Personalized Music Recommendation with Triplet Network
National Institute of Informatics(国立信息学研究所);SOKENDAI(综合研究大学院大学)
由于近年来出现了许多在线音乐服务,因此需要有效的音乐推荐系统。推荐系统中的一些常见问题,如特征表示、距离度量和冷启动问题也是音乐推荐面临的挑战。本文提出了一种三元组神经网络,利用正样本和负样本来学习用户和项目之间的表示和距离度量,来解决推荐任务。
2019-08-10 cs.IR cs.LG cs.MM
SocialRec: User Activity Based Post Weighted Dynamic Personalized Post Recommendation System in Social Media
School of Computing(计算机学院);Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校)
本文提出SocialRec推荐系统,通过整合用户历史、参与度和个人画像评估推荐得分,采用混合方法解决新用户冷启动问题,并在NeuMF模型上取得HR 0.80和NDCG 0.6的最高成绩。
2024-07-13 cs.IR cs.LG cs.SI
Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院);Walmart Global Tech(沃尔玛全球技术)
本文提出IGRec模型,通过自门控解耦用户兴趣、Gumbel-Softmax聚合生成群体表示,并采用双训练评分预测,利用群体信息缓解数据稀疏和冷启动问题,在三个数据集上验证了有效性。
2023-11-16 cs.IR cs.LG
A Compositional Model of Multi-faceted Trust for Personalized Item Recommendation
University of Torino(都灵大学)
基于信任的推荐系统通过利用用户之间的信任网络提供的附加信息来处理冷启动问题,从而改善了关于协同过滤的评级预测。然而,最近的研究对他们提出了挑战,根据这些研究,人们普遍认为使用有关社会关系的数据侵犯了他们自己的隐私。为了解决这个问题,我们扩展了基于信任的推荐系统与信任的额外证据,基于公共匿名信息,我们使它们可配置的数据,可以在给定的应用领域:1 -我们提出了多方面的信任模型(MTM)定义用户之间的信任组合的方式,可能包括或排除它所包含的信息类型。MTM灵活地将社交链接与通过社交网络中的用户简档和用户贡献接收的公共匿名反馈相结合。2 -我们提出了LOCABAL+,基于MTM,它扩展了LOCABAL基于信任的推荐系统与多方面的信任和基于信任的社会正则化。在两个公开的项目评论数据集上进行的实验表明,在用户覆盖率略有下降的情况下,LOCABAL+在准确性、项目排名和错误最小化方面都优于最先进的基于信任的推荐系统和协同过滤系统,无论是在使用关于信任的完整信息时,还是在忽略社会关系时。因此,MTM与LOCABAL+的组合代表了一个有前途的替代国家的最先进的基于信任的推荐系统。
2019-09-04 cs.IR cs.LG
Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院)
食物选择是个人的和复杂的,对我们的长期健康和生活质量有重大影响。通过帮助用户做出明智和满意的决定,推荐系统(RS)有可能支持用户做出更健康的食物选择。智能用户建模是实现这一潜力的关键挑战。本文研究了基于Ensemble Topic Modeling(EnsTM)的特征识别技术,用于高效的用户建模和食谱推荐。它基于EnsTM的研究结果,提出了一种简化的数据表示格式和智能用户建模策略,使捕获用户偏好快速,高效和交互。这种方法支持个性化,即使在冷启动场景中也是如此。本文提出了两种不同的EnsTM为基础的和一个混合EnsTM为基础的嵌入式系统。我们通过一项有48名参与者的用户研究,使用230,876个食谱的大规模真实语料库,比较了所有三种基于EnsTM的变体,并与传统的基于内容(CB)的方法进行比较。基于EnsTM的神经网络的性能明显优于CB方法。除了承认多领域的内容,如口味,人口统计和成本,我们提出的方法还考虑到用户的营养偏好,并帮助他们找到不同的营养类别下的食谱。此外,它提供了出色的覆盖范围,并使用户的饮食习惯的隐式理解。随后的分析也揭示了某些特征与更健康的生活方式之间的相关性。
2019-07-31 cs.IR cs.LG
Personalized Recommendation of Dish and Restaurant Collections on iFood
iFood
针对食品配送平台,提出RED系统,用LightGBM分类器结合特征组、冷启动和偏差处理,实现iFood集合个性化推荐,A/B测试显著提升转化率。
2025-08-05 cs.IR cs.LG
An Adaptive Hybrid Active Learning Strategy with Free Ratings in Collaborative Filtering
