A Model for Using Physiological Conditions for Proactive Tourist Recommendations
Technical University of Munich（慕尼黑工业大学）
移动主动式旅游推荐系统可以根据与游客自身和环境相关的不同情境，为游客推荐最佳选择。在本文中，我们建议利用可穿戴传感器来收集有关游客的健康信息，并使用它们来推荐旅游活动。我们讨论了一系列的可穿戴设备，传感器来推断用户的生理状况，并使用一个流行的自量化移动应用程序的可行性，我们的主要贡献，然后包括一个数据模型来推导可穿戴传感器测量的参数之间的关系，如心率，体温，血压，并使用它们来推断用户的生理状况。然后，该模型可以用于导出旅游活动的类别，以确定应推荐哪些项目。
2019-04-10 cs.HC cs.IR cs.LG
Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation
针对现有基于扩散的序列推荐中序列噪声干扰兴趣理解、模型易生成热门物品的问题，提出DiQDiff，通过语义向量量化提取鲁棒引导、对比差异最大化生成差异化物品，在四个数据集上性能优于基线模型。
2025-02-11 cs.IR
Reply With: Proactive Recommendation of Email Attachments
University of Amsterdam（阿姆斯特丹大学）；Microsoft（微软）
电子邮件响应通常包含附加到邮件正文或内联包含在邮件正文中的项目（如文件或指向外部文档的超链接）。对企业电子邮件语料库的分析表明，当用户将这些项目作为其响应的一部分时，35%的时间内，附加项目已经存在于他们的收件箱或发送文件夹中。现代电子邮件客户端可以基于当前对话的上下文主动地从用户过去的电子邮件中检索相关的可附加项目，并推荐它们以供包括，以减少撰写响应所涉及的时间和精力。在本文中，我们提出了一个弱监督学习框架，用于向用户推荐附加项。由于电子邮件搜索系统是普遍可用的，我们约束的建议任务，制定有效的搜索查询的对话的上下文。查询被提交到现有IR系统以检索相关项目用于附件。我们还提出了一种新的策略，从电子邮件语料库生成标签-而不需要手动注释-可以用来训练和评估查询制定模型。此外，我们描述了一个深度卷积神经网络，当对公开可用的Avocado数据集和通过员工参与计划获得的内部电子邮件的专有数据集进行评估时，该网络在此查询制定任务上表现出令人满意的性能。
2017-11-16 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
MGDiff: Multi-Interest Sequence Recommendation with Masking GNN-Guided Diffusion
MGDiff是结合DSG与PAG机制的多兴趣序列推荐模型，在四个数据集上较基线模型表现更优，可生成准确且无流行度偏差的多样化推荐。
2026-09-03 cs.IR
Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation
针对多模态跨域推荐中多模态信息利用不足、重叠用户稀缺的问题，提出含相似物品探索、协同过滤与重叠用户引导模块的SIEOUG方法，在Amazon数据集上性能超越现有最优模型。
2025-02-22 cs.IR
Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation
University of Arkansas（阿肯色大学）
针对现有扩散推荐系统未引入无分类器引导的问题，本文提出融入无分类器引导的扩散推荐系统，增强底层模型性能，在多数据集多任务多数指标上优于SOTA，且在数据稀疏场景下更具优势。
2024-09-16 cs.CL cs.IR
Addressing Missing Data Issue for Diffusion-based Recommendation
针对序列推荐中观测数据缺失导致扩散模型引导质量下降的问题，提出基于双边汤普森采样的扩散模型TDM，通过模拟缺失数据增强鲁棒性，结合去噪扩散隐式模型提升效率，实验验证了其有效性。
2025-05-18 cs.IR
Dynamic Intention-Aware Recommendation System
推荐系统在过去的几十年里得到了广泛的研究。与此同时，大数据的繁荣正在推动推荐系统发展的根本性变化。在本文中，我们提出了一个动态的意图感知推荐系统，以更好地促进用户找到所需的产品和服务。与以往的工作相比，我们的建议具有以下优点：（1）它考虑到用户的意图和需求，通过意图挖掘技术。通过从历史用户-项目交互中挖掘用户意图，以及从社交媒体和物联网中收集的各种用户数字痕迹，能够利用丰富的在线和离线用户数据提供更满意的推荐;（2）它包含嵌入异构源信息和多个域的共享表示的好处，以全面提供准确有效的推荐;（3）通过捕捉动态影响力，主动及时地推荐产品或服务，可以显著减少用户的参与和努力。
2017-03-10 cs.IR
Enhancing guidance for missing data in diffusion-based sequential recommendation
CARD模型通过双侧汤普森采样和反事实注意力机制，提升扩散生成模型在序列推荐中对缺失数据的引导能力，提高生成质量。
2026-02-13 cs.AI cs.IR
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research（Rappi人工智能研究院）
