Enhancing Recommender System Performance by Histogram Equalization
本文借鉴图像处理中的直方图均衡化作为推荐系统算法的预处理步骤,旨在同时提升准确性与公平性,实验证明该方法能大幅提高原始算法的准确性并保持公平性竞争力。
2023-11-15 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
On the Accuracy Limits of Sequential Recommender Systems: An Entropy-Based Approach
Tsinghua University(清华大学)
本文提出基于熵的无训练方法,用于量化序列推荐的精度极限,通过实验验证其在不同数据集上的有效性,并支持用户分组诊断和训练数据选择。
2026-04-14 cs.IR
Provider Fairness and Beyond-Accuracy Trade-offs in Recommender Systems
本文提出一种后处理重排序模型以提升推荐系统中提供者公平性,同时在多数据集和模型上评估其对准确性与超越准确性指标的影响及权衡。
2023-09-08 cs.IR
Towards Analyzing the Bias of News Recommender Systems Using Sentiment and Stance Detection
在线新闻提供商使用新闻推荐系统来减轻信息过载并向用户提供个性化内容。然而,算法新闻策展被假设为创造过滤泡沫并加强用户的选择性曝光,可能会增加他们对两极分化的意见和假新闻的脆弱性。在本文中,我们展示了如何利用新闻项目的立场和情感信息来分析和量化推荐系统遭受偏见的程度。为此,我们已经注释了德国新闻语料库的主题,使用立场检测和情感分析的移民。在四个不同的推荐系统的实验评估中,我们的结果显示,所有四个模型都有轻微的倾向,推荐文章的负面情绪和立场对难民和移民的话题。此外,我们观察到基于文本的评论者的情感和立场偏见与预先存在的用户偏见之间存在正相关关系,这表明这些系统放大了用户的意见,降低了推荐新闻的多样性。知识感知模型似乎是最不容易出现这种偏差的模型,其代价是预测准确性。
2022-03-11 cs.IR
Prediction Accuracy and Autonomy
科技行业因设计破坏个人自主权的应用程序而受到批评。特别是推荐系统,已被确定为可能对人们的生活进行不必要的控制的可疑罪魁祸首。在这篇文章中,我们试图评估推荐系统研究的目标,并提供了一个细致入微的讨论,这些目标如何能够与用户的目标。本讨论采用了定性的文献调查,连接心理学,设计伦理学,交互设计和推荐系统领域内的相关研究之间的点。最后,我们关注YouTube推荐系统的具体用例,并提出设计更改,以更好地与个人的自主性保持一致。基于我们的分析,我们提供了未来的研究方向,这将有助于确保注意力经济中的数字自主权。
2022-11-15 cs.IR
Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems
针对推荐系统中个体公平性缺失问题,提出BankFair+方法,结合遗憾理论与模糊规划实现重排序,平衡个体与提供者公平性,实验验证其优越性。
2025-04-20 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法,如协同过滤,只依赖于用户和项目之间的相似性,根据用户的偏好提供推荐。然而,协同过滤可能会导致提供差的推荐,因为它不依赖于其他有用的可用数据,如用户的位置,因此,建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的,例如电影推荐系统。为了提高推荐的准确性和质量,本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中,用户的位置已被利用,并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验,讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore(新加坡国立大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Singapore Management University(新加坡管理大学)
本文提出CARE框架,结合外部推荐系统和LLM进行上下文适应,提升对话推荐的准确性,实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
Less Can Be More: Exploring Population Rating Dispositions with Partitioned Models in Recommender Systems
