AutoML for Deep Recommender Systems: A Survey
推荐系统在信息过滤中发挥着重要作用,并已被用于不同的场景,如电子商务和社交媒体。随着深度学习的兴起,深度推荐系统通过捕捉非线性信息和项目-用户关系表现出了优越的性能。然而,深度推荐系统的设计严重依赖于人类经验和专家知识。为了解决这个问题,引入了自动机器学习(AutoML)来自动搜索深度推荐系统不同部分的合适候选人。本调查对这一领域的文献进行了全面的回顾。首先,我们提出了AutoML深度推荐系统(AutoRecSys)的抽象概念,描述了它的构建块,并将其与传统的AutoML技术和推荐系统区分开来。其次,我们提出了一个分类法作为一个分类框架,包含特征选择搜索,嵌入维搜索,特征交互搜索,模型架构搜索,和其他组件搜索。此外,我们特别强调了搜索空间和搜索策略,因为它们是连接每个类别中所有方法的共同线索,使从业者能够分析和比较各种方法。最后,我们提出了四个未来有前途的研究方向,将导致这条研究线。
2023-01-02 cs.IR
An Empirical Study on Zero-Data Bootstrapping for Conversational Recommender Systems
University of California, San Diego(加利福尼亚大学圣地亚哥分校);Netflix Inc.(网飞公司);Cornell University(康奈尔大学)
本研究针对对话式推荐系统需领域对话数据的痛点,开展零数据引导实证,用非对话信号生成合成数据,证实其效果优于基线,为无对话训练数据构建CRS提供可行方案。
2026-08-31 cs.IR
Deep Learning based Recommender System: A Survey and New Perspectives
随着网络信息量的不断增长,推荐系统已经成为克服信息过载的有效策略。推荐系统的效用不能被夸大,因为它在许多网络应用程序中被广泛采用,以及它对改善与过度选择相关的许多问题的潜在影响。近年来,深度学习在计算机视觉和自然语言处理等许多研究领域引起了相当大的兴趣,这不仅是因为它具有出色的性能,而且还因为它从头开始学习特征表示的吸引力。深度学习的影响也很普遍,最近证明了它在应用于信息检索和推荐系统研究时的有效性。显然,推荐系统中的深度学习领域正在蓬勃发展。本文旨在对基于深度学习的推荐系统的最新研究成果进行全面综述。更具体地说,我们提供并设计了一个基于深度学习的推荐模型的分类,并提供了一个最先进的综合总结。最后,我们扩展了当前的趋势,并提供了与该领域这一令人兴奋的新发展有关的新观点。
2019-07-10 cs.IR
Deep Reinforcement Learning based Group Recommender System
群组推荐系统在当前的Web应用中得到了广泛的应用。本文提出了一种基于深度强化学习的群组推荐系统。首先介绍了MovieLens数据,并从中生成一个随机分组数据集MovieLens-Rand,对这个随机生成的数据集进行了描述和分析。我们还提出了实验设置和两个国家的最先进的基线,AGREE和GroupIM。我们的新模型,基于深度强化学习的组推荐系统(DRGR)的框架,提出。行动者-批评者网络采用深度确定性策略梯度算法实现。DRGR模型应用于具有两个基线的MovieLens-Rand数据集。与基线相比,我们得出结论,DRGR表现优于GroupIM由于长的交互历史,但不如AGREE,因为自我注意力机制。最后,我们指出了DRGR的优点和不足,并给出了未来的改进方向。
2021-06-13 cs.IR
Developing an NLP-based Recommender System for the Ethical, Legal, and Social Implications of Synthetic Biology
NORC at the University of Chicago(芝加哥大学NORC研究所)
合成生物学是一个新兴领域,涉及生物体的工程和重新设计,用于食品安全,健康和环境保护等目的。因此,它对研究人员和政策制定者提出了许多伦理,法律和社会影响(ELSI)。正在进行各种努力,以确保对社会负责的合成生物学。政策制定是一种监管途径,其他举措也试图将社会科学家和伦理学家纳入合成生物学项目。然而,考虑到合成生物学的新生,它跨越的异质领域的数量,以及许多伦理问题的开放性,建立广泛的具体政策已被证明具有挑战性,并且将社会科学家和伦理学家纳入合成生物学团队已经取得了好坏参半的成功。本文提出了一种不同的方法,而是问是否有可能开发一个性能良好的推荐模型的基础上自然语言处理(NLP)连接合成生物学家与信息的ELSI他们的具体研究?这个推荐器是作为一个更大的项目的一部分开发的,该项目建立了一个合成生物学知识系统(SBKS),以加速合成生物学设计空间的发现和探索。我们的方法旨在为合成生物学家提取相关的伦理和社会科学信息,并将其嵌入合成生物学研究工作流程中。
2022-07-10 cs.AI cs.CY cs.IR
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures
本文提出一种无需先验知识的合成恶意用户投毒攻击,可高效操纵联邦推荐系统中目标物品的曝光率,并设计分层梯度裁剪与稀疏化更新防御机制以提升系统鲁棒性。
2023-04-15 cs.IR
Synthetic Data-Based Simulators for Recommender Systems: A Survey
