LLMDistill4Ads: Using Cross-Encoders to Distill from LLM Signals for Advertiser Keyphrase Recommendations at eBay
eBay Inc（eBay公司）
LLMDistill4Ads通过交叉编码器从LLM信号中蒸馏，旨在提升eBay广告商关键词推荐的多样性和准确性。
2026-02-18 cs.AI cs.IR cs.LG
Controllable Safety Alignment: Inference-Time Adaptation to Diverse Safety Requirements
Microsoft Responsible AI Research（微软负责的人工智能研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
提出CoSA框架，通过安全配置在推理时无需重训即可使LLM适应多样化安全需求，并设计CoSAlign方法与CoSApien基准，显著提升模型可控性与实用性。
2025-03-03 cs.AI cs.CL
Full-Stack Optimized Large Language Models for Lifelong Sequential Behavior Comprehension in 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LLM在推荐中难以理解长用户行为序列的问题，提出ReLLaX框架，通过数据、提示和参数三层优化（SUBR、SPA、CFLoRA）增强序列行为理解，实验证明其优于现有基线。
2025-01-23 cs.AI cs.IR
L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation
Netease Cloud Music（网易云音乐）
提出L2Rec方法，通过双视图个性化混合专家机制在参数层面统一行为与语义理解，实现端到端个性化推荐，实验证明优于现有方法。
2026-05-26 cs.AI cs.IR
Unlocking the Potential of Large Language Models for Explainable Recommendations
University of Science and Technology of China（中国科学技术大学）
提出LLMXRec两阶段框架，通过参数高效指令调优和个性化提示技术实现推荐模型与LLM的协作，生成可控流畅解释，实验验证其有效性并开源代码。
2024-01-03 cs.AI cs.IR
Scaling Articulated Rationales for MLLM-based Recommendation
Kuaishou Technology（快手科技）
本研究提出SARA框架，将稀疏的用户可表述理由扩展为工业推荐系统的可扩展信号，通过数据引擎、MLLM对齐和排序集成，提升参与度并减少负面反馈。
2026-09-22 cs.AI cs.IR
AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation
The University of Hong Kong（香港大学）；The Hong Kong Polytechnic University（香港理工大学）；Carnegie Mellon University（卡内基梅隆大学）
AlignGroup 提出通过超图神经网络学习群体共识，并利用自监督对齐任务将群体共识与成员共同偏好对齐，从而同时兼顾群体层面一致性和个体细粒度偏好，在群体推荐和用户推荐任务上均取得最优效果。
2024-09-04 cs.AI cs.IR
SemPOI-RL: Aligning LLM Semantic Reasoning for Interpretable Out-of-Town POI Sequential Generation
State Key Laboratory of Complex & Critical Software Environment（复杂与关键软件环境国家重点实验室）；Beihang University（北京航空航天大学）
SemPOI-RL框架通过微调LLM、引入SPAM模块并结合推荐导向强化学习，实现LLM语义推理与结构化序列生成的对齐，在两个真实数据集上优于传统推荐器和LLM基线，可生成可解释的异地POI序列。
2026-09-01 cs.AI cs.CL
GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models
The Pennsylvania State University（宾夕法尼亚州立大学）；Instacart（因斯塔卡特公司）；Evenup（伊文纳普公司）
针对在线杂货购物推荐系统面临的挑战，提出GROCLM模型。采用基于LoRA的两阶段训练策略及基于前缀树的约束解码机制，在实验中表现出色，在实时生产补货任务中提升了购物车添加量，凸显将大语言模型集成到结构化推荐系统的有效性与实用性。
2026-07-29 cs.AI
Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；Tencent Inc.（腾讯公司）
针对多目标对齐中的“对齐税”和现有单向技术灵活性差的问题，提出可控偏好优化（CPO），通过显式指定不同目标的偏好分数引导模型生成响应，有效减轻对齐税并提升多目标对齐性能。
2024-10-11 cs.AI cs.CL cs.SY
The Adapter-Bot: All-In-One Controllable Conversational Model
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
