Top-Personalized-K Recommendation
本文提出 Top-Personalized-K 推荐任务，通过 PerK 框架利用校准交互概率估计用户效用并选择个性化推荐列表大小，以最大化个体满意度，实验证明其优于传统固定大小 Top-K 推荐。
2024-02-26 cs.IR
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战，特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息，因此有可能帮助提供更好的推荐。在本文中，我们提出了一个推荐算法的基础上，综合扩散的用户-项目-标签三方图。我们使用三个基准数据集，Del.icio.us，MovieLens和BibSonomy，来评估我们的算法。实验结果表明，标签信息的使用可以显着提高推荐的准确性，多样化和新颖性。
2009-04-13 cs.IR
Towards Communication Efficient and Fair Federated Personalized Sequential Recommendation
联合推荐利用联邦学习（FL）技术来进行隐私保护推荐。虽然联邦推荐系统近年来取得了一定的成功，但仍面临着一些重要的挑战：（1）大多数联邦推荐模型只考虑模型的性能和隐私保护能力，而忽略了通信过程的优化：（2）大多数联邦推荐系统是针对异构系统设计的，导致了联邦过程中的不公平问题;（iii）个性化技术在许多联合推荐系统中的研究较少。在本文中，我们提出了一个通信效率和公平的个性化联邦个性化顺序推荐算法（CF-FedSR）来解决这些挑战。CF-FedSR引入了一种通信高效的方案，该方案采用自适应客户端选择和基于聚类的采样来加速训练过程。提出了一种基于公平性的模型聚合算法，该算法能够自适应地捕捉不同客户端之间的数据和性能不平衡，以解决模型聚合过程中的不公平问题。个性化模块帮助客户进行个性化推荐，并通过局部微调和模型自适应来提高推荐性能。大量的实验结果表明，我们提出的方法的有效性和效率。
2022-08-24 cs.IR
Personalized Federated Recommendation via Joint Representation Learning, User Clustering, and Model Adaptation
联合推荐在推荐系统中应用联邦学习技术，通过在用户设备和中央服务器之间交换模型而不是原始用户数据来帮助保护用户隐私。由于用户属性和本地数据的异构性，获得个性化的模型是帮助提高联合推荐性能的关键。在本文中，我们提出了一个基于图神经网络的个性化联邦推荐（PerFedRec）框架，通过联合表示学习，用户聚类和模型自适应。具体来说，我们构建了一个协作图，并结合属性信息，通过联邦GNN共同学习表示。基于这些学习到的表示，我们将用户聚类到不同的用户组，并为每个聚类学习个性化模型。然后，每个用户通过组合全局联邦模型、集群级联邦模型和用户的微调本地模型来学习个性化模型。为了减轻沉重的通信负担，我们智能地从每个集群中选择一些代表性用户（而不是随机挑选的用户）来参与训练。在真实数据集上的实验表明，我们提出的方法比现有的方法具有更好的性能。
2022-08-19 cs.IR
Dynamic Product Image Generation and Recommendation at Scale for Personalized E-commerce
本文将基于潜在扩散的图像生成与上下文bandit相结合，大规模创建个性化商品图像，从而有效提升了电子商务在线重定向推广活动中推荐的用户参与度。
2024-08-22 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
Hybrid Collaborative Recommendation via Semi-AutoEncoder
本文在AutoEncoder的基础上提出了一种新的结构--半自动编码器。我们将其推广到一个混合的协同过滤模型的评级预测以及个性化的top-n建议。在两个真实世界数据集上的实验结果表明了其最先进的性能。
2017-08-16 cs.IR
Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce
本研究提出了一种基于LLM的电子商务个性化推荐系统框架，通过对用户评论和产品描述进行深度语义理解并结合上下文数据动态推荐，显著提升了推荐准确率、召回率、点击率及多样性，改善了用户体验并促进销售增长。
2024-10-02 cs.IR
HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation
用户兴趣建模是个性化新闻推荐的关键。现有的新闻推荐方法通常从每个用户之前的行为中学习单个用户嵌入，以代表他们的整体兴趣。然而，用户兴趣通常是多样的和多粒度的，这是很难被准确地建模的单一用户嵌入。在本文中，我们提出了一个新闻推荐方法与层次用户兴趣建模，命名为HieRec。而不是一个单一的用户嵌入，在我们的方法中，每个用户表示在一个分层的兴趣树，以更好地捕捉他们的多样化和多粒度的新闻兴趣。我们使用一个三层的层次结构来表示：1）整体用户兴趣; 2）用户对体育等粗粒度主题的兴趣; 3）用户对足球等细粒度主题的兴趣。此外，我们提出了一个分层的用户兴趣匹配框架，以匹配候选新闻与不同层次的用户兴趣更准确的用户兴趣定位。在两个真实数据集上的大量实验验证了该方法可以有效地提高个性化新闻推荐的用户建模性能。
2021-06-08 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
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
A Multi-tiered Solution for Personalized Baggage Item Recommendations using FastText and Association Rule Mining
本研究提出结合FastText词嵌入与关联规则挖掘的四层架构智能行李推荐系统，为航空旅客提供定制化打包建议，经多指标验证可提升满意度、优化行李利用，推动出行领域个性化推荐等技术发展。
2025-01-16 cs.IR
Knowledge graph-based personalized multimodal recommendation fusion framework
针对传统推荐方法难以捕捉用户细微兴趣的问题，提出CrossGMMI-DUKGLR框架，结合预训练模型、多头交叉注意力与图注意力网络，优化多模态融合与高阶依赖建模，提升推荐表征精度。
2025-09-03 cs.IR
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
CoLLM: Integrating Collaborative Embeddings into Large Language Models for Recommendation
针对现有LLM推荐方法忽略协同信息、热启动性能欠佳的问题，提出CoLLM方法，通过外部模型捕获协同信息并映射为LLM输入嵌入，在不修改LLM的前提下提升冷热启动场景的推荐效果。
2025-06-14 cs.IR
Personalized Context-Aware Point of Interest Recommendation
兴趣点的个性化推荐对于满足基于位置的社交网络（LBSNs）用户的需求具有重要作用。在本文中，我们提出了一个概率模型来找到用户注释的标签和位置的口味关键字之间的映射。此外，我们介绍了一个数据集的位置的上下文适当性，并证明其在预测位置的上下文相关性的有用性。我们研究了四种方法来使用我们提出的映射来解决数据稀疏性问题：一种模型来降低位置品味关键字的维度，三种模型来预测新位置的用户标签。此外，我们提出了不同的分数计算从多个LBSN，并显示我们如何将新的信息从映射到POI推荐方法。然后，使用学习排序技术来整合计算出的分数。在两个TREC数据集上的实验表明了该方法的有效性，击败了最先进的方法。
2018-06-14 cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而，一篇新闻文章可能涵盖多个方面和实体，并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣，以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器，以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下，知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
FedHUR提出层次化效用引导的客户端关系学习方法，通过物品过滤器聚合和聚类本地信息，利用效用信号实现个性化联邦推荐，在五个数据集上超越现有基线。
2026-09-11 cs.IR
[RE] Modeling Personalized Item Frequency Information for Next-basket Recommendation
本文复现并扩展了基于个性化商品频率的TIFU-KNN下一篮推荐模型，通过多数据集与多指标验证其优于基线，并引入β-VAE架构，同时分析了公平性与小购物篮挑战。
2024-02-27 cs.IR
Personalized Graph Signal Processing for Collaborative Filtering
图信号处理（GSP）可以解决只有用户-项目交互信息的协同过滤（CF）问题。GSP使用低通滤波器对相似图上的交互信号进行平滑处理，得到预测信号。然而，交互信号可能不足以准确地表征用户兴趣，并且低通滤波器可能忽略包含在观察到的信号的高频分量中的有用信息，从而导致次优的准确度。为此，我们提出了一个个性化的图形信号处理（PGSP）的协同过滤方法。首先，设计包含更丰富用户信息的个性化图信号，构造包含更多图拓扑信息的增强相似度图，更有效地刻画用户兴趣。其次，我们设计了一个混合频率的图形滤波器，通过结合一个理想的低通滤波器，平滑信号的全球和一个线性低通滤波器，平滑信号的本地，在所观察到的信号的高频分量中引入有用的信息。最后，我们结合了个性化的图形信号，增强的相似性图和混合频率图滤波器，提出了一个管道，包括三个关键步骤：预处理，图卷积和后处理。大量的实验表明，PGSP可以达到更高的精度相比，国家的最先进的CF方法，作为一种非参数的方法，PGSP具有非常高的训练效率。
