A Food Recommender System in Academic Environments Based on Machine Learning Models
Tarbiat Modares University(塔比阿特·莫达雷斯大学)
本文针对大学环境中的饮食健康问题,构建了结合协同过滤、基于内容和基于知识的混合食物推荐系统,对比了多种机器学习模型,发现AdaBoost在准确率上表现最佳(73.70%)。
2023-06-26 cs.IR cs.LG
Hierarchical Attention Network for Visually-aware Food Recommendation
食物推荐系统在帮助用户确定想要吃的食物方面起着重要的作用。决定吃什么食物是一个复杂而多方面的过程,它受到许多因素的影响,如成分,食谱的外观,用户对食物的个人偏好,以及各种背景,如在过去的饭菜中吃了什么。在这项工作中,我们制定的食物推荐问题,预测用户偏好的食谱上的三个关键因素,确定用户的选择上的食物,即:1)用户的(和其他用户的)历史; 2)配方的成分;和3)的描述性图像的食谱。为了解决这个具有挑战性的问题,我们开发了一个专用的基于神经网络的解决方案层次注意力的食物推荐(HAFR),它能够:1)捕捉协同过滤效果,如类似的用户倾向于吃什么; 2)推断用户的偏好在成分水平;和3)学习用户偏好从食谱的视觉图像。为了评估我们提出的方法,我们构建了一个由AllRecipes.com的数百万评级组成的大规模数据集。大量的实验表明,我们的方法优于几个竞争的推荐解决方案,如因子分解机和视觉贝叶斯个性化排名的平均提高了12%,在预测用户对食物的偏好提供了有希望的结果。代码和数据集将在验收后发布。
2019-01-06 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
Yum-me: A Personalized Nutrient-based Meal Recommender System
Cornell University(康奈尔大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Weill Cornell Medical College(威尔康奈尔医学院)
基于营养的膳食建议有可能帮助个人预防或管理糖尿病和肥胖等疾病。然而,了解人们的食物偏好,并提出建议,同时吸引他们的口味和满足营养期望是具有挑战性的。现有的方法要么只学习高级偏好,要么需要很长的学习时间。我们提出了Yum-me,一个个性化的基于营养的膳食推荐系统,旨在满足个人的营养期望,饮食限制和细粒度的食物偏好。Yum-me通过一个基于视觉测验的用户界面实现了一个简单而准确的食物偏好分析程序,并将学习到的个人资料投射到营养适当的食物选项领域,以找到对用户有吸引力的食物。我们提出的设计和实现的Yum-me,并进一步描述和评估两个创新的贡献。第一个贡献是一个开源的最先进的食品图像分析模型,名为FoodDist。我们通过仔细的基准测试展示了FoodDist的卓越性能,并讨论了其在各种饮食应用中的适用性。第二个贡献是一个新的在线学习框架,学习食物偏好的项目和成对的图像比较。我们评估的框架在227个匿名用户的实地研究,并证明它优于其他基线的显着保证金。我们进一步通过60人的用户研究对Yum-me的可行性和有效性进行了端到端验证,其中Yum-me将推荐接受率提高了42.63%。
2017-04-30 cs.AI cs.CV cs.HC
MATURE-HEALTH: HEALTH Recommender System for MAndatory FeaTURE choices
Iowa State University(爱荷华州立大学)
本文提出 MATURE Health 健康推荐系统,结合近期化验结果、日常饮食与 MATURE Food 算法,用 Random Forest 预测透析患者钠、钾和 BUN 失衡并推荐满足必需营养的食物。
2023-04-20 cs.AI cs.IR cs.LG
Characterizing and Predicting Repeat Food Consumption Behavior for Just-in-Time Interventions
Singapore Management University(新加坡管理大学);National Taiwan University(台湾大学)
人类是习惯的动物。在日常生活中,人们倾向于在几天内重复食用类似类型的食物,并且当消费变得过于单调时偶尔切换到食用不同类型的食物。然而,新的和重复的消费行为还没有被研究在食品推荐的研究。更重要的是,预测个人日常饮食习惯的能力对于提高食物推荐系统在促进健康生活方式改变方面的有效性至关重要。在这项研究中,我们使用来自一个名为MyFitnessandum(MFP)的流行在线健身社区的大规模消费数据来分析重复食物消费的模式,对各种最先进的算法进行离线评估预测第二天的食物消费,并分析它们在不同人口统计群体和背景下的表现。实验结果表明,结合探索和开发和时间动态的算法是更有效的第二天推荐任务比大多数国家的最先进的算法。
