User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences(中国科学院大学);Tencent(腾讯);Beihang University(北京航空航天大学);Institute of Intelligent Computing Technology(智能计算技术研究所)
会话式推荐系统(CRS)的目标是在会话中提供高质量的推荐。然而,大多数常规CRS模型主要关注当前会话的对话理解,而忽略了中心主题的其他丰富的多方面信息(即,用户)推荐。在这项工作中,我们强调,用户的历史对话会话和外观相似的用户是用户偏好的重要来源,除了当前的对话会话在CRS。为了系统地对多方面信息进行建模,我们提出了一个以用户为中心的会话推荐(UCCR)模型,该模型回归了CRS任务中用户偏好学习的本质。具体来说,我们提出了一个历史会话学习器,以捕捉用户的多视图偏好的知识,语义和消费的意见作为补充,以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器,通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中,我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比,UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
Affect-aware Cross-Domain Recommendation for Art Therapy via Music Preference Elicitation
University of Luxembourg(卢森堡大学)
针对现有艺术治疗视觉艺术推荐系统仅靠视觉刺激建模、情绪捕捉不全面的问题,提出基于音乐驱动偏好激发的跨域推荐方法,200用户实验证明效果优于纯视觉激发方案,并开源相关资源。
2025-07-18 cs.AI cs.IR
Top-N Recommendation with Counterfactual User Preference Simulation
University College London(伦敦大学学院);Noah’s Ark Lab, Huawei(华为诺亚方舟实验室);Beijing Key Laboratory of Big Data Management and Analysis Methods(北京大数据管理与分析方法重点实验室)
Top-N推荐是一种基于用户偏好排序的推荐方法,在许多应用中一直是一个基本问题。传统模型通常通过基于不同假设设计复杂或定制的架构来激励自己。然而,推荐系统的训练数据可能是非常稀疏和不平衡的,这对提高推荐性能提出了很大的挑战。为了缓解这个问题,在本文中,我们建议重新制定的因果推理框架内的推荐任务,这使我们能够反事实地模拟用户排名为基础的偏好来处理数据稀缺的问题。我们模型的核心在于反事实问题:“如果推荐的商品不同,用户会怎么做?".为了回答这个问题,我们首先制定了一系列的结构方程模型(SEM),其参数的基础上观察到的数据进行优化的推荐过程。然后,我们主动指示许多未记录在数据集中的推荐列表(在因果推理术语中称为干预),并根据学习到的SEM模拟用户反馈以生成新的训练样本。我们设计了一种基于学习的方法来发现更多信息的训练样本,而不是随机干预推荐列表。考虑到学习到的SEM可能并不完美,最后从理论上分析了生成样本数与模型预测误差的关系,并在此基础上设计了一种探试法来控制预测误差带来的负面影响。基于合成和真实世界的数据集进行了大量的实验,以证明我们的框架的有效性。
2021-09-13 cs.AI cs.IR
Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation
The University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学);Osaka University(大阪大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61)
本文提出因果解耦变分自编码器CaD-VAE,利用结构因果模型建模推荐场景中潜在因素间的因果关系,以学习因果解耦表示,从而提升推荐模型的鲁棒性、可解释性与可控性,并在实验中优于现有方法。
2023-04-17 cs.AI cs.IR
MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation
NCSOFT Co.(NCsoft公司)
本文提出了一个推荐系统,以减轻冷启动问题,可以估计用户的喜好,只有少量的项目。为了在冷态下识别用户的偏好,现有的推荐系统,如Netflix,最初向用户提供项目;我们称这些项目为证据候选人。然后根据用户选择的项目进行推荐。以前的推荐研究有两个局限性:(1)消费了几个项目的用户推荐效果不佳;(2)用于识别用户偏好的候选证据不足。我们提出了一个基于元学习的推荐系统MeLU来克服这两个限制。从元学习,它可以快速采用新的任务与几个例子,MeLU可以估计新用户的偏好与一些消费项目。此外,我们提供了一个证据候选人选择策略,确定定制的偏好估计区分项目。我们用两个基准数据集对MeLU进行了验证,所提出的模型比两个比较模型在数据集上的平均绝对误差减少了至少5.92%。我们还进行了一个用户研究实验,以验证证据选择策略。
2019-07-31 cs.AI cs.IR cs.LG