University of Minnesota(明尼苏达大学)
本研究按评分倾向对用户分区,发现该策略可提升推荐系统的计算效率、top-k性能与预测准确性,且效果因算法类型而异。
2023-06-20 cs.IR cs.LG
CF Recommender System Based on Ontology and Nonnegative Matrix Factorization (NMF)
针对推荐系统数据稀疏与准确性问题,提出结合本体与非负矩阵分解(NMF)的协同过滤方法,实验表明其可降低稀疏性、提升准确率并推荐更相关项目。
2024-05-31 cs.IR
Hybrid Movie Recommender System based on Resource Allocation
推荐系统是个性化用户体验的必然选择。他们使用不同的方法根据用户的偏好向他们推荐Top-K项目。推荐系统已经成为大规模数据采掘技术的重要组成部分。本文提出了一种基于资源分配的混合式电影推荐系统(HMRS),以提高推荐的准确性和解决新电影的冷启动问题。HMRS-RA使用自组织映射神经网络将用户聚类成N个簇。用户的偏好根据他们的年龄和性别而不同,因此HMRS-RA是用于解决新电影的冷启动问题的基于内容的方法和除了用户的人口统计信息之外的协同过滤模型的组合。基于MovieLens数据集的实验结果表明,与现有的同类算法相比,HMRS-RA提高了推荐的准确率。
2021-05-25 cs.IR
HiMARS: Hybrid multi-objective algorithms for recommender systems
University of Antwerp(安特卫普大学)
本文提出四种混合多目标算法,通过多目标优化提升推荐系统的准确性和多样性,采用三阶段流程生成推荐列表并评估性能。
2026-04-08 cs.IR
Deep recommender engine based on efficient product embeddings neural pipeline
预测分析系统目前是人工智能领域,特别是机器学习领域最重要的研究和开发领域之一。预测分析的“圣杯”之一是“完美”推荐系统的研究和开发。在我们的论文中,我们提出了一种先进的管道模型,用于确定产品互补性,相似性和销售预测的多任务目标,使用应用于大数据顺序事务系统的深度神经模型。我们高度并行化的混合模型管道由无监督和有监督模型组成,分别用于生成语义产品嵌入和预测销售。我们的实验和基准测试流程是使用制药行业零售现实生活中的交易大数据流完成的。
2019-07-22 cs.AI cs.CL cs.IR
Differential Data Analysis for Recommender Systems
我们提出的技术来表征哪些数据是重要的推荐系统,哪些不是。重要数据是对推荐算法的准确性贡献最大的数据,而不太重要的数据对准确性的贡献较小甚至降低了准确性。描述数据的重要性有两个潜在的直接好处:(1)增加隐私和(2)减少数据管理成本,包括存储。在隐私方面,我们使用现有的数据模糊技术,为可比的隐私级别提供更高的推荐准确性。对于存储,我们的结果表明,我们可以实现大量减少推荐数据,但保持推荐的准确性。我们的主要技术叫做差分数据分析。这个名字的灵感来自于其他类型的差分分析,例如差分功率分析和差分密码分析,其中通过分析略有不同的输入来获得洞察力。在差分数据分析中,我们将数据分块,并在每个块存在或不存在的情况下比较结果。我们目前的结果应用差分数据分析两个数据集和三种不同的属性。第一个属性被称为用户困难。这是一个新的属性,特别是与位置数据集相关的属性,它表明数据点的实现有多么繁重。第二个和第三个属性更标准:时间戳和用户评级。对于用户评级,我们确认以前的工作有关的推荐数据的重要性增加对应于高和低的用户评级。
2013-10-03 cs.IR
Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems
Johannes Kepler University Linz(林茨约翰·开普勒大学);Linz Institute of Technology(林茨理工学院)
本文提出A2G-DiffRec,通过自适应自引导提升扩散推荐系统中物品层面的公平性,在牺牲少量准确率的情况下有效平衡不同流行度物品的曝光。
2026-04-24 cs.IR
Hybrid Recommender System Based on Personal Behavior Mining
推荐系统大多是众所周知的,他们的应用在电子商务网站,大多是静态模型。经典的个性化推荐算法包括Amazon的基于项目的协同过滤算法、Netflix的基于矩阵分解的协同过滤算法等。我们使用阿里巴巴T-mall提供的脱敏移动交易记录来构建一个混合动态推荐系统。序列模式挖掘的目的是在序列数据库中发现频繁的序列模式,并将其应用于该混合模型中,以预测客户的支付行为,从而提高模型的准确性。
2016-07-10 cs.IR