推荐系统是预测用户偏好以个性化服务的信息检索方法。这些系统使用用户提供的反馈和评级来模拟用户的行为并生成推荐。通常,评级是相当稀疏的,即,每个用户仅对一小部分项目进行评级。为了解决这个问题,提高绩效,主动学习策略可以用来选择最具信息量的项目进行评级。这个评级启发过程丰富了交互矩阵与信息评级,因此协助推荐系统更好地模拟用户的偏好。在本文中,我们评估各种非个性化和个性化的评级启发策略。我们还提出了一种混合策略,自适应地结合了非个性化和个性化的策略。此外,我们提出了一个新的程序来获得免费的评级的基础上的边信息的项目。我们在MovieLens数据集上评估了这些想法。实验表明,我们提出的混合策略优于文献中的策略。我们还提出了获得免费评级的程度,进一步提高性能和用户体验。
2022-03-11 cs.IR
GPT4Rec: A Generative Framework for Personalized Recommendation and User Interests Interpretation
University of Michigan(密歇根大学);Amazon(亚马逊)
提出受搜索引擎启发的生成式推荐框架GPT4Rec,利用GPT-2生成多查询并基于BM25检索物品,克服了传统判别式模型的局限,显著提升了推荐的相关性与多样性,并增强了用户兴趣的可解释性。
2023-04-08 cs.IR cs.LG
A Random Walk Based Model Incorporating Social Information for Recommendations
Deutsche Telekom Laboratories(德国电信实验室);Princeton University(普林斯顿大学)
协同过滤(CF)是构建推荐系统最流行的方法之一。针对推荐系统中的数据稀疏性和冷启动问题,提出了一种基于马尔可夫随机游走的混合协同过滤模型。更准确地说,我们构建了一个有向图,其节点包括项目和用户,以及项目内容,用户简档和社交网络信息。我们将用户的评分纳入图模型的边缘设置。该模型为个人和团体提供个性化的建议和预测。在MovieLens和Eppery数据集上对所提出的算法进行了评估。实验结果表明,与其他基于图的方法相比,所提出的方法性能良好,特别是在冷启动的情况下。
2013-05-17 cs.IR cs.LG
When and How to Ask: Dynamic Preference Elicitation Strategies for Conversational Recommendation
University of Sheffield(谢菲尔德大学);Bloomberg(彭博)
研究对话推荐中偏好引出策略,发现最优策略具阶段依赖性与上下文敏感性。引入InPE数据集,提出COPE架构。离线评估表明上下文感知策略有益,分析预测策略揭示对话阶段趋势,为交互模式提供证据。
2026-07-09 cs.IR
A First Look at Selection Bias in Preference Elicitation for Recommendation
本文首次研究推荐系统偏好引导中的选择偏差问题,提出基于主题的偏好引导模拟方法,实验表明忽略选择偏差会加剧过度代表现象,而去偏方法能显著提升后续推荐性能。
2024-05-01 cs.IR
Language-Model Prior Overcomes Cold-Start Items
Salesforce Research(Salesforce研究院);AWS AI Labs(AWS人工智能实验室)
本文提出一种利用语言模型估计物品相似度并将其作为贝叶斯先验整合到经典推荐系统的冷启动物品推荐通用方法,在两个真实数据集上验证了其能有效提升序列和协同过滤推荐器性能。
2024-11-13 cs.AI cs.IR cs.LG
SeER: An Explainable Deep Learning MIDI-based Hybrid Song Recommender System
University of Louisville(路易斯维尔大学)
现有的音乐推荐系统主要依赖于基于矩阵分解的协同过滤方法或深度学习架构。深度学习模型通常使用元数据进行基于内容的过滤,或者通过从用户动作的时间序列中学习来预测下一次用户交互。尽管用于歌曲推荐的深度学习取得了进展,但没有人通过学习基于内容的序列模型来利用歌曲的序列性质。除了预测精度的重要性,其他重要方面也很重要,例如可解释性和解决冷启动问题。在这项工作中,我们提出了一个混合深度学习模型,称为“SeER”,使用协同过滤(CF)和深度学习序列模型的歌曲推荐,以提供更准确的个性化推荐,解决项目冷启动问题,并生成一个相关的歌曲推荐的解释。我们的评估实验显示,有前途的结果相比,最先进的基线和混合歌曲推荐系统的排名评价。此外,基于建议的离线验证测试,我们表明,我们的个性化的解释捕获的属性,是根据用户的喜好。
2019-12-19 cs.IR cs.LG cs.SD
Evaluating Recommender System Algorithms for Generating Local Music Playlists
