Multi-modal Generative Models in Recommendation System
针对现有推荐系统模态独立处理、交互形式单一的问题,本文指出未来推荐系统需结合多模态生成能力实现 richer 交互,并综述了同时使用多数据模态的推荐系统相关研究。
2024-09-17 cs.IR
An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System
本文针对推荐系统处理大量用户时效率不足的问题,提出一种多线程相似度方法,通过将用户划分到并行线程中运行,显著减少计算时间,从而构建更快、更高效且可扩展的推荐系统,同时保障用户数据安全。
2024-09-28 cs.IR
Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint
针对推荐系统中的流行度偏差问题,提出一种融合多行为辅助信息与正交性约束的PopSI框架,通过三维张量捕获用户偏好并使物品特征对流行度不敏感,有效提升了推荐准确性与去偏差性能。
2024-12-26 cs.IR
Multi-channel Integrated Recommendation with Exposure Constraints
针对带曝光约束的多渠道整合推荐任务,提出两层框架MIREC,通过在线分配算法与协同模型实现全局最优曝光分配与异构物品布局,并已在淘宝首页部署验证有效。
2023-05-21 cs.IR
A Multi-Channel Next POI Recommendation Framework with Multi-Granularity Check-in Signals
针对签到数据稀疏问题,提出多通道多粒度下一POI推荐框架MCMG,融合细/粗粒度及局部/全局签到信号,通过三个模块捕获序列规律与动态影响,在四个数据集上显著优于现有方法。
2022-09-01 cs.IR
Enhancing E-Commerce Recommendation using Pre-Trained Language Model and Fine-Tuning
预训练语言模型(PLM)在广泛的自然语言处理(NLP)任务中取得了巨大的成功。然而,它刚刚开始被应用到推荐系统领域。传统的推荐算法未能充分利用电子商业数据中丰富的文本信息,从而影响了推荐模型的性能。我们提出了一个彻底的调查的各种策略,将PLM到传统的推荐算法的效果之一的电子商业数据集,我们比较的结果与香草推荐基线模型。我们表明,PLM的应用和特定领域的微调可以提高组合模型的预测能力。这些结果强调了在电子商业中利用文本信息的重要性,并提供了如何更好地应用PLM与传统的推荐系统算法的见解。本文中使用的代码可以在Github上获得:https://github.com/NuofanXu/bert_retail_recommender。
2023-02-09 cs.CL cs.IR cs.LG
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis(圣路易斯华盛顿大学);Amazon(亚马逊公司);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出一种序列时尚推荐框架,利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术,显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
The News Delivery Channel Recommendation Based on Granular Neural Network
针对传统新闻推荐受数据稀疏和扩展性限制的问题,提出基于粒神经网络的推荐模型,通过分析新闻属性匹配渠道,提升新闻关注度与媒体资源利用率。
2023-05-30 cs.IR
Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与技术学院)
本文提出BDPL框架,通过构建定制化行为感知子图和级联结构图神经网络,结合偏好级对比学习和自适应门控机制,解决异质序列推荐中行为数据稀疏性和噪声问题,提升推荐精度。
2026-04-16 cs.IR
Unleashing the Potential of Multi-Channel Fusion in Retrieval for Personalized Recommendations
本文首次系统研究推荐系统检索阶段的多通道融合问题,提出基于交叉熵、贝叶斯优化和策略梯度的权重优化方法,实现个性化和灵活的多通道结果合并,在多个数据集和实际部署中显著提升性能。
2024-10-21 cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering(计算机科学与信息工程系);National Central University(国立中央大学)
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
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
Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations
DoorDash Inc.(DoorDash公司)