What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);ISISTAN, CONICET-UNCPBA(ISISTAN,阿根廷国家科学研究委员会-内乌肯国立大学)
本研究评估推荐系统中公平性干预的能耗成本,比较多种方法,发现公平性的绿色成本不统一,呼吁以准确性、公平性和计算成本三方权衡来评估公平感知推荐。
2026-09-09 cs.IR
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估,我们得出结论,语义推荐系统一般优于传统的推荐系统的准确性,精度和召回率方面,建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
Skellam Rank: Fair Learning to Rank Algorithm Based on Poisson Process and Skellam Distribution for Recommender Systems
针对推荐系统存在的选择、曝光、流行度等偏差问题,提出基于泊松过程与Skellam分布的公平排序学习算法Skellam Rank,其准确率具竞争力且公平性显著优于现有算法。
2023-06-11 cs.IR
Improving incremental recommenders with online bagging
在线推荐系统通常处理连续的、潜在快速的和无界的数据流。推荐系统的包围方法在过去已经在批处理算法中使用,但是它们从来没有被研究过从数据流中学习的增量算法。我们评估在线装袋与增量矩阵分解算法的前N名的建议,只有积极的-二进制-评级。我们的研究结果表明,在线装袋是能够提高精度高达35%的基线,与小的计算开销。
2018-03-26 cs.IR
Emotion-based Recommender System
Ratidar Technologies LLC(Ratidar科技有限公司)
研究针对推荐系统中用户情感分析不足的问题,创建新理论和指标,提供可视化技术,设计基于情感的推荐算法框架,经实验验证该框架能有效捕捉用户情感,提升推荐系统性能。
2026-07-20 cs.IR
Uncovering the information core in recommender systems
随着互联网的迅速发展和人们所面临的信息量的巨大化,推荐系统被开发出来,以有效地支持用户在在线系统中的决策过程。到目前为止,人们一直致力于设计新的推荐算法和改进现有的推荐算法。然而,很少有工作考虑不同的用户的推荐系统的性能的不同贡献。这样的研究可以帮助我们通过排除不相关的用户来提高推荐效率。在本文中,我们认为,在每个在线系统中存在一组核心用户谁携带的大部分信息的推荐。有了它们,推荐系统已经可以产生令人满意的推荐。我们的核心用户提取方法,使推荐系统,以达到90%的准确率,仅考虑20%的数据。
2014-02-25 cs.IR
Solving the apparent diversity-accuracy dilemma of recommender systems
推荐系统使用过去用户偏好的数据来预测未来可能的喜好和兴趣。一个关键的挑战是,虽然最有用的个人推荐是在不同的利基对象中找到的,最可靠的准确结果是通过基于用户或对象相似性推荐对象的方法获得的。在本文中,我们介绍了一种新的算法,专门解决多样性的挑战,并展示了它如何可以用来解决这个明显的困境时,结合在一个优雅的混合与精度为重点的算法。通过适当地调整混合,我们能够获得,而不依赖于任何语义或上下文特定的信息,同时增益的准确性和多样性的建议。
2010-03-12 cs.IR physics.soc-ph
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
Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems
本文在四个协同过滤数据集上评估六种矩阵分解模型,从预测、推荐、新颖性、多样性、可解释性等维度比较其适用性,并开放框架与代码以保证可复现。
2024-10-25 cs.IR
The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit
Meta Platforms(Meta平台);University of Minnesota(明尼苏达大学);NCSU(北卡罗来纳州立大学);UNC at Chapel Hill(Chapel Hill分校,北卡罗来纳大学)
提出结合检索增强生成(RAG)与多头早期退出架构的优化框架,通过图卷积网络(GCN)高效检索和动态推理终止,在降低计算时间的同时保持或提升点击率(CTR)预测准确性。
2026-06-02 cs.IR cs.LG
Can Large Language Models Assess Serendipity in Recommender Systems?