ITMO University(圣彼得堡国立信息技术机械与光学大学);Sber AI Lab(俄罗斯联邦储蓄银行人工智能实验室);AIRI(人工智能研究所);Sber(俄罗斯联邦储蓄银行)
本次调查的目的是提供一个全面的概述,在该领域的建模和仿真(M &S)的用户和推荐系统之间的交互和应用程序的M&S的工业推荐引擎的性能改进的最新趋势。我们从开发实现模拟的框架(模拟器)背后的动机开始,以及将它们用于训练和测试不同类型的推荐系统(包括强化学习系统)。此外,我们提供了一个新的一致的分类现有的模拟器的基础上,他们的功能,认可,和工业的有效性,而且使研究文献中发现的模拟器的总结。除此之外,我们还讨论了模拟器的构建模块:合成数据(用户,项目,用户-项目响应)生成方法,假设实验分析方法,用于模拟质量评估的方法和数据集(包括监控和/或关闭可能的模拟与现实差距的方法),以及总结实验模拟结果的方法。最后,本调查认为,在该领域的新出现的主题和开放的问题。
2022-06-22 cs.IR cs.LG cs.PF
LLM4MEA: Data-free Model Extraction Attacks on Sequential Recommenders via Large Language Models
本文提出LLM4MEA,利用大语言模型作为类人排序器与目标推荐系统交互生成高质量训练数据,显著提升对序列推荐器的模型提取攻击效果,并提出相应防御策略。
2025-07-22 cs.IR
Generating Diverse Synthetic Datasets for Evaluation of Real-life Recommender Systems
Faculty of Computer and Information Science(计算机与信息科学学院)
本文提出一个模块化开源 Python 框架,用于生成统计一致、可定制的高维稀疏合成类别数据集,支持推荐系统的算法基准测试、偏见检测与 AutoML 搜索评估。
2024-11-27 cs.AI cs.IR
All You Need is Ratings: A Clustering Approach to Synthetic Rating Datasets Generation
包含用户偏好的集合的公开可用性对于在推荐系统领域中执行离线评估是至关重要的。然而,评级数据集的数量是有限的,因为它们的创建所需的成本和担心通过共享它们侵犯用户的隐私。出于这个原因,许多研究尝试调查使用生成方法创建综合评级集合。然而,这些数据集通常不够可靠,无法开展评价活动。在本文中,我们提出了一种方法来创建合成数据集与可配置的用户数量,模仿现有的特征。我们经验验证了所提出的方法,利用合成数据集评估不同的生物,并通过比较使用真实数据集获得的结果。
2019-09-02 cs.IR
SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems
针对传统代理模型在次优条件下特征选择效果受限的问题,提出SELF方法,融合大语言模型语义推理与代理模型任务学习,在三个真实推荐数据集上验证了有效性。
2025-08-27 cs.IR
Light-FMP: Lightweight Feature and Model Pruning for Enhanced Deep Recommender Systems
New Jersey Institute of Technology(新泽西理工学院);Stevens Institute of Technology(史蒂文斯理工学院)
Light-FMP通过预训练、剪枝和继续训练三个阶段,提升深度推荐系统在计算效率与模型准确性的平衡,实现更高效的性能。
2026-05-07 cs.IR
Evaluation of Synthetic Datasets for Conversational Recommender Systems
Google Research(谷歌研究院)
对于利用大语言模型(LLM)生成训练数据集的研究人员来说,特别是对于会话推荐系统来说,缺乏强大的评估框架一直是一个长期存在的问题。LLM在数据生成阶段带来的效率在生成数据的评估过程中受到阻碍,因为它通常需要人工评估人员来确保生成的数据具有高质量和足够的多样性。由于训练数据的质量对于下游应用程序至关重要,因此开发全面评估质量并识别偏差的指标非常重要。在本文中,我们提出了一个框架,采取多方面的方法来评估生成模型产生的数据集,并讨论了各种评估方法的优点和局限性。
2022-12-12 cs.AI cs.CL cs.IR
Creating Synthetic Datasets for Collaborative Filtering Recommender Systems using Generative Adversarial Networks
Universidad Politécnica de Madrid(马德里理工大学);Universidad de Jaén(哈恩大学);Universidad de Ciego de Ávila(谢戈德阿维拉大学)