在这项工作中，我们提出了一个框架，完全依赖于基于聊天的客户支持（CS）的互动预测个人用户的推荐决策。在我们的案例研究中，我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此，我们的主要贡献和目标是使用自然语言处理（NLP）来评估和预测推荐行为，除了使用静态情感分析，我们还利用每个用户的情感动态的预测能力。我们的研究结果表明，与各自的功能可解释性，它是可以预测的可能性，用户推荐的产品或服务，完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG
A Self-Triggered Agentic Push Recommendation System
ByteDance（字节跳动）；Peking University（北京大学）
本文提出端到端自触发智能推送系统STEPS，含规划、执行、过滤智能体，已在抖音部署，可提升用户活跃天数、降低权限禁用率并减少计算开销。
2026-08-04 cs.IR
Proactive Detection and Calibration of Seasonal Advertisements with Multimodal Large Language Models
本文提出PDCaSA季节性广告主动检测与校准研究问题，结合工业系统实践给出问题定义、评估指标等指引，采用多模态大语言模型实现检测，内部基准F1达0.97，并展望其在广告排序系统中的应用价值。
2024-10-16 cs.IR
PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation
Kuaishou Technology（快手科技）
针对生成式推荐模型黑箱化阻碍部署且推理成本高的问题，提出轻量模型PushDualGen，生成语义ID的同时生成可跳过的解释副本，已部署于快手推送系统，使有效播放率升8.50%、不满率降37.70%，优化了内容生态。
2026-08-11 cs.IR
AesRec: A Dataset for Aesthetics-Aligned Clothing Outfit Recommendation
Wuhan University of Technology（武汉理工大学）；York University（约克大学）
AesRec数据集通过系统化的定量美学注释，为开发与美学对齐的服装推荐系统提供了支持，实验表明整合量化美学信息能提升用户审美指导与个性化需求的满足。
2026-02-03 cs.IR
Towards Multi-Subsession Conversational Recommendation
提出多子会话多轮对话式推荐场景MSMCR及新框架MSCAA，通过上下文感知推荐、属性选择策略与对话策略模块协同，有效建模用户跨会话兴趣并主动激活，在四个数据集上验证了有效性。
2023-10-20 cs.IR
RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation
RecThinker通过动态规划和主动工具调用，提升推荐系统中信息获取和推理能力，实现更优的用户-物品匹配。
2026-03-10 cs.IR
Confidence Calibration for Recommender Systems and Its Applications
本论文针对推荐系统置信度度量被忽视的问题，提出基于排序分数的模型校准框架，并展示其在知识蒸馏和呈现条目数量调整中的两个实际应用。
2024-02-26 cs.IR
Improving Federated Graph Recommendation with Semantic Guidance
institutetext（机构）
针对联邦图推荐中跨客户端图表示对齐难的问题，提出利用大语言模型编码的语义信号指导结构表示的选择性聚合，提升推荐准确性。
2026-09-09 cs.AI cs.DB cs.ET
Mobile Multimedia Recommendation in Smart Communities: A Survey
由于互联网宽带接入的快速增长和现代移动设备的激增，各种类型的多媒体（例如，文本、图像、音频和视频）已经变得无处不在地随时可用。移动终端用户通常基于他们的个人兴趣和偏好来存储和使用多媒体内容。然而，诸如存储限制的移动终端挑战已经向用户引入了移动多媒体过载的问题。为了解决这个问题，研究人员开发了各种技术，为移动用户推荐多媒体。在这篇调查论文中，我们从三个智能社区的角度，即移动社会学习，移动事件指南和上下文感知服务，研究移动多媒体推荐系统的重要性。对现有研究的谨慎分析表明，主动的、基于传感器的和混合的推荐系统的实现可以改善移动多媒体推荐。然而，仍然有挑战和开放的问题，如纳入上下文和社会属性，这需要解决，以产生准确和值得信赖的移动多媒体推荐。
2013-12-23 cs.IR cs.MM
Generate What You Prefer: Reshaping Sequential Recommendation via Guided Diffusion
本文提出DreamRec，将序列推荐从学习分类重塑为学习生成范式，利用Transformer编码器与引导扩散模型从历史交互中直接生成理想物品，摆脱负采样并刻画用户真实偏好。
2023-10-31 cs.IR
Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation
本教程综述生成式大型推荐模型的进展、挑战与方向，聚焦数据质量、缩放定律、行为挖掘及训练推理效率。
2025-02-19 cs.IR
A Framework for Lightweight Responsible Prompting Recommendation
IBM Research（IBM研究院）；Washington University in St. Louis（圣路易斯华盛顿大学）；Purdue University（普渡大学）
