Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with Large Language Models
Shanghai Dewu Information Group Co., Ltd.（上海德 Wu 信息集团有限公司）；Xi'an Jiaotong University（西安交通大学）
针对工业推荐系统反馈循环导致的内容同质化问题，提出利用大语言模型动态构建用户知识图谱的两阶段框架，通过两跳兴趣推理和近线适配增强惊喜推荐，在线实验显著提升新颖率与用户体验。
2025-08-06 cs.AI cs.IR
Optimizing Recommendations using Fine-Tuned LLMs
Whiting School of Engineering EP Program（韦廷工程学院EP项目）；John Hopkins University（约翰霍普金斯大学）
本文通过建模真实用户交互生成复杂聊天风格合成数据集，使推荐系统支持情绪、情节和主题等自然偏好查询，并验证其在模型训练与基准测试中的有效性。
2025-05-11 cs.AI cs.IR cs.LG
Who's Who: Large Language Models Meet Knowledge Conflicts in Practice
VinAI Research（VinAI研究院）；Nanyang Technological University（南洋理工大学）
本文提出WhoQA基准数据集，通过同名实体属性问题诱发知识冲突，评估大语言模型在RAG场景下面对冲突信息时的表现，发现知识冲突会显著降低模型性能。
2024-10-21 cs.AI cs.CL cs.IR
When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
针对搜索与推荐（S&R）用户意图差异被忽略的问题，提出SESRec框架，通过对比学习解耦S&R行为中的相似与不相似表示，并利用注意力机制提取用户兴趣，在多数据集上显著优于现有模型。
2023-05-18 cs.AI cs.IR
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出自适应集成学习（AEL）去噪推荐方法，利用稀疏门控网络动态选择专家，并通过组件堆叠构建多样性子推荐器，在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
Explainable Recommendation with Simulated Human Feedback
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学agate人工智能学院）
针对可解释推荐缺乏有效反馈的问题，提出用LLM模拟人类反馈、结合帕累托优化和离策略训练的框架，提升解释质量，实验验证有效。
2025-08-07 cs.AI cs.CL cs.IR
Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations
University of Calabria（卡拉布里亚大学）；ICAR-CNR；KTH Royal Institute of Technology（皇家理工学院）
本文提出以用户为中心的推荐框架，通过概率用户行为模型和 copula 函数结合相关性与多样性，以最大化用户知识获取，并在多个数据集上验证其优于现有方法。
2024-08-07 cs.AI cs.IR
Cross-Domain Recommendation Meets Large Language Models
针对现有跨域推荐（CDR）模型在数据稀缺场景效果差的问题，本研究利用大型语言模型（LLMs）推理能力，提出两种CDR专用提示设计，证明有效提示的LLMs在评分预测和排序任务中优于现有CDR基准模型。
2024-11-29 cs.IR
When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study
The University of Queensland（昆士兰大学）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）
本文提出将文本视为视觉信号，通过OCR技术提升生成推荐中语义ID学习的鲁棒性和效率。
2026-01-21 cs.AI cs.IR
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University（嘉应学院）