机器学习的研究和教育需要多样化、代表性和开放的数据集,这些数据集包含足够的样本来处理必要的训练、验证和测试任务。目前,推荐系统领域包括大量的子领域,在这些子领域中,准确性和超越准确性的质量度量不断得到改进。为了满足这种研究的多样性,用合成数据集来加强现有的数据集是必要的,也是方便的。本文提出了一种基于生成对抗网络(GAN)的方法,通过选择用户、项目、样本和随机变量的首选数量,以参数化的方式生成协同过滤数据集。无法使用常规GANs进行此参数化。我们的GAN模型是由密集的,短的,和连续的项目和用户的嵌入表示,而不是稀疏的,大的,和离散的向量,使一个准确和快速的学习,相比传统的方法,基于大的和稀疏的输入向量。所提出的架构包括一个DeepMF模型来提取密集的用户和项目嵌入,以及一个聚类过程来从密集的GAN生成的样本转换为离散和稀疏的样本,这是创建每个所需的合成数据集所必需的。三个不同的源数据集的结果显示了足够的分布和预期的质量值和生成的数据集相比,源的演变。合成数据集和源代码可供研究人员使用。
2023-03-02 cs.IR cs.LG
On the challenges of studying bias in Recommender Systems: A UserKNN case study
该研究以UserKNN为案例,通过合成数据与不同算法配置的对比实验,揭示了数据属性和实现配置会影响推荐系统流行度偏差的测量结论,强调偏差研究需明确说明算法配置与数据特性。
2024-09-12 cs.IR
PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation
本文提出基于LLM和大五人格的PUB模拟器,从行为日志与物品元数据中推断人格并生成高保真合成交互,为推荐系统评估提供可扩展、可控的替代方案。
2025-06-05 cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所)
现有推荐系统的一个重要挑战是用户可能不信任推荐系统,因为缺乏解释或推荐结果不准确。因此,拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结:利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统(例如,垃圾邮件发送者和虚假信息)或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作,这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Controllable Recommenders using Deep Generative Models and Disentanglement
在本文中,我们认为可控性作为一种手段,以满足用户的动态偏好,使他们能够控制的建议,使他们目前的偏好得到满足。虽然深度模型在协同过滤方面表现出了更好的性能,但它们通常不适合用户的细粒度控制,这导致了像深度语言批评这样的方法的发展。我们提出了一个替代的观点,而不是基于关键词的批评,用户提供的“旋钮”在一个解开的潜在空间,每个旋钮对应于一个项目方面。解纠缠在这里指的是一个潜在的空间,其中生成因素(在这里,对一个项目类别,如流派的偏好)被独立地捕获在其各自的维度,从而实现可预测的操纵,否则不可能在纠缠的空间。为此,我们建议使用(半)监督解纠缠目标,以及多个指标来评估可控性和个性化程度的控制建议。我们表明,通过更新的用户反馈的基础上解开的潜在空间,并利用生成的推荐,控制和个性化的建议可以产生。通过在两个广泛使用的协同过滤数据集上的实验,我们证明了一个可控的推荐器可以在推荐性能略有下降的情况下训练出来,只要提供足够的监督。由这些模型产生的推荐似乎既符合用户的当前偏好,又保持个性化。
2021-10-11 cs.IR
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索(EBR)系统的推荐共享与顺序查询相似的思想。其中,如何全面捕捉序列用户兴趣是一个根本性的问题。然而,大多数现有的顺序推荐模型作为输入点击或购买的行为序列,从用户项目的交互。这导致不全面的用户表示和次优的模型性能,因为它们忽略了完整的用户行为暴露数据,即,用户印象深刻但未点击的项目。在这项工作中,我们试图采用一种新的学习方法,以探索更好的顺序推荐技术,将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络,并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性,并验证了未点击项目在顺序推荐中的重要性。此外,我们部署我们的新模型(命名为XDM)在淘宝推荐系统的EBR,性能优于部署的前一代SDM。
2022-03-31 cs.IR
Hyperbolic Neural Collaborative Recommender
本文探讨了使用双曲几何和深度学习技术进行推荐。我们提出了双曲神经协作推荐(HNCR),深度双曲表示学习方法,利用用户/项目之间的相互语义关系的协同过滤(CF)任务。HNCR包含两个主要阶段:邻居构建和推荐框架。第一阶段引入邻居构建策略,根据用户与项目的历史交互,为每个用户和项目构建语义邻居集。在第二阶段,我们开发了一个基于双曲几何的深层框架,将构建的邻居集集成到推荐中。通过一系列广泛的实验,我们表明,HNCR优于其欧几里得同行和国家的最先进的基线。
2021-04-15 cs.IR
Predictive accuracy of recommender algorithms
本文在受控实验中比较三种传统推荐算法与两种深度学习算法的预测准确性,发现深度学习算法表现较弱并探讨过拟合及正则化改进方向。
2024-06-26 cs.IR
