Movie Recommender Systems: Implementation and Performance Evaluation
多年来,亚马逊、Netflix、潘多拉等电子商务企业目录中的商品数量爆炸式增长,已经保证了推荐系统的开发,以基于消费者的偏好和品味将消费者引导到他们期望的产品。构建推荐系统,挖掘用户,导出输入数据集的一些流行方法是:基于内容的系统,协同过滤,使用奇异值分解(SVD)的潜在因素系统,和限制玻尔兹曼机(RBM)。在这个项目中,用户-用户协同过滤,项目-项目协同过滤,基于内容的推荐,奇异值分解,和神经网络被选择用于在Python中实现,以预测每个用户未观看的电影的用户评分,并评估和比较它们的性能。
2019-09-16 cs.IR
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型,从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性,并开放框架与代码以保证可复现。
2024-10-25 cs.IR
Content-Based Collaborative Generation for Recommender Systems
本文提出专为物品推荐定制的序列到序列框架ColaRec,通过生成标识符统一建模内容信息与协同信号,并利用物品索引任务和对比损失对齐语义与协同空间,在四个基准数据集上取得卓越性能。
2024-11-12 cs.IR
Extending a Tag-based Collaborative Recommender with Co-occurring Information Interests
协同过滤被广泛应用于个性化项目推荐,但其性能受到评分数据稀疏性的影响。为了解决这个问题,最近的系统已经开发,以改善推荐通过提取潜在的因素从评级矩阵,或通过利用信任关系建立在用户之间的社交网络。在这项工作中,我们感兴趣的是评估是否可以使用其他来源的偏好信息比评级和社会关系,以提高推荐性能。具体来说,我们的目标是测试是否经常共同出现的利益信息搜索日志的集成可以提高推荐性能的用户到用户的协同过滤(U2UCF)。为此,我们提出了扩展的基于类别的协同过滤(ECCF)推荐,它丰富了基于类别的用户简档来自与数据类别的评级行为的分析,经常被搜索在一起的人在搜索会话。我们使用一个大的评级数据集和一个广泛使用的搜索引擎的日志来测试我们的模型,以提取兴趣的同现。实验结果表明,ECCF在推荐准确率、MRR、推荐多样性和用户覆盖率方面优于U2UCF和基于类别的协同推荐。此外,它优于SVD++矩阵分解算法的准确性和多样性的推荐列表。
2020-03-30 cs.IR
Req-Rec: Enhancing Requirements Elicitation for Increasing Stakeholder's Satisfaction Using a Collaborative Filtering Based Recommender System
针对需求工程中选取合适需求获取技术的难题,提出以协同过滤和 repertory grid 技术为核心的混合推荐系统Req-Rec,助力需求获取阶段工作,克服传统方法的时间、地域限制及偏差问题,提升利益相关者满意度。
2025-08-02 cs.IR
Infusing Collaborative Recommenders with Distributed Representations
推荐系统帮助用户在复杂的信息空间中导航,并将他们的注意力集中在与他们需求最相关的内容上。这些系统通常依赖于用户活动或内容描述。社交注释系统(其中用户协作地将标签分配给项目)提供了另一种捕获关于用户和项目的信息的手段。这些数据源中的每一个都提供了独特的好处,捕捉不同的关系。在本文中,我们建议利用多个数据源:用户报告他们对一个项目的亲和力的评级数据,标记数据,用户分配注释的项目,和项目数据收集的在线数据库。总而言之,这些数据集提供了通过利用神经网络架构的最新进展来学习丰富的分布式表示的机会。我们首先生成主观地捕捉数据之间有趣关系的表示。然后,我们凭经验评估效用的表示来预测用户对一个项目的评级,并表明它优于更传统的表示。最后,我们证明了传统的表示可以与通过神经网络训练的表示相结合,以实现更好的结果。
2016-08-22 cs.IR
Adapting Large Language Models by Integrating Collaborative Semantics for Recommendation
针对LLM与推荐系统间的语义鸿沟,提出LC-Rec模型,通过学习型向量量化和统一语义映射生成项目索引,并设计对齐调优任务整合协作语义,实现直接生成推荐项目,超越现有基线。
2024-04-19 cs.IR
Kernel-CF: Collaborative filtering done right with social network analysis and kernel smoothing
协同过滤是推荐系统领域最简单但最古老的机器学习算法。尽管它的历史悠久,但它仍然是研究场所的讨论主题。通常人们使用与目标客户的相似度得分大于0的用户/项目来计算算法。然而,经过仔细审查,这可能不是最佳解决方案。在本文中,我们将推荐系统的输入数据转换成一个2-D的社会网络,并应用核平滑计算用户项目评分矩阵中的未知值的偏好。本文将推荐系统的理论框架与非参数统计相结合,给出了一个实现该目标的算法流程和最优参数选择方法。