通过在大型对话数据集上训练大语言模型，在生成连贯和流畅响应的对话模型方面已经取得了相当大的进展。这些模型对生成的响应几乎没有控制，并且错过了两个重要的功能：持续的对话技能集成和无缝地利用不同的知识来源。在本文中，我们提出了适配器机器人，一种对话模型，使用固定的骨干对话模型，如DialGPT（Zhang et al.，2019）并触发按需对话技能（例如，地震响应、天气信息、电影推荐）（Houlsby等人，2019年）。每个适配器都可以独立训练，因此可以在不重新训练整个模型的情况下持续集成技能。根据技能的不同，该模型能够以无缝的方式处理多种知识类型，如文本、表格和图形。对话技能可以通过对话管理器自动触发，也可以手动触发，从而允许对生成的响应进行高级控制。在目前阶段，我们已经实现了12种响应样式（例如，正、负等），8项目标导向技能（如天气信息、电影推荐等），以及个性化和个性化的回应。我们通过与现有的最先进的会话模型进行比较，使用自动评估来评估我们的模型，并且我们已经在adapter.bot.ust.hk发布了一个交互式系统。
2020-10-21 cs.AI cs.CL
Controllable and Content-Based Recommendations
Concordia University（康考迪亚大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）；Laval University（拉瓦尔大学）；Université de Montréal（蒙特利尔大学）；HEC Montréal（蒙特利尔高等商学院）
研究针对传统推荐系统难以解释和控制的问题，提出CCBR框架，基于文本用户简档表示构建推荐，通过文本瓶颈引入可控性，能实现多模态干预，在多数据集上有竞争力且优于基线，证明了用户引导机制有效。
2026-07-24 cs.IR
De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models
University of Southern California（南加州大学）
JobRec通过约束双视角推理解构偏好与资格，提升职位推荐的可控性和匹配质量。
2026-02-03 cs.AI
One Model for All: Multi-Objective Controllable Language Models
Ruhr University Bochum（波鸿鲁尔大学）；Eindhoven University of Technology（埃因霍温理工大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of Liverpool（利物浦大学）
本文提出多目标控制(MOC)，通过引入多目标优化原理训练单个语言模型，使其能根据用户偏好在帕累托前沿生成个性化输出，提升模型可控性、输出质量和泛化能力。
2026-04-06 cs.AI cs.CL cs.LG
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
Controllable and explainable personality sliders for LLMs at inference time
Technical University of Munich, Germany（慕尼黑技术大学）；University of Cambridge, United Kingdom（剑桥大学）；University College Dublin, Ireland（都柏林大学）
本文提出一种模块化框架，通过顺序自适应引导方法实现LLM推理时的可控且可解释的人格控制，通过正交化引导向量提升多维人格调节的精度和效率。
2026-02-10 cs.AI cs.CL
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
Kuaishou Technology（快手科技）；Unaffiliated（无隶属）
提出Taiji框架，通过逆向工程推理和开放拒绝采样生成高质量CoT数据，并采用帕累托最优策略优化（POPO）自适应调整跨域奖励权重，实现LLM语义知识与推荐ID特征的帕累托最优权衡，在快手广告平台部署后服务超4亿日活用户。
2026-06-02 cs.AI cs.CL cs.IR
C-MORAL: Controllable Multi-Objective Molecular Optimization with Reinforcement Alignment for LLMs
University of California, Los Angeles（加州大学洛杉矶分校）；Amazon（亚马逊）
提出C-MORAL框架，通过强化学习后训练结合分组相对优化、属性分数对齐和瓶颈敏感非线性奖励聚合，实现可控多目标分子优化，在C-MuMOInstruct和S$^2$-Bench MolOpt基准上取得最优性能。
2026-05-26 cs.AI cs.LG
From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning
Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）；ETH AI Center（ETH人工智能中心）；Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, Technical University of Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（达姆施塔特技术大学计算机科学系、应用网络安全国家研究中心ATHENE）
提出基于在线强化学习的对齐框架，利用模拟师生互动将7B参数LLM适配为有效导师，平衡教学支持与解题准确率，性能媲美大型专有模型且优于SFT基线。
2025-10-12 cs.AI cs.CL
Future-Conditioned Recommendations with Multi-Objective Controllable Decision Transformer
针对推荐系统未来影响难评估、多目标易冲突及迭代成本高的问题，提出多目标可控决策Transformer模型MocDT，通过离线学习目标到物品序列的映射，实现推理阶段按需生成推荐且性能具竞争力。
2025-01-13 cs.IR
Audio Prototypical Network For Controllable Music Recommendation
针对传统音乐推荐系统黑盒建模缺乏可解释性与可控性的问题，提出音频原型网络，以音乐语义特征原型表示用户偏好，在保持推荐性能竞争力的同时实现了可解释可控的用户画像构建。