Deep Mutual Learning across Task Towers for Effective Multi-Task Recommender Learning
针对多任务推荐中独立任务塔不利于知识共享的问题,提出跨任务塔的深度互学习框架,兼容多种骨干网络,并通过离线实验和在线AB测试验证其有效性。
2023-09-19 cs.IR
A Survey of Deep Reinforcement Learning in Recommender Systems: A Systematic Review and Future Directions
University of New South Wales(新南威尔士大学);University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Technology Sydney(悉尼科技大学)
鉴于深度强化学习(DRL)在推荐系统研究中的出现以及近年来取得的一些丰硕成果,本文旨在对深度强化学习在推荐系统中的最新发展趋势进行及时而全面的综述。我们首先介绍了在推荐系统中应用DRL的动机。然后,我们提供了一个分类目前基于DRL推荐系统和现有的方法的总结。我们讨论新出现的主题和开放的问题,并提供我们对推进该领域的观点。本调查作为学术界和工业界读者对这一主题的介绍材料,并确定了进一步研究的重要机会。
2021-09-09 cs.AI cs.IR
Joint Neural Collaborative Filtering for Recommender Systems
我们提出了一个推荐系统的J-NCF方法。J-NCF模型应用联合神经网络,该网络将深度特征学习和深度交互建模与评级矩阵相耦合。深度特征学习利用基于用户-项目评级矩阵的深度学习架构提取用户和项目的特征表示。深度交互建模使用由深度特征学习过程生成的特征表示作为输入来捕获与深度神经网络的非线性用户-项目交互。J-NCF使深度特征学习和深度交互建模过程能够通过联合训练相互优化,从而提高推荐性能。此外,我们设计了一个新的优化损失函数,它同时考虑了隐式和显式反馈,逐点和成对损失。在几个真实数据集上的实验表明,J-NCF比最先进的方法有了显著的改进,在MovieLens 100 K数据集上的改进高达8.24%,在MovieLens 1 M数据集上的改进高达10.81%,在Amazon Movies数据集上的改进高达10.21%。NDCG@10分别提高了12.42%、14.24%和15.06%。我们还进行了实验,以评估J-NCF的可扩展性和灵敏度。我们的实验表明,与最先进的基线相比,J-NCF模型具有竞争力的推荐性能与不活跃的用户和不同程度的数据稀疏。
2019-07-10 cs.IR
SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
获取用户的精确偏好是大规模推荐系统的一个基本问题。目前,基于项目的协同过滤(CF)方法是工业界常用的匹配方法。然而,它们不能有效地对用户的动态和不断变化的偏好进行建模。在本文中,我们提出了一个新的顺序深度匹配(SDM)模型,通过结合短期会话和长期行为来捕获用户的动态偏好。与现有的序列感知推荐方法相比,我们解决了以下两个实际应用中的固有问题:(1)在一个会话中可能存在多个兴趣倾向。(2)长期偏好可能无法有效地与当前会话兴趣融合。长期行为是多样的、复杂的,因此与短期会话高度相关的行为应该被保留以进行融合。我们建议编码行为序列与两个相应的组件:多头自我注意模块捕捉多种类型的利益和长期-短期门控融合模块,将长期的喜好。在序列用户行为向量和项目嵌入向量之间进行匹配后,推荐连续项目。真实世界数据集上的离线实验表明,所提出的SDM的优越性能。此外,SDM已成功部署在淘宝网的在线大型推荐系统,并在一系列商业指标方面取得了改善。
2019-12-28 cs.IR
A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings
State University of Maringá(马里兰州立大学)
推荐系统是改善用户在Web系统中查找相关信息的工具,因此他们不会面对太多的信息。为了产生更好的建议,应在建议过程中使用信息的上下文。上下文感知推荐系统被创建,实现了最先进的结果,并改进了传统的推荐系统。构建推荐系统的方法有很多,其中两个最突出的进展是使用嵌入来表示推荐系统中的数据,以及使用深度学习架构来向用户生成推荐。系统综述是一种形式化、系统化的文献综述方法,通过对已发表的相关研究进行分析,对某一研究领域的所有研究进行识别和评价。进行了系统的回顾,以了解如何将深度学习和嵌入技术应用于改进上下文感知推荐系统。我们总结了用于创建这些的架构以及它们所使用的域。
2020-07-09 cs.CV cs.IR
Optimized Recommender Systems with Deep Reinforcement Learning
Universitat Oberta de Catalunya(加泰罗尼亚开放大学)
推荐系统一直是在线零售商的基石。传统上,它们基于规则、相关性分数、排名算法和监督学习算法,但现在可以使用强化学习算法来生成有意义的推荐。这项工作研究和开发的手段,以建立一个可重复的测试平台,并评估不同的国家的最先进的算法在一个现实的环境。它需要一个建议,文献综述,方法,结果和评论。
2021-10-06 cs.IR cs.LG
Counterfactual Reciprocal Recommender Systems for User-to-User Matching