提出利用LLM从数据丰富垂直领域(如餐厅)向稀疏领域(如杂货)迁移知识的框架,通过分层RAG生成多级特征,集成到MTL排序模型,显著提升新兴业务个性化与参与度。
2026-06-04 cs.AI cs.IR
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中,当用户-项目交互数据稀疏时,经常使用社会关系来提高推荐质量。大多数现有的社会推荐模型利用成对关系挖掘潜在的用户偏好。然而,现实生活中的用户之间的交互是非常复杂的,用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系,而其潜力,以改善社会推荐是未被开发。在本文中,我们填补了这一空白,并提出了一个多通道超图卷积网络,通过利用高阶用户关系来增强社交推荐。从技术上讲,网络中的每个通道都编码一个超图,通过超图卷积来描述一个常见的高阶用户关系模式。通过聚合通过多个渠道学习的嵌入,我们获得全面的用户表示,以生成推荐结果。然而,聚合操作也可能掩盖不同类型的高阶连接性信息的固有特性。为了弥补聚合损失,我们创新性地将自监督学习融入超图卷积网络的训练中,以分层互信息最大化的方式重新获得连通性信息。在多个真实数据集上的实验结果表明,该模型的性能优于SOTA方法,消融实验验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
2022-02-27 cs.IR cs.SI
Dataset and Models for Item Recommendation Using Multi-Modal User Interactions
本文针对多模态用户交互中模态缺失问题,发布真实数据集并基准测试多种推荐方法,提出将交互映射到公共特征空间的新方法,发现高频模态可增强低频模态的学习。
2024-05-07 cs.IR
DGTN: Dual-channel Graph Transition Network for Session-based Recommendation
University of Electronic Science and Technology of China(电子科技大学);University of Chinese Academy of Sciences(中国科学院大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences(中国科学院自动化与人工智能研究所)
基于会话的推荐的任务是根据匿名会话预测用户的行为。最近的研究主要将目标会话建模为序列或图,以捕获其中的项目转换,忽略了由其他用户生成的不同会话中的项目之间的复杂转换。这些项目转换包括潜在的协作信息,并反映了类似的行为模式,我们认为这可能有助于为目标会话提供推荐。在本文中,我们提出了一种新的方法,即双通道图转换网络(DGTN),不仅在目标会话,而且邻居会话的项目转换模型。具体来说,我们将目标会话及其邻居(类似)会话集成到一个图中。然后通过信道感知传播将过渡信号显式地注入到嵌入中。在真实数据集上的实验表明,DGTN优于其他最先进的方法。进一步的分析验证了双通道项目迁移模型的合理性,为基于会话的推荐提供了一个潜在的发展方向。
2020-09-21 cs.AI cs.IR
Modeling Behavioral Intensity and Transitions for Generative Recommendation
Ant Group(蚂蚁集团);Fudan University(复旦大学)
本文提出BITRec框架,通过选择性依赖激活和转换关系编码,解决多行为推荐中行为强度差异和转换模式捕捉问题,实验表明在多个数据集上提升15-23%。
2026-04-27 cs.AI cs.IR cs.LG
Multi-Interest-Aware User Modeling for Large-Scale Sequential Recommendations
精确的用户建模是在线个性化推荐服务的关键。一般来说,用户的兴趣是多样的,并不局限于单一的方面,这一点在观察其行为较长时间时尤为明显。例如,当用户在Tik Tok上浏览短视频时,可能会表现出对猫/狗、舞蹈和美食的兴趣;同一用户可能会在她的网页浏览行为中表现出对房地产和女装的兴趣。传统的模型倾向于将用户的行为编码到单个嵌入向量中,这没有足够的容量来有效地捕获用户的各种兴趣。本文提出了一种顺序用户矩阵(SUM),以准确和有效地捕捉用户的不同兴趣。SUM通过多通道网络对用户行为进行建模,每个通道代表用户兴趣的不同方面。不同通道中的用户状态由具有兴趣和实例级关注的\emph{erase-and-add}范例更新。我们进一步提出了一个本地邻近debuff组件和高速公路连接组件,使模型更强大和准确。SUM可以进行增量式维护和更新,因此可以部署用于大规模在线服务。我们在两个数据集上进行了大量的实验。结果表明,SUM始终优于最先进的基线。
2021-05-18 cs.IR
Multi-Purchase Behavior: Modeling, Estimation and Optimization
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出 Bundle-MVL-K 多产品购买选择模型及基于二分搜索的迭代优化方法,并在多个真实数据集上验证其相比 MNL 模型可显著提升拟合度和约 5% 的收入收益。
2023-08-05 cs.AI cs.IR econ.TH