2025-07-31 cs.IR eess.AS
DRE: Generating Recommendation Explanations by Aligning Large Language Models at Data-level
本文提出非侵入式DRE框架，在数据级利用大语言模型对齐用户数据与推荐物品，并通过目标感知偏好蒸馏丰富解释，从而为黑盒推荐模型生成准确、以用户为中心的解释。
2024-04-09 cs.IR
Aligning Recommendations with User Popularity Preferences
University of Amsterdam（阿姆斯特丹大学）；Amazon Music（亚马逊音乐）
本文研究推荐系统中的流行偏差问题，提出基于激活引导的SPREE方法，通过量化用户历史流行偏好与推荐流行度的不匹配，提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
Aligning Black-box Language Models with Human Judgments
Amazon（亚马逊）
本文提出一种无需微调、通过线性映射将黑盒大语言模型判断与人类评估者对齐的简单框架，在29个任务上以少量校准样本实现平均142%的一致性提升，并在多个任务上超过人类间一致性。
2025-02-07 cs.AI cs.CL cs.LG
GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation
Anhui University（安徽大学）；Hefei University（合肥大学）；University of Science and Technology of China（中国科学技术大学）
提出GraphLoRA框架，通过在低秩适配路径中嵌入可训练的图消息传递网络，实现结构信号传播，从而深度融合图结构与文本语义，提升LLM推荐性能。
2026-04-20 cs.AI cs.CL
Aligning Model Evaluations with Human Preferences: Mitigating Token Count Bias in Language Model Assessments
University of Michigan（密歇根大学）
本研究针对语言模型评估中令牌计数偏差，提出贝叶斯统计和 t 检验量化及重新校准 GPTScorer 的方法，显著提升与人类评估的一致性，如推荐用例相关系数从 -27.27 升至 44.55。
2024-07-05 cs.AI cs.CL cs.HC
RecSoup: Efficient Model Merging Approach for Controllable Multi-Objective Recommendation
Renmin University of China（中国人民大学）
RecSoup是一种用于可控多目标推荐的轻量级两阶段模型合并方法，可高效动态调整目标权衡，推理延迟较参数生成方法快165--228倍，且能更好地导航帕累托前沿。
2026-10-16 cs.AI cs.IR
Controllable Multi-Interest Framework for Recommendation
Tsinghua University（清华大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
近年来，由于深度学习的快速发展，神经网络在电子商务推荐系统中得到了广泛的应用。我们正式的推荐系统作为一个顺序推荐问题，打算预测下一个项目，用户可能会与。最近的作品通常从用户的行为序列给出一个整体的嵌入。然而，统一的用户嵌入不能反映用户在一段时间内的多种兴趣。在本文中，我们提出了一种新的可控多兴趣框架的顺序推荐，称为ComiRec。我们的多兴趣模块捕获多个用户行为序列的兴趣，可以利用检索候选项目从大规模的项目池。这些项目然后被馈送到聚合模块以获得总体推荐。聚合模块利用可控因素来平衡推荐准确性和多样性。我们在两个真实世界的数据集上进行了实验，亚马逊和淘宝。实验结果表明，我们的框架实现了显着的改进，国家的最先进的模型。我们的框架也已成功部署在阿里巴巴分布式云平台上。
2020-08-03 cs.IR cs.LG stat.ML
LaViC: Adapting Large Vision-Language Models to Visually-Aware Conversational Recommendation
UC San Diego（加利福尼亚大学圣迭戈分校）；Toyota Motor North America, Inc.（北美丰田汽车公司）
提出LaViC框架，通过视觉知识自蒸馏和推荐提示调优，将大型视觉-语言模型适配到对话式推荐，显著优于文本方法和开源基线，并达到专有模型水平。
2025-03-30 cs.AI cs.CV
Editable User Profiles for Controllable Text Recommendation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
提出LACE概念值瓶颈模型，以可编辑用户画像实现可控文本推荐，并通过离线与用户研究验证其推荐质量与可控性。
2023-10-16 cs.CL cs.HC cs.IR
Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation
Shanghai University of Finance and Economics（上海财经大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出贡献-性能公平性及CPFR框架，通过对齐用户贡献与推荐性能，在保持公平的同时激励参与，实验证明其实现了强准确性-公平性权衡。
2026-10-07 cs.IR
Information-Consistent Language Model Recommendations through Group Relative Policy Optimization
本文提出基于群体相对策略优化的强化学习框架，旨在提升语言模型在等效提示下的信息一致性，通过熵基帮助性和稳定性奖励优化模型稳定性。