在大数据时代，推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来，推荐系统的技术发展经历了从感知学习到认知推理的过程，将推荐任务直观地构建为逻辑推理的过程，并取得了显著的进步。然而，推理中的逻辑陈述隐含地承认了排序的无关性，甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外，结合时间上下文的推荐模型将倾向于自我关注，即，自动聚焦更多（更少）的相关性（无关性）。针对这些问题，本文提出了一种基于时间感知的自注意力神经协作推理（TiSANCR）推荐模型，将时间模式和自注意力机制集成到基于推理的推荐中。特别是，时间模式表示的相对时间，提供上下文和辅助信息来描述用户的偏好在推荐，而自我注意是利用提取信息模式和抑制无关。因此，自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明，提出的TiSANCR推荐算法性能显著提高，并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
Baidu Inc.（百度公司）
针对生成式推荐中阶段分离导致的信息损失问题，提出COBRA框架，通过级联交替生成稀疏ID与稠密向量并结合BeamFusion策略，在真实广告平台上显著提升了推荐效果。
2025-03-04 cs.AI cs.IR
A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining
Carnegie Mellon University（卡内基梅隆大学）；Southwest Jiaotong University（西南交通大学）；Washington University in St. Louis（华盛顿大学圣路易斯分校）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出一种基于分离嵌入交叉网络的推荐模型，通过嵌入层将稀疏特征转为稠密向量并在不同维度独立进行特征交叉，以提升特征挖掘精度，实验证明其在复杂数据集上具有更强适应性和更高预测精度。
2024-10-19 cs.AI cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Multi-modality Meets Re-learning: Mitigating Negative Transfer in Sequential Recommendation
本文提出ANT方法，通过融合多模态物品信息和基于重学习的适配策略，有效缓解序列推荐中的负迁移问题，在五个目标任务上显著优于八种基线方法，提升最高达15.2%。
2023-09-20 cs.IR
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
顺序推荐的目的是根据用户的行为历史来确定用户偏好的下一个项目。与利用注意力机制和RNN的传统顺序模型相比，最近的努力主要遵循两个改进方向：多兴趣学习和图卷积聚合。具体地，多兴趣方法（诸如ComiRec和MIMN）专注于通过执行历史项目聚类来提取用户的不同兴趣，而图卷积方法（包括TGSRec和SURGE）选择基于历史项目之间的多级相关性来细化用户偏好。不幸的是，他们都没有意识到，这两种类型的解决方案可以相互补充，通过聚合多层次的用户偏好，以实现更精确的多兴趣提取更好的推荐。为此，在本文中，我们通过多兴趣学习和图卷积聚合的组合提出了一个统一的多粒度神经模型（名为MGNM）。具体地，MGNM首先学习用户的历史项目的图结构和信息聚合路径。然后，它执行图卷积，以迭代的方式导出项目表示，其中可以很好地捕获不同级别的复杂偏好。然后，提出了一种新的顺序胶囊网络，将顺序模式注入到多兴趣提取过程中，从而以多粒度的方式实现更精确的兴趣学习。
2022-05-03 cs.IR
When Collaborative Filtering Meets Reinforcement Learning
The Hong Kong Polytechnic University（香港理工大学）
本文研究了一个多步交互式推荐问题，其中当前推荐的项目可能会影响未来推荐的质量。为了解决这个问题，我们开发了一种新颖而有效的方法，命名为CFRL，它无缝集成了协同过滤（CF）和强化学习（RL）的想法。更具体地说，我们首先将推荐者-用户交互式推荐问题建模为代理-环境RL任务，该任务在数学上由马尔可夫决策过程（MDP）描述。此外，为了实现整个用户社区的协作推荐，我们提出了一种新的CF为基础的MDP编码到一个共享的潜在向量空间的所有用户的状态。最后，我们提出了一种有效的Q-网络学习方法来学习基于CF的MDP的代理的最优策略。CFRL的能力是通过比较其性能对各种现有的方法在现实世界的数据集。
2019-04-02 cs.IR cs.LG stat.ML
Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Tencent（腾讯）；Shandong University（山东大学）；City, University London（伦敦城市大学）