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
MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment
Alibaba International Digital Commerce Group(阿里巴巴国际数字商业集团)
针对多兴趣推荐中的兴趣坍缩问题,提出MIMA框架,通过多正例互斥分配和因果Transformer生成互补兴趣,并利用路由模块校准得分,在公共和工业数据集上超越现有方法。
2026-09-14 cs.IR
DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology(华中科技大学计算机科学与技术学院);School of Software Engineering, Huazhong University of Science and Technology(华中科技大学软件工程学院);Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University(中央财经大学人工智能与新教育形式实验室)
本文提出DCGL框架,通过双通道架构、多级对比学习和动态融合机制,解决知识图谱与大语言模型结合中的隐含语义建模、单通道融合和用户行为频率考虑不足问题,实验表明其在稀疏场景中表现优异。
2026-05-08 cs.AI cs.IR
Algorithmic Extremism: Examining YouTube's Rabbit Hole of Radicalization
YouTube及其幕后推荐算法在鼓励在线激进化方面所扮演的角色已经被记者和学者所提及。这项研究通过研究YouTube的算法在暗示激进内容方面所起的作用,直接量化了这些说法。在对近800个政治频道进行分类后,我们能够区分政治模式,以分析算法流量和各组之间的流量。在对每种渠道类型收到的建议进行详细分析后,我们驳斥了流行的激进化主张。相反,这些数据表明,YouTube的推荐算法积极阻止观众访问激进或极端主义内容。相反,该算法被证明更倾向于主流媒体和有线电视新闻内容,而不是倾向于左倾或政治中立频道的独立YouTube频道。因此,我们的研究表明,YouTube的推荐算法未能促进煽动性或激进的内容,正如之前几家媒体所声称的那样。
2019-12-24 cs.IR cs.SI
Dual-Channel Multiplex Graph Neural Networks for Recommendation
Faculty of Information Science and Engineering, Ocean University of China(信息科学与工程学院,中国海洋大学);College of Computer Science and Engineering, Shandong University of Science and Technology(计算机科学与工程学院,山东科技大学);Department of Computer Science and Engineering, Shanghai Jiao Tong University(计算机科学与工程系,上海交通大学);Department of Computer Science, The University of Hong Kong(计算机科学系,香港大学)
针对多重交互关系建模不足及行为模式内关系影响被忽略的问题,提出双通道多重图神经网络(DCMGNN)框架,通过显式行为模式学习与关系链感知编码捕捉复杂交互,在三个数据集上Recall@10和NDCG@10平均提升10.06%和12.15%。
2025-06-25 cs.IR cs.LG
Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation
Chongqing University of Posts and Telecommunications(重庆邮电大学);Southwest University(西南大学)
针对图对比推荐中随机增强引入噪声且难利用全局协同信号的问题,提出LFA-GCL,通过潜在因子分析进行无约束结构精化并构建全局协同图,在四个公开数据集上优于现有方法。
2024-08-09 cs.IR cs.LG
Group Movie Selection using Multi-channel Emotion Recognition
本研究提出一种基于多通道情感识别(海报、配乐、文本)的群体电影选择方法,通过情感分析辅助群体决策,初步实验验证了其有效性,可增强电影推荐系统。
2024-03-11 cs.IR
Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
Alibaba Group(阿里巴巴集团);Nanyang Technological University(南洋理工大学)