Sony Group Corporation(索尼集团)
针对互惠推荐系统中的曝光偏差,提出反事实互惠推荐系统(CFRR),利用逆倾向得分自归一化目标,显著提升匹配准确性和公平性。
2025-08-03 cs.AI cs.IR
Data Generation via Latent Factor Simulation for Fairness-aware Re-ranking
本文提出了一种用于公平性感知推荐的新型合成数据,即通过潜在因子模拟生成的推荐系统输出,以支持对重新排序算法的研究,同时避免依赖需隐私保护的敏感数据。
2024-09-21 cs.IR
Mitigating Filter Bubbles within Deep Recommender Systems
Georgia Institute of Technology(佐治亚理工学院)
推荐系统为用户提供个性化建议,为当今许多社交媒体、电子商务和娱乐提供动力。然而,这些系统已经被认为在智力上将用户与各种观点隔离,或者导致过滤气泡。在我们的工作中,我们表征和减轻这种过滤气泡效应。我们这样做的基础上,他们的用户-项目的交互历史和计算的分类类别对彼此的影响,使用众所周知的TracIn方法分类的各种数据点。最后,我们通过仔细地重新训练我们的推荐系统,在不影响准确性的情况下减轻了这种过滤气泡效应。
2022-09-16 cs.IR cs.LG
Estimation-Action-Reflection: Towards Deep Interaction Between Conversational and Recommender Systems
推荐系统采用会话技术动态获取用户偏好,并克服其静态模型的固有局限性。一个成功的会话式推荐系统(CRS)需要正确处理会话和推荐之间的交互。我们认为,需要解决三个基本问题:1)问什么问题的项目属性,2)何时推荐项目,3)如何适应用户的在线反馈。据我们所知,缺乏一个解决这些问题的统一框架。在这项工作中,我们提出了一个新的CRS框架,名为估计-行动-反思,或CRS,它包括三个阶段,以更好地与用户交谈,以填补这一缺失的交互框架的差距。(1)估计,它建立预测模型来估计用户对项目和项目属性的偏好;(2)动作,它学习对话策略,以确定是否询问属性或推荐项目,基于估计阶段和会话历史;以及(3)反射,当用户拒绝Action阶段提出的建议时,它更新推荐模型。我们提出了两个对话的情况下,二进制和枚举的问题,并进行广泛的实验,从Yelp和LastFM的两个数据集,为每个场景,分别。我们的实验表明,与最先进的方法CRM [32]相比,显着改进,对应于更少的会话回合和更高水平的推荐命中率。
2020-02-21 cs.IR
Green Recommender Systems: Understanding and Minimizing the Carbon Footprint of AI-Powered Personalization
Intelligent Systems Group, University of Siegen(锡根大学智能系统研究组);University of Gothenburg(哥德堡大学)
本研究通过复现实验流程评估推荐系统的环境影响,发现深度学习模型产生的CO2当量约为传统模型的42倍,强调社区需采用绿色AI原则以平衡算法进步与环境责任。
2025-09-16 cs.IR
SUBER: An RL Environment with Simulated Human Behavior for Recommender Systems
ETH Zurich(苏黎世联邦理工学院);National University of Singapore(新加坡国立大学);A*STAR Singapore(新加坡科技研究局)
本文提出SUBER,一个利用大型语言模型模拟人类行为的合成环境框架,用于训练和评估基于强化学习的推荐系统,并在电影和图书推荐实验中验证其有效性。
2024-08-20 cs.IR cs.LG
From Clicks to Carbon: The Environmental Toll of Recommender Systems
本研究通过复现2013与2023年ACM RecSys会议的79篇论文实验流程,评估推荐系统研究的环境影响,发现深度学习算法的碳排放约为传统方法的42倍,单篇论文平均排放3,297千克CO2当量。
2024-08-22 cs.IR
Deep Learning to Address Candidate Generation and Cold Start Challenges in Recommender Systems: A Research Survey
Indian Institute of Management Lucknow(勒克瑙印度管理学院);Indian Institute of Management Raipur(赖布尔印度管理学院)
在机器学习的商业应用中,推荐系统在成功和采用方面将占据领先地位。他们帮助用户加速搜索过程,同时帮助企业最大限度地提高销售额。在计算机视觉和语音识别领域取得巨大成功后,深度学习方法开始应用于推荐系统。当前关于推荐系统中深度学习的调查论文提供了基于类型的推荐系统的历史概述和分类。我们的论文解决了提供深度学习方法分类的差距,以解决推荐系统中的冷启动和候选生成领域的推荐系统问题。我们概述了推荐系统中的不同挑战,这些挑战与推荐本身有关(包括相关性,速度,准确性和可扩展性),与数据的性质有关(冷启动问题,不平衡和稀疏性)和候选生成。然后,我们提供了一个分类的深度学习技术来解决这些挑战。深度学习技术被映射到推荐系统中的不同挑战,提供了如何使用深度学习技术来解决这些挑战的概述。我们贡献了一个分类的深度学习技术,以解决推荐系统中的冷启动和候选生成问题。冷启动通过其他功能(音频、图像、文本)以及学习隐藏的用户和项目表示来解决。候选生成已经通过单独的网络、RNN、自动编码器和混合方法来解决。我们还总结了这些技术的优点和局限性,同时概述了未来的研究领域。