2023-03-08 cs.IR
Hybrid Recommender System Based on Personal Behavior Mining
推荐系统大多是众所周知的,他们的应用在电子商务网站,大多是静态模型。经典的个性化推荐算法包括Amazon的基于项目的协同过滤算法、Netflix的基于矩阵分解的协同过滤算法等。我们使用阿里巴巴T-mall提供的脱敏移动交易记录来构建一个混合动态推荐系统。序列模式挖掘的目的是在序列数据库中发现频繁的序列模式,并将其应用于该混合模型中,以预测客户的支付行为,从而提高模型的准确性。
2016-07-10 cs.IR
Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems
针对大型语言模型(LLMs)对话推荐系统(CRS)难以利用行为数据的问题,提出首个结合LLMs与协同过滤(CF)的CRAG方法,在Reddit-v2和Redial数据集上实现更优的物品覆盖度和推荐性能,尤其提升了新电影推荐准确性。
2025-02-19 cs.IR
An Investigation on Social Network Recommender Systems and Collaborative Filtering Techniques
如今,随着互联网信息的显着扩展,用户更愿意通过朋友或个人资料的一些建议来获得他们所需要的确切信息,以节省他们的时间和金钱。基于不同算法的推荐系统作为通过互联网实现这一目标的基本方法之一已经被提出,但它们都有自己的优点和缺点。在本研究中,我们选择并实施了两种方法,即协同过滤(CF)和社会网络推荐系统(SNRS)。基于找到一个涵盖友谊,评级和项目类别的数据集的一些限制,我们为10个类别,10个项目和100个用户生成了它,并比较了两种方法。我们使用平均绝对误差(MAE)和精度来比较两种方法的结果,发现SNRS方法,因为它被称为CF的改进版本的工作效率更高。
2017-08-01 cs.IR
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi(德里大学阿查里亚·纳伦德拉·德夫学院);Swami Sharaddhanand College, University of Delhi(德里大学斯瓦米·沙拉德南德学院);University of Delhi(德里大学);Atma Ram Sanatam Dharam College, University of Delhi(德里大学阿特马·拉姆·萨纳坦·达拉姆学院)
在互联网上,网络冲浪者在搜索信息时,总是努力寻找推荐。由于信息领域的日益增长,产生推荐的解决方案变得更加困难。在本文中,我们已经计算基于熵的用户之间的相似性,以实现可扩展性问题的解决方案。利用这个概念,我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上,协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明,从一组有价值的排序者在第一级,只有那些排序者具有较低的熵在第二级比熵在第一级,作为值得信赖的排序者。最后,为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
Collaborative Knowledge Fusion: A Novel Approach for Multi-task Recommender Systems via LLMs
本文提出 CKF 框架,将协同过滤嵌入经个性化元网络映射并注入 LLM,同时用 Multi-Lora 实现多任务知识共享,显著提升多任务推荐效果。
2024-10-28 cs.IR
LLMs as Better Recommenders with Natural Language Collaborative Signals: A Self-Assessing Retrieval Approach
提出SCORE框架,通过自然语言协同信号检索与自评估重排序,提升LLM推荐性能。
2025-05-26 cs.IR
Detecting Abnormal Profiles in Collaborative Filtering Recommender Systems
个性化协同过滤推荐系统(CFRS)是流行的电子商务服务的重要组成部分。在实践中,CFRS也特别容易受到“先令”攻击或“配置文件注入”攻击,由于其开放性。攻击者可以仔细地将选择的攻击配置文件注入CFRS,以便使推荐结果偏向于他们的利益。为了降低这种风险,已经提出了各种检测技术来检测这样的攻击,其使用从用户简档提取的不同特征。然而,依靠有限的特征来提高检测性能似乎是困难的,因为现有的特征不能完全表征攻击特征和真实特征。在本文中,我们提出了一种新的检测方法,使推荐系统抵抗“先令”攻击或“配置文件注入”攻击。现有的特征可以简单地概括为基于评分行为和基于项目分布两个方面。我们首先将问题表述为利用最小二乘近似解找到评分行为和项目分布之间的映射模型。基于训练的模型,我们设计了一个检测器,通过采用回归检测此类攻击。在MovieLens-100 K和MovieLens-ml-latest-small数据集上进行的大量实验验证了我们提出的检测方法的有效性。实验结果验证了我们的方法与基准方法,包括KNN相比,表现出色。
2015-06-23 cs.IR
Hybrid Semantic Recommender System for Chemical Compounds
