Enhancing ID-based Recommendation with Large Language Models
Tsinghua University（清华大学）；Meituan（美团）；Hefei University of Technology（合肥工业大学）
针对基于ID的推荐中缺乏文本数据的问题，提出LLM4IDRec方法，利用大型语言模型仅增强ID数据以提升推荐性能，在三个数据集上验证了其有效性。
2024-11-04 cs.AI cs.IR
PALR: Personalization Aware LLMs for Recommendation
Amazon Alexa AI（亚马逊Alexa人工智能部门）
本文提出PALR框架，结合用户历史行为、候选检索与微调的70亿参数LLM排序模型，在多种序列推荐任务上超过现有最先进方法。
2023-06-07 cs.AI cs.CL cs.IR
GPT as a Baseline for Recommendation Explanation Texts
Cornell University（康奈尔大学）
本文以GPT为基线研究电影推荐解释文本，发现用户对未看电影的评分无显著差异，但更认可已看电影的评论，证明LLM是生成推荐解释的有前途来源。
2023-09-16 cs.AI cs.HC
Logic-Scaffolding: Personalized Aspect-Instructed Recommendation Explanation Generation using LLMs
University of Pittsburgh（匹兹堡大学）；AWS AI Labs（AWS AI 实验室）；Amazon（亚马逊）；University of California Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出Logic-Scaffolding框架，结合基于方面的解释与思维链提示，通过中间推理步骤提升大语言模型零样本推荐解释的可靠性，并展示交互式演示。
2024-01-17 cs.AI cs.CL cs.HC
Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF
University of Colorado, Boulder（科罗拉多大学博尔德分校）；Comenius University Bratislava（布拉迪斯拉发考门斯基大学）；Tulane University（杜兰大学）
本文提出在SCRUF多智能体架构中利用社会选择机制处理推荐系统多方面公平性问题，并通过真实与合成数据实验揭示了不同选择与分配机制下公平性与准确性权衡的差异及一致性。
2023-10-05 cs.AI cs.IR
Exploring Choice Overload in Related-Article Recommendations in Digital Libraries
我们研究了选择超载的问题--当面对许多选择时，做出决定的困难--在数字图书馆中显示相关文章推荐时。到目前为止，关于应该显示多少项目的研究主要在媒体推荐和搜索引擎领域进行。我们分析了当前数字图书馆的推荐数量。当使用笔记本电脑或台式电脑全屏浏览时，所有浏览器都显示固定数量的建议。72%的人显示三个、四个或五个建议，没有人显示超过十个。我们提供了GESIS的数字图书馆Sowiport进行的经验评估的结果，并提供了建议，作为一个服务提供商先生。我们使用点击率作为基于340万条已交付推荐的推荐有效性的衡量标准。我们的结果显示，较高数量的推荐的点击率较低，当显示10篇而不是1篇相关文章时，点击推荐的数量是2倍。我们的研究结果表明，用户可能会很快感到选择超载。
2017-04-03 cs.IR
Exploring How Fair Model Representations Relate to Fair Recommendations
Norwegian University of Science and Technology（挪威科学与技术大学）
本文探讨了公平模型表示与公平推荐之间的关系，提出两种新方法衡量推荐中公平性，并通过实验表明优化公平表示能提升推荐公平性，但表示层面评估不适用于模型比较。
2026-03-25 cs.AI cs.IR cs.LG
Exploring and Exploiting Data Heterogeneity in Recommendation
Tsinghua University（清华大学）；Kuaishou China（中国快手）
针对推荐数据中常被忽视的异质性问题，本文提出基于双层聚类的算法来探索预测机制与协变量分布异质性，并将其用于多子模型预测和去偏，实验验证了其有效性。
2023-05-21 cs.IR cs.LG
Exploring Diversity, Novelty, and Popularity Bias in ChatGPT's Recommendations
Politecnico di Bari（巴里理工学院）