本研究利用大型语言模型评估推荐系统中的意外发现,发现其与人类评估一致性不高但优于基线方法,并指出提示中评分历史数量需谨慎选择。
2024-04-11 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差:受欢迎的产品会被频繁推荐,而不太受欢迎的小众产品则很少推荐或根本不推荐。然而,推荐“长尾”中被忽视的产品对企业至关重要,因为它们不太可能被发现。在本文中,我们引入了一个个性化的多样化重新排名的方法,以增加不太受欢迎的项目的建议,同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤,可以应用于任何推荐系统的输出。我们表明,我们的方法是能够更有效地管理流行的偏见,与现有的方法相比,基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
Improving Recommender Systems Beyond the Algorithm
推荐系统在很大程度上依赖于学习算法的预测精度。大多数提高精度的工作都集中在学习算法本身。我们认为,这种算法的重点是短视的。特别是,由于学习算法通常会随着更多更好的数据而改进,因此我们建议将反馈生成过程作为提高准确性的替代和补充途径。为此,我们探讨了用户界面的变化如何影响反馈数据的质量和数量,从而影响学习的准确性。基于信息觅食理论,我们从信息气味和信息获取成本两个维度研究了界面设计选择对反馈质量和数量的影响。我们提出了一个用户研究这些接口因素的共同任务,选择一部电影看,这些因素可以有效地塑造和改善隐式的反馈数据,同时保持用户体验。
2018-02-21 cs.HC cs.IR
KL-Mat : Fair Recommender System via Information Geometry
推荐系统存在稀疏性和公平性等固有问题。尽管推荐算法的公平性在过去的几十年里得到了广泛的应用,但直到最近才被人们所忽视。解决这个问题的一个重要范例是正则化。然而,研究人员还没有能够提出一个一致同意的正则化术语,如Lasso或Ridge Regression等其他领域的正则化框架。在本文中,我们借用信息几何的概念,并提出了一个新的正则化为基础的公平算法称为KL-Mat。算法技术导致在准确度性能(例如MAE)方面的更稳健的性能。更重要的是,该算法产生更公平的结果比香草矩阵分解方法。KL-Mat是快速,易于实现和解释。
2022-04-27 cs.IR
Secure Federated Graph-Filtering for Recommender Systems
本文提出两种去中心化安全框架,利用多方安全计算和低秩近似技术私密计算图滤波组件,在保证数据机密性与低通信成本的同时,实现了与集中式系统相当的推荐准确率。
2025-01-28 cs.CR cs.IR
Evaluation of recommender systems in streaming environments
推荐系统的评估通常是用有限的数据集来完成的。这意味着传统的评估方法仅适用于离线实验,其中数据和模型是固定的。然而,在现实世界的系统中,用户反馈是以不可预测的速率连续生成的。鉴于这种设置,一个重要的问题是如何评估算法在这样的流数据环境。在本文中,我们提出了一个prequential评价协议的推荐系统,适用于流数据环境,但也适用于固定设置。使用该协议,我们能够监控算法准确性随时间的演变。此外,我们能够进行可靠的比较评估的算法,通过计算显著性测试在一个滑动窗口。我们认为,除了适合于流数据,prequential评价允许检测的现象,否则将保持在离线和在线推荐系统的评估中被忽视。
2015-04-30 cs.IR
Enhancing New-item Fairness in Dynamic Recommender Systems