向特定研究人员推荐感兴趣的化学化合物是一个探索不足的领域。现有的少数几个数据集与研究人员的偏好信息使用隐式反馈。在这一特定领域缺乏推荐系统对开发新的推荐模型提出了挑战。在这项工作中,我们提出了一个混合推荐模型推荐化学化合物。该模型集成了隐式反馈(交替最小二乘(ALS)和贝叶斯个性化排名(BPR))和语义相似性的化学化合物在ChEBI本体(ONO)之间的协同过滤算法。我们在化学化合物的隐式数据集CheRM中评估了该模型。混合模型能够改善最先进的协作过滤算法的结果,特别是对于平均倒数秩,当比较协作过滤ALS和混合ALS_ONO时,增加了6.7%。
2020-01-21 cs.IR
Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
Know-Center GmbH(Know-Center有限公司);Graz University of Technology(格拉茨技术大学)
多媒体推荐系统建议媒体项目,例如,歌曲、(数字)书籍和电影,提供给用户。在本文中,我们研究了这种基于协作过滤的多媒体推荐系统的一个潜在问题,即流行的偏见,导致不受欢迎的项目在推荐列表中的代表性不足。因此,我们研究了四个多媒体数据集,即,LastFm、MovieLens、BookCrossing和MyAnimeList,我们将它们各自分成三个用户组,这三个用户组的受欢迎程度不同,即,LowPop、MedPop和HighPop。使用这些用户组,我们评估了四个合作过滤为基础的算法的流行偏见的项目和用户的水平。我们的发现有三个方面:首先,我们表明,对流行项目不感兴趣的用户往往具有大的用户简档,因此是多媒体推荐系统的重要数据源。其次,我们发现受欢迎的项目比不受欢迎的项目更频繁地被推荐。第三,我们发现,用户很少兴趣到流行的项目收到显着较差的推荐比用户有中等或高的兴趣到流行。
2022-03-01 cs.AI cs.IR
Collaborative Competitive filtering II: Optimal Recommendation and Collaborative Games
推荐系统已经成为帮助在线公司实现其许多战略目标的新武器(例如,以提高销售、收入、客户体验等)。然而,许多现有技术通常通过寻求恢复偏好(例如,估计评级)。本文旨在弥合明确定义的战略目标和不那么合理的代理之间的这一重大差距。我们认为,这是有利的,认为推荐系统作为一个类比的垄断经济市场的系统作为唯一的卖家,用户作为买家和商品的项目。这个新的视角激发了一个博弈论公式的建议,使我们能够确定明确的优化某些战略目标的最佳推荐策略。在本文中,我们回顾和扩展我们以前的工作,合作竞争过滤偏好模型,走向博弈论的框架。拟议框架由两个部分组成。第一,条件偏好模型,其表征用户将如何响应推荐动作;第二,预先知道用户将如何响应,推荐系统应该如何行动(即,战略性地实现其目标。我们展示了如何目标,如点击率,销售收入和消费的多样性,可以明确地在这个框架中进行优化。在一个商业推荐系统上进行了实验,取得了良好的效果。
2012-12-10 cs.IR
Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
本文研究如何结合用户社交关系与评分历史相似性,提出去除异常值的输入处理方法,并基于图卷积协同过滤提升推荐系统的准确率和召回率。
2025-06-03 cs.IR
MetaKRec: Collaborative Meta-Knowledge Enhanced Recommender System
知识图谱(KG)增强推荐在推荐系统(RecSys)中表现出了改进的性能,并引起了相当大的研究兴趣。最近的文献采用神经图网络(GNNs)的协作知识图谱,并建立了一个端到端的KG增强的RecSys。然而,这些方法中的大多数具有三个局限性:(1)将协作知识图谱视为同构图并且忽略项目之间的高度异构关系,(2)缺乏明确地利用丰富的边信息的设计,以及(3)忽略用户偏好中的丰富知识。为了填补这一空白,在本文中,我们探讨了丰富的,异构的项目之间的关系,并提出了一个新的KG增强推荐模型称为协作元知识增强推荐系统(MetaKRec)。特别是,我们专注于建模的项目之间的丰富,异构的语义关系,并构建了几个协作的元知识库,明确地描绘项目的相关性的指导下的元知识。除了从KG中获得的知识之外,我们还利用从用户偏好中提取的用户知识来构建元KG。所构建的元知识库可以从知识图谱和用户偏好中获取知识。此外。我们利用一个轻卷积编码器递归地整合每个协作元KG中的项目关系。该方案允许我们显式地收集项目之间的异构语义关系,并将它们编码到项目的表示中。此外,我们提出了通道注意力融合项目和用户表示从不同的元KG。在四个真实世界的基准数据集上进行了广泛的实验,证明了在常规和冷启动推荐设置上都比最先进的基线有显著的提高。
2022-11-14 cs.IR
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University(武汉大学)