2019-07-17 cs.IR cs.LG stat.ML
Deep Research for Recommender Systems
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Meituan(美团)
本文提出RecPilot多代理框架,通过生成用户为中心的报告替代传统物品列表,主动提升用户体验并减少用户决策负担。
2026-03-08 cs.IR
Deep neural network marketplace recommenders in online experiments
Schibsted Media Group(Schibsted 传媒集团)
推荐在市场中被广泛使用,以将用户与与他们的兴趣和需求相关的项目相匹配。为了了解用户意图并根据他们的需求定制推荐,我们使用深度学习来探索市场中可用的各种异构数据。本文重点讨论了衡量推荐性能的挑战,并总结了几种有前途的深度神经网络分类器的在线实验结果-混合项目表示模型,结合了用户参与度和内容的特征,基于序列的模型,以及通过对多个子模型的建议进行重新排名来优化用户参与度的多臂强盗模型。这些机器人目前正在挪威领先的市场FINN.no上运行,每天为超过100万名游客提供服务。
2018-09-06 cs.IR cs.LG stat.ML
Multi-Task Deep Recommender Systems: A Survey
City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本综述针对推荐领域多任务学习研究的空白,梳理多任务深度推荐系统的定义、分类、应用与挑战,为该领域提供系统总结。
2026-09-04 cs.IR
A two-step model and the algorithm for recalling in recommender systems
当用户在推荐系统中找到感兴趣的推荐时,用户可能想要回忆过去推荐的相关项目以重新考虑或再次欣赏它们。如果系统能在每个用户的请求下捡起这样的“召回”物品,那么它必须深化用户体验。我们提出了一个模型和算法,这种个性化的“召回”在传统的推荐系统,这是一个应用程序的神经网络的联想记忆。在我们的模型中,“召回”项目可以反映每个用户的个性,而不仅仅是项目之间的天真相似性。
2013-10-23 cs.IR
Signed Distance-based Deep Memory Recommender
Worcester Polytechnic Institute(伍斯特理工学院)
个性化推荐算法通过测量它们之间的距离/相似性来学习用户对项目的偏好。然而,一些现有的推荐模型(例如,矩阵分解)假设用户和项目之间的线性关系。这种方法限制了推荐系统的容量,因为在现实世界的应用程序中,用户和项目之间的交互要比线性关系复杂得多。为了克服这一局限性,本文设计并提出了一个基于符号距离的深度学习框架--基于深度记忆的推荐器(Signed Distance-based Deep Memory Recommender),该框架能够显式和隐式地捕捉用户和物品之间的非线性关系,在一般推荐任务和基于购物篮的推荐任务中都能很好地工作。通过对六个真实数据集的两个推荐任务的广泛实证研究,我们提出的方法取得了显着的改进,超过了十个国家的最先进的推荐模型。
2019-05-01 cs.AI cs.IR
Black-Box Attacks on Sequential Recommenders via Data-Free Model Extraction
Technical University of Munich(慕尼黑工业大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
我们研究模型提取是否可以用来“窃取”顺序推荐系统的权重,以及这种攻击对受害者构成的潜在威胁。这种类型的风险在图像和文本分类中引起了关注,但据我们所知,在推荐系统中没有。我们认为,顺序推荐系统受到独特的漏洞,由于特定的自回归制度用于训练他们。与许多现有的推荐攻击者不同,这些攻击者假设用于训练受害者模型的数据集暴露给攻击者,我们考虑无数据设置,其中训练数据不可访问。在此背景下,我们提出了一种基于API的模型提取方法,通过有限预算的合成数据生成和知识蒸馏。我们研究了最先进的顺序推荐模型,并显示了它们在模型提取和下游攻击下的脆弱性。我们分两个阶段进行攻击。(1)模型提取:给定从黑盒推荐器检索的不同类型的合成数据和它们的标签,我们通过蒸馏将黑盒模型提取为白盒模型。(2)下游攻击:我们用白盒推荐器生成的对抗样本攻击黑盒模型。实验结果表明,我们的无数据模型提取和下游攻击的连续的病毒在两个配置文件污染和数据投毒设置的有效性。
2021-09-01 cs.AI cs.CR cs.IR
AutoField: Automating Feature Selection in Deep Recommender Systems