大多数电子商务应用程序上的主页推荐以分层方式放置项目,其中不同的频道以不同的风格显示项目。现有的算法通常优化单个通道的性能。因此,设计一个推荐模型来获得最大化整个网页点击率的最优推荐列表是一个具有挑战性的问题。除了准确性目标之外,主页上的显示多样性也很重要,因为均匀的显示通常会损害用户体验。在本文中,我们提出了一个两阶段的主页推荐系统的架构。在第一阶段中,我们开发了有效的算法,用于在保持多样性的同时向适当的渠道推荐项目。这两种方法可以结合起来:具有多样性约束的用户-渠道-项目预测模型。在第二阶段,我们提供每个通道中的项目的有序列表。现有的重排序模型难以描述渠道内和渠道间项目之间的相互影响。因此,我们提出了一个深度和层次的注意力网络重新排名(DHANR)模型的网页推荐系统。分层注意力网络由项目编码器、项目级注意力层、通道编码器和通道级注意力层组成。我们的方法在离线实验中的精度,列表内平均距离(ILAD)和通道精度@k方面以及在线系统中的CTR和ILAD方面取得了显着的改善。
2021-12-12 cs.IR cs.LG
Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants
Burger King Corporation(汉堡王公司);Intel Corporation(英特尔公司);Brown University(布朗大学)
得来速是快餐业中流行的销售渠道,消费者可以在不离开汽车的情况下购买食品。得来速推荐系统允许餐馆在客人点菜时在数字菜单板上显示食物推荐。电子商务场景中流行的推荐模型依赖于用户属性(如用户简档或购买历史)来生成推荐,而在得来速用例中很难获得此类信息。因此,在本文中,我们提出了一个新的推荐模型Transformer交叉Transformer(TxT),利用客人的订单行为和上下文功能(如位置,时间和天气)使用Transformer编码器的驱动器通过建议。实证结果表明,我们的TxT模型在汉堡王的得来速生产环境相比,现有的推荐解决方案取得了优异的成绩。此外,我们还实现了一个统一的系统,在同一个集群上运行端到端的大数据分析和深度学习工作负载。我们发现,在实践中,为整个管道维护单个大数据集群更有效,更节省成本。我们的推荐系统不仅对得来速场景有益,而且还可以推广到其他客户交互渠道。
2020-10-13 cs.AI cs.IR cs.LG
Adaptive Deep Learning of Cross-Domain Loss in Collaborative Filtering
Maastricht University(马斯特里赫特大学)
如今,用户在社交媒体平台和电子商务网站上开设多个账户,表达他们在不同领域的个人偏好。然而,用户的行为在不同的领域会发生变化,这取决于用户与之交互的内容,如电影、音乐、服装和零售产品。在本文中,我们提出了一种用于跨域推荐的自适应深度学习策略,称为ADC。我们设计了一个神经网络架构,并制定了跨域损失函数,计算用户偏好的非线性跨域和转移的知识,用户的多种行为,相应的。此外,我们还引入了一种有效的跨域损失平衡算法,该算法在通过反向传播训练模型时,直接调整梯度幅度并根据域的复杂度/规模调整学习率。在此过程中,ADC在优化模型参数时控制和调整每个域的贡献。我们在六个公开的跨域推荐任务上的实验证明了所提出的ADC模型比其他最先进的方法的有效性。此外,我们研究了所提出的自适应深度学习策略的效果,并表明ADC可以很好地平衡具有不同复杂度的域的影响。
2019-06-29 cs.IR cs.LG cs.SI
Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊公司);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出统一多模态个性化框架UniMP,利用大型视觉-语言模型融合跨模态用户历史,统一处理推荐、搜索、偏好预测、解释生成和图像生成等任务,并构建新基准验证其优于各任务专用方法。
2024-03-27 cs.AI cs.CL cs.IR
Live Multi-Streaming and Donation Recommendations via Coupled Donation-Response Tensor Factorization
National Chiao Tung Univ.(国立交通大学);Inst. of Information Science, Academia Sinica, Taiwan(中央研究院资讯科学研究所);The Pennsylvania State Univ.(宾夕法尼亚州立大学)
与传统的在线视频相比,直播多流媒体支持多个主播和观众之间的实时社交互动,例如捐赠。然而,捐赠和多流媒体频道推荐是具有挑战性的,由于复杂的流媒体和观众的关系,不对称的通信,以及个人兴趣和群体互动之间的权衡。在本文中,我们引入多流党(MSP),并制定了一个新的多流推荐问题,称为捐赠和MSP推荐(DAMRec)。我们提出了多流党推荐系统(MARS)通过社会时间耦合捐赠-响应张量因子分解捐赠和MSP建议提取潜在的功能。在Twitch和斗鱼上的实验结果表明,MARS在命中率和平均精度方面明显优于现有的搜索引擎至少38.8%。
2021-10-05 cs.IR cs.LG
Deep Reinforcement Learning for Personalized Search Story Recommendation
Penn State University(宾夕法尼亚州立大学);University of Arizona(亚利桑那大学);Facebook(脸书)
