多轮对话系统。它们通常只利用当前会话中的用户输入,而忽略用户的长期偏好。另一方面,众所周知,销售转化率可以基于推荐系统大大提高,推荐系统基于过去的购买行为学习用户偏好,并优化面向业务的指标,如转化率或预期收入。在这项工作中,我们建议将对话系统和推荐系统的研究整合到一个新的和统一的深度强化学习框架中,以构建一个个性化的会话推荐代理,该代理优化了基于每个会话的效用函数。
2018-06-08 cs.IR
Cross-domain recommendation via user interest alignment
Tianjin University(天津大学);Lenovo Research(联想研究院);Hangzhou Dianzi University(杭州电子科技大学)
跨领域推荐旨在利用多个领域的知识来缓解传统推荐系统中的数据稀疏和冷启动问题。一种流行的范例是采用重叠的用户表示来建立域连接,从而在所有场景中提高推荐性能。然而,这种方法的一般做法是在每个域中分别训练用户嵌入,然后以简单的方式聚合它们,通常忽略用户和项目之间潜在的跨域相似性。此外,考虑到它们的训练目标是面向推荐任务的,而没有特定的正则化,优化的嵌入忽略了用户视图之间的兴趣对齐,甚至违反了用户的原始兴趣分布。为了解决这些挑战,我们提出了一种新的跨域推荐框架,即COAST,通过感知实体之间的跨域相似性和对齐用户兴趣来提高双域推荐性能。具体来说,我们首先构建了一个统一的跨域异构图,并重新定义了图卷积网络的消息传递机制,以捕获跨域用户和项目的高阶相似性。针对用户兴趣对齐,我们开发了两个更细粒度的角度,用户-用户和用户-项目兴趣不变性跨领域凭借丰富的无监督和语义信号的深刻见解。我们对多个任务进行了深入的实验,这些任务是从两个大型推荐数据集构建的。大量的结果表明,COAST一致和显着优于国家的最先进的跨域推荐算法,以及经典的单域推荐方法。
2023-01-26 cs.AI cs.IR
Evaluating Conversational Recommender Systems: A Landscape of Research
会话式推荐系统旨在以直观的方式交互式地支持在线用户的信息搜索和决策过程。随着语音控制设备、自然语言处理和人工智能的最新进展,近年来此类系统受到了越来越多的关注。从技术上讲,会话机器人通常是复杂的多组件应用程序,通常由多个机器学习模型和一个自然语言用户界面组成。因此,以整体方式评估这样一个复杂的系统可能具有挑战性,因为它需要(i)评估不同学习组件的质量,以及(ii)用户对整个系统的质量感知。因此,往往需要一种混合方法的方法,它可以结合客观(计算)和主观(感知导向)的评估技术。在本文中,我们回顾了会话推荐系统的常见评估方法,确定可能的局限性,并概述了未来更全面的评估实践的方向。
2022-10-28 cs.HC cs.IR
Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
本文提出 LSVCR,通过 SR 模型与补充性 LLM 推荐器的两阶段对齐和微调,联合建模视频与评论交互,实现视频和评论个性化推荐,并在快手在线实验中提升评论观看时长 4.13%。
2025-07-23 cs.AI cs.IR
A Connection-Centric Survey of Recommender Systems Research
推荐系统试图通过基于用户偏好从通用集合中选择项目的子集来减少信息过载并留住客户。虽然推荐系统的研究是从信息检索和过滤中发展起来的,但这个主题已经稳步发展成为一个合法而具有挑战性的研究领域。推荐系统传统上是从基于内容的过滤与协同设计的角度来研究的。然而,建议不是在真空中提出的,而是在非正式的用户社区和社会环境中提出的。因此,所有的推荐系统最终都是建立在人与人之间的联系上的,因此应该从这样一个角度来审视。这个观点在推荐系统的文献中被低估了。因此,我们采取连接导向的观点对推荐系统的研究。我们认为,推荐有一个固有的社会元素,并最终旨在连接人直接作为明确的用户建模的结果,或间接通过发现隐含在现有数据中的关系。因此,推荐系统的特征在于它们如何对用户进行建模以将人们聚集在一起:显式或隐式。最后,用户建模和以连接为中心的观点提出了更广泛的社会问题-例如评估,定位,隐私和信任-我们也简要地解决了这些问题。