City University of Hong Kong(香港城市大学);University of Science and Technology of China(中国科学技术大学);Tencent Inc(腾讯公司)
特征质量对推荐性能有重要影响。因此,特征选择是开发基于深度学习的推荐系统的关键过程。然而,大多数现有的深度推荐系统专注于设计复杂的神经网络,而忽略了特征选择过程。通常情况下,他们只是将所有可能的功能输入到他们提出的深度架构中,或者由人类专家手动选择重要功能。前者会导致非平凡的嵌入参数和额外的推理时间,而后者需要大量的专家知识和人力劳动。在这项工作中,我们提出了一个AutoML框架,可以自适应地选择必要的特征字段,以自动的方式。具体来说,我们首先设计了一个可微分控制器网络,它能够自动调整选择特定特征字段的概率;然后,只使用选定的特征字段来重新训练深度推荐模型。在三个基准数据集上的实验证明了该框架的有效性。我们进行进一步的实验,以研究其属性,包括可转移性,关键组件,和参数的敏感性。
2022-04-19 cs.AI cs.IR
Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems
Scheller College of Business, Georgia Tech(佐治亚理工学院谢勒商学院);Stern School of Business, New York University(纽约大学斯特恩商学院)
本文提出深度帕累托强化学习方法,通过建模多目标复杂关系、捕捉个性化偏好和优化短期长期性能,提升多目标推荐系统的性能。
2026-02-12 cs.IR
SynthTRIPs: A Knowledge-Grounded Framework for Benchmark Query Generation for Personalized Tourism Recommenders
Technical University of Munich(慕尼黑工业大学);Polytechnic University of Bari(巴里理工大学)
针对现有旅游数据集难以支持高级个性化策略的问题,提出基于知识库的SynthTRIPs框架,用LLMs生成含用户角色和结构化过滤器的合成查询,经评估有效,方法可推广至其他推荐领域。
2025-04-12 cs.AI cs.IR
Deep Deconfounded Content-based Tag Recommendation for UGC with Causal Intervention
传统的基于内容的标签推荐系统直接学习用户生成内容(UGC)和标签之间的关联,基于收集的UGC标签对。然而,由于UGC上传者同时创建UGC并选择相应的标签,因此她的个人偏好不可避免地使标签选择产生偏差,这使得这些上传者无法了解UGC的内容特征对标签的因果影响。在本文中,我们提出了一个深度去基础的基于内容的标签推荐系统,即DecTag,以解决上述问题。我们首先建立一个因果图来表示上传者,UGC和标签之间的关系,其中上传者被识别为混淆,虚假关联UGC和标签选择。具体而言,为了消除混淆偏差,通过后门调整对图中的UGC节点进行因果干预,其中上传者对通过后门路径泄漏的标签的影响可以被消除以用于因果效应估计。观察到用do演算调整因果图需要整合整个上传者空间,这是不可行的,我们设计了一种新的基于Monte Carlo(MC)的估计器与bootstrap,它可以实现渐近无偏性,前提是所收集的UGC的上传者是独立同分布的。从人口中抽取样本。此外,MC估计器具有在训练阶段用来自群体的假设随机上传者替换有偏上传者的直觉,其中可以以可解释的方式实现去干扰。最后,我们建立了一个YT-8 M-Causal数据集的基础上,广泛使用的YouTube-8 M数据集的因果干预,并提出了相应的评估策略,以无偏地评估因果标签标注。大量的实验表明,DecTag比最先进的因果分类器对混杂偏差更鲁棒。
2023-01-02 cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院);Aalborg University(奥尔堡大学)
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征,并以结构化的形式提供它们的解释。众所周知,用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面,最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本,我们的目标是表明生成的文本可以成功地用于解释建议。在本文中,我们提出了一个框架,包括流行的审查为导向的生成模型,旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集,其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法,我们采用DeepCoNN,一种新的面向评论的推荐系统,使用深度神经网络,通过均方根误差(RMSE)来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知,这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
Deep Autoencoder for Recommender Systems: Parameter Influence Analysis
