Propagation-aware Social Recommendation by Transfer Learning
University of Technology Sydney（悉尼科技大学）；Northeastern University（东北大学）
社会感知推荐方法被认为是解决传统推荐系统数据稀疏性问题的有效途径。背后的假设是，社交用户-用户连接中的知识可以被共享并转移到用户-项目交互的领域，从而帮助学习用户偏好。然而，大多数现有的方法在迁移学习过程中仅仅采用用户之间的一阶联系，而忽略了更高阶的联系。我们认为，更好的推荐性能也可以受益于高阶社会关系。提出了一种基于社会关系传播的学习感知迁移学习网络（PTLN）。我们的目标是更好地挖掘隐藏在社交网络中的共享知识，从而进一步提高推荐性能。具体而言，我们从两个方面探讨了社会影响：（a）更高级别的朋友已经被考虑的顺序偏差;（b）在同一顺序的不同朋友将有不同的重要性推荐的注意力机制。此外，我们设计了一种新的正则化，以弥合社会关系和用户-项目交互之间的差距。我们在两个真实世界的数据集上进行了广泛的实验，并在排名准确性方面击败了其他同行，特别是对于历史交互很少的冷启动用户。
2021-07-10 cs.AI cs.IR cs.LG
"And the Winner Is...": Dynamic Lotteries for Multi-group Fairness-Aware Recommendation
University of Colorado, Boulder（科罗拉多大学博尔德分校）；Tulane University（杜兰大学）；DePaul University（德保罗大学）；IBM Watson Research Center（IBM沃森研究中心）
随着推荐系统的设计和部署越来越多的社会后果的应用程序，它已成为重要的是要考虑这些系统的公平性。关于推荐的公平性已经有了相当多的研究。然而，我们认为，以前的文献一直是基于简单的，统一的，往往是一维的公平假设的概念，不承认现实世界的复杂性，公平意识的应用程序。在本文中，我们明确表示的设计决策，进入多个定义和交叉保护组的准确性和公平性之间的权衡，支持多个公平性指标。该框架还允许推荐器调整其性能的基础上，已交付的建议，在一个时间范围内的历史视图，动态重新平衡公平性的关注。在这个框架内，我们制定了基于彩票的公平性问题之间的选择机制，并证明了他们的性能在两个推荐域。
2020-09-05 cs.AI cs.IR cs.LG
Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants
Burger King Corporation（汉堡王公司）；Intel Corporation（英特尔公司）；Brown University（布朗大学）
得来速是快餐业中流行的销售渠道，消费者可以在不离开汽车的情况下购买食品。得来速推荐系统允许餐馆在客人点菜时在数字菜单板上显示食物推荐。电子商务场景中流行的推荐模型依赖于用户属性（如用户简档或购买历史）来生成推荐，而在得来速用例中很难获得此类信息。因此，在本文中，我们提出了一个新的推荐模型Transformer交叉Transformer（TxT），利用客人的订单行为和上下文功能（如位置，时间和天气）使用Transformer编码器的驱动器通过建议。实证结果表明，我们的TxT模型在汉堡王的得来速生产环境相比，现有的推荐解决方案取得了优异的成绩。此外，我们还实现了一个统一的系统，在同一个集群上运行端到端的大数据分析和深度学习工作负载。我们发现，在实践中，为整个管道维护单个大数据集群更有效，更节省成本。我们的推荐系统不仅对得来速场景有益，而且还可以推广到其他客户交互渠道。
2020-10-13 cs.AI cs.IR cs.LG
Memory efficient location recommendation through proximity-aware representation
Shenzhen Institute of Information Technology（深圳信息职业技术学院）
针对位置推荐中地理信息利用有限和数据稀疏问题，提出基于自注意力架构的PASR模型，通过重要性采样损失函数和地理编码器整合地理信息，在三个真实LBSN数据集上超越现有方法。
2023-10-24 cs.AI
Multi-Item-Query Attention for Stable Sequential Recommendation
Hong Kong University of Science and Technology（香港理工大学）
针对序列推荐中单一最近物品查询易受交互噪声影响的问题，本文提出可即插即用的 MIQ-Attn，通过多物品查询增强稳定性、一致性与准确性。
2025-09-29 cs.AI cs.IR cs.LG
Unmasking Gender Bias in Recommendation Systems and Enhancing Category-Aware Fairness
Deakin University（迪肯大学）
本文提出一套细粒度类别感知指标量化推荐系统性别偏见，并用作正则化项训练，在三个数据集上验证其能显著提升公平性且不损性能。
2025-02-25 cs.AI cs.CY cs.HC
TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers
Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（悉尼科技大学）；Ctrip.com International Ltd（携程国际有限公司）
目前，大多数关于推荐系统公平性的研究都是从消费者的角度或者从产品（或服务）提供商的角度进行的。但是，这种做法忽略了一个事实，即当一方的公平得到保证时，另一方的公平和权利很可能会减少。在本文中，我们考虑推荐场景的角度来看，双方（客户和供应商）。从供应商的角度考虑推荐系统中供应商曝光的公平性。对于客户，我们考虑由于引入公平性措施而导致的推荐结果质量降低的公平性。从理论上分析了推荐质量、用户公平性和提供商公平性之间的关系，并设计了一个面向用户和提供商的双边公平性感知推荐模型（TFROM）。具体来说，我们设计了两个版本的TFROM离线和在线推荐。在三个真实数据集上验证了该模型的有效性。实验结果表明，TFROM提供了更好的双边公平性，同时仍然保持了更高水平的个性化比基线算法。