Towards Psychologically-Grounded Dynamic Preference Models
University of California, Berkeley(加州大学伯克利分校);Massachusetts Institute of Technology(麻省理工学院)
设计服务内容与时变偏好一致的推荐系统需要适当考虑推荐对人类行为和心理状况的反馈效应。我们认为,建模的建议对人们的偏好的影响,必须在心理上合理的模型。我们贡献了一种方法,发展接地动态偏好模型。我们证明了这种方法的模型,捕捉三个经典的心理学文献的影响:单纯暴露,操作条件反射,享乐适应。我们进行基于模拟的研究表明,心理模型表现出不同的行为,可以告知系统设计。我们的研究有两个直接影响推荐系统中的动态用户建模。首先,我们概述的方法是广泛适用于心理接地动态偏好模型。它使我们能够批评最近的贡献,基于他们对心理学基础的有限讨论和他们令人难以置信的预测。其次,我们讨论了动态偏好模型的建议系统的评估和设计的影响。在一个例子中,我们表明,参与度和多样性指标可能无法捕获理想的推荐系统的性能。
2022-08-06 cs.AI cs.HC cs.IR
HyCoRec: Hypergraph-Enhanced Multi-Preference Learning for Alleviating Matthew Effect in Conversational Recommendation
Sun Yat-sen University(中山大学);Peng Cheng Laboratory(鹏城实验室);South China Agricultural University(华南农业大学);Guangdong University of Technology(广东工业大学);Jinan University(暨南大学)
针对推荐系统中马太效应问题,提出HyCoRec范式,通过学习物品、实体等多方面偏好,在用户与系统长期交互时有效缓解马太效应,在对话推荐任务中生成回复并预测物品,实验验证其性能优越。
2026-07-21 cs.AI cs.HC cs.IR
Aligning Recommendations with User Popularity Preferences
University of Amsterdam(阿姆斯特丹大学);Amazon Music(亚马逊音乐)
本文研究推荐系统中的流行偏差问题,提出基于激活引导的SPREE方法,通过量化用户历史流行偏好与推荐流行度的不匹配,提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
"It doesn't look good for a date": Transforming Critiques into Preferences for Conversational Recommendation Systems
Northwestern University(西北大学);Adobe Research(奥多比研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究院)
旨在确定好的建议的对话本质上是迭代的。人们经常根据对当前推荐的评论来表达他们的偏好(例如,“这看起来不适合约会”),需要一定程度的常识才能推断出偏好。在这项工作中,我们提出了一种将用户评论转化为积极偏好的方法(例如,“我更喜欢浪漫”)以便检索与潜在更好的推荐有关的评论(例如,“完美的浪漫晚餐”)。我们在Few-Shot设置中利用一个大型神经语言模型(LM)来执行关键到偏好的转换,我们测试了两种检索推荐的方法:一种匹配嵌入,另一种微调LM的任务。我们在餐厅领域实例化这种方法,并使用新的餐厅评论数据集对其进行评估。在消融研究中,我们表明,利用批评偏好转换提高建议,并有至少三个一般情况下,解释这种改进的性能。
2021-09-15 cs.AI cs.CL
Towards the design of user-centric strategy recommendation systems for collaborative Human-AI tasks
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
人工智能正被人类用来协作解决搜索和救援、制造等复杂任务。通过了解用户偏好并向人类推荐解决特定任务的不同策略,可以实现高效的团队合作。先前的工作集中在个性化的推荐系统,在电子商务或社交网络的背景下,相对较好地理解的任务。在本文中,我们试图了解设计以用户为中心的决策策略推荐系统时要考虑的重要因素。我们进行了一个人类受试者实验(n=60),测量不同的个性类型的用户对不同的策略推荐系统的偏好。我们在四种类型的策略推荐模式中进行了我们的实验,这些模式在先前的工作中已经建立:(1)单一策略推荐,(2)多个相似的推荐,(3)多个不同的推荐,(4)所有可能的策略推荐。虽然这些策略推荐方案已独立探索在以前的工作中,我们的研究是新颖的,因为我们同时采用所有这些策略的建议,为我们提供了一个深入的概述不同的策略推荐系统的看法。我们发现,某些人格特质,如诚实,显着影响对特定类型的系统的偏好(p < 0.01)。最后,我们报告了可用性,一致性和感知智能之间的有趣关系,其中更大的感知一致性的建议与自己的喜好导致更高的感知智能(p < 0.01)和更高的可用性(p < 0.01)。
2023-01-17 cs.AI cs.HC cs.IR
Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems
本文提出IDSS系统,利用熵信号处理用户查询中的模糊性,通过自适应偏好挖掘和不确定性感知的推荐,提升推荐系统的多样性和透明度。
2026-03-12 cs.AI
Robust Recommendation with Implicit Feedback via Eliminating the Effects of Unexpected Behaviors
School of Computer and Information Engineering, Tianjin Normal University(天津师范大学计算机与信息工程学院)
在隐式反馈推荐中,近年来,将短期偏好引入推荐系统引起了越来越多的关注。然而,历史交互中的意外行为(如意外点击某些项目)并不能很好地反映用户的固有偏好。现有的研究未能对意外行为的影响进行建模,从而导致推荐性能较差。在本文中,我们提出了一个多偏好模型(MPM),以消除意外行为的影响。MPM首先通过一个细粒度的偏好模块从用户最近的历史交互中提取用户的即时偏好。然后训练一个意外行为检测器来判断这些即时偏好是否受到意外行为的影响。在MPM模型中,我们还结合了用户的一般偏好。最后,执行输出模块以消除意外行为的影响,并整合所有信息以做出最终推荐。我们在电影和电子零售的两个数据集上进行了广泛的实验,证明了我们的模型比最先进的方法有了显着的改进。实验结果表明,MPM模型在HR@10和NDCG@10方面都有较大的提高,与AttRec模型相比,平均提高了3.643%和4.107%。我们在https://github.com/chenjie04/MPM/上发布代码。
2021-12-21 cs.AI
Influence of Recommender Systems on Users: A Dynamical Systems Analysis
Center for Machine Intelligence and Data science, Indian Institute of Technology Bombay(智能信息与数据科学中心,印度理工学院班加罗尔);Department of Electrical Engineering, Indian Institute of Technology Bombay(电气工程系,印度理工学院班加罗尔)
本文研究推荐系统对用户偏好的影响,通过动态系统分析揭示模型假设与实际环境的不匹配问题,并探讨探索-利用权衡对长期用户偏好的影响。
2026-02-02 cs.AI cs.CY cs.LG
On the Effectiveness of Sampled Softmax Loss for Item Recommendation
本研究针对推荐领域对采样Softmax(SSM)损失研究不足的问题,理论分析了SSM的三大优势及余弦相似度的模长学习缺陷,证明图卷积网络的消息传递可弥补该缺陷,实验验证了SSM在物品推荐中的优越性。
2023-12-19 cs.IR
BSL: Understanding and Improving Softmax Loss for Recommendation
University of Science and Technology of China(中国科学技术大学);Institute of Dataspace, Hefei Comprehensive National Science Center(合肥综合性国家科学中心数据空间研究院)
本文通过理论分析揭示Softmax损失在推荐中的鲁棒性与公平性优势,并提出BSL损失,将优势扩展到正负样本两侧,仅需一行代码改进,在四个数据集上验证了有效性。
2023-12-20 cs.AI cs.IR cs.LG
PEN4Rec: Preference Evolution Networks for Session-based Recommendation
National Computer System Engineering Research Institute of China(国家计算机系统工程研究所);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空间安全学院)
基于会话的推荐旨在根据用户在匿名会话中的历史行为预测用户的下一个动作。为了获得更好的推荐,捕获用户偏好及其动态至关重要。此外,用户偏好随时间动态演化,每个偏好都有自己的演化轨迹。然而,以往的研究大多忽略了偏好的演化趋势,容易受到偏好漂移效应的干扰。在本文中,我们提出了一种新的基于会话的推荐偏好进化网络(PEN4Rec)模型的偏好进化过程中的两个阶段的检索历史的背景。具体而言,第一阶段过程根据最近的项目整合相关行为。然后,第二阶段的过程模型的偏好演变轨迹随时间的动态和推断丰富的偏好。该过程可以增强相关序列行为在偏好演化中的作用,减弱偏好漂移对偏好演化的干扰。在三个公开数据集上的实验证明了该模型的有效性和优越性。
2021-06-17 cs.AI cs.IR
Gumble Softmax For User Behavior Modeling
近年来,顺序推荐系统在解决许多在线服务中的信息过载问题上发挥了重要作用。目前的顺序推荐方法集中在学习一个固定数量的表示为每个用户在任何时候,与一个单一的表示或多个表示的用户。然而,当用户在电子商务推荐系统上探索项目时,该用户的爱好的数量可能随着时间的推移而改变(例如,增加/减少一个兴趣),这受到用户不断发展的自我需求的影响。此外,不同的用户可以具有各种数量的兴趣。在本文中,我们认为这是有意义的,探索一个个性化的动态数量的用户兴趣,并学习相应的动态组的用户兴趣表示。我们提出了一个推荐系统的动态表示数序列模型(RDRSR)。具体地说,RDRSR由动态兴趣分配器(DID)模块和动态兴趣分配器(DIA)模块组成。DID模块通过学习双向自我注意和Gumbel-Softmax的整体序列特征来探索用户兴趣的数量。DIA模块将用户历史点击的项目划分为一组项目组,构造用户的动态兴趣表示。此外,在真实世界数据集上的实验证明了我们的模型的有效性。