本研究评估ChatGPT-3.5和ChatGPT-4在多样性、新颖性和流行度偏差方面的推荐能力，发现其在Top-N推荐和冷启动场景中表现优异，尤其在提升新用户体验方面具有潜力。
2026-01-05 cs.AI cs.CL cs.IR
Exploring Popularity Bias in Session-based Recommendation
Alipay AntGroup（支付宝蚂蚁集团）
本研究将推荐系统流行度偏差的倾向分析拓展至基于会话的推荐场景，调整倾向计算方法，经多领域多模型实验发现倾向特性具有数据集特异性，利用分层效应可提升模型效果。
2023-12-13 cs.AI cs.IR cs.LG
Reproducing Transparent and Scrutable Recommendations: Exploring Open-Weight Models via Natural-Language User Profiles
University of Zurich（苏黎世大学）
本研究复现并扩展了基于自然语言用户画像的透明推荐系统研究，验证了UPR的竞争力与透明性，并发现画像扰动仅均匀影响评分而不改变排名，归因于评分回归目标。
2026-09-18 cs.AI cs.IR
Decoupled Recommender Systems: Exploring Alternative Recommender Ecosystem Designs
本文研究推荐算法与平台解耦的架构，构建包含算法选择的推荐生态系统模型，探讨其对消费者、提供者和平台间效用分配的影响。
2025-03-06 cs.AI cs.HC cs.IR
Exploring Data Splitting Strategies for the Evaluation of Recommendation Models
有效的方法来评估推荐系统是至关重要的，这样的系统可以在一个健全的方式进行比较。推荐系统评估的一个通常被忽视的方面是数据分割策略的选择。在本文中，我们都表明，没有标准的分裂策略，分裂策略的选择可以有很大的影响排名的推荐系统。特别是，我们进行了实验，比较了三种常见的分割策略，研究了它们对两个数据集的七种最先进的推荐模型的影响。我们的研究结果表明，所采用的分裂策略是一个重要的混杂变量，可以显着改变国家的最先进的系统的排名，使许多目前发表的文献不可比，即使使用相同的数据集和指标。
2020-07-26 cs.IR
Learning Category Trees for ID-Based Recommendation: Exploring the Power of Differentiable Vector Quantization
本文提出CAGE，一种基于可微向量量化的自动类别树生成方法，用于基于ID的推荐，可端到端学习类别代码和实体嵌入，提升多种推荐任务性能。
2024-03-15 cs.IR
Exploring Heterogeneous Metadata for Video Recommendation with Two-tower Model
在线视频服务每天都会获取新内容，以提高参与度并改善用户体验。传统的推荐系统仅仅依赖于观看历史，延迟了向正确的客户推荐新添加的标题。然而，可以使用冷启动标题的元数据信息来引导个性化。在这项工作中，我们建议采用一个双塔模型，其中一个塔是学习用户表示的基础上，他们的观看历史，和其他塔是学习有效的表示使用元数据的标题。本文的贡献可以概括为：（1）我们展示了使用双塔模型进行推荐的可行性，并进行了一系列的离线实验来展示其在冷启动标题中的性能;（2）我们探索了不同类型的元数据（分类特征、文本描述、封面图像）和用于融合它们的注意力层;（3）利用我们的Amazon专有数据，我们证明了注意力层可以自适应地为不同的元数据分配权重，并改进了对热启动和冷启动项目的推荐。
2022-04-02 cs.IR
Exploring the Impact of Temporal Bias in Point-of-Interest Recommendation
基于诸如他们的登记时间和位置的上下文信息向消费者推荐合适的旅行目的地是兴趣点（POI）推荐系统的主要目标。然而，背景偏见的问题（即，消费者在多大程度上喜欢一种情况而不是另一种情况）很少受到研究界的关注。本文考察了时间偏差的影响，时间偏差定义为用户入住时间、休闲与~工作时间，对消费者端公平性的上下文感知推荐算法。我们认为，消除这种时间（和地理）偏差可能有助于减少与交通有关的空气污染，并指出高峰时段的交通可能更加拥挤。为了表面有效的POI推荐，我们评估了最先进的上下文感知模型对两个POI数据集（即Gowalla和Yelp）上的用户签到活动中包含的时间偏差的敏感性。研究结果表明，检查上下文感知推荐模型更喜欢一组用户在另一个基于时间的检查，这种偏好持续存在，即使用户有相同数量的互动。
2022-07-23 cs.IR
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
Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations
本文评估上下文感知模型和校准流行度技术对POI推荐中流行度偏差的缓解效果，发现两者结合能在准确性与流行度校准间取得最佳平衡。