2021-04-19 cs.AI
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
Dynamic Context-Aware Prompt Recommendation for Domain-Specific AI Applications
Microsoft（微软）
本文提出一种动态上下文感知提示推荐系统，结合查询分析、检索增强、分层技能组织与自适应排序，为领域特定AI应用生成高质量提示，实验验证其高有用性和相关性。
2025-07-08 cs.AI
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University（同济大学）
本文提出TME-PSR模型，整合时间感知个性化、多兴趣个性化和解释个性化，以提升个性化序列推荐的准确性和解释质量，通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University（宾夕法尼亚州立大学）
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题，提出ESMR框架，融合Transformer情绪预测与混合推荐策略，兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）；Carnegie Mellon University（卡内基梅隆大学）
为了解决传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱来补充辅助信息成为近年来的研究热点。然而，在现有的基于KG的RS模型中，简单地集成KG并不一定能保证提高推荐性能，这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此，这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中，我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导（CG-KGR）。CG-KGR是一种新的知识感知推荐模型，通过我们提出的协作指导机制，可以充分和一致地学习知识组和用户-项目交互。具体来说，CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导，以提取信息的KG，最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验，即，Top-K推荐和点击率（CTR）预测。实验结果表明，CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning
Lenovo Research（联想研究院）
针对大语言模型推荐中语义空间偏差、协同信息捕捉不足的问题，提出图感知学习框架GAL-Rec，通过模仿GNN多跳信息聚合增强协同语义理解，在三个真实数据集上提升了推荐性能。
2024-06-19 cs.AI cs.IR
CSSR: A Context-Aware Sequential Software Service Recommendation Model
Northeastern University（东北大学）；RMIT University（皇家墨尔本理工大学）
我们提出了一种新的软件服务推荐模型，以帮助用户在GitHub中找到合适的存储库。我们的模型首先设计了一种新的上下文诱导的存储库图嵌入方法，利用丰富的上下文信息的存储库，以减轻数据稀疏性问题所造成的困难。然后，它首次在软件服务推荐字段中利用用户与存储库交互的序列信息。具体而言，采用基于深度学习的顺序推荐技术来捕获用户偏好的动态。针对一系列现有方法，对从GitHub收集的大型数据集进行了全面的实验。结果说明了我们的方法在各个方面的优越性。
2021-12-20 cs.AI cs.IR
Boosting Knowledge Graph-based Recommendations through Confidence-Aware Augmentation with Large Language Models
University of Science and Technology of China（中国科学技术大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出CKG-LLMA框架，通过LLM子图增强、置信度感知消息传播和双视图对比学习，将大语言模型与知识图谱结合以提升推荐质量，并在多个公共数据集上验证了其有效性。
2025-02-06 cs.AI cs.IR
Uncertainty-aware Generative Learning Path Recommendation with Cognition-Adaptive Diffusion
Xihua University（西华大学）
本文提出U-GLAD模型，通过概率分布建模认知状态，利用多头注意力和目标特定变换生成个性化嵌入，采用生成扩散模型预测最优概念的潜在表示，有效解决历史交互不确定性问题。
2026-04-16 cs.AI cs.IR
Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation
Shanghai Jiao Tong University（上海交通大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对概念推荐中人类知识体系融入不足及LLM文本编码适配难的问题，提出SKarREC框架，结合LLM知识与知识图谱关系构建概念表示，通过基于图的对比学习适配器实现适配，实验验证其有效性。
2024-05-21 cs.AI cs.IR