2022-01-12 cs.IR
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation
Dalian University of Technology(大连理工大学);Wuhan University(武汉大学);Pennsylvania State University(宾夕法尼亚州立大学)
基于会话的推荐旨在根据匿名用户的短行为序列预测其想要购买的物品。现有的基于会话的推荐方法只关注用户的兴趣偏好建模,而忽略了项目的一个关键属性,即,价格.许多市场研究表明,价格因素对用户的购买行为有着显著的影响,用户的购买决策同时受到价格偏好和兴趣偏好的影响。然而,将价格偏好纳入基于会话的推荐是不平凡的。首先,很难处理来自物品的各种特征的异构信息来捕获用户的价格偏好。其次,很难对价格和兴趣偏好之间的复杂关系进行建模,以确定用户的选择。为了解决上述问题,我们提出了一种新的基于会话的推荐方法--协同引导的异构超图网络(CoHHN)。对于第一个挑战,我们设计了一个异构超图来表示异构信息和它们之间的丰富关系。设计了一种双通道聚合机制,用于聚合异构超图中的各种信息。在此基础上,通过注意力层提取用户的价格偏好和兴趣偏好。对于第二个挑战,设计了一个共同引导的学习方案,以建模价格和利率偏好之间的关系,并加强彼此的学习。最后,我们预测用户行为的基础上项目的功能和用户的价格和兴趣偏好。在三个真实数据集上的大量实验证明了所提出的CoHHN的有效性。进一步的分析揭示了价格对基于会话的推荐的重要性。
2022-05-09 cs.AI cs.IR
Tree of Preferences for Diversified Recommendation
Zhejiang University(浙江大学);Fudan University(复旦大学);Hangzhou City University(杭州市大学);Nanyang Technological University(南洋理工大学)
本文提出基于偏好树的多样化推荐方法,利用LLMs揭示用户未探索偏好,提升推荐多样性与相关性。
2025-12-24 cs.AI cs.IR
AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation
The University of Hong Kong(香港大学);The Hong Kong Polytechnic University(香港理工大学);Carnegie Mellon University(卡内基梅隆大学)
AlignGroup 提出通过超图神经网络学习群体共识,并利用自监督对齐任务将群体共识与成员共同偏好对齐,从而同时兼顾群体层面一致性和个体细粒度偏好,在群体推荐和用户推荐任务上均取得最优效果。
2024-09-04 cs.AI cs.IR
DynamicPO: Dynamic Preference Optimization for Recommendation
University of Science and Technology of China(中国科学技术大学);Shanghai Innovation Institute(上海创新研究院);Meituan(美团)
本文提出DynamicPO框架,通过动态边界负样本选择和双边距动态beta调整,解决偏好优化崩溃问题,提升推荐准确性。
2026-06-25 cs.AI cs.IR
Multi-Granularity Attention Model for Group Recommendation
Alibaba Group(阿里巴巴集团)
本文提出多粒度注意力模型MGAM,通过子集、群组和超集三个粒度层级提取用户潜在偏好并缓解推荐噪声,实验验证其在群组推荐中的性能优势。
2023-08-08 cs.AI cs.IR
ExplainRec: Towards Explainable Multi-Modal Zero-Shot Recommendation with Preference Attribution and Large Language Models
Department of Software \& Microelectronics Peking University Beijing, China;Department of Software \& Microelectronics Peking University Beijing, China hangli\;Department of Software \& Microelectronics Peking University Beijing, China zehua\;Department of Software \& Microelectronics Peking University Beijing, China xiaofan\;Economic Law School China University of Political Science;School of Computer Science Peking University Beijing, China