Ithaca College(伊萨卡学院)
我们探索本地音乐推荐的任务:为听众提供个性化的播放列表的相关曲目的艺术家谁发挥他们的大部分现场活动在一个小的地理区域。大多数本地艺术家往往是默默无闻的长尾艺术家,并且通常很少或没有与他们相关的可用用户偏好数据。这就给基于协作过滤的推荐算法带来了一个冷启动问题,这些算法依赖于大量的此类信息来做出准确的推荐。在本文中,我们比较了三个标准的推荐系统算法(项目-项目邻域(IIN),交替最小二乘隐式反馈(ALS),贝叶斯个性化排名(BPR))的本地音乐推荐使用百万播放列表数据集的任务上的性能。要做到这一点,我们修改了标准的评估程序,使算法只排名轨道的本地艺术家为每个八个不同的城市。尽管基于矩阵分解(ALS,BPR)的技术通常在大型推荐任务中表现最好,但我们发现基于邻域的方法(IIN)在长尾本地音乐推荐中表现最好。
2019-07-17 cs.IR cs.LG stat.ML
Personalized Adaptive Meta Learning for Cold-start User Preference Prediction
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);Alibaba Group(阿里巴巴集团)
个性化用户偏好预测中的一个常见挑战是冷启动问题。由于缺乏用户与项目之间的交互,直接从新用户的日志数据中学习会导致严重的过拟合问题。近年来,已有的研究将冷启动个性化偏好预测问题视为一个少样本学习问题,以用户为任务,以推荐项目为类,利用基于梯度的Meta学习方法(MAML)来解决这一问题.然而,在现实世界的应用中,用户不是均匀分布的(即,不同的用户可以具有不同的浏览历史、推荐项目和用户简档。我们将主要用户定义为具有大量用户共享相似用户信息的组中的用户,其他用户是次要用户),现有的MAML方法倾向于适合主要用户而忽略次要用户。为了解决这个冷启动任务过拟合问题,我们提出了一种新的个性化自适应Meta学习方法,同时考虑主要用户和次要用户,有三个关键贡献:1)我们是第一个提出了一个个性化的自适应学习率元学习方法,以提高MAML的性能,同时关注主要用户和次要用户。2)为了给每个用户提供更好的个性化学习率,我们引入了一种基于相似度的方法来寻找相似的用户作为参考,并引入了一种基于树的方法来存储用户的特征以进行快速搜索。3)为了减少内存使用,我们设计了一个与内存无关的正则化器,以进一步降低空间复杂度为常数,同时保持性能。MovieLens,BookCrossing和真实世界生产数据集上的实验表明,我们的方法对于次要用户和主要用户都显着优于最先进的方法。
2020-12-22 cs.IR cs.LG
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
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限,提出PMFRec方法,通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest
Pinterest Inc.(Pinterest公司)
潜在用户表示在技术行业中被广泛采用,用于为个性化推荐系统提供动力。大多数先前的工作推断出一个单一的高维嵌入来表示用户,这是一个很好的起点,但在提供用户的兴趣的充分理解不足。在这项工作中,我们介绍PinnerSage,一个端到端的推荐系统,通过多模态嵌入代表每个用户,并利用这种丰富的用户表示提供高质量的个性化推荐。PinnerSage通过层次聚类方法(Ward)将用户的行为聚类为概念上连贯的聚类来实现这一点,并通过代表性引脚(Medoids)总结聚类以提高效率和可解释性。PinnerSage已部署在Pinterest的生产中,我们概述了使其在非常大的规模上无缝运行的几个设计决策。我们进行了几个离线和在线A/B实验,以表明我们的方法显着优于单一的嵌入方法。
2020-07-07 cs.IR cs.LG cs.SI
Personalized Recommendations via Active Utility-based Pairwise Sampling
本文提出一种基于效用的主动成对采样框架,通过从成对比较中学习偏好并选择最能提升最终推荐效用的查询,在电影推荐和大学招生场景中实现了更准确、数据高效且以用户为中心的个性化排序。
2025-08-12 cs.IR cs.LG
Enhancing User Personalization in Conversational Recommenders
会话式推荐器正在成为个性化用户推荐体验的强大工具。通过一个来回的对话,用户可以快速磨练在正确的项目。然而,许多会话式推荐方法仅部分地探索用户偏好空间,并对如何最好地结合用户反馈做出限制性假设,导致长对话和较差的推荐性能。在本文中,我们提出了一种新的会话推荐框架,具有两个独特的功能:(i)贪婪NDCG属性选择器,通过优先考虑最有效地代表用户实际偏好空间的属性,增强交互式偏好获取过程中的用户个性化;以及(ii)用户表示细化器,以有效地将从交互式启发过程收集的用户偏好融合在一起,从而获得对用户的更加个性化的理解。通过对四个常用数据集的广泛实验,我们发现所提出的框架不仅优于所有最先进的会话推荐器(在推荐性能和会话效率方面),而且在所提出的多地面实况多轮会话推荐设置下为用户提供了更个性化的体验。
