AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System
Peking University(北京大学);HULU LLC(HULU有限责任公司);Alibaba Group(阿里巴巴集团)
近年来,深度学习模型在工业推荐系统中得到了广泛的应用,并提高了推荐质量。虽然任务感知推荐系统已经取得了显著的成功,但其设计通常需要领域专家的手工特征工程和架构工程。为了减轻这些人的努力,我们探索神经结构搜索(NAS)的潜力,并介绍AMEIR的自动行为建模,交互探索和多层感知器(MLP)调查的推荐系统。AMEIR的核心贡献是三级搜索空间和定制的三步搜索管道。AMEIR将完整的推荐模型划分为行为建模、交互探索、MLP聚合三个阶段,并引入了一个新的搜索空间,其中包含三个定制的子空间,覆盖了现有的大多数方法,从而可以搜索到更好的模型。为了高效地找到理想的体系结构,AMEIR在三个阶段逐步实现推荐中的一次随机搜索,并将搜索结果汇总为最终结果。进一步的分析表明,AMEIR的搜索空间可以覆盖大多数有代表性的推荐模型,这证明了我们设计的通用性。在各种场景下的大量实验表明,AMEIR优于精心手工设计的竞争基线和领先的算法复杂的NAS方法,具有较低的模型复杂度和可比的时间成本,表明所提出的方法的有效性,效率和鲁棒性。
2022-06-14 cs.IR cs.LG stat.ML
DTAMLP: Denoise Time-aware MLP for Session-based Recommendation
University of Electronic Sciences and Technology of China(电子科技大学)
本研究针对会话式推荐的零星噪声问题,提出结合权重融合与FFT滤波的全MLP框架DTAMLP,在Diginetica和RetailRocket数据集上验证了两种机制的互补改进效果。
2026-08-14 cs.IR cs.SI
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
Sequential Tag Recommendation
针对现有标签推荐方法未考虑用户偏好的问题,提出基于用户行为序列动态偏好的MLP4STR算法,通过纯MLP结构建模内容交互以提取用户兴趣,提升标签推荐效果。
2023-10-09 cs.IR
An Item Recommendation Approach by Fusing Images based on Neural Networks
Wuhan University of Technology(武汉理工大学)
网络中存在着丰富的信息格式,如评分、文本、图像等,它们代表着用户偏好的不同方面。在推荐领域,如何有效地利用这些数据已成为一个难题。随着神经网络的迅速发展,多模态推荐方法的研究已成为一个重要的方向。在现有的推荐系统中,数字评分、项目描述和评论是研究者考虑的主要信息。然而,项目的特征可能会影响用户的偏好,这很少用于推荐模型。在这项工作中,我们提出了一种新的模型,将视觉因素预测的人的喜好,即MF-VMLP,基于神经协同过滤(NCF)的最新发展。首先,我们通过预先训练的卷积神经网络(CNN)模型获得视觉呈现。为了获得潜在向量和视觉向量之间的非线性交互,我们提出利用多层感知器(MLP)进行学习。此外,MF和MLP的结合,实现了用户和项目之间的协同过滤推荐。我们的实验进行亚马逊的公共数据集的实验验证和均方根误差(RMSE)作为评估指标。在真实数据集上的实验结果表明,该模型在一定程度上提高了推荐性能。
2019-07-04 cs.IR cs.LG
Contrastive Learning for Aspect Representation towards Explainable Recommendation
Toronto Metropolitan University(多伦多都会大学)
本文提出CLARER模型,结合评分与评论方面特征,利用Transformer和对比学习提升推荐准确性与可解释性,在三个基准数据集上优于基线。
2026-10-07 cs.AI cs.IR
CF-KAN: Kolmogorov-Arnold Network-based Collaborative Filtering to Mitigate Catastrophic Forgetting in Recommender Systems
Yonsei University(延世大学);NAVER
针对推荐系统中基于MLP的协同过滤方法易出现灾难性遗忘的问题,提出基于KAN自编码器的CF-KAN方法,在准确率、抗遗忘能力和可解释性上均优于现有最优方法。
2024-09-11 cs.IR cs.LG
REPREC: Representation Driven Parameter-Efficient Recommendation System
The Ohio State University(俄亥俄州立大学);Capital One, AI Foundations(Capital One人工智能基础部)
研究基于大语言模型的序列推荐,提出REPREC轻量级框架,通过轻量级用户表示对齐和MLP注入器映射用户嵌入,在多基准数据集实验中优于LoRA,能保持性能并降低训练时间,平衡推荐质量与计算效率。
2026-08-31 cs.AI cs.IR
Lost in Sequence: Do Large Language Models Understand Sequential Recommendation?