针对动态推荐系统中新物品因曝光短和交互少导致的不公平问题,提出基于强化学习的FairAgent框架,利用知识蒸馏保留旧物品推荐能力,并设计包含新物品探索、公平性和准确性三部分的奖励机制,有效提升新物品曝光与个性化公平性,同时保持高推荐准确率。
2025-04-30 cs.IR
A Framework for Scientific Paper Retrieval and Recommender Systems
信息检索(IR)和推荐系统(RS)已经被用于解决在文献综述和整个学术交流生命周期期间执行的搜索任务。大部分的研究都集中在算法设计,以提高这些系统的准确性和实用性。与学术任务相关的上下文元素在很大程度上被忽视了。在本文中,我们提出了一个框架,称为科学论文推荐和检索框架(SPRRF)相结合的用户角色建模和用户界面功能与IR/RS组件方面。该框架是基于八个新兴的主题,从参与者的反馈,在一个原型辅助系统进行的用户评价研究。119名研究人员参与了该研究,以评估原型系统,该系统为两个文献综述和一个手稿写作任务提供建议。这一整体框架旨在指导这一领域的未来研究。
2016-09-06 cs.IR
A probabilistic model to resolve diversity-accuracy challenge of recommendation systems
推荐系统在学术界和工业界都有广泛的应用。传统上,推荐系统的性能是通过其精确度来衡量的。通过引入新颖性和多样性作为推荐系统的关键质量,最近越来越多的关注已经集中在这个话题上。推荐的精确性和新颖性不是一个方向,实际系统应该在这两个数量之间做出权衡。因此,推荐系统的一个重要特征是通过调整模型来调整推荐的多样性和准确性。在本文中,我们引入了一个概率结构,以解决在推荐系统的多样性和准确性的困境。我们提出了一个混合模型,可调水平的多样性和精度,这样就可以通过调整一个单一的参数来执行。建议的推荐模型包括两个模型:一个是最大化的准确性和其他一个规范的推荐列表,以用户的口味。我们在两个真实数据集上的实验表明,该模型在解决准确性和多样性的困境和优于其他经典模型的模型的功能。该方法具有较低的计算复杂性和较好的性能,可广泛应用于实际商用系统。
2015-01-08 cs.IR
Dynamic recommender system : using cluster-based biases to improve the accuracy of the predictions
Institut Telecom - Telecom ParisTech(电信学院-巴黎高等电信学院);Université Cheikh Anta DIOP(谢赫·安达·迪奥普大学);UPMC Sorbonne Universités - Paris 6(巴黎第六大学皮埃尔和玛丽·居里大学-索邦大学)
矩阵分解模型在推荐系统中可以提供高质量的评分预测。然而,矩阵分解的一个主要缺点是它的静态性质,导致每次分解后预测的准确性逐渐下降。这是由于新获得的评级不被考虑,直到一个新的因式分解计算,这不能经常做,因为矩阵因式分解的高成本。在本文中,旨在提高推荐系统的准确性,我们提出了一个基于聚类的矩阵分解技术,使新的评级在线集成。因此,我们显着增强了两个矩阵分解之间的预测。我们使用更细粒度的用户偏好,将相似的项目聚类到组中,并在这些组中为每个用户分配一个偏好。我们在大型数据集上进行的实验证明了我们方法的有效性。
2012-12-03 cs.DB cs.IR cs.LG
A Proposed Hybrid Recommender System for Tourism Industry in Iraq Using Evolutionary Apriori and K-means Algorithms
本文提出一种结合进化Apriori与K-means的混合推荐系统,针对伊拉克旅游数据稀缺环境,实现个性化目的地推荐,并在执行时间、空间消耗和预测精度上显著优于现有方法。
2025-04-01 cs.IR
Do recommender systems benefit users?