2019-09-17 cs.CY cs.IR cs.LG
MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation
Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究针对重复订单食品配送推荐,提出MARS模块化多智能体重排框架,分两阶段推荐,结合多种信号与推理。通过实验评估,贡献包括给出集成框架、证明预训练主干结合轻量级检索有竞争力、建立可重现评估设置。
2026-07-29 cs.AI cs.IR
An Algorithm for Recommending Groceries Based on an Item Ranking Method
Praxis Business School(Praxis商学院)
本研究提出一种新的网上购物推荐系统算法。该算法是基于这样的观点,因为杂货物品通常是批量购买的,杂货推荐系统应该能够批量推荐物品。该算法根据添加到篮子中的物品计算出用户可能烹饪的菜肴,并相应地推荐配料。我们的算法不依赖于用户评分。顾客通常没有耐心对他们购买的食品进行评价。因此,需要设计不依赖于用户评级的算法。该算法不使用蛮力搜索,而是将搜索空间限制为仅几个可能的食物类别的集合。每一种食物又分为几个小类。例如,“炒饭”和“印度香饭”是属于食物类别“米饭”的食物子类别。对于每个食品类别,项目根据它们如何区分食品子类别进行排名。对于激活的搜索空间中的每个食物子类别,该算法附加一个分数。分数是根据添加到篮子中的项目的排名计算的。一旦分数超过阈值,其对应的子类别将被激活。然后,该算法使用一个篮子食谱相似性措施,以确定最好的食谱匹配内激活的子类别。这在很大程度上减小了搜索空间。我们可以说,该算法在某种意义上类似于基于内容的推荐系统,但它不受限制的内容,过度专业化,或新用户的问题。
2021-05-03 cs.IR cs.LG
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
A Business Zone Recommender System Based on Facebook and Urban Planning Data
我们介绍了ZoneRec-一个针对城市实体商业的区域推荐系统,它使用了Facebook的公共商业数据和城市规划数据。该系统由机器学习算法组成,这些算法接受企业的元数据,并输出一个推荐区域列表,以在其中建立业务。我们评估我们的系统使用的数据在新加坡的食品企业,并评估不同的功能组的推荐质量的贡献。
2016-11-21 cs.IR cs.SI
Investigating Health-Aware Smart-Nudging with Machine Learning to Help People Pursue Healthier Eating-Habits
University College Dublin(都柏林大学学院);School of Computer Science(计算机学院)
食物选择和饮食习惯直接有助于我们的长期健康。这使得食品推荐系统成为解决全球肥胖和营养不良危机的潜在工具。在过去的十年里,人工智能和医学研究人员越来越多地投资于研究工具,这些工具可以指导和帮助人们在食物和饮食方面做出健康和深思熟虑的决定。在许多典型的推荐系统领域,智能轻推已经被证明可以有效地塑造用户的消费模式。近年来,知识性的推动和激励选择也开始在食品领域受到关注。为了开发智能推动以促进更健康的食物选择,我们将机器学习和RS技术与世界卫生组织、食品标准局和英国国家卫生服务局等公认的卫生组织的食品健康指南相结合。在本文中,我们讨论了我们的研究,有说服力的可视化,使用户意识到推荐食谱的健康。在这里,我们提出了三种新的推动技术,WHO-气泡滑块,FSA-ColorCoading和DRCI-MLCP,鼓励用户选择更健康的食谱。我们还提出了一个基于主题建模的份量推荐算法。为了评估我们提出的智能轻推,我们进行了一项在线用户研究,有96名参与者和92250个食谱。结果表明,在食物决策过程中,适当的健康线索使用户更有可能点击,浏览和选择健康的食谱,而不是不太健康的食谱。
2021-10-05 cs.AI cs.HC cs.IR
Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院)