Macquarie University(麦考瑞大学);CSIRO Data61(联邦科学与工业研究组织数据61所);The University of Sydney(悉尼大学)
推荐系统最近吸引了深度学习社区的许多研究人员。推荐系统中使用的最先进的深度神经网络模型通常是多层感知器和深度自动编码器(DAE),其中DAE通常表现出更好的性能,这是由于其具有更好的重构输入的能力。然而,我们发现现有的DAE推荐系统在类似的数据集上具有类似的实现,导致参数设置大不相同。在这项工作中,我们已经建立了一个灵活的DAE模型,命名为FlexEncoder,使用可配置的参数和独特的功能来分析参数对推荐系统的预测精度的影响。这将帮助我们识别给定数据集的最佳性能参数。对MovieLens数据集进行了广泛的评估,从而得出了DAE参数影响的结论。具体来说,我们发现DAE参数强烈影响推荐系统的预测精度,并且这种影响可以转移到更大规模的相似数据集。我们向公众开放我们的代码,这既有利于DAE的新用户-他们可以快速了解DAE如何为推荐系统工作,也有利于有经验的DAE用户-他们可以更容易地调整不同数据集上的参数。
2018-12-25 cs.IR cs.LG stat.ML
Unified Semantic and ID Representation Learning for Deep Recommenders
针对传统ID类推荐的冷启动等问题与纯语义推荐的不足,提出融合ID与语义token互补优势的统一表示学习框架,结合余弦相似度与欧氏距离优化学习,在三个基准数据集上性能提升6%-17%且token规模降超80%。
2025-02-23 cs.IR
The Impact of LLM-Generated Reviews on Recommender Systems: Textual Shifts, Performance Effects, and Strategic Platform Control
Tel-Aviv University(特拉维夫大学)
本研究探讨了大语言模型生成的评论对推荐系统的影响,发现人工数据在性能上优于AI生成内容,并强调平台控制在管理AI生成评论中的重要性。
2025-11-02 cs.AI cs.IR
Poisoning Deep Learning Based Recommender Model in Federated Learning Scenarios
Zhejiang University(浙江大学)
本文针对联邦学习场景下的深度学习推荐模型,提出基于随机近似与困难用户挖掘的投毒梯度生成攻击方法,实验证明其攻击效果达到当前最优,揭示了联邦推荐系统仍存在安全脆弱性。
2022-06-08 cs.CR cs.IR cs.LG
Cooperative Retriever and Ranker in Deep Recommenders
University of Science and Technology of China(中国科学技术大学);University of Electronic Science and Technology of China(电子科技大学);Microsoft Research Asia(微软亚洲研究院)
深度推荐系统(DRS)在现代Web服务中得到了广泛的应用。为了处理海量的Web内容,DRS采用了两个阶段的工作流程:检索和排名,以产生其推荐结果。检索器的目标是从整个项目中选择一个小的相关候选人的高效率,而排名,通常更精确,但耗时,应该进一步细化检索到的候选人的最佳项目。传统上,这两个组件要么独立训练,要么在简单的级联管道中训练,这容易导致协作效果不佳。虽然最近的一些研究提出了联合训练检索者和排序者的方法,但仍存在许多严重的局限性:训练和推理之间的项目分布偏移、假阴性和排序顺序不一致。因此,它仍然是探索有效的合作之间的寻回和排名。
2023-03-29 cs.IR cs.LG
iHAS: Instance-wise Hierarchical Architecture Search for Deep Learning Recommendation Models
本文提出实例级分层架构搜索框架 iHAS,通过搜索、聚类和重训练三阶段为不同实例自动优化嵌入维度,有效解决了推荐系统中统一嵌入维度导致的过拟合与高成本问题。
2023-09-14 cs.IR
AEFS: Adaptive Early Feature Selection for Deep Recommender Systems
Renmin University of China(中国人民大学);University of Science and Technology of China(中国科学技术大学);Tencent(腾讯)
针对大规模推荐系统中晚期特征选择导致嵌入层参数庞大低效的问题,提出AEFS方法,通过双模型架构在嵌入层前自适应选择特征,在匹配SOTA性能的同时将嵌入层激活参数减少37.5%。
2025-09-15 cs.IR
DLRREC: Denoising Latent Representations via Multi-Modal Knowledge Fusion in Deep Recommender Systems
Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
DLRREC通过深度融合多模态和协同知识,提升深度推荐系统中潜在表示的去噪能力,从而实现更精确的推荐性能。
2025-11-29 cs.AI cs.IR