针对生成式人工智能（GenAI）交互缺乏指导的问题，提出轻量级负责任提示推荐框架，含人工数据集、红队数据集、语义映射模型等组件，助力用户更负责任地与GenAI交互。
2025-03-29 cs.AI cs.IR
Serendipitous Recommendation with Multimodal LLM
本文提出一种分层框架，利用微调后的多模态大语言模型为传统推荐模型提供高层指导，并通过思维链策略发现用户新兴趣，在商业短视频平台上显著提升了推荐惊喜性和用户满意度。
2025-09-22 cs.IR
RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems
Forth AI Singapore（Forth AI新加坡）；Shopee Singapore（Shopee新加坡）；Singapore Uni. of Tech. and Design（新加坡技术与设计大学）
RGAlign-Rec通过闭环对齐框架结合语义推理和增强查询模型，提升电子商务推荐系统的预测准确性和服务质量。
2026-02-13 cs.AI cs.CL cs.IR
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec，通过AI生成器结合用户指令实现内容生成、重新利用与创建，突破传统检索式推荐的局限，并探讨其可信度、发展路线及应用可行性。
2024-02-25 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析，结合活动、多样性与公平性指标及滚动窗口协同过滤训练，揭示用户与推荐系统行为随时间的演变，并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
Xidian University（西安电子科技大学）；Shanghai Fairyland Software Co.,Ltd.（上海仙景软件有限公司）
提出ANCHOR框架，通过智能体模拟用户行为生成真实噪声标签，将推荐去噪转化为监督学习问题，实现高效噪声识别。
2026-08-04 cs.IR
TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation
Tongji University（同济大学）；Shanghai Dewu Information Group Co. Ltd.（上海得物信息集团有限公司）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
TagLLM通过用户兴趣手册和多模态CoT提取构建细粒度标签数据，采用标签知识蒸馏提升小模型生成能力，有效提升笔记推荐的点击率和用户停留时间。
2026-03-23 cs.IR
Exploring Preference-Guided Diffusion Model for Cross-Domain Recommendation
针对跨域推荐中冷启动问题，提出偏好引导扩散模型DMCDR，利用扩散模型显式注入能力整合源域偏好，生成目标域个性化表示，并探索六种变体影响。
2025-01-20 cs.IR
Should We Tailor the Talk? Understanding the Impact of Conversational Styles on Preference Elicitation in Conversational Recommender Systems
本研究针对对话推荐系统（CRSs）偏好获取过程中对话风格的影响空白，通过对照实验对比高参与度、高体贴度及灵活切换三种风格，发现依用户专业知识调整风格可提升满意度与推荐有效性，为CRSs设计提供参考。
2025-04-17 cs.HC cs.IR
Multi-modal clothing recommendation model based on large model and VAE enhancement
Brown University（布朗大学）；Duke University（杜克大学）；University of Houston（休斯顿大学）
本文提出一种结合大语言模型与变分编码器的多模态服装推荐方法，通过融合文本和图像信息并缓解冷启动问题，经消融实验验证其性能优于多种现有推荐方法。
2024-10-20 cs.AI cs.IR
Large Language Models are Learnable Planners for Long-Term Recommendation
University of Science and Technology of China（中国科学技术大学）；Meta AI
针对推荐中RL模型因数据稀缺导致次优的问题，提出双层可学习LLM规划器框架，通过宏观和微观学习分别学习指导与个性化策略，提升了长期推荐的规划能力。
2024-04-26 cs.AI cs.CL cs.IR
DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models
University of Science and Technology of China（中国科学技术大学）；Kuaishou Inc.（快手公司）；Sun Yat-Sen University（中山大学）
针对序列推荐中物品表示与多样性难以同时优化的挑战，提出DimeRec框架，结合指导提取模块与生成式扩散聚合模块，在三个公开数据集及大规模短视频平台上显著提升了推荐效果与多样性。
2024-08-22 cs.IR cs.LG
Hashtag Re-Appropriation for Audience Control on Recommendation-Driven Social Media Xiaohongshu (rednote)