在众多的推荐技术中,协同过滤(CF)是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户(一个项目)作为一个向量的潜在因素(又名。\textit{embedding}),然后根据表示对用户和项之间的交互进行建模。尽管它的有效性,我们认为,这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发,我们提出了一个通用的协同过滤框架DNCF,简称基于双嵌入的神经协同过滤,以利用历史交互来增强表示。除了学习用户(项目)的原始嵌入之外,我们还从交互项目(用户)的角度引入了额外的嵌入,以增强用户(项目)表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性,通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR cs.LG
LiRa: A New Likelihood-Based Similarity Score for Collaborative Filtering
推荐系统数据对数据采掘、机器学习和算法社区提出了独特的挑战。高缺失数据率与推荐系统数据典型的大规模和高维度相结合,需要新的工具和方法来进行有效的数据分析。在这里,我们解决的挑战,在推荐系统中,对于每个用户只有一个小的评级是可用的两个用户之间的相似性评估。我们提出了一个新的相似性得分,我们称之为LiRa,基于用户相似性的统计模型,大规模的,离散值的数据与许多缺失值。我们发现,这个分数,基于似然比,是更有效地识别相似的用户比传统的相似性分数,基于用户的协同过滤,如皮尔逊相关系数。我们认为,我们的方法具有显着的潜力,以提高协同过滤的准确性和可扩展性。
2017-03-20 cs.IR
Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender Systems
Delft University of Technology(代尔夫特理工大学);Skolkovo Institute of Science and Technology(斯科尔科沃科技学院)
针对推荐模型适配新数据需全量重训的问题,提出新型序列协同过滤模型TIRecA,仅用新数据即可增量更新参数、新增用户物品,在四个公开数据集上预测质量与基线相当,训练速度快10-20倍。
2023-12-04 cs.AI cs.IR
Collaborative Group-Aware Hashing for Fast Recommender Systems
Charles Darwin University(查尔斯达尔文大学);University of Electronic Science and Technology of China(电子科技大学);Agency for Science, Technology and Research, Singapore(新加坡科技研究局);Nanyang Technological University(南洋理工大学)
本文提出协同组感知哈希方法,通过整合组信息提升稀疏场景下推荐系统的精度和效率。
2025-12-23 cs.IR
Continual Collaborative Distillation for Recommender System
提出持续协同蒸馏(CCD)框架,通过教师与学生模型在非平稳数据流中持续协同演化,解决推荐系统在动态环境下的高效部署与适应问题,并在真实数据集上验证其有效性。
2024-06-26 cs.IR
Quantitative analysis of Matthew effect and sparsity problem of recommender systems
HC Research(HC研究院);HC Financial Service Group(HC金融服务集团)
推荐系统已经获得了巨大的商业成功。推荐技术在电子商务、在线音乐FM、在线新闻门户等领域得到了广泛的应用,然而与输入数据结构相关的一些问题对推荐系统的性能提出了严峻的挑战。其中两个问题是马太效应和稀疏性问题。马太效应严重地使推荐系统的输出偏向于受欢迎的项目。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一个简单的基准普遍采用的行业作为基线推荐系统的设计。了解协同过滤的底层机制是进一步优化的关键。本文对协同过滤特定上下文环境下的马太效应和稀疏性问题进行了深入的定量分析。我们比较了基于用户和基于项目的协同过滤的基本机制,并为工业推荐系统的构建者提供了见解。
2019-09-24 cs.IR cs.LG
Collaborative filtering, K-nearest neighbor and cosine similarity in home decor recommender systems
本文为DecorRaid公司开发了基于协同过滤、K近邻和余弦相似度的推荐系统框架,通过多视角评估和在线A/B测试,提出解决稀疏性和冷启动问题的混合推荐系统方案。
2024-02-09 cs.IR cs.SI
DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System
针对LLMs与协同模型直接表示对齐的次优问题,提出解耦对齐框架DaRec,通过分离特定与共享表示并进行结构对齐,有效促进了知识迁移并提升了下游推荐任务性能。
2024-12-21 cs.IR
Enhancing Collaborative Filtering Recommender with Prompt-Based Sentiment Analysis
New York University(纽约大学)