2026-04-16 cs.AI cs.LG
Script-Strategy Aligned Generation: Aligning LLMs with Expert-Crafted Dialogue Scripts and Therapeutic Strategies for Psychotherapy
University of Amsterdam（阿姆斯特丹大学）；National Institute of Informatics (NII)（日本信息处理研究所）；Tilburg University（蒂尔堡大学）；Southeast University（东南大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Utrecht University（乌得勒支大学）
本文提出脚本-策略对齐生成（SSAG）方法，通过将大语言模型与专家编写的高层治疗策略而非完整脚本对齐，在保持治疗遵循性和可控性的同时，显著减少对专家脚本内容的依赖，并验证了其与完全脚本化LLM相当的治疗效果。
2025-08-19 cs.AI cs.HC
Aligning Large Language Models with Recommendation Knowledge
本文针对大语言模型在推荐任务中缺乏推荐特定知识的问题，提出通过自然语言模拟MIM和BPR生成辅助任务数据并微调LLMs，从而注入推荐知识，在多个任务和领域上显著超越现有基线。
2024-03-30 cs.IR
Middleman Bias in Advertising: Aligning Relevance of Keyphrase Recommendations with Search
本文揭示广告关键词推荐中搜索系统作为中间商的偏差，提出将广告与搜索视为动态系统交互，并比较交叉编码器与双编码器以对齐相关性信号，提升eBay卖家广告效果。
2025-02-14 cs.IR
Beyond Single-Score Ranking: Facet-Aware Reranking for Controllable Diversity in Paper Recommendation
EECS International Graduate Program（电子工程与计算机科学国际研究生项目）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出 SciFACE 框架，通过背景和方法两个独立 facet 模型提升论文推荐的可控多样性，实验显示其在 NDCG@20 上优于 SPECTER 和 FaBLE。
2026-03-11 cs.AI cs.IR
Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce AI研究院）；Beihang University（北京航空航天大学）
针对序列推荐中表示退化导致多样性不足的问题，提出SPMRec方法，通过奇异谱平滑正则化控制退化，平衡推荐性能与多样性，并在四个基准数据集上验证其优越性。
2024-07-19 cs.IR cs.LG
User-controllable Recommendation Against Filter Bubbles
推荐系统通常面临过滤气泡的问题：基于用户特征和历史交互过度推荐同质项目。过滤气泡将沿着反馈回路增长，并无意中缩小用户的兴趣。现有的工作通常通过将目标与准确性（如多样性和公平性）分开来减轻过滤气泡。然而，它们通常会牺牲准确性，损害模型保真度和用户体验。更糟糕的是，用户必须被动地接受推荐策略，并以低效率的方式影响系统，具有高延迟，例如，保持提供反馈（例如，喜欢和不喜欢），直到系统识别出用户意图。这项工作提出了一个新的推荐原型称为用户可控推荐系统（UCRS），它使用户能够主动控制过滤气泡的缓解。功能上，1）UCRS可以提醒用户，如果他们深深地陷入过滤器气泡。2)UCRS支持四种控制命令供用户在不同粒度上缓解气泡。3)UCRS可以响应控制并动态调整建议。调整的关键在于阻止过时的用户表示对建议的影响，这些建议包含与控制命令不一致的历史信息。因此，我们开发了一个cacability增强的用户可控推理（UCI）框架，它可以在推理阶段快速修改基于用户控件的建议，并利用反事实推理来减轻过时的用户表示的影响。在三个数据集上的实验验证了UCI框架可以有效地基于用户控件推荐更多期望的项目，表现出良好的性能w.r.t.准确性和多样性。
2022-04-29 cs.IR
User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations
Rutgers University（罗格斯大学）；Meta Platforms, Inc.（Meta平台公司）；University of Rochester（罗切斯特大学）
本文提出一种结合反事实回顾与前瞻性解释的统一用户可控推荐框架，通过引入可控性复杂度与准确度属性，在MovieLens和Yelp数据集上验证了其有效性，并证明提供控制选项可提升未来推荐准确度。
2023-08-02 cs.IR cs.LG stat.ME
Aligning Hotel Embeddings using Domain Adaptation for Next-Item Recommendation
Expedia Group（亿客行集团）
在在线平台中，通常情况下，同一集团下有多个品牌，这些品牌可能针对不同的客户配置文件，或具有不同的域。例如，在酒店领域，Expedia集团拥有多个品牌，如Brand Expedia、Hotels.com和Wotif，这些品牌要么有不同的旅行者资料，要么与当地环境更相关。在这种情况下，可以在多个品牌的推荐任务中利用的酒店的学习嵌入需要具有可以使用对齐方法诱导的公共嵌入。同时，需要确保这种公共嵌入空间不会降低任何品牌的性能。在这项工作中，我们建立在hotel2vec模型，并提出了一个简单的正则化方法，通过领域自适应调整酒店嵌入不同的品牌。我们还探索了以前用于跨语言嵌入的对齐方法，以对齐不同语言的空间。我们目前的结果，下一个酒店预测使用点击会议从两个品牌的任务。实验结果表明，该方法可以对齐两个嵌入空间，同时在两个品牌中都获得了良好的性能。此外，对于单品牌训练，我们表明，所提出的方法可以显着减少训练时间，提高预测性能。