2025-07-13 cs.IR
Exploring Global Information for Session-based Recommendation
基于会话的推荐（SBR）是一个具有挑战性的任务，其目的是基于匿名的行为序列来推荐项目。现有的SBR研究大多只根据当前会话对用户偏好进行建模，而忽略了其他会话的项目转换信息，无法对复杂的项目转换模式进行建模。为了解决这些问题，我们引入了全局项转移信息来加强动态项转移的建模。为了充分利用SBR的全局项转移信息，本文研究了两种挖掘SBR全局信息的方法。具体来说，我们首先提出了一个基本的GNN为基础的框架（BGNN），它只使用会话图的会话级项目转换信息。基于BGNN，本文提出了一种新的基于全局信息的会话推荐方法（SRGI），该方法从两个不同的角度，通过充分探索所有会话上的全局项转移来推断用户偏好：（i）基于融合的模型（SRGI-FM），该模型将全局图上每个节点的邻居嵌入递归地结合到会话级项表示的学习过程中;（ii）基于约束的模型（SRGI-CM），它将全局级的项转换信息作为约束，以确保学习到的项嵌入与全局项转换一致。在三个流行的基准数据集上进行的大量实验表明，SRGI-FM和SRGI-CM的性能始终优于最先进的方法。
2021-06-01 cs.IR
Exploring Content-based Artwork Recommendation with Metadata and Visual Features
Pontificia Universidad Catolica de Chile（智利天主教大学）；Modul University（模都尔大学）
与其他领域相比，尽管艺术品市场不断增长，但艺术品推荐却很少受到关注。以前的研究依赖于评级和元数据来进行艺术品推荐，以及使用深度神经网络（DNN）提取的视觉特征。然而，这些功能没有直接的解释，明确的视觉特征（如亮度，纹理），这可能会妨碍解释和用户接受。在这项工作中，我们研究了艺术品元数据以及视觉功能（基于DNN和基于吸引力）的物理艺术品推荐的影响，使用来自UGallery在线艺术品商店的图像和交易数据。我们的研究结果表明：（i）视觉特征比手动策划的数据表现得更好，（ii）基于DNN的视觉特征比基于吸引力的视觉特征表现得更好，以及（iii）混合方法进一步提高了性能。我们的研究可以为依赖于不同内容数据的新艺术品收藏家的发展提供信息。
2017-10-23 cs.CV cs.IR
Exploring Artist Gender Bias in Music Recommendation
音乐推荐系统（mRS）旨在向用户群提供个性化和有意义的项目推荐（即歌曲、播放列表或艺术家），从而反映并进一步补充个人用户的特定音乐偏好。虽然准确性指标已被广泛应用于评估建议的mRS文献，从其他影响导向的角度，包括其潜在的歧视，评估用户的项目效用，仍然是一个新的评价实践在音乐领域。在这项工作中，我们将注意力集中在一个特定的现象上，我们想估计mRS是否会加剧其影响：性别偏见。我们的工作提出了一个探索性的研究，分析在何种程度上通常部署的最先进的协同过滤（CF）算法可能会采取行动，以进一步增加或减少艺术家的性别偏见。为了评估CF引入的群体偏见，我们在两个听力事件数据集上部署了最近提出的偏见差异指标：LFM-1b数据集和早期构建的Celma数据集。我们的工作跟踪差异的原因，在输入的性别分布和用户项目的偏好变化，突出这样的配置可以对用户的性别偏见的建议生成后的效果。
2020-10-06 cs.IR
Exploring Periodicity and Interactivity in Multi-Interest Framework for Sequential Recommendation
顺序推荐系统缓解了信息过载的问题，引起了越来越多的关注。现有的大多数作品通常是基于用户的行为序列来获得整体表征，不能充分反映用户的多种兴趣。为此，我们提出了一种名为PIMI的新方法来缓解这个问题。PIMI模型能够同时考虑项目序列的周期性和交互性，有效地描述用户的多兴趣表示。具体来说，我们设计了一个感知用户行为的模块，利用用户行为之间的时间间隔信息。同时，提出了一种巧妙的图来增强用户行为序列中项目之间的交互性，该图可以捕获全局和局部项目特征。最后，一个多兴趣提取模块被应用到描述用户的多种兴趣的基础上获得的项目表示。在Amazon和Taobao两个真实数据集上的大量实验表明，PIMI的性能始终优于最先进的方法。
2021-06-07 cs.IR
Exploring Author Gender in Book Rating and Recommendation
协同过滤算法在评级和消费数据中发现有用的模式，并利用这些模式来引导用户选择好的项目。评级数据集中的许多模式反映了数据中不同用户和项目之间的重要现实差异;其他模式可能与社会或道德原因无关或可能不受欢迎，特别是如果它们反映了不受欢迎的歧视，例如出版或购买时对女性或少数民族作者的歧视。在这项工作中，我们研究了协同过滤推荐算法的响应，他们的输入数据的分布方面的社会关注的一个方面，即内容创建者的性别。使用公开的图书评级数据，我们测量了用户评级配置文件和推荐列表中图书作者的性别分布。我们发现，常见的协同过滤算法不同的性别分布的推荐列表，并在输出分布的关系，用户简档分布。