针对LLM赋能推荐中通用语言表示与领域偏好不匹配、多领域适应性有限的问题，提出全领域持续预训练框架CPRec，通过统一提示模板和定制学习率调度对齐LLM与通用用户行为，提升推荐性能。
2025-04-11 cs.CL cs.IR
Semantics Meet Signals: Dual Codebook Representationl Learning for Generative Recommendation
University of Cambridge（剑桥大学）；Roblox Corporation（Roblox公司）；University of Maryland（马里兰大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出FlexCode，一种用于生成推荐的双代码本学习框架，通过自适应分配token预算提升流行物品与长尾物品的表示效率和泛化能力。
2025-11-15 cs.CL cs.IR
When Box Meets Graph Neural Network in Tag-aware Recommendation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Army Engineering University of PLA（中国人民解放军陆军工程大学）
针对标签感知推荐中现有方法难捕捉用户偏好多样性及三分图高阶信号的问题，提出BoxGNN算法，用超盒嵌入结合逻辑运算的消息聚合与体积学习目标，在多数据集上优于现有基线。
2024-06-17 cs.AI cs.IR
Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation
Renmin University of China（中国人民大学）；Shandong University（山东大学）；Peking University（北京大学）
本文提出了一种多源分歧-共识负采样框架MDCNS，通过引入教师-同伴-自我框架，解决传统自引导硬负采样在循环依赖、采样区域狭窄和计算开销大等问题，从而提升序列推荐模型的多样性与泛化能力。
2026-05-19 cs.IR
Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
Deezer Research（Deezer研究院）
本文提出PISA，一种基于Transformer与ACT-R认知架构的会话级序列推荐系统，通过捕捉用户行为的动态与重复模式，有效预测后续收听歌曲，并在公开与专有数据上验证了重复建模的关键作用。
2024-08-29 cs.IR cs.LG
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
本文通过分析去噪权重导致的头尾信号比变化，揭示小损失去噪会抑制干净但难拟合的长尾信号，提出流行度感知去噪（PAD）框架，根据物品流行度调节去噪强度，在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
Low-Precision Hardware Architectures Meet Recommendation Model Inference at Scale
Facebook（脸书）
机器学习（ML）的巨大成功和ML模型复杂性的持续增长，促使CPU和加速器架构中的许多ML特定设计加快模型推理。虽然这些架构多种多样，但高度优化的低精度算法是大多数架构共享的组件。这些架构在基准ML模型上确实经常表现出令人印象深刻的计算吞吐量。然而，对Facebook的个性化服务很重要的推荐系统等生产模型要求很高，也很复杂：这些系统必须每月以低延迟响应数十亿用户，同时保持高预测准确性，尽管每个推理需要数百亿个参数进行计算。这些低精度架构是否与我们的生产推荐系统配合良好？他们会去的而且但不是没有重大的努力。我们在本文中分享了我们的搜索策略，以适应参考推荐模型低精度的硬件，我们的低精度计算内核的优化，以及工具链的设计和开发，以保持我们的模型的准确性在其整个生命周期期间，主题趋势和用户的兴趣不可避免地演变。实践这些低精度技术帮助我们节省了数据中心容量，同时部署了复杂度高达5倍的模型，这些模型原本不会部署在传统的通用CPU上。我们相信，这些来自战壕的经验教训促进了硬件架构和软件工程之间更好的协同设计，并推动了ML在工业中的发展。
2021-05-26 cs.AR cs.IR cs.LG
Beyond Personalization: Research Directions in Multistakeholder Recommendation
University of Colorado, Boulder（科罗拉多大学博尔德分校）；University of Minnesota（明尼苏达大学）；eBay, Inc.（eBay公司）；University of Klagenfurt（克拉根福大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）；Expedia Group（Expedia集团）；Accenture（埃森哲）