Hierarchical and Contrastive Representation Learning for Knowledge-aware Recommendation
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Intel Labs China（英特尔中国实验室）；University of Chinese Academy of Sciences（中国科学院大学）
针对知识感知推荐中递归传播导致的邻居指数扩张和过度平滑问题，本文提出HiCON框架，通过分层消息聚合与跨阶对比学习提升节点表示判别性，并在三个数据集上验证了其优越性。
2023-04-15 cs.AI cs.IR
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而，现有的新闻推荐方法大多只关注推荐准确率，而忽略了多样性。重新排序是一种广泛使用的后处理技术，以促进顶部推荐结果的多样性。然而，推荐模型并不完美，并且错误可能在级联推荐算法中传播和放大。此外，推荐模型本身并不具有多样性，这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中，我们提出了一种名为LeaDivRec的新闻推荐方法，这是一个完全可学习的模型，可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法，通常是基于点或成对排序，在LeaDivRec中，我们提出了一个更有效的列表式新闻推荐模型。更具体地说，我们提出了一个置换Transformer来考虑候选新闻之间的相关性，同时可以学习不同的表示相似的候选新闻，以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外，我们提出了一个多样性感知的正则化方法，以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation
AMAP, Alibaba Group（阿里集团AMAP）
本文提出首个时空感知生成模型Spacetime-GR，通过地理分层POI索引、时空编码模块、多模态嵌入及训练后适配策略，实现大规模在线POI推荐并在准确性与排序质量上超越现有方法。
2025-08-22 cs.AI cs.IR
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱（KG）具有提供明确解释的能力，因此KG上的推理被研究用于可解释的推荐。然而，现有的基于KG的可解释推荐方法忽略了时间信息（如购买时间、推荐时间等），这可能导致不适当的解释。在这项工作中，我们提出了一种新的时间感知路径推理推荐（TPRec为短）方法，它利用时间信息的潜力，提供更好的推荐与合理的解释。首先，提出了一种有效的时间感知交互关系抽取组件，用于构建具有时间感知交互的协同知识图谱（TCKG），然后提出了一种新的时间感知路径推理方法用于推荐。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，TPRec可以成功地利用TCKG，以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
Session-aware Item-combination Recommendation with Transformer Network
Xiaomi Inc.（小米公司）；Tsinghua University（清华大学）
在本文中，我们详细描述了IEEE BigData Cup 2021的解决方案：基于RL的RecSys（轨道1：项目组合预测）。我们首先对数据集进行探索性的数据分析，然后利用这些发现来设计我们的框架。具体来说，我们使用一个基于双头transformer的网络来预测用户反馈和解锁会话，以及提出的会话感知重加权损失，多任务与点击行为预测和会话中的随机性增强。在Kaggle上的最终私人排行榜中，我们的方法排名第二，分类准确率为0.39224。
2021-11-13 cs.AI cs.IR
JobFormer: Skill-Aware Job Recommendation with Semantic-Enhanced Transformer
Nanjing University of Science and Technology（南京理工大学）；Nanjing University（南京大学）；BOSS Zhipin（BOSS直聘）；Hong Kong Polytechnic University（香港理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对职位描述信息缺失及其与用户技能分布的异构鸿沟，提出 JobFormer，用语义增强 Transformer 和两阶段技能感知学习提升职位推荐与 CTR 预测效果。
2024-04-05 cs.AI cs.IR
Market-Aware Models for Efficient Cross-Market Recommendation
University of Amsterdam（阿姆斯特丹大学）
我们考虑跨市场推荐（CMR）的任务，这涉及到在一个低资源的目标市场，使用来自一个更丰富的，辅助源市场的数据的建议。CMR之前的工作利用元学习来提高目标市场的推荐性能;然而，元学习可能很复杂，而且需要大量资源。在本文中，我们提出了市场感知（MA）模型，它通过市场嵌入而不是跨市场的元学习直接对市场进行建模。这些嵌入将项目表示转换为特定于市场的表示。我们的实验突出了MA模型在单个目标源市场的成对设置以及在所有市场上统一训练的全球模型中的有效性和效率。在前一种成对设置中，在nDCG@10的85%的情况下，MA模型的平均表现优于市场未知模型，同时具有时间效率-与元学习模型相比，MA模型只需要15%的训练时间。在全球范围内，MA模型在某些市场上的表现一直优于市场感知模型，而在除一个市场外的所有市场上，MA模型的表现都优于基于元学习的方法。我们的结论是，MA模型是元学习的一种高效和有效的替代方案，特别是在全球范围内。