针对现有LLM推荐方法可解释性不足、冷启动效果差的问题,本文提出ExplainRec框架,融合偏好归因、多模态增强等技术,在公开数据集上取得更优推荐效果,可生成解释并适配冷启动场景。
2025-10-03 cs.AI cs.IR
Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Meta
本文主张在基于大语言模型的推荐系统中优先利用显式上下文反馈(如评论文本)来对齐用户偏好,提升推荐的个性化和可解释性。
2026-05-27 cs.AI cs.IR
Causal Direct Preference Optimization for Distributionally Robust Generative Recommendation
Northeastern University, Shenyang, China(东北大学,沈阳,中国);Shenzhen Campus of Sun Yat-sen University, China(中山大学深圳校区,中国)
针对直接偏好优化(DPO)在生成式推荐中放大环境混杂因素导致的虚假相关性问题,提出CausalDPO,通过因果不变性学习、后门调整和软聚类环境建模来提升分布外泛化性能。
2026-05-27 cs.AI cs.IR
Aspect-driven User Preference and News Representation Learning for News Recommendation
新闻推荐系统对于帮助用户从大量的新闻中高效地发现感兴趣的新闻是必不可少的。现有的新闻推荐系统大多学习用户和新闻的主题级表示进行推荐,而忽略了学习用户和新闻的方面级特征进行更准确的推荐。因此,它们实现了有限的推荐性能。针对这一不足,我们提出了一种新的基于方面级用户偏好和新闻表示学习的新闻推荐系统(ANRS)。在这里,新闻体是由一组相关词表达的细粒度语义信息,表示新闻所描述的特定方面。在ANRS中,设计新闻方面级编码器和用户方面级编码器,分别学习用户偏好和新闻特征的细粒度方面级表示,并将其输入点击预测器,判断用户点击候选新闻的概率。在常用的真实世界数据集MIND上进行了大量的实验,与代表性的和最先进的方法相比,证明了我们的方法的优越性。
2022-01-28 cs.AI cs.IR
AgenticRec: A Recommendation-Oriented Agentic Framework with Progressive Tool-Integrated Reasoning Optimization
Xiamen University(厦门大学)
提出AgenticRec框架,将推荐建模为工具集成推理过程,并设计两阶段训练范式,通过隐式反馈激活和渐进偏好细化提升推荐准确性。
2026-06-16 cs.AI cs.IR
Dual Contrastive Transformer for Hierarchical Preference Modeling in Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61部门);UNSW(新南威尔士大学)
针对现有序列推荐系统忽略高层级偏好与物品间语义关系的问题,提出含双Transformer模块、双对比学习方案及语义增强嵌入模块的分层偏好建模框架,在六个真实数据集上性能优于现有最优方法。
2024-10-30 cs.AI cs.IR
Align-for-Fusion: Harmonizing Triple Preferences via Dual-oriented Diffusion for Cross-domain Sequential Recommendation
National University of Defense Technology(国防科技大学);National University of Singapore(新加坡国立大学)
针对跨域序列推荐中偏好融合粗糙的问题,提出对齐即融合框架HorizonRec,利用双导向扩散模型协调三重偏好,并通过混合条件分布检索稳定建模,实验验证其有效性。
2025-08-07 cs.AI cs.IR
Heterogeneous Global Graph Neural Networks for Personalized Session-based Recommendation
Tongji University(同济大学);JD.COM Silicon Valley Research Center(京东硅谷研究中心);Squirrel AI Learning(松鼠AI学习);Middlesex School(米德尔塞克斯中学);Simon Fraser University(西蒙弗雷泽大学)
预测短时间交互会话的下一次交互是基于会话的推荐中具有挑战性的任务。现有的推荐算法大多依赖于项目迁移模式,在对用户偏好建模时忽略了用户历史会话的影响,导致推荐结果非个性化。此外,现有的基于会话的个性化浏览器仅基于当前用户的会话来捕获用户偏好,而忽略了来自其他用户的历史会话的有用的项目转换模式。为了解决这些问题,我们提出了一种新的异构全局图神经网络(HG-GNN),利用项目过渡在所有会话中的微妙的方式,更好地推断用户的偏好,从当前和历史会话。为了有效地利用项目过渡在所有的会话从用户,我们提出了一种新的异构全局图,包含项目过渡的会话,用户项目的相互作用和全球共现项目。此外,为了全面地从会话中捕获用户偏好,我们建议通过两个图增强偏好编码器从全局图中学习两个级别的用户表示。具体而言,我们设计了一种新的异构全局图上的异构图神经网络(HGNN),学习长期的用户偏好和项目表示与丰富的语义。基于HGNN,我们提出了当前偏好编码器和历史偏好编码器,分别从当前和历史会话中捕获不同级别的用户偏好。为了实现个性化推荐,我们综合用户当前偏好和历史兴趣的表示,以生成最终的用户偏好表示。在三个真实数据集上的大量实验结果表明,我们的模型优于其他最先进的方法。