推荐系统是个性化的信息访问应用程序，它们在今天的在线环境中无处不在，并有效地找到满足用户需求和口味的项目。随着推荐系统的范围不断扩大，学术研究中常见的对用户的专注已经掩盖了推荐结果的其他重要方面。属性，如公平性，平衡性，盈利性和互惠性没有捕获的推荐系统评估的典型指标。多利益相关者推荐的概念已经成为一个统一的框架，用于描述和理解最终用户不是唯一焦点的推荐设置。本文描述了多利益相关者推荐的起源，以及系统设计的前景。它提供了当前研究的例证，并概述了该领域的开放问题和研究方向。
2019-12-15 cs.AI cs.IR
Generation Meets Recommendation: Proposing Novel Items for Groups of Users
National University of Singapore（新加坡国立大学）
考虑一个电影制片厂，它的目标是制作一套夏季上映的新电影：它应该制作什么类型的电影？电影会吸引谁？它应该拍多少部电影？各种组织都遇到了类似的问题，例如，移动电话制造商和在线杂志，他们必须创造新的（不存在的）项目，以满足不同偏好的用户群体。在本文中，我们提出了一个联合问题的形式化这些相互关联的问题，并提出生成方法，同时解决这些问题。具体来说，我们利用通过训练深度生成模型-变分自编码器（VAE）-获得的潜在空间，通过一个损失函数，该函数包含评级性能和项目重建项。然后，我们应用一个贪婪的搜索算法，利用这个学习的潜在空间，共同获得K个合理的新项目，和用户组，会发现项目的吸引力。在合成数据集上对我们的方法进行的评估表明，我们的方法能够生成类似于高度期望的未观察到的项目的新项目。作为对真实世界数据的案例研究，我们将我们的方法应用于MART抽象艺术和Movielens Tag Genome数据集，这产生了有希望的结果：小而多样的新项目集。
2018-08-02 cs.IR cs.LG stat.ML
Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation
University of Cagliari（卡利亚里大学）；Polytechnic University of Turin（都灵理工大学）
路径推理是基于知识图谱（KG）对高阶用户-产品关系建模的著名推荐方法。这种方法可以提取推荐产品和已经体验过的产品之间的推理路径，然后将这些路径转化为用户的文本解释。不幸的是，在这一领域的评估协议出现异构和有限的，很难上下文的影响，现有的方法。在本文中，我们复制了三个国家的最先进的相关路径推理推荐方法提出的顶级会议。在一个共同的评估协议下，基于两个公共数据集，并与其他知识感知的方法相比，我们研究了它们在多大程度上满足推荐效用和超越目标，解释质量，消费者和提供者的公平性。我们的研究提供了在这一领域的进展情况，突出开放的问题和未来的方向。源代码：\url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}。
2023-01-14 cs.AI cs.IR
Explicit Feedbacks Meet with Implicit Feedbacks : A Combined Approach for Recommendation System
Indian Institute of Technology Patna（印度理工学院巴特那分校）
推荐系统通过分析用户对不同品牌商品的潜在兴趣，更准确地推荐商品。结合用户的评分相似性，用户的隐式反馈的存在，如点击项目，查看项目规格，观看视频等已被证明有助于学习用户的嵌入，这有助于更好地预测用户的评分。现有的推荐系统大多集中于对用户的评价和隐式反馈进行建模，而忽略了用户的显式反馈。显式反馈可以用于验证特定用户的可靠性，并且可以用于了解用户的特性。用户特征是指用户是什么类型的审稿人。在本文中，我们探讨了三种不同的模型，以更准确地侧重于用户的显式反馈和隐式反馈的推荐。第一种是RHC-PMF，它基于用户的三个显式反馈（评级，有用性得分和中心性）更准确地预测用户的评级;第二种是RV-PMF，其中考虑了用户的隐式反馈（视图关系）。最后一个是RHCV-PMF，其中考虑了两种类型的反馈。在该模型中，用户外显反馈的相似性反映了用户反馈的可靠性和特征的相似性，而用户内隐反馈的相似性反映了用户反馈偏好的相似性。在真实世界数据集上的大量实验表明，与基线模型相比，我们的模型在用户评级预测方面表现更好。Amazon.com与基线模型相比，RHCV-PMF模型对冷启动用户和冷启动项目的评分预测效果更好。
2018-10-29 cs.IR cs.LG stat.ML
GEVR: An Event Venue Recommendation System for Groups of Mobile Users