协同过滤推荐系统是在线市场和电子商务中的一个重要应用。然而,CF推荐已被证明遭受持续的问题,与稀疏的用户评级,这将进一步导致冷启动问题。现有方法通过应用标记级情感分析来解决数据稀疏问题,该标记级情感分析将文本评论转换为情感分数作为用户评级的补充。在本文中,我们试图优化情感分析与先进的NLP模型,包括BERT和RoBERTa,并实验是否CF推荐已进一步增强。我们在Amazon US Reviews数据集上构建了训练器,并使用传统的微调范式以及新的基于自适应的学习范式来调整预训练的BERT和RoBERTa。实验结果表明,基于RoBERTa预测的情感评分的推荐系统性能最优,与基线推荐系统相比,MAP、NDCG和K点的精确度提高了30.7%.基于情感分析的学习范式虽然在纯情感分析方面优于传统的微调范式,但不能进一步改进CF推荐系统。
2022-07-19 cs.CL cs.IR cs.LG
Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals
ETH Zurich(苏黎世联邦理工学院);Meta AI
MSCGRec通过融合语义和协同信号,提升大规模物品集上的推荐性能。
2026-02-03 cs.IR
A Hybrid Recommender System for Recommending Smartphones to Prospective Customers
Verizon Communications(威瑞森通信)
推荐系统是机器学习系统的一个子类,它采用复杂的信息过滤策略来减少搜索时间并向任何特定用户推荐最相关的项目。混合推荐系统将多种推荐策略以不同的方式结合起来,以发挥它们的互补优势。一些混合推荐系统结合了协同过滤和基于内容的方法来构建更健壮的系统。在本文中,我们提出了一个混合推荐系统,它结合了交替最小二乘(ALS)的协同过滤与深度学习,以提高推荐性能,以及克服与协同过滤方法,特别是有关其冷启动问题的限制。从本质上讲,我们使用ALS(协同过滤)的输出来影响深度神经网络(DNN)的推荐,该网络在大数据处理框架中结合了特征,上下文,结构和顺序信息。我们已经进行了几个实验,在测试所提出的混合架构的有效性,在推荐智能手机给潜在客户,并比较其性能与其他开源路由器。结果表明,该系统的性能优于现有的几个混合推荐系统。
2022-07-19 cs.IR cs.LG
BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System
多武装匪徒(MAB)提供了一个原则性的在线学习方法,以实现勘探和开发之间的平衡。多臂强盗算法由于其优越的性能和低反馈学习而无需学习在多种情况下采取行动,在推荐系统等应用中受到广泛关注。同样,在推荐系统中,协同过滤(CF)可以说是推荐系统中最早和最有影响力的方法。至关重要的是,新用户和不断变化的推荐项目池是推荐系统需要解决的挑战。对于协同过滤,经典的方法是离线训练模型,然后进行在线测试,但这种方法已经不能处理用户偏好的动态变化,即所谓的冷启动。那么在缺乏有效信息的情况下,如何有效地向用户推荐商品呢?为了解决上述问题,一个多臂强盗的协同过滤推荐系统已被提出,命名为BanditMF。BanditMF主要解决多臂Bandits算法和协同过滤中的两个难题:(1)如何解决有效信息稀缺条件下协同过滤的冷启动问题;(2)如何解决强社会关系域中Bandits算法由于独立估计与每个用户相关的未知参数而忽略用户之间的相关性而导致的次优问题。
2022-10-24 cs.IR cs.LG
A Counterfactual Collaborative Session-based Recommender System
针对基于会话的推荐系统忽略会话外混杂因素导致伪相关的问题,提出COCO-SBRS框架,通过自监督预训练与反事实推断学习因果关系,在三个真实数据集上优于十种代表性方法。
2023-05-06 cs.IR
Collaborative Similarity Embedding for Recommender Systems
我们提出了协作相似性嵌入(CSE),一个统一的框架,利用全面的合作关系,可在用户项二分图的表示学习和推荐。在该框架中,我们区分两种类型的邻近关系:直接邻近和k阶邻域邻近。虽然从前者学习利用从图中可观察到的直接用户-项目关联,但从后者学习利用隐式关联,例如用户-用户相似性和项目-项目相似性,这可以提供有价值的信息,特别是当图稀疏时。此外,为了提高可扩展性和灵活性,我们提出了一种采样技术,专门设计用于捕获两种类型的邻近关系。在八个基准数据集上的大量实验表明,CSE比最先进的推荐方法具有更好的性能。
2019-02-19 cs.IR cs.SI
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology(卡努西科技大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM))
随着网络信息的广泛增长,推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明,这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益,同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法,这是一种多方面的后处理偏差缓解算法,可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明,该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果,我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