推荐系统存在于许多Web应用程序中,以指导我们的选择。它们增加了销售额,让卖家受益,但是否通过提供相关产品让顾客受益,则值得怀疑。在这里,我们介绍了一个模型来研究推荐系统对用户的好处,并发现,从系统的建议可以等同于随机抽取,如果一个过于依赖于系统。然而,有了足够的信息,用户的喜好,建议变得准确,并突然过渡到这个准确的制度,观察到一些算法。另一方面,我们发现,一个高准确性评估的常见的准确性指标并不一定对应于一个高的真实准确性,也不是用户的好处,这作为一个警报的操作员和研究人员的推荐系统。我们用真实的数据集测试了我们的模型,并观察到了类似的行为。最后,提出了一种提高推荐精度的推荐方法.这些结果表明,推荐系统可以使用户受益,但过于依赖系统可能会使系统无效。
2015-07-05 cs.CY cs.IR cs.SI
From Insight to Intervention: Interpretable Neuron Steering for Controlling Popularity Bias in Recommender Systems
Delft University of Technology(代尔夫特理工大学)
本文提出PopSteer方法,通过稀疏自编码器实现推荐系统中流行偏差的可解释性缓解,提升公平性的同时保持准确性。
2026-01-28 cs.IR
AutoDenoise: Automatic Data Instance Denoising for Recommendations
历史用户-项目交互数据集在训练现代推荐系统以预测用户偏好方面是必不可少的。然而,在大多数推荐场景中,用户的任意行为导致大量的噪声数据实例被记录,这不能完全代表他们的真实兴趣。虽然在推荐系统社区中出现了大量的去噪研究,但所有这些研究都受到高度动态数据分布的影响。在本文中,我们提出了一种基于深度强化学习(DRL)的框架AutoDenoise,带有实例去噪策略网络,用于在深度推荐系统中以实例选择方式对数据实例进行去噪。具体来说,AutoDenoise作为DRL中的代理,自适应地选择无噪声和预测性数据实例,然后可以直接用于训练代表性推荐模型。此外,我们设计了一个交替的两阶段优化策略,训练和验证AutoDenoise正确。在搜索阶段,训练具有实例去噪能力的策略网络;在验证阶段,通过对训练好的策略网络选取的数据实例进行去噪子集的查找和评价,验证其去噪能力。我们进行了大量的实验,以验证AutoDenoise结合多个代表性的推荐系统模型的有效性。
2023-03-12 cs.IR
Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems
针对推荐系统流行度偏差导致推荐质量下降和物品曝光不公且现有缓解技术缺乏透明度的问题,提出基于稀疏自编码器(SAE)的事后方法,通过识别并调整编码流行度信号的神经元激活,在保证准确性的同时显著提升公平性,还具备可解释性与细粒度控制能力。
2025-08-24 cs.IR
An Accuracy-Assured Privacy-Preserving Recommender System for Internet Commerce
推荐系统是一种通过计算用户的历史数据和兴趣来预测用户潜在偏好的工具,在网上购物等各种互联网应用中显示出越来越重要的作用。作为一种著名的推荐方法,基于邻域的协同过滤近年来引起了广泛的关注。在过滤过程中泄露用户隐私信息的风险已经引起了人们的关注。在目前的解决方案中,概率技术已经显示出强大的隐私保护效果。在面对$k$最近邻攻击时,由于全局随机性的引入,现有的方法都没有提供数据效用保证。在本文中,为了克服推荐精度损失的问题,我们提出了一种新的方法,分区概率邻居选择,以确保所需的预测精度,同时保持对$k$ NN攻击的高安全性。我们将$k$邻居的相似性之和定义为准确性度量alpha,用户分区的数量,我们选择$k$邻居,作为安全性度量beta。我们将$k$最近邻攻击推广到beta k最近邻攻击。不同于现有的方法,选择邻居在整个候选列表随机,我们的方法选择邻居从每个排他性分区大小$k$的概率递减。理论和实验分析表明,为了提供一个准确性保证的推荐,我们的分区概率邻居选择方法产生了更好的推荐准确性和系统安全性之间的权衡。
2015-06-04 cs.CR cs.IR
Fast-adapting and Privacy-preserving Federated Recommender System