2023-02-13 cs.IR
Beyond Static Evaluation: Rethinking the Assessment of Personalized Agent Adaptability in Information Retrieval
University of Washington(华盛顿大学);University of Tsukuba(筑波大学)
针对信息检索中个性化智能体评估方法静态化、无法反映用户需求动态演变的问题,提出含时序偏好用户模拟、结构化偏好引导、适配感知评估的演进式评估框架,并通过电商搜索案例验证,为个性化长期评估奠定概念基础。
2025-10-05 cs.IR cs.LG
Deep Rating Elicitation for New Users in Collaborative Filtering
本文提出端到端深度评分引导框架DRE,通过分类分布采样种子物品并训练神经重构网络,以非线性方式选择最具代表性的种子物品,从而更准确地推断新用户偏好并提升推荐质量。
2024-02-26 cs.IR
Learning Personalized User Preference from Cold Start in Multi-turn Conversations
提出可教导对话交互系统TAI,通过BERT编码器与AP、AF、NER模型及seeker-provider交互循环机制,实现从冷启动学习并重用用户偏好,在样本外数据集上轮次准确率达0.9122并已投入生产。
2023-09-10 cs.IR
Greedy SLIM: A SLIM-Based Approach For Preference Elicitation
University of Stuttgart(斯图加特大学)
本文提出 Greedy SLIM,一种基于 SLIM 的贪心训练方法,通过迭代选择物品以最小化损失来实现偏好获取,实验和用户研究表明其优于基于隐因子模型的方法。
2024-06-10 cs.AI 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
POSO: Personalized Cold Start Modules for Large-scale Recommender Systems
新用户推荐,也称为用户冷启动,一直是在线推荐系统的一个公认的挑战。大多数现有的方法认为,缺乏初始数据的关键。然而,在本文中,我们认为,有被忽视的问题:1)新用户的行为遵循许多不同的分布从常规用户。2)虽然涉及个性化特征,但严重不平衡的样本会阻止模型平衡新用户/常规用户分布,就好像个性化特征被淹没了一样。我们把这个问题称为个性化的“淹没”。为了解决这个问题,我们提出了一个新的模块:个性化冷启动模块(POSO)。从模型架构的角度考虑,POSO通过引入多个用户组专用子模块来个性化现有模块。然后,通过个性化的门融合它们的输出,从而得到全面的表示。通过这种方式,POSO将不平衡的功能投射到甚至模块上。POSO可以灵活地集成到许多现有的模块中,并有效地提高其性能,而计算开销可以忽略不计。该方法在工业应用中具有明显的优势。它已经部署在Kwai的大规模推荐系统上,并大幅提高了新用户的观看时间(+7.75%)。此外,POSO还可以进一步推广到普通用户、非活跃用户和回头客(观看时间+2%-3%),以及物品冷启动(观看时间+3.8%)。它的有效性也在公共数据集(MovieLens 20 M)上得到了验证。我们相信这些实际经验可以很好地推广到其他情况。
2021-08-24 cs.IR
Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);Kuaishou Technology(快手科技);School of Information and Communication Technology, Griffith University(格里菲斯大学信息与通信技术学院);Cyberspace Institute of Advanced Technology, Guangzhou University(广州大学先进网络与安全研究院);Guangdong Key Laboratory of Industrial Control System Security(广东省工业控制系统安全重点实验室);Huangpu Research School of Guangzhou University(广州大学黄埔研究生院)
本文提出NF-NPCDR框架,通过个性化偏好编码器和共同偏好编码器捕捉用户多兴趣偏好,结合随机自适应解码器提升冷启动用户推荐性能。
2026-04-28 cs.IR
Hierarchical Conversational Preference Elicitation with Bandit Feedback