研究探讨了小红书女性创作者如何通过重新挪用标签来屏蔽特定受众，从而在推荐驱动的平台中重新掌握内容分发的能动性，为算法权力结构下的自我治理提供见解。
2025-03-04 cs.CY cs.HC cs.IR
Learning Personalized Prompts for Healthcare Guidance
Huazhong University of Science and Technology（华中科技大学）；Tongji Medical College（同济医学院）；Hubei Maternity and Child Health Care Hospital（湖北省妇幼保健院）
该研究针对现有LLM医疗指导缺乏个性化的问题，提出PPL框架，利用患者自身与同类病例信息构建初始提示并经RL优化，在妇产科数据上获专家97%的偏好，可与专有LLM无缝集成。
2026-09-01 cs.AI cs.CL cs.IR
Towards Personalized Conversational Sales Agents: Contextual User Profiling for Strategic Action
Yonsei University（延世大学）
本文提出对话式销售任务CSALES及智能体CSI，通过推断上下文用户画像并策略性选择行动，在统一框架中整合偏好挖掘、推荐与说服，显著提升推荐成功率和说服效果。
2025-08-07 cs.AI cs.IR
MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention
College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
提出MetaPlate框架，结合反事实解释、机器学习预测和RAG-LLM，生成个性化膳食建议以预防餐后高血糖，经注册营养师评估证明其可行性和有效性。
2026-06-11 cs.AI cs.HC 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
Bridging the Gap: Self-Optimized Fine-Tuning for LLM-based Recommender Systems
Zhejiang University（浙江大学）；OPPO Research Institute（OPPO研究院）；South China University of Technology（华南理工大学）；Intelligence Indeed（智境科技）
提出自优化微调（SOFT）方法，结合引导与微调策略，通过课程学习弥合LLM与推荐知识差距，显著提升推荐准确性。
2025-05-27 cs.AI cs.IR
STEP: Stepwise Curriculum Learning for Context-Knowledge Fusion in Conversational Recommendation
School of Artificial Intelligence Shenzhen University（人工智能学院深圳大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Jinan University（暨南大学）；Central South University（中南大学）
针对现有对话推荐系统难以整合知识图谱信息、捕捉深层语义的问题，提出STEP，通过三阶段课程学习的F-Former融合上下文与知识，并结合双前缀提示调优，在推荐精度和对话质量上优于主流方法。
2025-08-14 cs.AI cs.IR
Enhancing and Scaling Search Query Datasets for Recommendation Systems
JPMorganChase（摩根大通）
本文提出一个面向数字银行推荐系统的生产级数据增强系统，通过合成查询生成、意图消歧和意图缺口分析三个模块缓解冷启动问题并提升推荐精度，在真实环境中验证了显著效果。
2025-08-22 cs.AI cs.IR
Batch versus Sequential Active Learning for Recommender Systems
Imec - WAVES - Ghent University（imec - WAVES - 根特大学）
推荐系统已经研究了很多年，目的是产生尽可能准确的推荐。然而，关于新用户的可用数据往往不足，导致不准确的建议;这个问题被称为冷启动问题。解决方案可以是主动学习。主动学习策略主动选择项目，并要求用户对这些项目进行评分。这样，可以获取详细的用户偏好，并且因此可以向用户提供更准确的推荐。在这项研究中，我们比较了五个主动学习算法，结合三种不同的预测算法，这是用来估计到什么程度的用户会喜欢的项目，要求评级。此外，还测试了两种选择项目的模式：批处理模式（一次选择所有项目）和顺序模式（逐个选择项目）。在评分预测，决策支持，和项目的排名方面的评价的推荐，顺序模式产生最准确的建议密集的数据集。主动学习算法之间的差异很小。对于大多数活跃的学习者来说，最好的预测结果是FunkSVD与顺序模式的结合。
2022-01-19 cs.IR cs.LG
Reinforcement Learning for Strategic Recommendations
Adobe Research（Adobe 研究院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Monash University（莫纳什大学）