在本文中，我们提出了GEVR，第一组活动场所推荐系统，通过个人的位置跟踪和上下文信息的移动性纳入一个“基于社会”的群体决策模型，为移动用户群体提供场地建议。我们的研究利用了一个真实世界的数据集，该数据集是使用OutWithWeiz移动应用程序收集的，用于群体活动规划，其中包含625个用户和500多个群体活动。我们首先开发了一种新型的“基于社交”的群体位置预测模型，该模型自适应地将不同的群体决策策略应用于具有不同社交关系强度的群体，以汇总每个群体成员的位置偏好，来预测群体将在哪里见面。评估结果表明，我们的预测模型不仅优于常用的和国家的最先进的群体决策策略，预测群体的最终会议地点集群的准确率超过80%，而且还提供了有前途的质量在冷启动场景。然后，我们将我们的预测模型与Foursquare场地推荐API相结合，为移动用户群体构建活动场地推荐框架。评估结果表明，GEVR优于比较模型的显着保证金。
2019-03-25 cs.HC cs.IR cs.SI
E-commerce Webpage Recommendation Scheme Base on Semantic Mining and Neural Networks
University of Science and Technology of China（中国科学技术大学）；Arizona State University（亚利桑那州立大学）；The University of Chicago（芝加哥大学）；Georgia Institute of Technology（佐治亚理工学院）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对电商网页推荐方案难以满足网购用户需求的问题，提出结合语义网挖掘与BP神经网络的推荐方案，提取5类日志特征训练网络实现优先级排序，经图书销售网页实验验证可快速准确识别用户所需网页。
2024-09-11 cs.AI cs.IR
HyperBandit: Contextual Bandit with Hypernewtork for Time-Varying User Preferences in Streaming Recommendation
Renmin University of China（中国人民大学）；Huazhong University of Science and Technology（华中科技大学）
本文提出 HyperBandit，用时间特征驱动的超网络动态生成奖励估计参数，并结合低秩分解与上下文 bandit 策略，实现流式推荐中对时变用户偏好的快速适应。
2023-08-14 cs.AI cs.IR
The Unfairness of Popularity Bias in Book Recommendation
University of Southern California（南加州大学）；University College London（伦敦大学学院）；Shahid Beheshti University（沙希德·贝赫什提大学）
最近的研究表明，推荐系统通常受到流行偏见。流行性偏见是指流行的项目（即，频繁评级的项目）被频繁地推荐，而不太受欢迎的项目很少被推荐或根本不被推荐。研究人员采用了两种方法来检查流行偏见：（i）从用户的角度来看，通过分析推荐系统在接收流行项目时偏离用户期望的程度，以及（ii）通过分析长尾项目接收的曝光量，以整体目录覆盖率和新颖性为衡量标准。在本文中，我们研究的第一个观点在图书领域，虽然研究结果可能适用于其他领域以及。为此，我们分析了著名的Book-Crossing数据集，并根据他们对热门项目的倾向定义了三个用户组（即，利基，多样化，以畅销为重点）。此外，我们评估了九种最先进的推荐算法和两种基线（即，随机，MostPop）从准确度（例如，NDCG，精确度，召回）和流行偏见的观点。我们的研究结果表明，大多数国家的最先进的推荐算法遭受流行偏见的书籍领域，并未能满足用户的期望与利基和多样化的口味，尽管有一个更大的配置文件大小。相反，专注于Bestseller的用户更有可能收到高质量的推荐，无论是在公平性还是个性化方面。此外，我们的研究表明，个性化和流行性偏见的不公平性之间的权衡推荐算法属于不同的和畅销书组的用户，即具有高个性化能力的算法遭受流行性偏见的不公平性。
2022-02-27 cs.AI cs.IR
Hybrid Recommendation System using Graph Neural Network and BERT Embeddings
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究提出结合图神经网络与句子转换器嵌入的混合动漫推荐模型，兼顾动漫特征与用户交互，可同时实现推荐与评分预测，提升推荐准确性并可跨领域扩展。
2023-10-07 cs.AI cs.IR cs.LG