Carnegie Mellon University(卡内基梅隆大学);Shanghai Jiao Tong University(上海交通大学);Adobe Research(奥多比研究院)
会话式推荐的最新进展提供了一种有前途的方式,有效地通过会话式交互来获取用户的偏好。为了实现这一点,推荐系统与用户进行对话,询问他们对不同项目或项目类别的偏好。现有的会话式推荐系统大多采用多臂的Bandit框架,以在线的方式学习用户的偏好。然而,它们依赖于预定义的对话频率来询问项目类别而不是单个项目,这可能导致损害用户体验的过度对话交互。为了使更灵活的提问关键词,我们制定了一个新的会话强盗问题,允许推荐系统选择一个关键词或一个项目,建议在每一轮和明确的模型奖励这些行动。这促使我们处理关键词询问和项目推荐之间的新的探索-利用(EE)权衡,这要求我们准确地建模关键词和项目奖励之间的关系。我们进行了一项调查,并分析了现实世界的数据集发现,与以往的工作中所作的假设,关键词奖励主要是由代表性项目的奖励影响。我们提出了两个强盗算法,Hier-UCB和Hier-LinUCB,利用这种观察到的关系和关键词和项目之间的层次结构,有效地学习哪些项目推荐。我们从理论上证明,我们的算法可以减少遗憾界的依赖项目的总数从以前的工作。我们验证了我们提出的算法和遗憾的合成和真实世界的数据。
2022-09-06 cs.IR cs.LG
Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation
将知识图谱(KGs)作为推荐中的辅助信息近来引起了相当大的关注。尽管在一般推荐场景中取得了成功,但是现有方法对于其中用户与非常有限的交互信息相关联的冷启动问题可能达不到性能满意度。由于传统的方法依赖于探索的互动拓扑结构,但他们可能无法捕捉足够的信息,在冷启动的情况下。为了缓解这个问题,我们提出了一种新的知识感知的神经网络与个性化特征引用机制,即KPER。与大多数现有方法不同的是,这些方法简单地从KG中丰富目标的语义,例如,产品属性,KPER利用KG作为“语义桥”来提取冷启动用户或项目的特征引用。具体来说,给定冷启动目标,KPER首先探测语义相关但不一定结构上接近的用户或项目作为自适应种子用于引用特征。然后引入门控信息聚合模块来学习冷启动用户和项目的组合潜在特征。我们在四个真实世界数据集上的广泛实验表明,KPER在冷启动场景中始终优于所有竞争方法,同时在一般场景中保持优越性而不影响整体性能,例如,通过在Top-10建议中的所有数据集上实现0.81%-16.08%和1.01%-14.49%的性能改进。
2022-09-28 cs.IR
Needmining: Identifying micro blog data containing customer needs
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
新产品和服务的设计始于确定潜在客户或用户的需求。许多现有的方法,如观察、调查和实验,都是通过具体的努力来引出个人未满足的需求。与此同时,微博上大量的用户原创内容可以免费获取。虽然已经对这些信息进行了分析,以监测对现有产品的看法,但尚未利用这些信息来激发需求。在本文中,我们为这一努力奠定了重要的基础:我们提出了一种机器学习方法来识别那些表达需求的帖子。我们的评估,在电子移动领域的推文表明,相关的推文的小份额可以识别显着的精度或召回结果。应用到庞大的数据集,开发的方法应该使可扩展的需求启发支持创新经理-在成千上万的用户,从而增加了服务设计工具集提供给他。
2020-03-12 cs.IR cs.LG
Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation
VNU University of Engineering and Technology(越南工程技术大学)
针对冷启动场景下用户-捆绑包交互稀疏导致传统协同过滤效果差的问题,提出基于个性化扩散模型、结合兴趣解耦和偏差修正损失的DisCo方法,在三个真实数据集上大幅优于基线,为冷启动捆绑推荐提供新框架。
2025-05-20 cs.AI cs.IR
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology(香港科技大学);Nanjing University(南京大学)
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法,专注于明确的反馈,因此面临着收集他们的困难。同时,提出了基于评分的方法,对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而,它通常忽略了一种重要的信息:项目评论。项目审查不仅证明了用户的偏好,而且还有助于减轻冷启动问题,失败的协同过滤。在本文中,我们提出了两个新颖而简单的模型,将项目评论贝叶斯个性化排名。在每个模型中,我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上,我们发现了解释用户反馈变化的评论维度,这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析,以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