2020-07-25 cs.HC cs.IR
Exploring and Eliciting Needs and Preferences from Editors for Wikidata Recommendations
维基数据是一个开放的知识图谱，由全球志愿者社区共同创建、管理和维护。随着它的不断发展，它面临着巨大的编辑参与挑战，包括聘请新的编辑来处理不断增加的工作量和留住现有的编辑。其他在线社区和同行生产系统（包括维基百科）的经验表明，向编辑推荐任务可能对两者都有帮助。本文的目的是引出维基数据推荐系统的用户需求。我们进行了一项混合方法研究，对31名维基数据编辑和3名维基媒体经理进行了深入访谈的主题分析，并对3，740名维基数据编辑的编辑记录进行了定量分析。从研究中获得的见解帮助我们概述了维基数据推荐系统的设计要求。最后，我们讨论了这项工作的影响以及未来工作的方向。
2022-12-04 cs.HC cs.IR
Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach
在本文中，我们提出了一个概率生成模型，称为统一模型，自然统一的想法，社会影响力，协同过滤和基于内容的项目推荐方法。为了解决隐藏的社会影响的问题，我们设计了新的算法来学习我们的建议的模型参数的基础上期望最大化（EM）。除了我们的EM算法的单机版本，我们进一步设计了一个并行实现的Map-Reduce框架，处理我们收集的两个大规模的数据集。此外，我们表明，从我们的生成模型获得的社会影响力可以用于组推荐。最后，我们使用从last.fm和whrrl.com抓取的数据集进行综合实验，以验证我们的想法。实验结果表明，具有社会影响力的生成模型的性能显着优于那些没有纳入社会影响力。本文提出的统一生成模型获得了最好的性能。此外，我们对社会影响力的研究发现，whrrl.com的用户比last.fm的用户更容易受到朋友的影响。实验结果也证实了我们的基于社会影响力的群推荐算法优于最先进的群推荐算法。
2011-09-04 cs.IR cs.SI physics.soc-ph
Exploring Popularity Bias in Music Recommendation Models and Commercial Steaming Services
Ithaca College（伊萨卡学院）；Cornell University（康奈尔大学）
流行性偏见是指推荐系统在向用户推荐艺术家时会过度偏袒受欢迎的艺术家。因此，他们可能会促成一个赢家通吃的市场，在这个市场中，少数艺术家几乎获得了所有的关注，而类似的优秀艺术家则不太可能被发现。在本文中，我们试图衡量流行偏见在三个国家的最先进的推荐系统模型（例如，SLIM，Multi-VAE，WRMF）和三个商业音乐流媒体服务（Spotify，Amazon Music，YouTube）。我们发现，最准确的模型（SLIM）也有最流行的偏见，而不太准确的模型有较少的流行偏见。我们也没有发现任何证据的流行偏见的商业建议的基础上模拟用户实验。
2022-08-19 cs.IR cs.LG cs.MM
Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations
National University of Singapore（新加坡国立大学）
在线应用中信息的海量性和复杂性使得推荐对于用户查找感兴趣的信息至关重要。然而，在现实世界的应用中共存的两个主要限制（1）不完整的用户简档，和（2）用户偏好的动态性质继续降低推荐质量的方面，如及时性，准确性，多样性和新颖性。为了解决上述限制在一个单一的解决方案，我们提出了一种新的跨网络的时间感知推荐解决方案。该解决方案首先通过聚合来自多个源网络的用户偏好来学习目标网络中的历史用户模型。其次，用户级的时间感知的潜在因素学习，以发展当前的用户模型从历史模型，并进行及时的建议。我们通过使用Twitter源网络的辅助信息来说明我们的解决方案，以改善YouTube目标网络的推荐。在不同时间粒度下使用多个时间感知和跨网络基线进行的实验表明，所提出的解决方案在准确性，新颖性和多样性方面取得了优异的性能。
2020-08-25 cs.IR cs.LG cs.SI
Exploring Trust-Aware Neighbourhood in Trust-based Recommendation
传统的推荐系统（RS）不考虑任何个人用户信息以外的评级历史。另一方面，这类信息在社交网站（Facebook、Twitter）上广泛提供。结果，社交网络近来已被用于推荐系统中。在本文中，我们提出了一种有效的方法，将社会信号的推荐过程中建立一个信任网络，补充用户的评级配置文件。我们首先展示了不同冷启动用户类型对协同过滤（CF）技术在几个现实世界的数据集的影响。之后，我们提出了一个“信任感知邻域”算法，解决了前者的性能问题，通过限制可信邻域。与传统的CF技术相比，我们的评级覆盖率增加了一倍，并且在某些数据集的准确性方面有了显着的提高。针对冷启动用户，我们提出了一种“混合信任感知邻域”算法，该算法通过考虑用户的信任和评级历史来扩展邻域。我们用一个丰富的信任网络数据集Flixster展示了一个近乎完整的覆盖范围。最后，我们讨论了该算法在受限云环境中的潜在实现。