食物选择是个人的和复杂的,对我们的长期健康和生活质量有重大影响。通过帮助用户做出明智和满意的决定,推荐系统(RS)有可能支持用户做出更健康的食物选择。智能用户建模是实现这一潜力的关键挑战。本文研究了基于Ensemble Topic Modeling(EnsTM)的特征识别技术,用于高效的用户建模和食谱推荐。它基于EnsTM的研究结果,提出了一种简化的数据表示格式和智能用户建模策略,使捕获用户偏好快速,高效和交互。这种方法支持个性化,即使在冷启动场景中也是如此。本文提出了两种不同的EnsTM为基础的和一个混合EnsTM为基础的嵌入式系统。我们通过一项有48名参与者的用户研究,使用230,876个食谱的大规模真实语料库,比较了所有三种基于EnsTM的变体,并与传统的基于内容(CB)的方法进行比较。基于EnsTM的神经网络的性能明显优于CB方法。除了承认多领域的内容,如口味,人口统计和成本,我们提出的方法还考虑到用户的营养偏好,并帮助他们找到不同的营养类别下的食谱。此外,它提供了出色的覆盖范围,并使用户的饮食习惯的隐式理解。随后的分析也揭示了某些特征与更健康的生活方式之间的相关性。
2019-07-31 cs.IR cs.LG
Sports Recommender Systems: Overview and Research Issues
Magistrat Villach(菲拉赫市政厅);Institute of Software Technology (Graz University of Technology)(格拉茨工业大学软件技术研究所)
本文综述体育推荐系统在健康饮食、训练、人才团队、比赛战术及电子竞技等场景中的应用与技术,分析最新进展并指出开放研究问题。
2023-12-06 cs.AI cs.IR
Combining Aspects of Genetic Algorithms with Weighted Recommender Hybridization
推荐系统是用来激励用户观看有趣的电影、发现婴儿名字或阅读书籍的既定手段。通过使用混合方法组合多个推荐算法的结果,推荐质量进一步提高。在本文中,我们专注于将未评分的建议组合成一个单一的合奏的任务。我们所提出的方法的灵感来自遗传算法。它重复地从推荐中选择项目,以创建将用于最终集成的项目群体。我们比较我们的方法与加权投票方法和测试的性能都在电影和名字推荐的情况下。我们在两个数据集上的表现都优于加权方法20.3%和31.1%,并将整体执行时间减少了19.9%。我们的研究结果不仅提出了一种新的杂交方法,但引入领域的推荐杂交进一步工作与遗传算法。
2017-10-27 cs.IR
Towards Generalizable and Efficient Large-Scale Generative Recommenders
Netflix Research(Netflix 研究院)
本文研究大规模生成式推荐模型在生产中的迁移问题,通过缩放定律分析任务依赖性,并提出多令牌预测、采样softmax和语义物品塔等方案解决训练效率、服务延迟和冷启动问题。
2026-08-10 cs.IR
Advancing Sustainability via Recommender Systems: A Survey
本综述系统分析了可持续推荐系统在交通、食品和建筑等领域的实施,阐明其如何推进资源节约与社会影响等可持续性目标,并指出了未来研究方向。
2024-11-12 cs.CY cs.IR
Evolution of Filter Bubbles and Polarization in News Recommendation
最近在新闻推荐方面的研究表明,评论者可能会让用户过度接触那些支持他们先前观点的文章。然而,大多数现有的工作集中在一个静态的设置或在一个短的时间窗口,留下开放的问题的长期和动态的影响,新闻推荐。本文通过对三个研究问题的系统研究来探讨这些动态影响:1)用户在与新闻阅读者长期反复互动后,其新闻阅读行为发生了怎样的变化?2)在这样一个动态推荐系统中,用户的固有偏好是如何随时间变化的?3)现有的SOTA静态方法能否缓解动态环境中的问题?具体而言,我们进行了全面的数据驱动的研究,通过模拟实验的政治极化的新闻推荐的基础上,40,000注释的新闻文章。我们发现,随着推荐系统的发展,用户会迅速接触到更极端的内容。我们还发现,基于校准的干预可以减缓这种两极分化,但为未来的改进留下了重要的机会
2023-01-26 cs.IR
SplitLight: An Exploratory Toolkit for Recommender Systems Datasets and Splits
SB AI Lab, AI Center;SB AI Lab, Applied AI Institute;AXXX, AI Center;SB AI Lab;AXXX, HSE University;SB AI Lab, MSU Research Center
SplitLight是一种开源工具包,用于探索推荐系统数据集和划分策略,通过分析数据统计和可视化帮助研究人员实现可测量、可比较的实验。
2026-02-22 cs.IR cs.LG
Multi-modal Embedding Fusion-based Recommender