Don't Start Over: A Cost-Effective Framework for Migrating Personalized Prompts Between LLMs
本文提出PUMA框架,通过参数高效适配器和组基用户选择策略,实现LLM间个性化提示的低成本迁移,实验表明其在计算成本上显著优于全量重训练。
2026-01-17 cs.CL cs.IR
User Profile Feature-Based Approach to Address the Cold Start Problem in Collaborative Filtering for Personalized Movie Recommendation
随着web2.0的普及,产生了大量与电影相关的用户生成内容。随着数据的持续指数增长,人们发现很难做出明智和及时的决策,因此不可避免地需要推荐系统。电影推荐系统帮助用户找到下一个兴趣或最佳推荐。在这个建议的方法中,作者应用的关系,用户特征得分来自用户项目的互动,通过评级,以优化预测算法的输入参数,用于推荐系统,以提高预测的准确性时,有较少的过去的用户记录。这解决了协同过滤中的一个主要缺点,即冷启动问题,与基本协同过滤算法相比,改进了8.4%。系统的用户功能生成和评估使用“MovieLens 100k浏览器”进行。所提出的系统也可以推广到其他领域。
2019-06-02 cs.IR cs.SI
Efficient Rectangular Maximal-Volume Algorithm for Rating Elicitation in Collaborative Filtering
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);Yandex;SBDA Group;King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Institute of Numerical Mathematics, Russian Academy of Sciences(俄罗斯科学院数值数学研究所)
协同过滤中的冷启动问题可以通过要求新用户对代表性项目的小种子集进行评分或通过要求代表性用户对新项目进行评分来解决。问题是如何建立一个种子集,可以提供足够的偏好信息,使好的建议。最成功的方法之一,称为基于代表的矩阵分解,是基于Maxvol算法。不幸的是,这种方法有一个重要的限制-一个特定大小的种子集需要一个固定秩的评级矩阵分解,该分解应该与该大小一致。这在一般情况下不一定是最佳的。在目前的文件中,我们介绍了一种快速算法,这种方法,我们称之为矩形Maxvol的分析推广。它允许因子分解的秩低于种子集所需的大小。此外,本文还对该方法的误差进行了理论分析,对现有方法的复杂性进行了分析,并与现有方法进行了比较。
2016-10-16 cs.AI cs.IR
SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation
处理稀疏、长尾数据集和冷启动问题一直是推荐系统面临的挑战。这些问题可以部分地通过预测来解决,而不是孤立地进行预测,而是通过利用相关事件的信息来解决;这些信息可以包括来自社会关系或最近活动序列的信号。这两种类型的附加信息都可以用于提高最先进的基于矩阵分解的技术的性能。在本文中,我们提出了新的方法,同时结合社会和顺序信息,以进一步提高推荐性能。我们证明了这些技术在处理几个大型真实数据集的稀疏性和冷启动问题时特别有效。
2017-06-16 cs.IR
PP-Rec: News Recommendation with Personalized User Interest and Time-aware News Popularity
个性化新闻推荐方法在在线新闻服务中得到了广泛的应用。这些方法通常基于新闻内容和从历史行为推断的用户兴趣之间的匹配来推荐新闻。然而,这些方法通常难以向冷启动用户做出准确的推荐,并且倾向于推荐与那些用户已经阅读过的新闻相似的新闻。一般来说,热门新闻通常包含重要信息,可以吸引不同兴趣的用户。此外,它们通常在内容和主题上是多样的。因此,在本文中,我们建议将新闻流行度信息,以减轻个性化新闻推荐的冷启动和多样性问题。在我们的方法中,用于向目标用户推荐候选新闻的排名分数是个性化匹配分数和新闻流行度分数的组合。前者用于捕捉个性化的用户对新闻的兴趣。后者用于测量候选新闻的时间感知流行度,其基于新闻内容、新近度和实时CTR使用统一框架进行预测。此外,我们提出了一个流行度感知的用户编码器,以消除用户行为的流行偏见,准确的兴趣建模。在两个真实数据集上的实验表明,该方法能有效地提高新闻推荐的准确性和多样性。
2021-06-10 cs.IR
Are Generative AI Agents Effective Personalized Financial Advisors?