NAVER Corperation(NAVER公司);University of California San Diego(加州大学圣地亚哥分校)
该研究发现现有LLM4Rec模型未充分捕捉序列推荐中的序列信息,提出LLM-SRec方法,通过蒸馏预训练CF-SRec的用户表征增强LLM的序列理解能力,仅训练少量轻量MLP即达SOTA性能。
2025-06-11 cs.AI cs.IR
Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation
Amirkabir University of Technology (Tehran Polytechnic)(阿美里卡布大学(德黑兰理工大学))
针对基于图的序列推荐系统面临的噪声和静态表示问题,提出ALDA4Rec方法,通过社区检测去噪、丰富交互并结合自适应加权策略学习表示,实验表明其在四个数据集上的准确性和鲁棒性优于现有基线。
2025-04-18 cs.AI cs.IR cs.NE
Pyramid Mixer: Multi-dimensional Multi-period Interest Modeling for Sequential Recommendation
针对序列推荐中用户兴趣建模不全面的问题,提出基于MLP-Mixer的金字塔混合器模型,通过跨行为、跨特征及跨周期建模,在离线与在线实验中提升效果,并成功部署于工业平台。
2025-06-20 cs.IR
Maximum In-Support Return Modeling for Dynamic Recommendation with Language Model Prior
Macquarie University(麦考瑞大学);The University of New South Wales(新南威尔士大学)
提出MDT4Rec离线强化学习推荐框架,基于决策Transformer,通过将轨迹拼接移至推理阶段并利用语言模型先验与LoRA微调,在五个数据集及在线模拟中超越现有方法。
2025-10-09 cs.IR
Addressing Cold-start Problem in Click-Through Rate Prediction via Supervised Diffusion Modeling
HiThink Research(HiThink研究院)
本文提出一种有监督扩散模型,在ID嵌入空间与辅助信息空间之间建模扩散过程,并利用变分推断和二元交叉熵联合监督,为新物品生成预热嵌入,从而缓解点击率预测中的冷启动问题。
2025-03-01 cs.AI cs.IR
SIGformer: Sign-aware Graph Transformer for Recommendation
针对现有符号图推荐方法分别处理正负反馈且信息提取能力不足的问题,本文提出SIGformer,通过Transformer架构和两种捕捉谱特性与路径模式的位置编码,实现更全面的符号图推荐。
2024-05-06 cs.IR
Disentangling Past-Future Modeling in Sequential Recommendation via Dual Networks
顺序推荐(SR)是个性化推荐系统的重要组成部分,因为它可以从用户的实时增长行为中捕获动态的、多样化的偏好。与标准的自回归训练策略不同,未来的数据(在训练过程中也可用)已被用于促进模型训练,因为它提供了关于用户当前兴趣的更丰富的信号,并可用于提高推荐质量。然而,这些方法存在严重的训练-推理间隙,即,在训练时,过去和未来的上下文都由相同的编码器建模,而在推断期间仅历史行为可用。这种差异导致潜在的性能下降。为了缓解训练-推理的差距,我们提出了一个新的框架DualRec,它通过一个新的双网络实现了过去-未来的解纠缠和过去-未来的相互增强。具体来说,利用双重网络结构来分别对过去和未来上下文进行建模。双向知识转移机制增强了双网络的知识学习能力。在四个真实数据集上的大量实验证明了我们的方法优于基线方法。此外,我们通过使用RNN,Transformer和filter-MLP作为主干来实例化DualRec的兼容性。进一步的实证分析验证了在我们的DualRec框架下建模未来上下文的高效用。DualRec的代码可在https://github.com/zhy99426/DualRec上公开获得。
2023-01-11 cs.IR
UniDot: A Unified Network for Sequence Modeling and Feature Interaction in Large-scale Recommendation
Meta
UniDot是统一推荐系统中特征交互与序列建模的架构,经特定优化方法训练后,在TAAC KDD Cup 2026工业赛道获亚军。
2026-08-18 cs.AI cs.IR
Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文研究了在极端交互稀疏性下的推荐问题,通过引入伪标签目标提升排名性能,并发现可分离性与准确性之间的权衡。
2026-03-30 cs.AI cs.IR cs.LG
Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation
跨域推荐是推荐系统中的一个研究热点。本文重点介绍了CDR的一个流行的场景,不同的域共享同一组用户,但没有重叠的项目。最近的大多数方法都探索了共享用户表示跨领域的知识转移。然而,共享用户表示的想法诉诸于学习用户偏好的重叠特征,并抑制特定领域的功能。其他作品试图通过MLP映射来捕获特定领域的特征,但需要启发式的人类知识来选择样本来训练映射。在本文中,我们试图以一种更有原则的方式来学习用户偏好的这两个特征。我们假设每个用户在一个域中的偏好可以由另一个域表达,并且这些偏好可以通过所谓的等价变换相互转换。基于这一假设,我们提出了一个等效转换学习器(ETL)模型的联合分布的用户行为跨域。ETL中的等价转换放松了共享用户表示的思想,并允许在不同领域中学习的偏好保留特定于领域的特征以及重叠的特征。在三个公共基准测试上进行的大量实验证明了ETL与最近最先进的方法相比的有效性。代码和数据可在线获取:~ \url{https://github.com/xuChenSJTU/ETL-master}