在移动互联网时代,推荐系统已经成为帮助用户发现有用项目,从而缓解信息过载问题的不可替代的工具。最近基于深度神经网络(DNN)的推荐系统研究在提高预测准确率方面取得了重大进展,这在很大程度上归功于访问从用户设备收集的大量用户个人数据,然后集中存储在云服务器中。然而,随着全球对在线平台中用户隐私泄露的担忧日益增加,公众对此类滥用用户隐私的行为感到担忧。因此,开发一种既能达到高预测准确率又能高度保护用户隐私保护的推荐系统是迫切而有益的。为此,我们提出了一种基于DNN的推荐模型,称为PrivRec,运行在分散的联邦学习(FL)环境中,确保用户的数据在模型训练过程中永远不会离开他/她。另一方面,为了更好地拥抱FL中普遍存在的数据异构性,我们创新性地引入了一阶元学习方法,该方法只需很少的数据点就可以实现快速的设备内个性化。此外,防御潜在的恶意参与者,对其他用户构成严重的安全威胁,我们开发了一个用户级差分私有DP-PrivRec模型,使它无法确定是否存在一个特定的用户或不单独基于训练的模型。最后,我们在模拟FL环境中对两个大规模数据集进行了大量的实验,结果验证了我们提出的PrivRec和DP-PrivRec的优越性。
2021-09-11 cs.IR
Reducing Popularity Bias in Recommender Systems through AUC-Optimal Negative Sampling
本文提出最大化 partial AUC 的最优负采样规则,在保持推荐准确率的同时校正样本与先验信息,从而降低流行度偏差,真实数据集验证了其双赢效果。
2023-06-02 cs.IR
Differentially Private Neighborhood-based Recommender Systems
随着推荐系统出现在我们生活的各个角落,推荐系统的隐私问题已经成为社会关注的热点。与许多安全多方计算协议被提出来防止推荐计算过程中的信息泄漏的事实相反,很少有人做来限制推荐结果中的信息泄漏。在本文中,我们将差分隐私的概念应用到基于邻域的推荐方法(NBM)的概率框架下。首先,我们提出了一种解决方案,通过直接校准拉普拉斯噪声到训练过程中,差分私下找到最大后验参数相似性。然后,我们连接差分隐私NBMs利用最近的观察,从贝叶斯模型的缩放后验分布的结果,在可证明的差异隐私系统的采样。我们的实验表明,这两种解决方案都允许有希望的准确性与适度的隐私预算,和第二种解决方案产生更好的准确性,如果采样渐近收敛。我们还比较了我们的解决方案,最近的差分私人矩阵分解(MF)推荐系统,并表明我们的解决方案实现更好的准确性时,隐私预算是合理的小。这是一个有趣的结果,因为MF系统通常在不应用差分隐私时提供更好的准确性。
2017-03-10 cs.CR 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
Interactive Content Diversity and User Exploration in Online Movie Recommenders: A Field Experiment
本研究通过访谈、调研及在线现场实验,探究电影推荐系统的推荐广度与用户满意度的关系,发现探索控制权和界面对满意度的预测作用更强。
2023-09-23 cs.HC cs.IR
Comprehensive Privacy Analysis on Federated Recommender System against Attribute Inference Attacks
近年来,推荐系统对于提供满足用户偏好的个性化服务至关重要。通过个性化推荐服务,用户可以享受电影、书籍、广告、餐厅等多种推荐。尽管有很大的好处,个性化推荐通常需要收集个人数据进行用户建模和分析,这可能使用户容易受到属性推断攻击。具体地,现有集中式加密器在属性推断攻击下的脆弱性为恶意攻击者留下了推断用户的私有属性的后门,因为系统记住了它们的训练数据的信息(即,交互数据和辅助信息)。一种新兴的实践是在联合设置中实现推荐器系统,其使得所有用户设备能够协作地学习共享全局推荐器,同时将所有训练数据保持在设备上。然而,在联邦推荐系统中的隐私问题却很少被探讨。在本文中,我们首先设计了一个新的属性推理攻击执行一个全面的隐私分析的最先进的联邦推荐模型。实验结果表明,每个模型组件对属性推理攻击的脆弱性是不同的,突出了新的防御方法的需要。因此,我们提出了一种新的自适应隐私保护方法,以保护用户的敏感数据存在的属性推理攻击,同时最大限度地提高推荐精度。在两个真实数据集上的大量实验结果验证了我们的模型在推荐有效性和抵抗推理攻击方面的优越性能。
2023-03-19 cs.IR
Extending a Tag-based Collaborative Recommender with Co-occurring Information Interests