2021-08-31 cs.IR cs.LG
Aligning Multimodal Sequential Recommendations via Robust Direct Preference Optimization with Sparse MoE
Sun Yat-sen University（中山大学）；Snap Inc（Snap公司）
本文研究了在隐式反馈下直接偏好优化的行为，通过系统实验比较了常见负样本选择策略及其与DPO训练的交互，发现用动态top-K候选池进行随机采样可提升排名性能，原因在于减少错误抑制梯度和保留信息硬信号。
2026-03-31 cs.CL cs.IR
ACE: Anisotropy-Controllable Embedding for LLM-enhanced Sequential Recommendation
Sungkyunkwan University（成均馆大学）
针对LLM生成嵌入的强各向异性问题，提出ACE方法，通过线性自编码器结合L2正则化与重构损失控制嵌入分布，平衡几何均匀性与语义保持，在序列推荐中提升性能。
2026-05-28 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
Routing Between Generative and Collaborative User Profiles: A Serving-Time Gate for Controllable Novelty
DePaul University（德保罗大学）；Comcast Technology AI（康卡斯特技术AI）
本文提出一种服务时路由门控，在协同与LLM生成画像的推荐模型间按需分配用户，在5%NDCG损失预算内提升6.5%的Novelty@10，实现可控新颖性-相关性权衡。
2026-10-01 cs.IR
Paragon: Parameter Generation for Controllable Multi-Task Recommendation
针对推荐系统任务需求动态变化且重新训练成本高的问题，提出Paragon方法，通过参数生成器在测试时生成模型参数，无需重新训练即可适应新任务，计算时间至少减少94.6%。
2025-08-06 cs.IR
Aligning Explanations for Recommendation with Rating and Feature via Maximizing Mutual Information
提出MMI框架，通过互信息度量并强化学习微调解释生成模型，使推荐解释与预测评分和项目特征对齐，提升用户决策满意度。
2024-08-20 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
AlignRec: Aligning and Training in Multimodal Recommendations
Shanghai Jiao Tong University（上海交通大学）；Xiaohongshu Inc.（小红书公司）
本文针对多模态推荐中内容特征与ID特征不对齐的问题，提出AlignRec框架，将推荐目标分解为内容内部、内容与ID、用户与物品三个对齐，并通过预训练统一多模态特征和设计新评估指标，在三个数据集上验证了其优于九个基线方法。
2024-08-01 cs.IR cs.LG
On Practical Diversified Recommendation with Controllable Category Diversity Framework
针对推荐系统回声室效应，提出可控类别多样性框架CCDF，通过两阶段匹配同时提升用户显式与非交互多样性，离线与在线实验验证其有效性。
2024-02-06 cs.IR
A Redundancy Reduction Approach for Controllable Sequential Recommendations
Yandex；Applied AI Institute（应用人工智能研究所）；AXXX；Lomonosov MSU（莫斯科国立大学）；HSE University（高等经济大学）
本文提出一种基于去相关正则化（Barlow Twins）的序列推荐训练框架BT-SR，通过减少特征冗余实现可控的准确性与长尾曝光权衡，并在五个基准上验证了其有效性。
2026-09-22 cs.IR
AlignPxtr: Aligning Predicted Behavior Distributions for Bias-Free Video Recommendations
本文提出AlignPxtr方法，通过分位数映射对齐不同偏差条件下的预测行为分布，从理论上消除偏差与用户兴趣的互信息，并在快手两个平台A/B测试中显著提升用户留存和使用时长。
2025-03-11 cs.IR
Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
本文提出一种结合端到云协作、多模态感知和多智能体编排的框架，有效减少推荐系统中的过度关联和误报，提升用户控制和透明度。
2026-04-19 cs.IR
MDE: Modality Discrimination Enhancement for Multi-modal Recommendation
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Singapore University of Social Sciences（新加坡社会科学大学）
针对多模态推荐中模态特定特征被忽视的问题，提出MDE框架，通过新颖融合模块增强模态差异并引入节点级权衡机制，在三个公开数据集上显著优于现有方法。
2025-02-08 cs.AI cs.IR
LettinGo: Explore User Profile Generation for Recommendation System
Microsoft Corporation（微软公司）；Peking University（北京大学）
LettinGo提出一种利用大语言模型和直接偏好优化生成多样自适应用户画像的框架，通过三阶段流程显著提升推荐准确性、灵活性与上下文感知能力。
2025-06-23 cs.AI cs.IR