The University of Tokyo(东京大学);University of Glasgow(格拉斯哥大学)
本文探究LLM智能体在金融领域作为个性化财务顾问的有效性,聚焦偏好挖掘、个性化指导及人格信任三大挑战,通过64人用户研究发现其偏好挖掘能力接近人类顾问,但存在需求冲突解决不足等问题,且用户对建议质量不敏感,外向型人格LLM虽建议差却更受信任。
2025-04-15 cs.AI cs.CL cs.HC
Privacy Preserving Inference of Personalized Content for Out of Matrix Users
Institute for Clarity in Documentation(清晰文档研究所);Inria Paris-Rocquencourt(巴黎-rocquencourt研究所);Rajiv Gandhi University(拉贾夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒姆研究实验室);Stanford University(斯坦福大学)
本文提出 DeepNaniNet,一种基于归纳图架构和 BERT 文本嵌入的隐私保护推荐框架,通过“内容篮子”用户表示与自编码器泛化策略解决冷启动问题,并在 CiteULike 和 AnimeULike 数据集上取得领先性能。
2025-08-12 cs.AI cs.IR cs.LG
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题,以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而,这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此,受深度语义建模的最新发展的启发,我们提出了一个混合的深度语义矩阵分解(HDMF)模型,以进一步提高标签感知个性化推荐的性能,通过集成深度语义建模,混合学习和矩阵分解技术。实验结果表明,HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线,例如,其平均倒数秩(分别,平均精度)为1.52(分别,1.66)倍。
2017-08-12 cs.IR
Collaborative Multi-modal deep learning for the personalized product retrieval in Facebook Marketplace
Facebook Marketplace正在迅速成为消费者青睐的C2C产品交易平台。其背后的推荐系统有助于显著提升用户体验。为Facebook Marketplace构建推荐系统具有挑战性,原因有两个:1)可扩展性:Facebook Marketplace中的产品数量巨大。每天需要在几百毫秒内为数以万计的产品进行评分和推荐; 2)冷启动:C2C产品的生命周期很短,产品上的用户活动稀疏。因此,很难积累足够的产品级信号用于推荐,我们正面临着一个重大的冷启动问题。在本文中,我们建议通过构建一个基于协作多模态深度学习的检索系统来解决可扩展性和冷启动问题,在该系统中,使用多模态内容信息来训练用户和产品的紧凑嵌入。该系统在在线和离线实验中均表现出了显著的改进:在线实验中,买方向卖方发起的消息数量增加了+26.95%;离线实验中,预测准确率提高了+9.58%。
2018-05-31 cs.IR
Cold-start recommendations in Collective Matrix Factorization
这项工作探讨了集体矩阵分解模型在推荐系统中对用户和项目进行预测的能力,这些用户和项目有辅助信息,但没有反馈或交互数据,并提出了一种新的公式,具有更快的冷启动预测公式,可用于实时系统。虽然这些冷启动推荐不如热启动推荐好,但发现它们比非个性化推荐质量更好,并且发现对新用户的预测比对新项目的预测更可靠。这里提出的配方导致在许多情况下改进的冷启动建议,在更差的热启动的费用。
2020-03-16 cs.IR cs.LG stat.ML
Personalized Fashion Recommendation with Image Attributes and Aesthetics Assessment
本文提出融合图像与文本构建双属性图的个性化时尚推荐方法,利用大型语言与视觉模型提取细粒度属性,以提升推荐准确率并缓解新商品冷启动问题。
2025-01-06 cs.AI cs.IR
Personalized Prompt for Sequential Recommendation
针对推荐领域物品语义不明确、序列建模需个性化的难题,提出基于用户画像生成个性化软前缀提示、结合对比学习的PPR框架,在冷启动等场景的多个数据集上表现优于基线,且具备跨模型通用性和多任务拓展性。
2024-10-09 cs.IR
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);AWS AI Lab(AWS人工智能实验室);Washington State University(华盛顿州立大学)
针对新兴市场 I2I 推荐关系数据不足的问题,提出基于 GNN 的个性化联邦领域自适应框架,以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
Synthetic Data Generation with Large Language Models for Personalized Community Question Answering
针对个性化社区问答缺乏训练数据的问题,本文利用LLM和多种提示技术基于SE-PQA构建合成数据集Sy-SE-PQA,证明合成数据可替代人工训练数据。