2016-08-18 cs.IR cs.SI
Exploring Fine-tuning ChatGPT for News Recommendation
本研究探索微调ChatGPT用于新闻推荐，通过设计排序和评分两种提示，在MIND数据集上验证了微调可显著提升个性化推荐性能，并有效缓解冷物品问题。
2023-11-10 cs.IR
ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems
Anhui University（安徽大学）；University of Electronic Science and Technology of China（电子科技大学）；The University of Queensland（昆士兰大学）
本文提出ProMax框架，通过分布塑造技术提升推荐系统性能，利用用户和物品资料的协同关系，改进推荐模型对未见物品的偏好学习。
2026-04-29 cs.IR
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado（科罗拉多大学）
随着这些系统在社会中变得越来越普遍，人工智能的算法公平性变得越来越重要。人工智能的一个领域，推荐系统，由于在优化用户的准确性和提供商的公平性之间进行权衡，因此对公平性提出了独特的挑战。但是，在建议的背景下，什么是公平的-特别是在有多个利益攸关方的情况下？在这个问题的初步探索，我们问用户他们的想法，公平对待的建议可能是，为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化，最终帮助设计更公平，更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
Eating Healthier: Exploring Nutrition Information for Healthier Recipe Recommendation
随着个性化食谱共享网络的蓬勃发展（例如，美味），从不同的美食食谱洪水可以很容易地获得。在本文中，我们的目标是解决一个问题，许多家庭厨师遇到的时候，网上搜索食谱。也就是说，找到最适合一套方便的成分，同时遵循健康饮食指南的食谱。这项任务尤其困难，因为大部分在线食谱都被证明是不健康的。在本文中，我们提出了一个新的框架命名为NutRec，它模型的成分之间的相互作用和它们的比例在食谱中提供健康的建议。具体来说，NutRec由三个主要组件组成：1）使用基于嵌入的成分预测器来预测具有用户定义的初始成分的相关成分，2）使用基于多层感知器的网络来预测相关成分的量，3）创造一个健康的伪-根据营养信息列出成分及其数量的食谱，并推荐与伪食谱相似的顶级食谱。我们在两个食谱数据集上进行了实验，分别包括包含36，429个食谱的Allrecipes和包含89，413个食谱的Yummly。实证结果支持框架的直觉，并展示了其检索更健康的食谱的能力。
2020-03-16 cs.IR
Exploring Recommendation Capabilities of GPT-4V(ision): A Preliminary Case Study
Hong Kong University of Science and Technology（香港科技大学）；Alibaba（阿里巴巴）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；International Digital Economy Academy (IDEA)（国际数字经济学院）；Peking University（北京大学）
该研究通过构建多领域定性测试样本，初步探究GPT-4V的推荐能力，发现其具备出色的跨领域零样本推荐能力，但存在相似输入易输出相似响应的局限，旨在推动多模态生成式推荐模型研究。
2023-11-07 cs.CL cs.IR
Exploring the Spatiotemporal Features of Online Food Recommendation Service
本文系统分析在线食品推荐服务的时空特征，揭示自注意力建模时空序列的不足，并提出优化的时空序列方法与动态上下文适应模型，通过离线和在线实验验证其可行性与优越性。
2023-08-08 cs.IR
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）