2003-07-30 cs.HC cs.IR
Metric Optimization and Mainstream Bias Mitigation in Recommender Systems
本论文针对推荐系统,提出用RBP启发损失优化提升整体准确性,并揭示其偏向已服务用户,进而聚焦缓解非主流用户的准确性差距。
2023-11-11 cs.IR
LLMGreenRec: LLM-Based Multi-Agent Recommender System for Sustainable E-Commerce
PHENIKAA University(phenikaa大学)
LLMGreenRec通过大语言模型和多智能体框架,提升电子商务中可持续产品推荐的准确性和环保性。
2026-03-11 cs.IR cs.MA
Learning to Retrieve User History and Generate User Profiles for Personalized Persuasiveness Prediction
Graduate School of Data Science, Seoul National University(首尔国立大学数据科学研究生院)
本文提出一种上下文感知的用户画像框架,通过生成查询和总结记录来提升说服预测模型性能,实验表明在Reddit数据集上显著提高预测精度。
2026-04-19 cs.AI cs.CL
Measuring Commonality in Recommendation of Cultural Content: Recommender Systems to Enhance Cultural Citizenship
推荐系统已成为文化内容策划的主要手段,显著影响个人文化体验的性质。虽然大多数关于推荐系统的研究都是针对个性化用户体验进行优化,但这种模式并没有捕捉到推荐系统在总体上、在用户群体中影响文化体验的方式。尽管现有的新颖性、多样性和公平性研究探讨了系统如何与文化内容的更广泛的社会作用相关联,但它们并没有充分地将文化作为核心概念和挑战。在这项工作中,我们引入共性作为一个新的措施,反映了在何种程度上推荐熟悉特定类别的文化内容的用户群体。我们提出的共性度量响应一组参数开发通过跨学科的对话研究人员在计算机科学和社会科学和人文科学。参考的原则,支持非营利,公共服务媒体系统在民主社会中,我们确定的地址和内容多样性的普遍性,在加强文化公民的服务,特别是相关的目标,推荐系统提供文化内容。以电影推荐中的多样性为案例研究,在增强多元文化体验,我们实证比较系统的性能使用共性和现有的效用,多样性和公平性指标。我们的研究结果表明,共性捕获系统行为的属性补充现有的指标,并建议需要替代的,非个性化的干预措施,在推荐系统面向加强跨人群的用户的文化公民身份。通过这种方式,共性有助于越来越多的学术机构为数字媒体和ML系统开发“公共利益”理论。
2022-08-02 cs.CY cs.IR
Align-for-Fusion: Harmonizing Triple Preferences via Dual-oriented Diffusion for Cross-domain Sequential Recommendation
National University of Defense Technology(国防科技大学);National University of Singapore(新加坡国立大学)
针对跨域序列推荐中偏好融合粗糙的问题,提出对齐即融合框架HorizonRec,利用双导向扩散模型协调三重偏好,并通过混合条件分布检索稳定建模,实验验证其有效性。
2025-08-07 cs.AI cs.IR
Can Large Language Models Assess Serendipity in Recommender Systems?