Smart E-commerce Recommendations with Semantic AI
针对电商页面推荐难以满足用户需求的问题，提出结合语义网络挖掘与BP神经网络的方案，提取五类用户特征实现页面排序推荐，提升了推荐准确率与效率，可扩展应对现代电商挑战。
2024-09-11 cs.AI cs.IR cs.LG
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而，维护多个模型导致高计算成本，并提出了很大的挑战，以满足新闻推荐系统的在线延迟要求。为了解决这个问题，本文提出了UniRec，一个统一的方法召回和排名的新闻推荐。在我们的方法中，我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后，我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明，该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
A Long-Short Demands-Aware Model for Next-Item Recommendation
Renmin University of China（中国人民大学）；University of Montreal（蒙特利尔大学）
推荐合适的产品是推荐系统的核心问题，但同时也要在合适的时间推荐合适的产品，以满足用户的需求，使其价值最大化。用户需求蕴含着强烈的购买意愿，如果利用得当，可以成为促进产品销售的最有效途径。以往的推荐模型主要关注用户的一般兴趣，以找到合适的产品。然而，在适时满足用户需求方面，探索得少得多。为了解决这个问题，我们提出了一种新的长短需求感知模型（LSDM），其中用户对项目的兴趣和用户的需求随着时间的推移。我们总结了两个方面：称为长期需求（例如，反复购买相同的产品表现出长期持续的兴趣）和短期需求（例如，共同购买就像买颜料后买画笔）。为了利用用户的这种长短期需求，我们创建不同的集群，根据不同的时间跨度将连续的产品购买分组在一起，并使用递归神经网络在时间尺度上对每个集群序列进行建模。最后通过联合学习策略对多时间尺度的长短期采购需求进行集结。在三个真实商业数据集上的实验结果证明了该模型的有效性，表明该模型可以有效地模拟用户在多时间尺度上对商品的长短期购买需求。
2019-02-12 cs.IR cs.LG stat.ML
Enhancing CTR Prediction in Recommendation Domain with Search Query Representation
McGill University（麦吉尔大学）
针对推荐领域现有方法未充分利用搜索域用户偏好、忽略跨域意图偏移的问题，提出融合搜索查询嵌入、对比学习与扩散模型的CTR预测框架，实验效果优于当前最优模型。
2024-10-28 cs.AI cs.IR cs.LG
Machine Unlearning for Recommendation Systems: An Insight
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）；Jagiellonian University（雅盖隆大学）
本文综述推荐系统中的机器遗忘（MUL），分析其在适应性、个性化、隐私、偏见与算法透明度方面的应用、挑战及方法局限，并指出未来研究方向。
2024-01-17 cs.AI cs.IR cs.LG
Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs
Northeast Normal University（东北师范大学）；Jilin Open University（吉林开放大学）
针对MOOCs知识概念推荐中忽略隐式关系的问题，提出基于对比学习的框架CL-KCRec，利用图神经网络表示显隐式关系，并结合原型图对比学习与双头注意力机制实现平衡融合，在HR、NDCG和MRR指标上优于现有基线。
2024-02-13 cs.AI cs.IR
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
A Survey on Federated Recommendation Systems
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR)（山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR））；Software School, Shandong University（山东大学软件学院）；Shandong University（山东大学）；Sino-Singapore International Joint Research Institute（中新国际联合研究院）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究学院）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）