2023-02-14 cs.AI cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣，而不考虑候选新闻。然而，每个用户通常具有多个兴趣，并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法，该方法可以将候选新闻加入到用户建模中，以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络，使用候选人的新闻作为线索，模型候选人意识的全球用户兴趣。此外，我们提出了一个候选人感知的CNN网络，将候选新闻纳入本地行为上下文建模，并学习候选人感知的短期用户兴趣。此外，我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻，以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
Fairness-Aware Recommendation of Information Curators
本文重点介绍了我们正在努力创建有效的信息策展人推荐模型，可以为个人用户个性化，同时保持重要的公平性。具体地说，我们介绍了信息策展人推荐的问题，提供了一个高层次的公平意识的推荐概述，并介绍了一些初步的实验证据在现实世界的Twitter数据集。最后，我们对未来的方向提出一些想法。
2018-10-03 cs.IR
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模，捕捉用户的动态意图，能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上，而忽略了推荐多样性，尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR，因为它们假设用户意图是静态的，并依赖于后处理的建议列表，以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型，称为意图感知的多样化顺序推荐（IDSR）。具体来说，我们引入了一个隐式意图挖掘模块（IIM）到SR捕捉不同的用户意图反映在用户的行为序列。然后，我们设计了一个意图感知的多样性促进（IDP）损失来监督IIM模块的学习，并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明，IDSR在推荐多样性方面明显优于最先进的方法，同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Market2Dish: Health-aware Food Recommendation
随着肥胖症和糖尿病等疾病发病率的上升，健康饮食正引起越来越多的关注。然而，大多数现有的食品相关的研究工作集中在食谱检索，基于用户偏好的食物推荐，烹饪辅助，或菜肴的营养和热量估计，忽略了个性化的健康意识的食物推荐。因此，在这项工作中，我们提出了一个个性化的健康意识的食品推荐计划，即Market2Dish，映射的成分显示在市场上的健康菜肴在家里吃。建议的计划包括三个组成部分，即食谱检索，用户健康分析和健康意识的食物推荐。特别是，食谱检索的目的是获得可用的成分给用户，然后检索食谱候选人从一个大规模的食谱数据集。用户健康分析是通过获取从社交网络中抓取的与健康相关的文本信息来表征用户的健康状况。具体来说，为了解决健康相关信息非常稀疏的问题，我们将一个词类交互机制纳入到所提出的深度模型中，以学习文本推文和预定义的健康概念之间的细粒度相关性。对于健康感知的食物推荐，我们提出了一种新的类别感知层次记忆网络的推荐学习健康感知的用户食谱的交互更好的食物推荐。此外，大量的实验证明了健康意识的食物推荐计划的有效性。
2020-12-11 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 cs.IR
Enriching Article Recommendation with Phrase Awareness
最近用于推荐系统的深度学习方法非常复杂。对于文章推荐任务，产生文章内容的潜在表示的神经网络编码器将被证明是有用的。然而，使用带有嵌入的原始文本作为模型可能会降低句子的含义并降低性能。在本文中，我们提出了PhrecSys（基于短语的推荐系统），它注入短语级功能到基于内容的推荐系统，以提高功能的信息性和模型的可解释性。在六个月的真实数据上进行的实验表明，短语特征在预测用户点击和查看行为方面提高了基于内容的模型。此外，注意力机制表明，短语意识有利于学习的文本焦点，把模型的注意力放在有意义的文本跨度，这导致可解释的文章推荐。
2018-12-12 cs.IR
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题，以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而，这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此，受深度语义建模的最新发展的启发，我们提出了一个混合的深度语义矩阵分解（HDMF）模型，以进一步提高标签感知个性化推荐的性能，通过集成深度语义建模，混合学习和矩阵分解技术。实验结果表明，HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线，例如，其平均倒数秩（分别，平均精度）为1.52（分别，1.66）倍。
2017-08-12 cs.IR
Context-Aware Sequential Model for Multi-Behaviour Recommendation
针对现有序列推荐多忽略隐式交互、多行为模型难同时捕捉序列模式的问题，提出采用上下文感知多头自注意力与加权二元交叉熵损失的CASM模型，在四个数据集上表现优于当前最优方法。