本研究利用大型语言模型评估推荐系统中的意外发现,发现其与人类评估一致性不高但优于基线方法,并指出提示中评分历史数量需谨慎选择。
2024-04-11 cs.IR
ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing
Central South University(中南大学);Beihang University(北京航空航天大学);South China University of Technology(华南理工大学)
针对推荐系统中用户行为异质导致的鲁棒性问题,提出ReliGRec框架,利用双视图弱风险估计器融合行为与图令牌,在推理时路由选择简单或谨慎提示,将弱风险信号转化为生成控制信号,提升推荐质量与鲁棒性。
2026-09-16 cs.IR
Hybrid Recommender Systems: A Systematic Literature Review
Politecnico di Torino(都灵理工大学);Department of Control and Computer Engineering, Politecnico di Torino(都灵理工大学控制与计算机工程系)
推荐系统是用于通过利用各种策略来生成并向用户提供针对项目和其他实体的建议的软件工具。混合推荐系统以不同的方式将两种或两种以上的推荐策略结合起来,以发挥它们的互补优势。这篇系统的文献回顾介绍了过去十年混合推荐系统的最新进展。这是第一个定量审查工作完全集中在混合动力汽车。我们解决了最相关的问题,并提出了相关的数据采掘和推荐技术来克服这些问题。本文还探讨了每种混合推荐器的分类、应用领域、评价过程,并提出了未来的研究方向。根据我们的研究结果,大多数的研究结合协同过滤与另一种技术往往在加权的方式。此外,冷启动和数据稀疏是两个传统的和最重要的问题,分别在23和22项研究中得到解决,而电影和电影数据集仍然被大多数作者广泛使用。由于大多数研究都是通过使用准确性指标与类似方法进行比较来进行评估的,因此提供更可信和面向用户的评估仍然是一个典型的挑战。除此之外,还确定了新的挑战,例如响应用户上下文的变化,不断变化的用户口味或提供跨域推荐。作为一个热门话题,混合算法代表了一个很好的基础,通过探索新的机会,如上下文的建议,涉及并行混合算法,处理更大的数据集等,相应地作出回应。
2019-01-12 cs.CY cs.IR cs.LG
Revisit Recommender System in the Permutation Prospective
推荐系统(RS)的工作有效地缓解信息过载和匹配用户的兴趣在各种网络规模的应用。大多数RS检索用户最喜欢的候选人,然后排名他们的评级分数在贪婪的方式。然而,在置换的前景,目前的RS来揭示以下两个局限性:1)他们忽略了解决的置换变量的影响内推荐的结果; 2)置换的考虑扩展潜在的解决方案空间呈指数级,目前的RS缺乏能力,以评估的置换。两者都使RS偏离了推荐的最佳排列结果和更好的用户体验。为了有效地逼近置换最优推荐结果,本文在RS的重排序阶段提出了一种新的置换框架PRS,该框架依次包括置换匹配(PMatch)和置换排序(PRank)两个阶段.具体来说,PMatch阶段的目的是获得候选列表集,在这里,我们提出了FPSA算法,通过置换明智的和面向目标的束搜索算法生成多个候选列表。之后,对于候选列表集,PRank阶段提供了一个统一的排列方式的排名标准,称为LR度量,该度量由精心设计的排列方式模型DPWN的评级得分计算。最后,具有最高LR分数的列表被推荐给用户。实证结果表明,PRS一贯和显着优于国家的最先进的方法。此外,在淘宝应用的一个热门推荐场景中成功部署后,PRS在PV指标上实现了11.0%的性能提升,在IPV指标上实现了8.7%的性能提升。
2021-04-02 cs.IR
Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
School of Computer Science, University of Technology Sydney(技术科技大学计算机科学学院);Australian Institute of Health Innovation, Macquarie University(麦觉里大学健康创新研究所)
本研究通过受试者内实验发现,愉悦感、有用性、新颖性和对话质量等预测用户对探索性交互的偏好,并识别出五种用户画像,为对话式推荐系统的自适应设计提供依据。
2025-08-04 cs.CL cs.HC cs.IR
Can Third-Party Annotators Reliably Evaluate Conversational Recommender Systems?
University of Innsbruck(因斯布鲁克大学)
本文研究了对话推荐系统用户导向评估的可靠性,发现部分维度在聚合下具有中等可靠性,而社会构念如人性和融洽度则不可靠,揭示了第三方判断中的晕轮效应。
2026-11-13 cs.IR
Fading to Grow: Growing Preference Ratios via Preference Fading Discrete Diffusion for Recommendation
University of Science and Technology of China(中国科学技术大学)
针对连续高斯噪声与离散推荐数据不匹配的问题,提出 PreferGrow 离散扩散推荐框架,通过偏好渐隐、比率建模与迭代增长重建偏好,并在五个基准上验证其理论与性能优势。
2025-09-30 cs.IR
Stability of Explainable Recommendation
University of California, Davis(加州大学戴维斯分校)
本文通过向模型参数注入不同水平噪声,实证分析了三种SOTA可解释推荐器在两个电商数据集上的脆弱性,发现解释能力随噪声增加而下降,且对抗性噪声影响更大。
2024-05-03 cs.IR cs.LG
Generate What You Can Trust: Content Credibility in Generative Recommenders