2024-10-29 cs.IR
SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
Meta Platforms, Inc.(Meta平台公司)
针对视频推荐中新物品冷启动分发难题,提出两阶段检索框架SocRipple,结合创作者社交连接与KNN搜索扩散,在维持用户参与率的同时将冷启动物品分发量提升36%。
2025-08-10 cs.AI cs.IR
Personalized Audiobook Recommendations at Spotify Through Graph Neural Networks
Spotify;Sapienza University of Rome(罗马大学)
针对Spotify有声书推荐面临的相关性要求高、数据稀疏及需高可扩展性的挑战,提出结合异构图神经网络和双塔模型的2T-HGNN系统,显著提升有声书推荐效果,还能惠及播客业务。
2024-03-08 cs.IR cs.LG
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota(明尼苏达大学);Samsung Research America(三星美国研究院)
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时,忽略了项目特征之间的相互作用,将它们独立考虑。对特征之间的交互进行建模可能是有帮助的,因为与独立考虑特征的情况相比,当一起考虑时,一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题,在这项工作中,我们引入了基于搜索的因子分解双线性相似性模型(FBSM),它学习因子分解双线性相似性模型的TOP-n推荐的新项目,给定的信息,用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估,我们发现,所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外,该方法还从数据中学习项目特征之间的有见地的交互作用,从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
Federated Multi-view Matrix Factorization for Personalized Recommendations
Helsinki Research Center(赫尔辛基研究中心);Europe Cloud Service Competence Center(欧洲云服务能力中心);Huawei Technologies Oy (Finland) Co. Ltd(华为技术有限公司(芬兰))
我们引入了联邦多视图矩阵分解方法,将联邦学习框架扩展到多数据源的矩阵分解。我们的方法是能够学习多视图模型,而无需将用户的个人数据传输到中央服务器。据我们所知,这是第一个使用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格的评估。实证验证证实,联邦多视图矩阵分解优于不考虑数据多视图结构的简单方法,此外,它还证明了所提出的方法对于冷启动联邦推荐的挑战性预测任务的有用性。
2020-04-08 cs.IR cs.LG stat.ML
A Survey on Large Language Models for Personalized and Explainable Recommendations
本综述分析了推荐系统如何利用大语言模型提升个性化和可解释推荐,并探讨了个性化解释生成任务中的冷启动、不公平与偏见等主要挑战。
2023-11-21 cs.AI 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
VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback
UC San Diego(加州大学圣地亚哥分校)
现代推荐系统通过发现或“挑拨离间”编码项目属性和用户偏好的潜在维度来对人和项目进行建模。关键是,这些维度是基于用户反馈发现的,通常是隐式形式的(例如购买历史、浏览日志等);此外,一些推荐系统利用诸如产品属性、时间信息或评论文本之类辅助信息。然而,现有的个性化推荐和排名方法通常忽略的一个重要特征是正在考虑的项目的视觉外观。在本文中,我们提出了一个可扩展的因子分解模型,将视觉信号纳入人们的意见,我们适用于选择的大型,真实世界的数据集的预测。我们利用(预先训练的)深度网络从产品图像中提取的视觉特征,在此基础上,我们学习了一个额外的层,该层揭示了最能解释人们反馈变化的视觉维度。这不仅导致显著更准确的个性化排名方法,而且还有助于缓解冷启动问题,并定性地分析影响人们意见的视觉维度。
2015-10-06 cs.AI cs.IR
Intelligent Classification and Personalized Recommendation of E-commerce Products Based on Machine Learning
Santa Clara University(圣克拉拉大学);Northeastern University(东北大学);New York University(纽约大学);Colorado State University(科罗拉多州立大学);University of Pittsburgh(匹兹堡大学)
本文比较了传统电商分类与个性化推荐机制,提出基于BERT和最近邻算法的eBay电商个性化推荐系统,并通过人工评估验证其有效性,同时给出操作指南以保障可扩展性。
2024-03-28 cs.AI cs.IR