Synerise S.A.(Synerise股份公司);Warsaw University of Technology(华沙理工大学)
推荐系统最近在全球范围内流行,主要用于在线交互系统,主要集中在电子商务平台上。我们已经开发了一个基于机器学习的推荐平台,它可以很容易地应用于几乎任何项目和/或动作域。与现有的推荐系统相反,我们的平台支持多种类型的交互数据和多种元数据形式。这是通过各种数据表示的多模态融合来实现的。我们将该平台部署到多个不同类型的电子商务商店,例如食品和饮料,鞋类,时尚用品,电信运营商。在这里,我们介绍我们的系统,它的灵活性和性能。我们还展示了开放数据集上的基准测试结果,这些结果显着优于最先进的现有工作。
2020-05-14 cs.CV cs.IR cs.LG
Measuring Recommender System Effects with Simulated Users
Virginia Tech(弗吉尼亚理工大学);Google(谷歌)
想象一下一个食物推荐系统--我们如何检查它是\emph{causing},培养不健康的饮食习惯还是仅仅反映用户的兴趣?随着时间的推移,用户对推荐系统的体验有多少是由推荐系统的选择和偏见引起的,有多少是基于用户的偏好和偏见?流行度偏差和过滤气泡是两个最好的研究推荐系统的偏见,但大多数以前的研究集中在理解系统的行为在一个单一的推荐步骤。这些偏见是如何与用户行为相互作用的,重复的交互会产生什么类型的用户体验?在这项工作中,我们提供了一个模拟的框架来衡量不同类型的用户行为下的推荐系统的影响。使用这个模拟框架,我们可以(a)从用户偏好中分离推荐系统的效果,以及(b)检查系统如何表现不仅是平均的“平均用户”,而且在非典型用户行为下的极端体验。作为模拟框架的一部分,我们提出了一套评估指标的模拟,以了解推荐系统的行为。最后,我们提出了两个实证案例研究-一个在MovieLens传统的协同过滤和一个大规模的生产推荐系统-了解如何随着时间的推移流行的偏见体现。
2021-01-12 cs.CY cs.IR cs.LG
Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators
Shandong University(山东大学);Renmin University of China(中国人民大学)
提出闭环仿真框架RecLoop,利用LLM用户代理比较生成式与传统推荐器,发现生成式推荐器在暴露层面不易形成信息茧房,但反馈循环仍会导致编码空间集中,且茧房严重程度取决于分词策略和模型规模。
2026-06-17 cs.IR
RecRec: Algorithmic Recourse for Recommender Systems
University of Washington(华盛顿大学);Pinterest, Inc.(品趣志公司);University of Maryland(马里兰大学)
本文提出RecRec,一个面向内容提供商的推荐系统算法补救框架,通过生成有效、稀疏且可操作的行动来修改项目排名,并在三个真实数据集上验证其有效性。
2023-08-28 cs.AI cs.IR cs.LG
Pre-train and Fine-tune: Recommenders as Large Models
The Chinese University of Hongkong, Shenzhen(香港中文大学(深圳));Alibaba Group(阿里巴巴集团)
针对用户兴趣剧变,将推荐系统视为大型预训练模型,提出信息感知自适应核(IAK)技术进行微调,在十亿级平台部署并获显著收益。
2025-01-24 cs.AI cs.IR
Looking for Fairness in Recommender Systems
Department of Computer Science(计算机科学系)
本文探讨了推荐系统中用户、创作者和社会视角的公平性问题,针对“过滤气泡”副作用,提出通过定义多样性性能指标并纳入评估框架来微调系统,以平衡个性化推荐与促进多元文化和观点的社会目标。
2025-07-16 cs.AI cs.IR
ReCODE: Modeling Repeat Consumption with Neural ODE
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对推荐系统中重复消费建模的分布假设局限,提出模型无关框架ReCODE,利用神经ODE捕捉动态消费模式,集成现有模型并在真实数据上显著提升性能。
2024-05-26 cs.AI cs.IR
What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);ISISTAN, CONICET-UNCPBA(ISISTAN,阿根廷国家科学研究委员会-内乌肯国立大学)