近年来,与其他有机渠道结合展示的\emph{search story}已成为电商搜索平台、新闻推送平台、网页及图片搜索平台等平台的主要用户流量来源。推荐的搜索故事引导用户识别她自己的偏好和个人意图,这随后影响用户的实时和长期搜索行为。随着搜索故事的重要性越来越高,随着搜索故事变得越来越重要,在这项工作中,我们研究了搜索引擎中的个性化搜索故事推荐问题,其目的是建议与搜索关键字和单个用户的兴趣相关的搜索故事。为了解决对推荐搜索故事的当前和未来价值进行建模的挑战(即,交叉通道效应),传统的监督学习框架是不适用的,我们求助于马尔可夫决策过程,并提出了一个由模仿学习和强化学习训练的深度强化学习架构。我们通过对JD.com真实数据集的大量实验,实证证明了我们提出的方法的有效性。
2019-07-26 cs.IR cs.LG stat.ML
Variational Bandwidth Auto-encoder for Hybrid Recommender Systems
混合推荐最近吸引了大量的关注,其中用户特征被用作辅助信息,以解决由用户-项目交互不足引起的稀疏性问题。然而,提取的用户特征通常包含丰富的多模态信息,其中大部分与推荐目的无关。因此,过度依赖这些特征会使模型对噪声过拟合,难以推广。在这篇文章中,我们提出了一个变带宽自动编码器(VBAE)的建议,旨在同时解决稀疏性和噪声问题。VBAE首先通过深度神经网络将用户协作和特征信息编码为高斯潜变量,以捕获非线性用户相似性。此外,通过考虑从信息理论的角度来看,作为一个虚拟的通信通道的协作和功能变量的融合,我们引入了一个用户相关的通道,以动态地控制允许从特征嵌入访问的信息。提出了一种基于量子理论的隐藏评分嵌入不确定性度量方法,将评分中的不确定性信息从语义信息中分离出来,从而推断出信道带宽。通过这种机制,VBAE合并足够的辅助信息,从用户功能,如果合作信息不足,同时避免过度依赖嘈杂的用户功能,以提高其泛化能力,以新用户。在三个真实数据集上进行的大量实验证明了该方法的有效性。代码和数据集在https://github.com/yaochenzhu/vbae上发布。
2022-11-21 cs.DB cs.IR
Doing More with Less: Overcoming Data Scarcity for POI Recommendation via Cross-Region Transfer
Indian Institute of Technology Delhi(德里印度理工学院)
不同地区社交应用程序使用的差异性导致所收集的签到数据的数量和质量存在高度偏差,这反过来又对有效的位置推荐系统构成了挑战。在本文中,我们提出了Axolotl(自动交叉位置网络迁移学习),一种新的方法,旨在转移在数据丰富的区域学习的位置偏好模型,以显着提高数据稀缺区域的推荐质量。蝾螈主要部署两个渠道进行信息传输,(1)使用位置推荐和社交预测学习的基于元学习的过程,以及(2)具有相似偏好的用户和位置之间的轻量级无监督基于集群的传输。这两者协同工作,以提高数据稀缺地区的推荐准确性,而无需任何重叠用户的先决条件,并且只需最少的微调。我们建立蝾螈顶部的一个双图形注意力神经网络模型用于捕捉用户和位置条件的影响,在用户移动图为每个地区。我们在美国各地的12个用户移动数据集上进行了广泛的实验,日本和德国,使用3个作为来源地区,其中9个(有很多稀疏记录的流动性数据)作为目标地区。根据经验,我们表明,在所有指标上,美西螈的推荐性能比现有的最先进的方法高出18%。
2022-01-16 cs.IR cs.LG
Causal Inspired Multi Modal Recommendation
National University of Singapore Master of Industrial and Systems Engineering(新加坡国立大学工业与系统工程硕士);East China Normal University Master of Library and Information Science(华东师范大学图书馆与信息科学硕士);Shandong Normal University(山东师范大学)
针对多模态推荐中的模态混杂和交互偏差,提出因果启发的推荐框架,通过双通道扩散识别混杂因素,结合后门与前门调整构建去混杂因果子图,在三个电商数据集上显著优于现有方法。
2025-10-14 cs.AI cs.IR
AURA: Agentic Diagnosis and Refinement for Production Recommender Systems at Scale
The Walt Disney Company(华特迪士尼公司);Intuit(Intuit公司)
针对生产推荐系统难以从聚合指标识别用户失败模式的问题,提出端到端智能体系统AURA,通过读取大规模日志进行定性诊断并生成代码级改进,已在流媒体平台验证并具跨领域迁移性。
2026-09-16 cs.AI cs.IR cs.LG
Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
Nanyang Technological University(南洋理工大学);Digital Trust Centre Singapore(新加坡数字信任中心);Sun Yat-sen University(中山大学);South China Agricultural University(华南农业大学);Peng Cheng Laboratory(鹏城实验室)
针对对话推荐系统中的马太效应问题,提出多超图增强多兴趣自监督学习框架HiCore,通过构建超图学习用户多层次兴趣,在四个相关数据集实验中取得新最优性能,有效缓解了马太效应。
2026-07-22 cs.AI cs.HC cs.IR