联邦学习最近被应用于推荐系统以保护用户隐私。在联邦学习环境下，推荐系统只需要收集中间参数而不需要收集真实的用户数据就可以训练推荐模型，大大增强了用户隐私保护。此外，联合推荐系统能够与其他数据平台协作，以提高推荐模型的性能，同时满足监管和隐私约束。然而，联邦推荐系统面临着许多新的挑战，如隐私，安全性，异构性和通信成本。虽然在这些领域进行了大量研究，但调查文献中仍然存在空白。在本文中，我们-（1）总结了联邦推荐系统中常用的一些隐私机制，并讨论了每种机制的优点和局限性;（2）回顾了一些鲁棒的聚合策略和一些新的安全攻击;（3）总结了一些解决异构性和通信成本问题的方法;（4）介绍了一些可用于构建联邦推荐系统的开源平台;（5）提出了未来的研究方向。该调查可以指导研究者和实践者了解这些领域的研究进展。
2023-03-09 cs.AI cs.CR cs.IR
Revisiting Popularity and Demographic Biases in Recommender Evaluation and Effectiveness
The University of Manchester（曼彻斯特大学）；Microsoft（微软公司）
推荐算法容易受到流行偏见的影响：即使不能满足用户需求，也倾向于推荐流行的项目。一个相关的问题是，推荐质量可能因人口统计组而异。边缘化的组或在训练数据中代表不足的组可能从这些算法接收到与其他算法相比不太相关的推荐。在最近的一项研究中，Ekstrand等人调查了推荐器的性能如何根据流行度和人口统计数据而变化，并发现两个数据集上的二元性别之间的推荐效用存在统计学显著差异，并且基于年龄对一个数据集产生显著影响。在这里，我们重现这些结果，并扩展他们与其他分析。我们发现，年龄和性别的推荐性能的统计显着差异。我们观察到，老年用户的推荐效用稳步下降，女性的推荐效用低于男性。我们还发现，对于来自数据集中具有更多代表性的国家的用户，效用更高。此外，我们发现，消费内容的总使用量和受欢迎程度是推荐性能的强预测因子，并且在不同的人口统计群体中也有显着差异。
2021-10-15 cs.AI cs.IR cs.LG
Transferable Fairness for Cold-Start Recommendation
随着推荐系统在日常生活中的应用和影响越来越大，如何实现推荐的公平性成为一个重要的问题。以往的公平性推荐工作主要集中在一个预定义的（通常是热启动）用户集。然而，由于新用户或冷启动用户的交互量不足，推荐系统通常面临更具挑战性的公平性问题。因此，研究训练后的模型是否仍然适用于一组新的冷启动用户是至关重要的。本文考虑的情况下，推荐系统满足新用户只有有限的，甚至没有互动的平台，并旨在提供高质量的和公平的建议，有效地给这样的用户。该算法将来自活跃用户的足够多的交互数据作为源用户域，将来自新用户的交互数据作为目标用户域，并考虑将反事实公平性从源用户转移到目标用户。为此，我们引入了一个框架，以实现可转移的反事实公平的建议。该方法能够将从源用户学习到的公平模型知识传递给目标用户，从而提高推荐性能并保持对目标用户的公平性。在两个具有代表性的推荐算法的真实数据集上的实验表明，该方法不仅提高了对目标用户的公平性，而且在推荐性能方面优于比较模型。
2023-01-25 cs.IR
Non-autoregressive Generative Models for Reranking Recommendation
Kuaishou Technology（快手科技）；Peking University（北京大学）；Tsinghua University（清华大学）
提出非自回归生成模型NAR4Rec用于推荐重排序，通过匹配模型、序列级不相似性训练和对比解码提升效率与效果，离线实验和在线测试验证其优越性，已在快手全面部署。
2025-03-25 cs.AI cs.IR
LD4MRec: Simplifying and Powering Diffusion Model for Multimedia Recommendation
本文提出轻量扩散模型LD4MRec，通过无前向推理策略降低计算复杂度，并设计C-Net融合协同信号与个性化模态偏好信号，以高效生成符合用户偏好的多媒体推荐行为。
2025-04-12 cs.IR
Neural Node Matching for Multi-Target Cross Domain Recommendation