反事实解释通过探索项目或用户的最小改变如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间并且它们的解释或者是基于动作的（例如，用户点击）或基于方面（即，项目说明）。我们相信基于项目属性的解释对用户来说更直观和更有说服力，因为它们通过细粒度的项目人口统计特征（例如，brand）。此外，反事实解释可以过滤掉负面项目，从而加强建议。在这项工作中，我们提出了一种新的反事实解释推荐（CERec）生成基于项目属性的反事实解释，同时提高推荐性能。我们的CERec优化解释政策统一搜索候选反事实在强化学习环境。我们减少了巨大的搜索空间与自适应路径采样器，通过使用丰富的上下文信息的一个给定的知识图谱。我们还将解释策略部署到推荐模型中，以增强推荐。广泛的可解释性和推荐评估表明CERec有能力提供符合用户偏好的解释，并保持改进的推荐。我们在https://github.com/Chrystalii/CERec上发布代码。
2022-07-14 cs.AI cs.IR
Exploring and Mitigating Gender Bias in Recommender Systems with Explicit Feedback
推荐系统是必不可少的，因为它们通过给我们个性化的建议来影响我们的日常行为和决策。Kindle、Youtube和Netflix等服务严重依赖其推荐系统的性能，以确保用户获得良好的体验并增加收入。尽管它们很受欢迎，但已经表明推荐系统复制并放大了现实世界中存在的偏见。由此产生的反馈创建了一个自我延续的循环，该循环恶化了用户体验，并导致随着时间的推移推荐被删除。此外，有偏见的建议也会强化基于性别或种族的刻板印象，从而强化我们生活的过滤气泡。在本文中，我们解决的问题，性别偏见的推荐系统与显式反馈。我们提出了一个模型来量化图书评级数据集和推荐系统产生的推荐中存在的性别偏见。我们的主要贡献是提供一个原则性的方法，以减轻建议中产生的偏见。我们从理论上表明，所提出的方法提供了公正的建议，尽管有偏见的数据。通过对公开图书评级数据集的实证评估，我们进一步表明，所提出的模型可以显着减少偏差，而不会对准确性产生显着影响。我们的方法是模型不可知的，可以应用于任何推荐系统。为了证明我们的模型的性能，我们提出了四个推荐算法的结果，两个从K-最近邻家庭，UserKNN和ItemKNN，和其他两个从矩阵分解家庭，交替最小二乘和奇异值分解。
2021-12-05 cs.IR
Data Augmentation as Free Lunch: Exploring the Test-Time Augmentation for Sequential Recommendation
本文探索序列推荐中的测试时增强（TTA），通过在推理时对输入进行增强并聚合预测来提升准确率，避免重训开销；提出TNoise和TMask方法，有效解决了现有增强操作符的效率与干扰问题。
2025-04-30 cs.IR
Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
提出URLLM框架，通过双图序列模型与对齐对比学习捕获跨域信息，结合用户检索-生成模型将结构信息无缝集成至大语言模型，并采用特定域策略防止域外生成，有效提升了跨域序列推荐性能。
2024-06-05 cs.IR cs.LG
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
Exploring Test-time Scaling via Prediction Merging on Large-Scale Recommendation
MBZUAI \& McGill University \& \ - Quebec AI Institute Montreal Canada；School of Artificial Intelligence Shenzhen Technology University Shenzhen China；MBZUAI \& McGill University Abu Dhabi UAE；MBZUAI \& McGill University \& \ - Quebec AI Institute；School of Artificial Intelligence Shenzhen Technology University；MBZUAI \& McGill University
本文提出通过预测合并探索大规模推荐中的测试时扩展，通过两种方法提升推荐系统的扩展效率。
2025-12-08 cs.IR cs.LG
Touch the Core: Exploring Task Dependence Among Hybrid Targets for Recommendation
针对推荐系统混合目标多任务学习中离散-连续转化依赖被忽略、优化不稳定的问题，提出HTLNet模型，通过标签嵌入挖掘任务依赖、梯度调整优化训练，在多数据集及金融推荐A/B测试中验证了有效性。
2024-08-20 cs.IR
Graph Meta Network for Multi-Behavior Recommendation
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）