2022-02-27 cs.AI cs.IR
To Copy, or not to Copy; That is a Critical Issue of the Output Softmax Layer in Neural Sequential Recommenders
University of Massachusetts(马萨诸塞大学)
本研究发现神经序列推荐器输出 softmax 层的单一隐藏状态与静态嵌入是处理重复项困难的根源,通过引入 softmax-CPR 替代架构使模型学会何时复制或排除输入项,在 12 个数据集上以同等模型规模显著提升了推荐性能。
2023-10-21 cs.AI cs.IR cs.LG
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University(南洋理工大学);Singapore University of Technology and Design(新加坡科技设计大学);Zhejiang University(浙江大学);Chengdu University of Information Technology(成都信息工程大学)
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题,提出MRP-LLM模型,通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块,在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
TSPORec: Token Selection via Preference Optimization for LLM-Based Sequential Recommendation
本文提出 TSPORec 方法,通过三阶段流程与新型代理奖励选择信息 token,在提升 LLM 序列推荐性能的同时降低计算成本,实验显示其较基线方法性能提升最高 31.25%、效率提升最高 63.4%。
2026-08-11 cs.AI cs.IR
Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations
DePaul University(德保罗大学);Delft University of Technology(代尔夫特理工大学)
本文提出LLM-TUP方法,利用大语言模型生成用户历史自然语言表示,结合BERT编码与注意力机制动态融合短期与长期偏好,显著提升了基于内容的个性化推荐性能。
2025-08-11 cs.AI cs.IR
On Negative-aware Preference Optimization for Recommendation
USTC(中国科学技术大学);Meituan(美团)
提出NAPO框架,通过批内负样本共享和动态奖励边际调整优化基于LLM的推荐,在提升准确性的同时减少流行度偏差。
2025-08-13 cs.AI cs.IR
Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation
针对跨域序列推荐中的负迁移和噪声问题,提出可分离偏好引导扩散模型DPG-Diff,分解域不变与域特定偏好引导去噪,实现稳健知识迁移,实验优于现有基线。
2025-08-30 cs.AI cs.IR cs.SI
Vague Preference Policy Learning for Conversational Recommendation
针对对话式推荐中用户偏好模糊问题,提出VPPL框架,通过软估计与动态策略学习减少过度过滤,实验验证其优于现有方法。
2025-05-27 cs.IR
Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning
跨域推荐(CDR)由于能够有效地解决推荐系统中的数据稀疏性问题而受到越来越多的研究者关注。然而,现有的单目标或双目标CDR方法往往遭受两个缺点,假设至少一个丰富的域和严重依赖于域不变的偏好,这是不切实际的,在现实世界中稀疏性是无处不在的,可能会降低用户偏好学习。为了克服这些问题,我们提出了一个多稀疏域协同推荐(MSDCR)模型的多目标跨域推荐。与传统的CDR方法不同,MSDCR将多个相关领域视为稀疏的,并且可以同时提高每个领域的推荐性能。我们提出了一个多域分离网络(MDSN)和一个门控方面偏好增强(GAPE)模块MSDCR增强用户的领域特定的方面的偏好在一个领域通过转移在其他领域的互补方面的偏好,在此期间,特定领域的偏好的唯一性可以通过MDSN提供的对抗性训练和互补性可以自适应地确定由GAPE。同时,我们提出了一个多领域自适应网络(MDAN)的MSDCR捕捉用户的领域不变的方面的喜好。通过结合增强的领域特定方面偏好和领域不变方面偏好,MSDCR可以全面了解用户在每个稀疏域中的偏好。最后,在真实数据集上进行的大量实验表明,MSDCR相对于现有的单域推荐模型和CDR模型具有显著的优越性。
2022-01-16 cs.IR