本研究评估推荐系统中公平性干预的能耗成本,比较多种方法,发现公平性的绿色成本不统一,呼吁以准确性、公平性和计算成本三方权衡来评估公平感知推荐。
2026-09-09 cs.IR
Modeling Dual Period-Varying Preferences for Takeaway Recommendation
针对外卖推荐中店铺-餐食双重偏好与日内时段偏好变化的挑战,提出DPVP模型,通过双重交互感知模块、时间分解模块及时序门控机制建模偏好,实验效果优于SOTA,已在美团上线提升GMV 0.70%。
2023-06-16 cs.IR
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
Bites of Tomorrow: Personalized Recommendations for a Healthier and Greener Plate
本文提出GRAPE绿色推荐系统,通过两种绿色损失函数主动推荐符合用户偏好的可持续食品,实验验证其有效性。
2025-08-19 cs.IR
Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
Deezer Research(Deezer研究院)
本文提出PISA,一种基于Transformer与ACT-R认知架构的会话级序列推荐系统,通过捕捉用户行为的动态与重复模式,有效预测后续收听歌曲,并在公开与专有数据上验证了重复建模的关键作用。
2024-08-29 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
The Importance of Causality in Decision Making: A Perspective on Recommender Systems
Free University of Bozen-Bolzano(波尔扎诺自由大学);University of Milano-Bicocca(米兰比可卡大学);F. Hoffmann - La Roche Ltd(F. Hoffmann - 罗氏公司);University of Klagenfurt(克拉根福大学)
本文从因果性视角形式化推荐系统问题,利用潜在结果和结构因果模型定义待估计的因果量,并提出通用因果图以推动未来研究。
2024-09-16 cs.AI cs.IR
Mobile Supply: The Last Piece of Jigsaw of Recommender System
The Chinese University of Hongkong(香港中文大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Alibaba Group(阿里巴巴集团)
本文针对推荐系统分页触发机制问题,提出名为 Mobile Supply 的新模块,引入列表价值概念并设计设备感知移动排序方法,通过离线和在线实验验证其能提升端侧推荐性能与用户体验,并已在大型在线食品平台部署获利。
2023-08-09 cs.AI cs.IR
FACTER: Fairness-Aware Conformal Thresholding and Prompt Engineering for Enabling Fair LLM-Based Recommender Systems
University of Southern California(南加州大学)
本文提出公平性感知框架 FACTER,通过共形预测、自适应语义方差阈值和对抗性提示生成,在不重训大语言模型的情况下将推荐系统公平性违规最高降低95.5%,同时保持推荐准确性。
2025-02-05 cs.AI cs.CY 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
Sequence-aware item recommendations for multiply repeated user-item interactions
针对多次重复交互和偏好变化导致传统推荐方法受限的问题,受NLP处理文本序列启发,设计了引入时间维度并考虑用户项目交互序列的推荐系统,在零售环境中实现高精度预测,A/B测试中总销售额增5%、个人支出超50%。
2023-04-02 cs.IR stat.ML
Understanding Echo Chambers in E-commerce Recommender Systems