战略建议（SR）是指智能代理观察用户的连续行为和活动，并决定何时以及如何与他们进行交互，以优化用户和业务的长期目标。这些系统在行业中处于起步阶段，需要一些基础研究挑战的实用解决方案。在Adobe Research，我们一直在为各种用例实施这样的系统，包括兴趣点推荐、教程推荐、多媒体编辑软件的下一步指导，以及优化生命周期价值的广告推荐。在构建这些系统时存在许多研究挑战，例如对用户的顺序行为建模，决定何时进行干预并提供建议而不打扰用户，以高置信度离线评估策略，安全部署，非平稳性，从不包含过去建议的被动数据构建系统，多用户系统中的资源约束优化，扩展到大型动态动作空间，以及处理和整合人类认知偏见。在本文中，我们涵盖了各种用例和研究挑战，我们解决了这些系统的实用性。
2020-09-15 cs.IR cs.LG stat.ML
MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model
Imperial College London（伦敦帝国理工学院）
食物推荐系统已被证明是一种有效的技术，为饮食选择提供指导，这对患有慢性疾病的患者尤为重要。与其他多媒体推荐（如书籍和电影）不同，食物推荐任务高度依赖于当前的上下文，因为用户的食物偏好可以随着时间的推移而高度动态变化。例如，人们倾向于在一天的早些时候吃更多的卡路里，在晚餐时吃得少一点。然而，仍然有有限的研究工作，试图结合当前的背景和营养知识的食物推荐。因此，本文提出了一种新的餐厅食物推荐系统，根据用户的特殊营养需求推荐食物菜肴。我们提出的系统利用光学字符识别（OCR）技术和基于transformer的深度学习模型，学习排序（LTR）模型，进行食品推荐。给定菜单的单个RGB图像，系统然后能够根据输入的搜索关键字（例如，卡路里、蛋白质水平）。由于Transformer的特性，我们的系统还可以对看不见的菜肴进行排名。在一个自构造的菜单数据集MenuRank上进行了全面的实验来验证我们的方法。实验结果表明，LTR模型在食品推荐方面具有很大的潜力，其推荐准确率在77.2%~ 99.5%之间。
2022-10-15 cs.IR cs.LG
Towards Topic-Guided Conversational Recommender System
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）；School of Information, Renmin University of China（中国人民大学信息学院）；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。为了开发有效的CRS，高质量数据集的支持至关重要。现有的CRS数据集主要关注用户的即时请求，而缺乏对推荐场景的主动指导。在本文中，我们提出了一个新的CRS数据集命名为\textbf{TG-ReDial}（\textbf{Re}推荐通过\textbf{T} \textbf{G} uided \textbf{Dial} og）。我们的数据集有两个主要特征。首先，它结合了主题线程，以实现向推荐场景的自然语义转换。其次，它是以半自动的方式创建的，因此人工注释更合理和可控。基于TG-ReDial，提出了基于主题的会话推荐任务，并提出了一种有效的会话推荐方法。大量的实验表明，我们的方法的有效性的三个子任务，即主题预测，项目推荐和响应生成。TG-ReDial可在https://github.com/RUCAIBox/TG-ReDial上获得。
2020-11-02 cs.CL cs.HC cs.IR
From Prompting to Alignment: A Generative Framework for Query Recommendation
Baidu Inc.（百度公司）；National Key Laboratory for Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室）；Chinese Academy of Sciences（中国科学院）
本文提出通用生成式查询推荐框架GQR，通过统一提示、CTR列表级偏好对齐及共现查询辅助信息，将大语言模型与用户偏好和主动性对齐，以解决冷启动、长尾及通用性不足问题。
2025-07-05 cs.IR cs.LG
Dynamic Evaluation Framework for Personalized and Trustworthy Agents: A Multi-Session Approach to Preference Adaptability
University of Washington（华盛顿大学）；University of Tsukuba（筑波大学）
本文提出一种多会话动态评估框架，通过模拟用户画像和LLM驱动的迭代评估，系统衡量个性化智能体在偏好适应性、主动性和可信性方面的推荐表现。
2025-03-08 cs.AI cs.IR
Deep Adversarial Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
随着社交网络对人们日常生活的影响越来越大，近年来，社会推荐技术得到了快速发展，以提高推荐系统的性能。大多数现有的社会化推荐方法统一了用户-项目交互（项目域）和用户-用户连接（社会域）的用户表示。然而，它可能会限制用户在各自领域的表示学习，因为用户在两个领域中的行为和交互不同，这使得他们的表示是异构的。此外，大多数传统的推荐系统不能有效地优化这些目标，因为他们利用负采样技术，这是无法提供足够的信息指导训练过程中的优化过程。在本文中，为了解决上述挑战，我们提出了一种新的深度对抗性社交推荐框架DASO。它采用双向映射的方法来传递用户的信息之间的社会域和项目域使用对抗学习。在两个真实数据集上的综合实验表明了该框架的有效性。
2019-05-30 cs.IR cs.LG cs.SI