Beyond Collaborative Filtering: A Relook at Task Formulation in Recommender Systems
本文反思推荐系统研究中将任务简化为静态矩阵缺失值预测的问题,主张回归动态、应用特定的用户决策过程,并结合领域数据集重塑任务定义与评估。
2024-06-23 cs.IR
Joint Neural Collaborative Filtering for Recommender Systems
我们提出了一个推荐系统的J-NCF方法。J-NCF模型应用联合神经网络,该网络将深度特征学习和深度交互建模与评级矩阵相耦合。深度特征学习利用基于用户-项目评级矩阵的深度学习架构提取用户和项目的特征表示。深度交互建模使用由深度特征学习过程生成的特征表示作为输入来捕获与深度神经网络的非线性用户-项目交互。J-NCF使深度特征学习和深度交互建模过程能够通过联合训练相互优化,从而提高推荐性能。此外,我们设计了一个新的优化损失函数,它同时考虑了隐式和显式反馈,逐点和成对损失。在几个真实数据集上的实验表明,J-NCF比最先进的方法有了显著的改进,在MovieLens 100 K数据集上的改进高达8.24%,在MovieLens 1 M数据集上的改进高达10.81%,在Amazon Movies数据集上的改进高达10.21%。NDCG@10分别提高了12.42%、14.24%和15.06%。我们还进行了实验,以评估J-NCF的可扩展性和灵敏度。我们的实验表明,与最先进的基线相比,J-NCF模型具有竞争力的推荐性能与不活跃的用户和不同程度的数据稀疏。
2019-07-10 cs.IR
Deep Variational Models for Collaborative Filtering-based Recommender Systems
Universidad Politécnica de Madrid(马德里理工大学)
深度学习提供了精确的协同过滤模型来改善推荐系统的结果。深度矩阵分解及其相关的协作神经网络是该领域的最新技术;然而,这两种模型都缺乏必要的随机性来创建变分自编码器所展示的鲁棒、连续和结构化的潜在空间。另一方面,由于推荐系统的高稀疏性,通过变分自编码器的数据增强在协同过滤领域中不提供准确的结果。我们提出的模型应用变分的概念,注入随机性的深层架构的潜在空间,引入变分技术在神经协同过滤领域。该方法不依赖于用于生成潜在表示的特定模型。通过这种方式,这种方法可以作为插件应用于任何当前和未来的特定模型。所提出的模型已经使用四个代表性的开放数据集,三种不同的质量指标和最先进的基线进行了测试。结果表明,所提出的方法的优越性的情况下,变分富集超过注入噪声的影响。此外,提供了一个框架,使进行的实验的再现性。
2021-07-27 cs.IR cs.LG cs.NE
BeLightRec: A lightweight recommender system enhanced with BERT
提出BeLightRec轻量级推荐系统,融合协同过滤与BERT语义相似性信号,通过图卷积神经网络优化权重,实现准确推荐并评估各信号贡献。
2025-03-26 cs.IR
FLARE: Fusing Language Models and Collaborative Architectures for Recommender Enhancement
University of Waterloo(滑铁卢大学);Google Research(谷歌研究院)
本文提出混合序列推荐器Flare,通过Perceiver网络集成语言模型与协同过滤模型,在修正基线并引入更大规模数据集评估的同时,验证了其在推荐性能及支持critiquing反馈方面的优势。
2025-03-05 cs.CL cs.IR
COLA: Improving Conversational Recommender Systems by Collaborative Augmentation
The Hong Kong Polytechnic University(香港理工大学)
会话式推荐系统(CRS)的目标是利用自然语言会话向用户推荐合适的产品。了解用户对预期项目的偏好并学习有效的项目表示对于CRS至关重要。尽管有各种尝试,早期的研究主要是学习项目表征的基础上,个人的对话,忽略了项目的受欢迎程度体现在所有其他人。此外,他们仍然需要支持,以有效地捕捉用户的喜好,因为在一个单一的对话反映的信息是有限的。受协同过滤的启发,我们提出了一种协同增强(COLA)方法,同时提高项目表示学习和用户偏好建模,以解决这些问题。我们从所有对话中构建了一个交互式用户-项目图,该图用用户感知信息增强了项目表示,即,物品人气。为了提高用户偏好建模,我们从训练语料库中检索类似的对话,其中所涉及的项目和属性,反映用户的潜在利益是用来增强用户表示通过门控制。在两个基准数据集上的实验证明了该方法的有效性。我们的代码和数据可在https://github.com/DongdingLin/COLA上获得。
2022-12-15 cs.CL cs.IR
STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
Kuaishou Technology(快手科技)
STCRank通过时空协同排序解决快手电商互动推荐系统中多目标协作与多槽协作问题,提升推荐效果与用户参与度。