个性化推荐有利于用户有效地访问感兴趣的内容。目前推荐系统的研究主要集中在基于用户兴趣的推荐上。然而,在理解推荐如何影响用户偏好和行为方面缺少重大努力,例如,建议是否以及如何产生\textit{echo chambers}。在审查在线媒体和社会网络系统中的这一现象方面作出了广泛的努力。与此同时,越来越多的人担心,推荐系统可能会导致用户的兴趣,由于缩小曝光的项目,这可能是回声室的潜在原因自我加强。在本文中,我们的目的是分析回声室现象在阿里巴巴淘宝-一个最大的电子商业平台在世界上。回音室是指通过重复接触类似内容来加强用户兴趣的效果。基于这个定义,我们分两步来检验回声室的存在。首先,我们探讨用户的兴趣是否得到了加强。第二,我们检查强化是否来自类似内容的暴露。我们的评估增强了强大的指标,包括聚类有效性和统计显著性。实验是在大量的真实世界数据上进行的,这些数据包括用户点击、购买和浏览阿里巴巴淘宝的日志。有证据表明,用户点击行为中的回声室倾向,而用户购买行为中的回声室倾向相对减轻。从结果的见解指导在现实世界的电子商业系统中的推荐算法的改进。
2020-07-06 cs.IR cs.SI
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练,比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响,发现重排序策略的作用更大。
2024-08-22 cs.IR
OneTrans-V2: Unifying Retrieval, Pre-rank, and Fine-rank with One Transformer in Industrial Recommender
ByteDance Global E-Commerce Recommendation Foundation Team(字节跳动全球电商推荐基础团队)
OneTrans-V2用一个Transformer统一工业推荐系统的召回、粗排和精排,通过联合训练、稀疏MoE和决策条件生成式召回,提升GMV 9.74%并实现3.2倍吞吐量。
2026-09-25 cs.IR
Recommender systems, stigmergy, and the tyranny of popularity
University of California, Davis(加州大学戴维斯分校);University of California, Merced(加州大学默塞德分校);Santa Fe Institute(圣菲研究所)
本文指出科学推荐系统因过度依赖人气指标导致知识同质化与结构性不平等,提出通过用户特定校准和引入文本嵌入及LLM来增强用户自主性,以构建更稳健动态的信息获取平台。
2025-07-04 cs.AI cs.CY cs.HC
The Application of Affective Measures in Text-based Emotion Aware Recommender Systems
George Mason University(乔治梅森大学);George Mason University Korea(乔治梅森大学韩国分校)
本文提出利用生成式预训练Transformer检测情感特征,构建情感指数与指标,通过责任分离保护隐私,为情感感知推荐系统提供解决方案。
2023-05-04 cs.IR cs.LG
GALA: Generative Aligned Learning for Adaptive Multimodal Representation in the Taobao Shangou Recommender System
Central South University(中南大学)
本文针对外卖推荐系统多模态融合难、语义与行为对齐不足的问题,提出三阶段流程GALA,通过生成式RL对齐阶段弥合预训练-微调差距,在淘宝商购部署后提升了订单量与AUC等指标。
2026-08-03 cs.IR cs.LG
Modeling Spatiotemporal Periodicity and Collaborative Signal for Local-Life Service Recommendation
本文提出SPCS方法,通过时空图Transformer层显式编码相对时空上下文并聚合多跳邻居信息,统一建模本地生活服务推荐中的时空周期性与协同信号,在公开和工业数据集上取得最先进性能。
2023-09-22 cs.IR
Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems
University of Washington(华盛顿大学)
本研究提出一个整合搜索模型与推荐算法的重复博弈框架,通过数值实验发现:收入最大化的推荐系统加剧算法合谋,而效用最大化的推荐系统促进竞争,且推荐集增大在效用最大化下可能降低消费者效用,水平差异化调节该效应。
2024-12-15 cs.AI cs.IR econ.GN
System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes
FAIR at Meta(Meta FAIR实验室)
本文提出一种基于时间点过程的生成模型,通过自激Hawkes过程解耦用户System-1冲动与System-2效用决策,利用用户返回平台的概率推断真实效用,实现基于效用而非单纯参与度的内容优化。