2023-12-15 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络（LBSNs）（如Foursquare）提供的数据，为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐（CAVR），其另外考虑用户的周围上下文（例如，用户的位置和一天中的时间），以便提供更相关的场所建议。为了解决CAVR的挑战，我们描述了两种方法，利用词嵌入技术来推断矢量空间表示的场地，用户的现有偏好，和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明，我们可以显着提高最先进的场馆推荐方法的有效性，以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而，一篇新闻文章可能涵盖多个方面和实体，并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣，以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器，以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下，知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Attribute-aware Diversification for Sequential Recommendations
用户更喜欢多样化的推荐而不是同质化的推荐。然而，大多数以前的工作顺序推荐不考虑多样性，并争取最大的准确性，导致同质的建议。在本文中，我们考虑到准确性和多样性，提出了一个属性感知的多样化顺序推荐（ADSR）。具体而言，ADSR利用可用的属性信息时，建模用户的顺序行为，同时学习用户的最有可能的项目进行交互，以及他们的属性偏好。然后，ADSR多样化的推荐项目的基础上预测的偏好的某些属性。两个基准数据集上的实验表明，ADSR可以有效地提供多样化的建议，同时保持准确性。
2020-08-03 cs.IR
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题，提出感知多样性的自校正序列推荐网络DivNet，可同时捕捉序列物品交互评估效用并实现推荐多样化，离线在线实验均优于基线方法。
2024-11-01 cs.IR
Item Cluster-aware Prompt Learning for Session-based Recommendation
University of Illinois Chicago（伊利诺伊大学香槟分校）
提出CLIP-SBR框架，通过全局图建模会话内与跨会话项目关系，并用软提示高效整合，在八个模型和三个数据集上稳定提升推荐性能。
2025-05-27 cs.AI cs.IR cs.LG
Fairness-Aware Explainable Recommendation over Knowledge Graphs
Rutgers University（罗格斯大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Washington（华盛顿大学）
最近，人们越来越关注公平性的考虑，特别是在智能决策系统的背景下。特别是可解释的推荐系统，可能会受到解释偏差和性能差异的影响。在本文中，我们分析了不同群体的用户，根据他们的活动水平，发现不同群体之间的推荐性能存在偏见。我们表明，不活跃的用户可能更容易收到不满意的建议，由于不活跃的用户的训练数据不足，他们的建议可能会有偏见的培训记录更活跃的用户，由于协同过滤的性质，这导致系统的不公平待遇。我们提出了一个公平性约束的方法，通过启发式重新排名，以减轻这种不公平的问题，在知识图谱的背景下，可解释的建议。我们在几个真实世界的数据集上进行实验，使用最先进的基于知识图谱的可解释推荐算法。实验结果表明，该算法不仅能够提供高质量的可解释推荐，而且在多个方面降低了推荐的不公平性。
2020-06-28 cs.AI cs.IR cs.SI
Sequence-aware Large Language Models for Explainable Recommendation
University of Science and Technology of China（中国科学技术大学）
本文提出SELLER框架，结合用户行为与物品语义，通过混合专家适配器对齐LLM信号，统一评估框架提升推荐解释质量与实际效用。
2026-03-25 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题，提出将时间戳和间隔纳入考量的新方法TAIW，在三个真实数据集上优于最先进基线，并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入（JCCE），研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上，以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。进一步的实验显示有用的结构，学习嵌入，可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
Intention Adaptive Graph Neural Network for Category-aware Session-based Recommendation
针对电子商务、短视频推荐等场景中用户简档不可见的问题，提出了基于会话的推荐（SBR）方法，用于在短会话内推荐商品。有一个常见的场景，用户指定一个目标类别的项目作为一个全局过滤器，但以前的SBR设置主要考虑项目的顺序，忽略了丰富的目标类别信息。因此，我们定义了一个新的任务，称为类别感知的基于会话的推荐（CSBR），专注于上述情况下，用户指定的类别可以有效地利用推荐系统。为了解决所提出的任务的挑战，我们开发了一种新的方法称为意图自适应图神经网络（IAGNN），它利用项目和它们的类别之间的关系，以实现准确的推荐结果。具体来说，我们构建了一个类别感知的图与项目和类别节点来表示会话中的复杂的过渡信息。利用类别感知图上的意图自适应图神经网络通过将历史交互信息传递到用户指定的类别域来捕获用户意图。在三个真实世界的数据集上进行了广泛的实验，以显示我们的IAGNN在新任务中的性能优于最先进的基线。