2026-01-15 cs.IR
Handling Cold-Start Collaborative Filtering with Reinforcement Learning
Carnegie Mellon University(卡内基梅隆大学)
推荐系统中的一个主要挑战是处理新用户,他们也被称为$\textit{cold-start}$用户。在本文中,我们提出了一种新的方法来学习一系列最佳的问题,以访问冷启动用户的电影推荐系统。我们建议使用Deep Q Networks来学习面试问题,以创建用户简档,从而为冷启动用户提供更好的推荐。虽然我们提出的系统是使用电影推荐系统进行训练的,但我们的Deep Q Network模型应该可以推广到各种类型的推荐系统。
2018-06-16 cs.AI cs.IR cs.LG
Privacy-preserving and yet Robust Collaborative Filtering Recommender as a Service
Luxembourg Institute of Science and Technology (LIST)(卢森堡科学技术研究院(LIST))
协同过滤服务器以牺牲最终用户的隐私为代价提供有效的个性化服务。随着社会对隐私保护的日益关注和隐私保护法规的日益严格,设计一种既能保护隐私又能为隐私敏感用户提供推荐服务的鲁棒的推荐器成为一个迫切的研究挑战。我们的分析表明,现有的解决方案在几个方面存在不足,包括缺乏对最终用户的精确输出的关注和忽略相关的鲁棒性问题。在本文中,我们提供了一个通用的系统结构,潜在因素为基础的协同过滤过滤器,制定他们的模型训练和预测计算阶段,还描述了一个新的安全模型。针对务实的解决方案,我们首先展示了如何构建隐私保护,但强大的模型训练阶段的基础上现有的解决方案。然后,我们提出了两个密码协议来实现隐私保护的预测计算阶段,这取决于是否涉及额外的代理。与标准的Top-k推荐不同,作为我们隐私设计策略的结果,我们让最终用户检索预测高于阈值的未评级项目。实验结果表明,我们的新协议是相当有效的。
2019-10-09 cs.CR cs.IR cs.LG
CoSam: An Efficient Collaborative Adaptive Sampler for Recommendation
抽样策略被广泛应用于许多推荐系统中,以加速模型从隐式反馈数据中的学习。一种典型的策略是抽取均匀分布的负样本,但这会严重影响模型的收敛性、稳定性,甚至影响推荐的准确性。这个问题的一个有希望的解决方案是对“困难”(也称为信息)的实例进行过度采样,这些实例对训练有更大的贡献。但这将增加模型偏差的风险,并导致非最佳结果。此外,现有的采样器是启发式的,这需要领域知识,往往无法捕捉真正的“困难”的情况下,或依赖于采样器模型,效率低下。针对这些问题,本文提出了一种高效的协同抽样方法CoSam,该方法包括:(1)协同抽样模型,该模型在抽样概率中显式地利用了用户-项目交互信息,具有良好的归一化、自适应、交互信息感知和抽样效率等特性;以及(2)集成的采样器-推荐器框架,利用预测中的采样器模型来抵消由不均匀采样引起的偏差。相应地,我们得到了一个快速的强化训练算法,我们的框架,以提高采样器的性能和采样器推荐协作。四个真实世界的数据集上的广泛的实验证明了所提出的协同采样模型和集成的采样推荐框架的优越性。
2020-11-16 cs.IR
Collaborative Large Language Model for Recommender Systems
本文提出CLLM4Rec,通过融合LLM与ID范式、软+硬提示、互正则化及面向推荐的微调策略,解决推荐系统中语义鸿沟与生成效率问题。
2024-02-21 cs.IR
Latent User Linking for Collaborative Cross Domain Recommendation
随着信息系统的广泛采用,推荐系统被广泛用于更好的用户体验。协同过滤是实现推荐系统的一种常用方法。然而,协同过滤方法高度依赖于用户的反馈,这往往是非常稀疏和难以获得。然而,如果可以使用来自密集得多的相关次级域的知识来增强稀疏目标域中的推荐准确性,则可以缓解这些问题。在这篇文章中,我们提出了一种跨域推荐系统的深度学习方法,通过链接跨域用户潜在表示作为跨域知识转移的一种形式。我们假设,跨域的用户口味和行为的相似性是清楚地观察到的低维用户的潜在表示。这些用户相似性用于链接域。因此,我们提出了一个基于变分自编码器的网络模型,用于跨域链接,并增加了上下文来处理稀疏数据和更好地传输跨域知识。我们进一步扩展该模型,使其更适合冷启动场景,并利用辅助用户信息来获得推荐准确性的额外收益。使用多个数据集的经验评估所提出的模型的有效性。实验证明,该模型优于最先进的技术。
2019-08-19 cs.IR
A Comparative Study of Matrix Factorization and Random Walk with Restart in Recommender Systems