2022-03-17 cs.IR
SiReN: Sign-Aware Recommendation Using Graph Neural Networks
Yonsei University(延世大学);Chungnam National University(忠南国立大学)
近年来,在提高推荐精度的意义上,已经广泛地研究了诸如图神经网络(GNNs)的使用网络嵌入(NE)的许多推荐系统。然而,这样的尝试主要集中在仅利用具有高评级的积极用户-项目交互的信息。因此,如何利用低评分来代表用户的偏好存在挑战,因为低评分在设计基于NE的推荐系统时仍然可以提供信息。在这项研究中,我们提出了SiReN,一个新的基于GNN模型的标志感知推荐系统。具体而言,SiReN有三个关键组成部分:2)分别通过GNN模型和多层感知器(MLP)为具有正边和负边的划分图生成两个嵌入,然后利用注意力模型得到最终的嵌入; 3)在优化过程中建立了一个符号感知的贝叶斯个性化排序(BPR)损失函数。通过全面的实验,我们经验证明,SiReN始终优于国家的最先进的NE辅助推荐方法。
2022-05-19 cs.AI cs.IR cs.LG
A Heterogeneous Information Network based Cross Domain Insurance Recommendation System for Cold Start Users
互联网正在改变世界,顺应互联网销售趋势将为传统保险公司带来收益。在线保险仍处于发展的早期阶段,其中冷启动问题(潜在客户)是最大的挑战之一。在传统的电子商务领域,已经研究了几种跨域推荐(CDR)方法,以推断冷启动用户在其他领域的偏好。然而,这些CDR方法不能直接应用于保险领域,由于域特定的属性。在本文中,我们提出了一种新的框架称为异构信息网络为基础的跨域保险推荐(HCQs)系统的冷启动用户。具体来说,我们首先尝试学习更有效的用户和项目的潜在功能,在源和目标域。在源域,我们采用门控递归单元(GRU)模块用户的动态兴趣。在目标域中,针对保险产品的复杂性和数据稀疏性问题,基于平安金管家的数据构建了一个保险异构信息网络,将用户、代理人、保险产品和保险产品属性连接在一起,提供了更丰富的信息。然后,我们采用三个层次(关系,节点和语义)的注意力聚合得到用户和保险产品的表示。在获得重叠用户的潜在特征后,通过多层感知器(MLP)学习两个域之间的特征映射。在金管家数据集上进行了HCBNN的应用,结果表明HCBNN的性能明显优于现有的解决方案。
2020-07-30 cs.IR cs.SI
PHKT:Personalized Dynamic Hypergraph-enhanced KAN-Transformer for Multi-behavior Sequential Recommendation
Hangzhou Dianzi University(杭州电子科技大学);School of Computer Science and Technology, Hangzhou Dianzi University(杭州电子科技大学计算机科学与技术学院);Sanya Traditional Chinese Medicine Hospital(三亚市中医医院);Combat Support College, Rocket Force University of Engineering(火箭军工程大学勤务学院);Fuxi AI Lab, NetEase Games, NetEase Inc.(网易伏羲实验室,网易游戏,网易公司)
提出PHKT模型,通过个性化动态超图模块捕获用户特定异构高阶关系,并利用KAN增强Transformer的前馈网络,以提升多行为序列推荐中目标行为预测的性能。
2026-10-30 cs.IR
FusionDeepMF: A Dual Embedding based Deep Fusion Model for Recommendation
ZBW-Leibniz Information Centre for Economics(莱布尼茨经济信息中心);Indian Institute of Technology Patna(印度理工学院巴特那分校)
传统的基于协同过滤(CF)的方法用于了解用户/客户对评级矩阵中的物品或产品的个人偏好。通常,评级矩阵本质上是稀疏的。因此,CF方法有一些改进的变体,它们应用越来越多的边信息来处理稀疏性问题。只有线性核或只有非线性核被应用在大多数可用的解释相关的工作,以了解用户项的潜在特征嵌入数据。仅线性核或仅非线性核不足以从用户的边信息学习复杂的用户项特征。近年来,一些研究者将注意力集中在混合模型上,即用非线性核学习一些特征,用线性核学习一些特征。但是,很难理解哪些特征可以用线性内核或非线性内核准确地学习。为了克服这个问题,我们提出了一种新的深度融合模型FusionDeepMF,该模型的新尝试是:i)同时通过线性和非线性内核学习用户项目评级矩阵和边信息,ii)应用调整参数来确定从线性和非线性内核生成的双嵌入之间的权衡。在在线评论数据集上进行的大量实验表明,与其他基线方法相比,FusionDeepMF可以显着未来。经验证据还表明,与矩阵分解(MF)的线性内核和多层感知器(MLP)的非线性内核相比,FusionDeepMF实现了更好的性能。
2022-10-11 cs.IR cs.LG
Unbiased and Robust: External Attention-enhanced Graph Contrastive Learning for Cross-domain Sequential Recommendation
针对跨域序列推荐中跨域密度偏差和局部注意力局限,提出EA-GCL框架,结合外部注意力编码器和自监督辅助任务,实现无偏且稳健的推荐,实验优于现有基线。
2023-10-17 cs.IR