现代推荐系统通常基于观察到的交互，将用户和项目嵌入到低维潜在表示中。在实际的推荐场景中，用户经常表现出各种意图，这些意图驱使他们与具有多种行为类型的项目交互（例如，点击、标记为收藏、购买）。然而，大多数现有的方法忽略了用户行为的多样性，这使得它们难以捕获跨不同类型的交互行为的异构关系结构。探索多类型行为模式对推荐系统非常重要，但由于两个方面而非常具有挑战性：i）不同类型的用户-项目交互之间的复杂依赖关系; ii）由于用户的个性化偏好，这种多行为模式的多样性可能会因用户而异。为了解决上述问题，我们提出了一个多行为推荐框架与图Meta网络，将多行为模式建模到一个元学习范式。我们开发的MB-GMN赋予用户-项目交互学习的能力，发现依赖于类型的行为表示，自动提取的行为异质性和交互多样性的建议。在三个真实世界数据集上进行的大量实验表明，与各种最先进的基线相比，MB-GMN的推荐性能显着提高。源代码可以在https：//www.example.com上找到。github.com/akaxlh/MB-GMN
2021-10-08 cs.AI cs.IR
Exploring the Upper Limits of Text-Based Collaborative Filtering Using Large Language Models: Discoveries and Insights
Westlake University（西湖大学）
本文通过实验探讨使用大语言模型作为编码器对基于文本的协同过滤性能的影响，发现其在提升表现的同时也带来了一些负面结果。
2025-12-12 cs.IR
Exploring Adapter-based Transfer Learning for Recommender Systems: Empirical Studies and Practical Insights
本文实证研究 Adapter 在 TransRec 中的参数高效迁移效果，比较全参数微调、多模态推荐、插入方式及数据规模影响，并给出实践指导。
2023-12-08 cs.IR
A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions
School of Communication Engineering, Hangzhou Dianzi University（杭州电子科技大学通信工程学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Hong Kong Polytechnic University, Academy for AI（香港理工大学人工智能学院）
本文综述了推荐去学习的基本原理、分类、评估方法及开放问题，旨在推动更高效、可扩展的去学习技术发展。
2025-12-03 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
Relaxed N-Pairs Loss for Context-Aware Recommendations of Television Content
本文通过提出一种基于深度学习的方法来学习联合上下文内容嵌入（JCCE），研究了电视领域的上下文感知推荐。该方法建立在使用潜在表示和深度度量学习的推荐内的最新发展的基础上，以便有效地表示观看情况的上下文设置以及共享潜在空间中的可用内容。该嵌入空间用于通过应用N对损失目标以及本文提出的放松变体来探索各种观看设置中的相关内容。实验证实了JCCE的推荐能力，实现改进时相比，国家的最先进的方法。进一步的实验显示有用的结构，学习嵌入，可用于获得有价值的知识的基础变量之间的关系的上下文设置和内容属性。
2023-02-12 cs.IR
A Survey of Point-of-interest Recommendation in Location-based Social Networks
随着基于位置的社交网络（LBSNs）的流行，出现了向用户推荐新的访问地点的兴趣点（POI）推荐。由于兴趣点推荐在LBSNs中的重要性，它引起了学术界和工业界的广泛兴趣。在本文中，我们提供了一个系统的审查这一领域，总结个人的努力和探索他们之间的关系的贡献。讨论了兴趣点推荐与传统推荐问题相比所具有的新特性和面临的新挑战，电影推荐。然后从兴趣点推荐的影响因素、兴趣点推荐的方法和兴趣点推荐的不同任务三个方面进行了综述。具体来说，我们提出了三个分类分类POI推荐系统。首先，我们根据签到特征的影响因素对系统进行分类，包括地理信息、社会关系、时间影响和内容指示。其次，我们将系统按方法分类，包括融合方法和联合方法建模的系统。第三，根据推荐任务是否偏向于最近签到的细微差别，将系统分为一般兴趣点推荐和连续兴趣点推荐。对于每一个类别，我们总结了贡献和系统功能，并突出了代表性的工作。此外，我们讨论了可用的数据集和流行的指标。最后，我们指出了该领域未来可能的发展方向，并总结了本次调查。
2016-07-03 cs.IR
Slow Thinking for Sequential Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；WeChat, Tencent（腾讯微信）
针对传统序列推荐模型单步推理导致的次优性能问题，提出慢思考模型STREAM-Rec，通过三阶段训练框架实现多步审慎推理，提升个性化推荐效果。
2025-04-13 cs.AI cs.IR