在矩阵分解和重启随机游走(RWR)之间,哪种方法更适合推荐系统?哪种方法更好地处理显式或隐式反馈数据?其他信息是否有助于推荐?推荐系统在许多电子商务服务中扮演着重要的角色,例如亚马逊和Netflix向用户推荐新商品。在各种推荐策略中,协同过滤通过使用用户的评分模式显示出良好的性能。矩阵分解和重启随机游走是最具代表性的协同过滤方法。然而,目前还不清楚哪种方法提供更好的推荐性能,尽管它们的广泛实用性。在本文中,我们提供了一个比较研究的矩阵分解和RWR推荐系统。我们根据推荐中的不同任务,精确地表达了这两种方法的对应关系。特别地,我们新设计了一种使用全局偏差项的RWR方法,它对应于使用偏差的矩阵分解方法。我们详细介绍了这两种方法在推荐质量的各个方面,如这些方法如何处理冷启动问题,通常发生在协同过滤。我们广泛地在真实世界的数据集上进行实验,以评估每种方法在各种措施方面的性能。我们观察到,矩阵分解执行更好的显式反馈评级,而RWR是更好的隐式的。我们还观察到,利用项目的全球流行度是有利的性能和边信息产生积极的协同作用,显式反馈,但与隐式的负面影响。
2017-11-05 cs.IR
A collaborative filtering model with heterogeneous neural networks for recommender systems
近年来,深度神经网络被引入到推荐系统中来解决协同过滤问题,在计算机视觉、语音识别和自然语言处理等领域取得了巨大的成功。一方面,深度神经网络可以用来对推荐系统中的辅助信息进行建模。另一方面,它也能够建模用户和项目之间的非线性关系。深度神经网络的一个优点是可以通过增加神经网络的深度来容易地增强算法的性能。然而,当利用深度神经工作来建模用户和项目之间的关系时,可能会出现两个潜在的问题。基本问题是,算法的复杂性随着神经网络深度的增加而显著增长。第二个是更深的神经网络可能会破坏算法的准确性。为了缓解这些问题,我们提出了一种混合神经网络,结合异构神经网络与不同的结构。在真实数据集上的实验结果表明,该方法在项目排序方面优于现有的方法。
2020-10-13 cs.IR cs.LG
Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting
AIRI, HSE University(AIRI,俄罗斯伏尔加格勒国立大学)
提出基于协同重要性加权的特征选择策略,通过混合矩阵分解和最大体积算法排序特征,在冷启动推荐中以最少特征实现高准确度与高效率。
2025-08-08 cs.IR cs.LG
An Item-Based Collaborative Filtering using Dimensionality Reduction Techniques on Mahout Framework
协同过滤是推荐系统中应用最广泛的预测技术。目前的CF推荐系统大多在用户项目矩阵中保持单一的用户评分标准。然而,最近的研究表明,基于多准则的推荐系统可以通过考虑用户对项目的多方面偏好来提高推荐的预测性和准确性。这就催生了多准则协同过滤。在MC CF中,用户在新的维度上对一个项目的多个方面进行评分,从而增加了评分矩阵的大小、稀疏性和可扩展性问题。因此,需要适当的降维技术来降低用户项目评分矩阵的维数,以提高CF推荐系统的预测精度和效率。降维过程将高维输入空间映射到低维空间。因此,本文的目标是提出一个有效的MC CF算法,使用降维技术,以提高推荐质量和预测精度。采用奇异值分解和主成分分析等降维技术,解决了系统的可扩展性问题,缓解了整体评分的稀疏性问题。提出的MC CF方法将使用Apache Mahout实现,它允许处理存储在分布式/非分布式文件系统中的海量数据集。
2015-03-23 cs.IR
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach
South China Agricultural University(华南农业大学);Sun Yat-sen University(中山大学);South China University of Technology(华南理工大学)
本文提出广度协同过滤(BroadCF),用广度学习系统替代深度神经网络学习用户与物品间的非线性关系,并通过用户-物品评分协同向量预处理生成低维输入,在七个基准数据集上验证了其高效且准确的推荐性能。
2024-02-24 cs.IR cs.LG
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的,并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发,本文提出了一种新的协同过滤算法:蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制,即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发,我们捕捉到用户偏好随时间的演变。同时,算法的计算复杂度较小,并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验,分别是电影推荐、书籍推荐和音乐推荐,分别覆盖了显式和隐式的评分数据。实验结果表明,该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
An Integrated Recommender Algorithm for Rating Prediction
推荐系统目前广泛应用于许多电子商务系统中,如Amazon、eBay等,其目的是帮助用户找到他们可能感兴趣的商品。在文献中,基于邻域的协同过滤和矩阵分解是推荐系统中常用的两种方法。在本文中,我们结合这两种方法与个性化的权重。我们假设每个用户都有自己的偏好,而不是对这两种方法使用固定的权重。实验结果表明,该算法的性能优于基于邻域的协同过滤算法、矩阵分解算法及其组合。
2016-08-05 cs.IR cs.SI