Refining Text Generation for Realistic Conversational Recommendation via Direct Preference Optimization
该研究利用 LLM 生成对话摘要与物品推荐信息,并采用 DPO 精炼文本,以提升对话推荐的自然性与真实性。
2025-08-29 cs.IR
Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks
推荐系统根据用户过去的偏好帮助用户找到感兴趣的相关项目。然而,在许多领域中,由于各种因素,用户的品味和偏好随着时间的推移而变化,推荐系统应该在用户偏好中捕获这些动态,以便保持对用户最当前兴趣的调谐。在这项工作中,我们提出了一个基于隐马尔可夫模型(HMM),考虑到用户偏好的动态推荐框架。我们提出了一种基于HMM的方法来检测用户交互序列中的变化点,该方法根据数据中所有用户的顺序行为来反映偏好的显着变化。拟议的框架利用已确定的变化点,以两种方式提出建议。在一种方法中,使用变化点来创建序列感知的非负矩阵分解模型,以生成与用户的当前品味一致的推荐。在第二种方法中,HMM直接用于生成考虑到所识别的变化点的建议。这些模型在变化点检测的准确性以及使用真实音乐流数据集的推荐的有效性方面进行了评估。
2018-09-29 cs.IR
Modeling Dual Period-Varying Preferences for Takeaway Recommendation
针对外卖推荐中店铺-餐食双重偏好与日内时段偏好变化的挑战,提出DPVP模型,通过双重交互感知模块、时间分解模块及时序门控机制建模偏好,实验效果优于SOTA,已在美团上线提升GMV 0.70%。
2023-06-16 cs.IR
User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
Huazhong University of Science and Technology(华中科技大学)
本文提出SMTPO框架,通过多任务监督微调和强化学习优化多轮对话推荐,提升推荐准确性与泛化能力。
2026-04-04 cs.IR
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络(LBSNs)(如Foursquare)提供的数据,为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐(CAVR),其另外考虑用户的周围上下文(例如,用户的位置和一天中的时间),以便提供更相关的场所建议。为了解决CAVR的挑战,我们描述了两种方法,利用词嵌入技术来推断矢量空间表示的场地,用户的现有偏好,和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明,我们可以显着提高最先进的场馆推荐方法的有效性,以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Robust Preference-Guided Denoising for Graph based Social Recommendation
基于图神经网络(GNN)的社会推荐模型通过利用GNN挖掘社会关系中包含的偏好相似性来提高用户偏好的预测精度。然而,就推荐的有效性和效率而言,很大一部分社会关系可能是冗余的甚至是嘈杂的,例如,朋友在某个领域没有共同的偏好是很正常的。现有的模型不能完全解决关系冗余和噪音的问题,因为它们直接表征了整个社交网络的社会影响力。在本文中,我们提出通过仅保留信息社会关系来改进基于图的社会推荐,以确保高效和有效的影响力扩散,即,图去噪我们设计的去噪方法是偏好引导的,以建立社会关系信心模型,并通过为推荐模型提供一个去噪但信息量更大的社交图来帮助用户偏好学习。此外,为了避免噪声社会关系的干扰,它设计了一个自校正课程学习模块和自适应去噪策略,都有利于高置信度的样本。在三个公开数据集上的实验结果表明,该算法通过鲁棒地删除10-40%的原始关系,对两种最先进的社会推荐模型具有一致的改进能力。我们在https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec上发布源代码。
2023-03-15 cs.IR
User Invariant Preference Learning for Multi-Behavior Recommendation
本文提出 UIPL 方法,利用不变风险最小化和变分自编码器从多行为交互中提取用户不变偏好,以抑制辅助行为噪声,从而提升目标行为推荐性能。
2025-07-20 cs.IR
Coherence-guided Preference Disentanglement for Cross-domain Recommendations
针对跨域推荐中共享用户与共享物品稀缺的问题,提出CoPD方法,通过一致性约束提取共享物品属性,并以流行度加权损失将用户偏好解耦为兴趣与从众性嵌入,实验证明其优于竞争基线。
2025-06-09 cs.IR
Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation
本文提出BCIPM方法,通过行为上下文化物品偏好网络学习用户在各行为中的特定偏好,仅利用与目标行为相关的偏好进行推荐以减少噪声,并采用预训练策略缓解数据稀疏,在四个数据集上表现优于现有模型。
2024-04-28 cs.IR
Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation
针对基于会话推荐忽视价格偏好的问题,提出BiPNet,利用三级卷积异质超图和多任务双偏好学习联合建模价格与兴趣偏好,实验验证其优越性。
2023-11-02 cs.IR
Minimalist and High-performance Conversational Recommendation with Uncertainty Estimation for User Preference
会话式推荐系统(CRS)是一种用户友好的方式来捕捉用户对候选项目和属性的动态偏好。Multi-shot CRS旨在多次提出建议,直到用户接受建议或在耐心结束时离开。现有的工作是用强化学习(RL)训练的,这可能会受到不稳定的学习和过高的计算要求的影响。在这项工作中,我们提出了一个简单而有效的CRS,Minimalist非增强交互式concilional推荐网络(MINICORN)。MINICORN模型的估计用户偏好的认知不确定性和查询用户的属性具有最高的不确定性。该系统采用了一个简单的网络架构,并使用一个单一的规则进行查询与推荐的决定。令人惊讶的是,这种最低限度的方法在三个真实世界数据集上的表现远远优于最先进的RL方法。我们希望MINICORN将成为未来研究的宝贵基线。
2022-07-01 cs.IR
Beyond Static Calibration: The Impact of User Preference Dynamics on Calibrated Recommendation
针对传统静态校准方法可能扭曲用户真实偏好的问题,本文通过分析不同大小的训练时间窗口,初步探究了动态演化的用户偏好对推荐校准的影响,并在多领域数据集上验证了该影响的领域差异性。
2024-05-16 cs.IR
Enhancing LLM-based Recommendation with Preference Hint Discovery from Knowledge Graph
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Beihang University(北京航空航天大学人工智能研究院)
本文提出基于知识图谱的偏好提示发现模型,通过提取关键属性作为提示,提升大语言模型在推荐任务中的表现。
2026-01-26 cs.IR
Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Seoul National University(首尔国立大学)
随着机器学习的发展,先进的音乐推荐系统正在被引入。然而,设计一个音乐推荐系统,能够通过理解用户的音乐品味来提高用户满意度,而不是通过模型的复杂性来提高用户满意度是至关重要的。尽管一些与利用负面偏好的音乐推荐系统相关的研究表明了性能的改善,但缺乏对它们如何导致更好的推荐的解释。在这项工作中,我们分析了用户的音乐品味的负面偏好的作用,通过比较音乐推荐模型与对比学习利用偏好(CLEP),但有三种不同的训练策略-利用偏好的积极和消极的(CLEP-PN),积极的(CLEP-P),和消极的(CLEP-N)。我们评估的有效性,通过验证每个系统与少量的个性化数据,通过调查获得的负面偏好,并进一步阐明利用负面偏好的音乐推荐的可能性。实验结果表明,CLEP-N在准确率和误报率方面优于其他两种方法。此外,所提出的训练策略产生了一致的趋势,无论不同类型的前端音乐特征提取器,证明了所提出的方法的稳定性。
2022-07-28 cs.IR cs.LG
Learning Preferences and Demands in Visual Recommendation
视觉信息是推荐系统中的一个重要因素,在推荐系统中,用户的选择由两部分组成:\emph{preferences}和\emph{demands}。在视觉推荐中,用户偏好模型的研究已经取得了一定的进展。然而,常规方法在公共视觉特征空间中对项目进行建模,这可能无法捕获项目的\emph{styles}。我们提出了一种DeepStyle方法来学习项目的风格特征。DeepStyle基于卷积神经网络(CNN)架构,消除了在原始视觉特征空间中占主导地位的项目分类信息。对于建模用户对不同类别的项目的需求,该问题可以被公式化为具有上下文和顺序信息的推荐。为了解决这个问题,我们提出了一个上下文感知门控递归单元(CA-GRU)的方法,它可以同时捕获序列和上下文信息。此外,对偏好和需求的预测的聚合,即,由DeepStyle和CA-GRU生成的预测,可以更完整地建模用户的选择行为。在真实数据集上进行的实验表明了本文方法在视觉推荐中的有效性。
2019-11-11 cs.IR
SPMF: A Social Trust and Preference Segmentation-based Matrix Factorization Recommendation Algorithm
College of Economics and Management, Shandong University of Science and Technology(山东科技大学经济管理学院)
传统的社会化推荐算法忽略了以下事实:具有信任关系的用户的偏好不一定相似,对用户偏好相似性的考虑应局限于特定领域。针对上述问题,提出了一种基于社会信任和偏好分割的矩阵分解推荐系统。基于Ciao和Epperly数据集的实验结果表明,SPMF算法的推荐准确率明显高于现有的推荐算法。SPMF算法是一种基于区分信任关系和偏好域差异的更准确、更有效的推荐算法,可以支持产品营销等商业活动。
2019-03-11 cs.IR cs.LG stat.ML