协同过滤被广泛应用于个性化项目推荐,但其性能受到评分数据稀疏性的影响。为了解决这个问题,最近的系统已经开发,以改善推荐通过提取潜在的因素从评级矩阵,或通过利用信任关系建立在用户之间的社交网络。在这项工作中,我们感兴趣的是评估是否可以使用其他来源的偏好信息比评级和社会关系,以提高推荐性能。具体来说,我们的目标是测试是否经常共同出现的利益信息搜索日志的集成可以提高推荐性能的用户到用户的协同过滤(U2UCF)。为此,我们提出了扩展的基于类别的协同过滤(ECCF)推荐,它丰富了基于类别的用户简档来自与数据类别的评级行为的分析,经常被搜索在一起的人在搜索会话。我们使用一个大的评级数据集和一个广泛使用的搜索引擎的日志来测试我们的模型,以提取兴趣的同现。实验结果表明,ECCF在推荐准确率、MRR、推荐多样性和用户覆盖率方面优于U2UCF和基于类别的协同推荐。此外,它优于SVD++矩阵分解算法的准确性和多样性的推荐列表。
2020-03-30 cs.IR
Advanced Customer Activity Prediction based on Deep Hierarchic Encoder-Decoders
产品推荐系统和客户分析技术一直是在线零售的优先事项。最近机器学习研究的进展以及大规模并行数值计算的广泛可用性使得推荐系统的发展具有各种方法和方向。值得一提的是,在过去几年中,多个传统的“离线”零售业务越来越倾向于采用推理甚至预测分析来解决与库存相关的问题,如预测补货,同时也丰富了客户互动体验。推荐系统研究和开发的最重要领域之一是基于深度学习的模型,其采用代表性学习来建模消费者行为模式。基于深度学习的推荐系统的现有技术使用多种方法,从已经经典的方法(例如基于学习产品表示向量的方法)到客户交易时间序列的循环分析以及基于对抗训练的生成模型。这些方法中的每一种都具有多个优点和固有的弱点,例如无法理解实际的用户旅程,能够仅提出单个产品推荐或top-k产品推荐而不预测实际的下一个最佳报价。在我们的工作中,我们将提出一个新的和创新的架构方法,应用国家的最先进的分层多模块编码器-解码器架构,以解决一些当前国家的最先进的推荐系统的问题。我们的方法还将产生副产品,如基于产品需求的细分和客户行为细分-所有这些都是端到端的可培训方法。最后,我们将提出几种方法,解决已知的零售和分销痛点的基础上提出的架构。
2019-06-21 cs.IR cs.LG
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下,这种列表式的解释应该为用户提供多样化和相关的选项。然而,在实践中,列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成,该排名函数从标记数据中学习以优化准确性。然而,top-N推荐可能会导致次优,因为它单独关注每个项目的准确性,而忽略了项目之间的相互影响。因此,我们提出了一个个性化的重新排序模型,以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后,任何现有的排名功能。重排序模型采用个性化的决定点过程(DPP),提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度,但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制,我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明,我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
FCNHSMRA_HRS: Improve the performance of the movie hybrid recommender system using resource allocation approach
推荐系统是能够向用户提供最合适的服务和产品的系统。通过特定的方法和技术,推荐系统试图识别最合适的项目,如信息和商品的类型,并提出最接近用户的口味。协同过滤是推荐系统中最简单、最容易理解和最成功的发现具有相同品味的人的模型之一,它根据一组用户的评分提供主动的用户建议。在这种模式下,随着用户和电影数量的增加,系统的可扩展性受到限制。另一方面,重要的是要提高系统的性能时,有很少的信息可用的评级。本文提出了一个基于FNHSM_HRS结构的电影混合推荐系统FCNHSMRA_HRS,该系统采用资源分配方法。FNHSM_HRS结构基于启发式相似性度量(NHSM)和模糊聚类。在建议的系统中使用模糊聚类方法改善了可扩展性问题,并增加了系统建议的准确性。提出的系统是基于协同过滤,并通过使用启发式相似性度量和应用资源分配方法,提高了系统的性能,准确性和精度。基于MovieLens数据集的MAE、Accuracy、Precision和Recall指标的实验结果表明,与FNHSM_HRS和使用其他相似性度量的协同过滤方法相比,系统的性能得到了改善,推荐的准确率也有所提高
2019-08-13 cs.IR cs.SI