多目标跨域推荐（CDR）是近年来研究的热点，它旨在同时提高多个域（或系统）的推荐性能。大多数现有的多目标CDR框架主要依赖于跨域的大多数重叠用户的存在。然而，一般的实际CDR场景不能满足严格重叠的要求，并且仅共享跨域的公共用户的小余量。此外，大多数用户在这种小重叠CDR场景中具有相当多的历史行为。为了解决上述问题，我们提出了一种简单而有效的基于神经节点匹配的框架，用于更一般的CDR设置，即，跨域仅存在（很少）部分重叠的用户，并且大多数重叠以及非重叠的用户具有稀疏的交互。本框架主要包括两个模块：（i）节点内到节点间匹配模块，和（ii）节点内补充模块。具体地说，第一个模块进行内部的知识融合在每个领域和随后的跨领域的知识融合，通过完全连接的用户-用户同构图信息聚合。
2023-02-12 cs.IR
Structural Analysis of User Choices for Mobile App Recommendation
智能手机技术的进步促进了移动应用的快速发展。然而，应用程序商店中大量移动应用程序的可用性带来了寻找合适应用程序以满足用户需求的挑战。事实上，个性化应用推荐的需求非常迫切。在这方面，移动应用程序的两个独特特征带来了机遇和挑战。首先，应用程序市场将应用程序按层次分类法进行组织。其次，功能相似的应用程序相互竞争。虽然有各种各样的移动应用推荐方法，但这些方法并没有专注于应对这些机遇和挑战。为此，在本文中，我们提供了一个系统的研究，以应对这些挑战。具体来说，我们开发了一个结构化用户选择模型（SUCM），通过利用应用程序的层次分类以及应用程序之间的竞争关系来学习细粒度的用户偏好。此外，我们设计了一个有效的学习算法来估计SUCM模型的参数。最后，我们对从Google Play收集的大型应用采用数据集进行了广泛的实验。结果表明，SUCM始终优于国家的最先进的前N推荐方法的显着保证金。
2016-05-25 cs.IR
Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
Southwest Jiaotong University（西南交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出一种基于度量学习的标签推荐算法，通过学习距离或相似性度量捕捉用户偏好与物品特征差异，有效解决数据稀疏和冷启动问题，在多项指标上优于LRML、CML和ATF基线方法。
2024-11-10 cs.IR cs.LG
Personalized Prompt Learning for Explainable Recommendation
Hong Kong Baptist University（香港浸会大学）；Rutgers University（罗格斯大学）
提供用户可理解的解释来证明推荐可以帮助用户更好地理解推荐项目，增加系统的易用性，并获得用户的信任。一种典型的实现方法是自然语言生成。然而，以前的工作大多采用递归神经网络来满足目的，留下潜在的更有效的预训练Transformer模型未被探索。事实上，作为推荐系统中重要的标识符，用户ID和项目ID作为预先训练好的模型中的单词，本质上处于不同的语义空间，因此如何有效地将ID融合到这些模型中成为一个关键问题。受提示学习最新进展的启发，我们提出了两种解决方案：找到替代词来表示ID（称为离散提示学习），并直接将ID向量输入到预先训练的模型（称为连续提示学习）。在后一种情况下，ID向量是随机初始化的，但模型是在大型语料库上预先训练的，因此它们实际上处于不同的学习阶段。为了弥补这一差距，我们进一步提出了两种训练策略：顺序调优和推荐正则化。大量的实验表明，我们的持续提示学习方法配备的训练策略一致优于强基线上的三个数据集的可解释的建议。
2023-01-13 cs.AI cs.CL cs.IR
Enhanced User Interaction in Operating Systems through Machine Learning Language Models
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Southern California（南加州大学）
本文探讨整合大型语言模型、机器学习与交互设计，以模拟真实用户交互、构建虚拟推荐 A/B 测试场景，并增强推荐系统和操作系统中的个性化用户体验。
2024-02-24 cs.CE cs.CL cs.CV
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology（快手科技）
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 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
To Recommend or Not: Recommendability Identification in Conversations with Pre-trained Language Models
本文首次提出对话场景中的可推荐性识别任务并构建新数据集，评估预训练语言模型的可行性，发现零样本效果不足而微调或软提示方法可媲美传统分类方法。
2024-04-08 cs.IR