Decoupled Side Information Fusion for Sequential Recommendation
HKUST（香港科技大学）；Upstage
序列推荐中的边信息融合旨在有效利用各种边信息来提高下一个项目的预测性能。大多数最先进的方法建立在自我注意网络的基础上，并专注于探索各种解决方案，以整合注意层之前的项目嵌入和边信息嵌入。然而，我们的分析表明，早期集成的各种类型的嵌入限制了注意力矩阵的表现力，由于排名瓶颈和约束梯度的灵活性。同时，它涉及到不同异构信息资源之间的混合相关性，这给注意力计算带来了额外的干扰。基于此，本文提出了一种用于顺序推荐的解耦边信息融合算法（DIF-SR），将边信息从输入端转移到注意力层，简化了各种边信息和项目表示的注意力计算。我们从理论上和经验表明，所提出的解决方案允许更高的秩注意矩阵和灵活的梯度，以提高边信息融合的建模能力。此外，辅助属性预测提出了进一步激活边信息和项目表示学习之间的有益的互动。在四个真实数据集上的大量实验表明，我们提出的解决方案稳定地优于最先进的SR模型。进一步的研究表明，我们提出的解决方案可以很容易地纳入目前的注意力为基础的SR模型，并显着提高性能。我们的源代码可以在https://github.com/AIM-SE/DIF-SR上找到。
2022-04-23 cs.AI cs.IR
Exploring Diverse Sounds: Identifying Outliers in a Music Corpus
Creativity and Cognition Studios（创意与认知工作室）；Faculty of Engineering and IT（工程与信息技术学院）；University of Technology Sydney（悉尼科技大学）
本文针对音乐推荐偏重相似性的问题，提出并定义“Genuine”音乐离群值，论证其可揭示艺术家曲目的独特面向并促进多样性音乐发现。
2024-04-09 cs.IR cs.SD eess.AS
Exploring Forum Post Retrieval with Generative Modeling
William & Mary（威廉与玛丽学院）；Meta
本研究探索将生成式推荐应用于Facebook Forum，通过跨平台语义ID迁移和指令微调语言模型，解决新界面数据稀疏问题，并系统消融关键设计选择，验证了跨平台SID的迁移有效性。
2026-10-02 cs.IR
Social Recommendation with Self-Supervised Metagraph Informax Network
South China University of Technology（华南理工大学）；University of Hong Kong（香港大学）；JD Finance America Corporation（京东金融美国公司）
近年来，研究人员试图利用在线社会信息，以减轻数据稀疏的协同过滤的基础上，社交网络提供的见解，以了解行为模式。然而，由于忽略了跨项目的相互依赖的知识（例如，产品类别），现有的社交推荐系统不足以从用户和项目侧提取异构的协作信号。在这项工作中，我们提出了一个自我监督元信息最大网络（SMIN），调查的潜力，共同将社会和知识感知的关系结构到用户的偏好表示推荐。为了对关系异构性进行建模，我们设计了一个元路径引导的异构图神经网络来聚合来自不同类型的跨用户和项目的元关系的特征嵌入，使SMIN能够维护多方面的用户和项目依赖的专用表示。此外，为了注入高阶协同信号，我们推广了自监督图协同过滤下的互信息学习范式。通过探索全局级协作关系和图拓扑的同构变换特性，赋予了用户-项目交互模式的表达建模。几个真实世界的数据集上的实验结果表明，我们的SMIN模型的有效性，在各种国家的最先进的推荐方法。我们在https://github.com/SocialRecsys/SMIN上发布源代码。
2021-10-08 cs.AI cs.IR
Time to Split: Exploring Data Splitting Strategies for Offline Evaluation of Sequential Recommenders
AIRI, Skoltech Moscow Russian Federation（AIRI，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab, Skoltech Moscow Russian Federation（Sber AI Lab，斯克里普钦斯基因工学院莫斯科俄罗斯联邦）；Sber AI Lab Moscow Russian Federation（Sber AI Lab，莫斯科斯克里普钦斯基因工学院俄罗斯联邦）；Sber AI Lab, HSE University Moscow Russian Federation（Sber AI Lab，莫斯科高等经济大学俄罗斯联邦）
本文系统比较了序列推荐中不同数据分割策略对离线评估的影响，发现留一法等常见策略存在时间泄漏等问题，与更现实的评估策略不一致，并提供了代码以提升可重复性。
2025-07-22 cs.IR cs.LG