2024-05-29 cs.IR cs.LG stat.ML
Exploring Longitudinal Effects of Session-based Recommendations
基于会话的推荐是一种问题设置,其中推荐系统的任务是仅基于正在进行的会话中的少数观察到的用户交互来做出合适的项目建议。在这样的设置中缺乏关于个体用户的长期偏好信息通常导致有限的个性化水平,其中可能向许多用户推荐一小组流行项目。通过推荐的这种项目子集的这种重复暴露又可能导致随着时间的推移的强化效应,并且导致系统不再能够在期望的程度上帮助用户发现新内容。在这项工作中,我们调查这种潜在的纵向影响,基于会话的建议,在一个基于模拟的方法。具体来说,我们分析了不同类型的算法在多大程度上可能导致随着时间的推移的集中效应。我们在音乐领域的实验表明,所有研究的算法-神经和启发式的-可能会导致较低的项目覆盖率和更高的浓度上的一个子集的项目。然而,额外的模拟实验也表明,相对简单的重新排序策略,例如,通过避免在音乐领域有太多的重复推荐,可能有助于解决这个问题。
2020-08-17 cs.IR
Enhancing Sequential Music Recommendation with Personalized Popularity Awareness
本文针对序列音乐推荐中偏好快速变化和重复聆听问题,提出将用户个性化流行度分数与模型分数融合,显著提升 Transformer 推荐模型性能。
2024-09-06 cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题,提出将媒体框架作为可控维度的推荐多样化方法,首次用三类规范性指标评估,实现未接触框架曝光度最高提升50%,同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
TayFCS: Towards Light Feature Combination Selection for Deep Recommender Systems
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出轻量级特征组合选择方法 TayFCS,通过泰勒展开评分器和逻辑回归消除高效筛选高阶特征组合,在三个基准数据集和在线 A/B 测试中验证了其有效性与商业价值。
2025-07-05 cs.AI 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
Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
Pinterest(Pininterest)
本文提出了一种可扩展的框架,通过代理归因过程和事件聚合流水线,优化大规模推荐系统中的用户留存,提升活跃用户数量0.1%。
2025-11-22 cs.AI cs.IR cs.LG
Bounded (O(1)) Regret Recommendation Learning via Synthetic Controls Oracle
University of Washington(华盛顿大学);Texas A&M University(得克萨斯农工大学)
针对实际推荐系统中线性模型假设难以满足及多种现实问题,本文提出基于合成控制方法(SCM)作为实用放松假设,在理论上实现了有界遗憾推荐学习,并通过模拟实验验证。
2023-06-29 cs.CY cs.IR cs.LG
Exposure-Aware Recommendation using Contextual Bandits
曝光偏差是推荐系统中的一个众所周知的问题,其中物品和供应商在推荐结果中的代表性不相等。当偏差随着时间的推移被放大为几个项目(例如,受欢迎的项目)在推荐列表中被反复过度表示,并且用户与这些项目的交互将随着时间的推移放大对这些项目的偏见,从而导致反馈循环。这个问题已经在基于模型或基于邻域的推荐算法的文献中得到了广泛的研究,但是在在线推荐模型上做的工作较少,例如基于top-K上下文强盗的推荐模型,其中推荐模型根据用户反馈动态更新。在本文中,我们研究了一类著名的上下文强盗算法称为线性级联强盗曝光偏差。我们分析了这些算法处理曝光偏差的能力,并为推荐结果中的项目提供了公平的表示。我们的分析表明,这些算法往往会随着时间的推移放大项目之间的暴露差异。特别是,我们观察到,这些算法不能正确地适应用户提供的反馈,并经常推荐某些项目,即使这些项目没有被用户选择。为了减轻这种偏差,我们提出了一种曝光感知(EA)奖励模型,该模型基于两个因素更新模型参数:1)用户反馈(即,点击与否),以及2)项目在推荐列表中的位置。这样,所提出的模型基于项目在推荐列表中的曝光度来控制分配给项目的效用。实验结果表明,该奖励模型在保持推荐准确率的同时,降低了曝光偏差的长期放大.
2022-09-04 cs.IR