2022-04-09 cs.IR
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
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
PAS: A Position-Aware Similarity Measurement for Sequential Recommendation
当具有一定的项目间相似性度量时，常用的基于项目的协同过滤框架就成为一种典型的推荐方法。一方面，我们认识到一个设计良好的相似性度量是提供令人满意的推荐服务的关键。另一方面，推荐系统社区很少研究为顺序推荐设计的相似性度量。因此，在本文中，我们专注于设计一种新的相似性度量称为位置感知相似性（PAS）的顺序推荐。建议PAS是，据我们所知，第一个计数为基础的相似性度量，同时捕获的序列模式，从历史用户行为数据和输入序列内的项目位置信息。我们对四个公共数据集进行了广泛的实证研究，其中我们提出的基于PAS的方法即使与最先进的顺序推荐方法相比也具有竞争力的性能，包括最近的基于相似性的方法和两种基于GNN的方法。
2022-05-19 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型，通过公平感知的映射函数和基于影响函数的重加权方法，在跨域推荐中实现用户群体公平，同时保持推荐准确性。
2023-05-15 cs.IR
HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
Glance
本文提出HASTE框架，通过分层损失和属性特定损失优化生成式推荐，在多领域数据集上提升了推荐性能，使训练收敛速度约提升1倍。
2026-10-14 cs.AI cs.IR cs.LG
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架，融合GeoSoCa、LORE和USG等上下文感知模型，扩展多维度评估并开源，以提升POI推荐的可复现性。
2023-06-20 cs.IR
Dual Side Deep Context-aware Modulation for Social Recommendation
Nanjing University（南京大学）；Hong Kong University of Science and Technology（香港科技大学）
社会化推荐通过利用在线社交网络平台的社会关系来有效地提高推荐性能。用户之间的社会关系提供用于对用户对候选项目的兴趣进行建模的朋友信息并且帮助项目暴露给潜在消费者（即，项目吸引力）。然而，有两个问题没有得到很好的研究：第一，为了用户的利益，现有的方法通常聚集的朋友的信息上下文的候选项目，这种浅的上下文感知聚合使他们遭受有限的朋友的信息。其次，对于物品吸引力，如果物品的过去消费者是目标用户的朋友或与目标用户具有相似的消费习惯，则物品可能对目标用户更具吸引力，但大多数现有方法忽略了关系增强上下文感知的物品吸引力。为了解决上述问题，我们提出了DICER（Dual Side Deep Context-aware Modulation for SocialRecommendation）。具体而言，首先提出了一种新的图神经网络来建模社交关系和协作关系，并在高阶关系之上引入双边深度上下文感知调制来捕获好友信息和项目吸引力。在两个真实数据集上的实验结果表明了该模型的有效性，并进行了进一步的实验，以帮助理解双重上下文感知调制的工作原理。
2021-03-16 cs.AI cs.IR cs.SI
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣，并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是，新闻点击行为可以表明用户的兴趣。然而，在实际场景中，除了用户兴趣与新闻内容之间的相关性之外，新闻点击行为还可能受到其他因素的影响，例如在线平台中新闻呈现的偏差。例如，位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声，影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec，该方法可以处理偏见信息，从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块，一个偏见意识的用户建模模块，和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模，以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型，从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型，其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。在两个真实数据集上的实验表明，该方法能有效地提高新闻推荐的性能。
2021-04-15 cs.IR
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
Multi-Perspective Attention Mechanism for Bias-Aware Sequential Recommendation
organization= College of Computer；Data Science , addressline= Fuzhou University , city= Fuzhou , postcode= 350108 , country= China
针对序列推荐中偏差放大导致马太效应及用户偏好动态捕捉不足的问题，本文提出MABSRec模型，通过重构用户序列、图神经网络物品加权和自适应多偏差视角注意力模块提升推荐准确性。
2025-02-26 cs.AI cs.CL cs.IR