Data Science Institute, University of Technology Sydney(悉尼科技大学数据科学研究所);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对生成式推荐忽视内容可信度的问题,提出CreGR模型,在令牌化和生成阶段联合处理可信度,通过可信度感知令牌化和不对称掩蔽策略,在保持准确性的同时减少不可信内容推荐。
2026-10-06 cs.IR
Trustworthy Recommender Systems
University of Technology Sydney(悉尼科技大学);RMIT University(皇家墨尔本理工大学);Macquarie University(麦考瑞大学);Arizona State University(亚利桑那州立大学);Free University of Bozen-Bolzano(博尔扎诺自由大学)
本文综述了可信推荐系统(TRS),涵盖其动机、概念、构建挑战与未来方向,并提出一个支持TRS构建的新概念框架。
2023-11-17 cs.CR cs.IR cs.LG
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
Collaborative Large Language Model for Recommender Systems
本文提出CLLM4Rec,通过融合LLM与ID范式、软+硬提示、互正则化及面向推荐的微调策略,解决推荐系统中语义鸿沟与生成效率问题。
2024-02-21 cs.IR
M-$LLM^3$REC: A Motivation-Aware User-Item Interaction Framework for Enhancing Recommendation Accuracy with LLMs
The University of Sydney(悉尼大学)
本文提出动机感知推荐框架M-LLM^3REC,利用大语言模型从有限交互中提取深层动机信号,通过三个集成模块实现动机驱动建模,显著提升冷启动场景下的推荐准确性。
2025-08-21 cs.AI cs.IR
Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
Nanyang Technological University(南洋理工大学);Digital Trust Centre Singapore(新加坡数字信任中心);Sun Yat-sen University(中山大学);South China Agricultural University(华南农业大学);Peng Cheng Laboratory(鹏城实验室)
针对对话推荐系统中的马太效应问题,提出多超图增强多兴趣自监督学习框架HiCore,通过构建超图学习用户多层次兴趣,在四个相关数据集实验中取得新最优性能,有效缓解了马太效应。
2026-07-22 cs.AI cs.HC cs.IR
EXTRA: Explanation Ranking Datasets for Explainable Recommendation
近年来,可解释推荐系统的研究引起了学术界和工业界的广泛关注,产生了各种各样的可解释模型。因此,它们的评估方法因模型而异,这使得比较不同模型的可解释性变得非常困难。为了实现评估推荐解释的标准方式,我们为EXplanaTion Ranking(表示为EXTRA)提供了三个基准数据集,可解释性可以通过面向排名的指标来衡量。然而,构建这样的数据集带来了巨大的挑战。首先,在现有的推荐系统中,用户-项目-解释三元组交互很少,因此如何找到替代方案成为一个挑战。我们的解决方案是从用户评论中识别几乎相同的句子。这个想法然后导致第二个挑战,即,如何有效地将数据集中的句子分类为不同的组,因为它具有二次运行时复杂度来估计任何两个句子之间的相似性。为了缓解这个问题,我们提供了一个更有效的方法,基于局部敏感哈希(LSH),可以检测近似重复的次线性时间为给定的查询。此外,我们公开了我们的代码,以允许社区中的研究人员创建自己的数据集。
2021-05-08 cs.IR
Towards welfare-oriented recommendations in activity-travel behavior
University of Houston(休斯顿大学);New York University(纽约大学)
该研究针对活动-出行行为领域推荐系统忽视用户福利的问题,提出福利导向推荐框架,通过正效用概率、遗憾最小化准则设计算法,经智能体模拟验证,为优化推荐系统提供了实用方案。
2026-08-19 cs.CY cs.IR
Modeling Long-term User Behaviors with Diffusion-driven Multi-interest Network for CTR Prediction
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)
本文提出DiffuMIN模型,通过面向目标的多兴趣提取、扩散生成增强兴趣和对比学习,解决两阶段CTR预测模型丢失多样化兴趣的问题,并在离线与在线实验中取得显著提升。
2025-09-19 cs.IR
Consensus-Driven Group Recommendation on Sparse Explicit Feedback: A Collaborative Filtering and Choquet-Borda Aggregation Framework
Hanoi University of Business and Technology(河内工商大学);Intracom University, Vietnam(越南 Intracom 大学);Pitech lab, Hanoi, Vietnam(河内 Pitech 实验室);Appen Data Technology, Vietnam(越南 Appen 数据技术公司);Hai Phong University, Vietnam(越南海防大学)
本文提出一种融合协同过滤与模糊聚合的群体推荐框架,通过改进的相似度度量和Choquet积分提升稀疏反馈下的共识稳定性与公平性。
2026-01-14 cs.IR