2023-02-04 cs.IR
Personalized Multimedia Item and Key Frame Recommendation
当向用户推荐或广告项目时，出现的趋势是向每个多媒体项目呈现关键帧图像（例如，电影海报）。由于每个多媒体项可以被表示为多个细粒度的视觉图像（例如，电影的相关图像），个性化关键帧推荐在这些应用中是必要的，以吸引用户独特的视觉偏好。然而，先前的个性化关键帧推荐模型依赖于用户对多媒体项的细粒度图像行为（例如，用户-图像交互行为），这在真实场景中通常是不可用的。在本文中，我们研究了一般问题的联合多媒体项目和关键帧推荐的细粒度的用户图像行为的情况下。我们认为，这个问题的关键挑战在于发现用户的视觉轮廓的关键帧推荐，因为大多数推荐模型会失败，没有任何用户的细粒度的图像行为。为了应对这一挑战，我们利用用户的项目行为投影用户（项目）在两个潜在的空间：一个合作的潜在空间和视觉潜在空间。我们进一步设计了一个模型来识别用户的协作和视觉维度，并模拟用户如何从这两个空间做出决定性的项目偏好。因此，学习的用户视觉简档可以直接应用于关键帧推荐。最后，在真实数据集上的实验结果清楚地表明了我们提出的模型在两个推荐任务上的有效性。
2020-01-04 cs.IR
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Rice University（莱斯大学）
CEMG通过多模态融合层和残差量化变分自编码器，提升多模态生成推荐的性能。
2025-12-25 cs.IR
NPE: Neural Personalized Embedding for Collaborative Filtering
矩阵分解是推荐系统中最有效的方法之一。然而，这种依赖于用户和项目之间的交互的算法对于“冷用户”（几乎没有这种交互历史的用户）以及在捕获密切相关的项目之间的关系方面表现不佳。为了解决这些问题，我们提出了一个神经个性化嵌入（NPE）模型，它提高了冷用户的推荐性能，并可以学习项目的有效表示。它从两个方面对用户对某个项目的点击进行建模：用户对该项目的个人偏好，以及该项目与用户点击的其他项目之间的关系。我们表明，NPE优于竞争方法的前N建议，特别是冷用户的建议。我们还进行了定性分析，显示了模型学习的表示的有效性。
2018-05-17 cs.IR
PRISM: Personalized Recommendation via Information Synergy Module
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Zhejiang University（浙江大学）
PRISM通过信息协同模块实现个性化推荐，通过分解多模态信息并动态加权以提升推荐效果。
2026-01-16 cs.IR
UniRecSys: A Unified Framework for Personalized, Group, Package, and Package-to-Group Recommendations
本文提出UniRecSys统一推荐框架，通过整合群组与包裹信息优化矩阵分解模型，解决个性化、群组、包裹及包裹到群组四类推荐任务。
2024-02-19 cs.IR
Bites of Tomorrow: Personalized Recommendations for a Healthier and Greener Plate
本文提出GRAPE绿色推荐系统，通过两种绿色损失函数主动推荐符合用户偏好的可持续食品，实验验证其有效性。
2025-08-19 cs.IR
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Enhancing Sequential Music Recommendation with Personalized Popularity Awareness
本文针对序列音乐推荐中偏好快速变化和重复聆听问题，提出将用户个性化流行度分数与模型分数融合，显著提升 Transformer 推荐模型性能。
2024-09-06 cs.IR
Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale
Kuaishou Technology（快手科技）；Beihang University（北京航空航天大学）
提出推荐即生成（RaG）范式，通过共享语义ID统一生成式推荐与视频生成，实现个性化视频按需生成，并在工业平台部署，广告收入提升1.87%。
2026-06-25 cs.IR
MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs
提出MR.Rec框架，结合检索增强记忆与强化学习推理，解决LLM推荐中的个性化与推理局限，实验证明其优于现有基线。
2025-10-16 cs.IR
POG: Personalized Outfit Generation for Fashion Recommendation at Alibaba iFashion
越来越多的时尚推荐需求给在线购物平台和时尚社区带来了很多挑战。特别地，对于服装推荐存在两个要求：生成的服装的兼容性和推荐过程中的个性化。在本文中，我们证明这两个要求可以通过建立一个桥梁之间的服装生成和推荐。通过大数据分析，我们观察到人们对个别物品和服装的品味相似。因此，我们提出了一个个性化的服装生成（POG）模型，它连接用户的喜好，个人物品和服装与Transformer架构。广泛的离线和在线实验提供了强有力的定量证据表明，我们的方法优于替代方法的兼容性和个性化指标。此外，我们在阿里巴巴的一个名为Dida的平台上部署POG，为在线应用程序iFashion的用户生成个性化服装。这项工作代表了迈向工业规模时尚服装生成和推荐解决方案的第一步，它超越了基于显式查询生成服装，或者仅仅从现有服装池中推荐服装。作为这项工作的一部分，我们发布了一个大规模的数据集，包括101万套具有丰富上下文信息的服装，以及来自357万用户的2.8亿次用户点击动作。据我们所知，这个数据集是最大的、公开可用的、与时尚相关的数据集，也是第一个提供与服装和时尚物品相关的用户行为的数据集。
2019-05-20 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
False Negative Distillation and Contrastive Learning for Personalized Outfit Recommendation
随着在线时尚产业的快速发展，个性化服装推荐最近成为人们关注的焦点。然而，推荐服装有两个重大挑战需要解决。第一个挑战是，服装推荐通常需要一个复杂而庞大的模型，该模型利用视觉信息，从而产生巨大的内存和时间成本。缓解这个问题的一种自然方法是使用知识蒸馏（KD）技术压缩这样一个繁琐的模型，该技术利用来自预训练教师模型的知识。然而，这是很难应用现有的KD方法在推荐系统（RS）的服装推荐，因为他们需要的所有可能的服装的排名，而服装的数量呈指数增长的数量组成的服装项目。因此，我们提出了一个新的KD框架，用于服装推荐，称为假阴性蒸馏（FND），它利用教师模型的假阴性信息，同时不需要对所有候选人进行排名。第二个挑战是爆炸性的服装候选人数量放大了数据稀疏性问题，通常导致服装表示不佳。为了解决这个问题，对比学习（CL）最近的成功的启发，我们介绍了一个CL框架装备表示学习与两个建议的数据增强方法。在服装推荐数据集上的定量和定性实验证明了所提方法的有效性和可靠性。
2021-10-13 cs.IR
Restoring Collaborative Signals in Semantic-ID Generative Recommendation via Personalized Natural Language
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Salesforce（赛富时）；McGill University（麦吉尔大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
该研究针对基于LLM的生成式推荐模型中SID丢失协同信号导致准确率受限的问题，提出个性化自然语言引导的框架，通过添加分层协同线索恢复信号，提升推荐准确率。
2026-07-31 cs.IR
Hierarchical Fashion Graph Network for Personalized Outfit Recommendation
时尚服装推荐越来越受到在线购物服务和时尚社区的关注。与其他场景（例如，社交网络或内容共享），其推荐单个项目（例如，朋友或图片），服装推荐预测用户对一组匹配良好的时尚物品的偏好。因此，执行高质量的个性化服装推荐应该满足两个要求- 1）时尚物品的良好兼容性和2）与用户偏好的一致性。然而，目前的工作主要集中在一个要求，只考虑用户的服装或服装项目的关系，从而容易导致次优表示和限制的性能。在这项工作中，我们统一两个任务，时尚兼容性建模和个性化服装推荐。为此，我们开发了一个新的框架，层次时尚图网络（HFGN），同时建模用户，物品和服装之间的关系。特别是，我们构建了一个层次结构上的用户服装的相互作用和服装项目映射。然后，我们从最近的图神经网络的启发，并采用这种层次图的嵌入传播，从而聚合项目信息到一个服装表示，然后细化用户的表示通过他/她的历史服装。此外，我们联合训练这两个任务，以优化这些表示。为了证明HFGN的有效性，我们在基准数据集上进行了大量的实验，HFGN比最先进的兼容性匹配模型（如NGNN）和服装匹配模型（如FHN）有了显着的改进。
2020-05-26 cs.IR
Maximizing User Experience with LLMOps-Driven Personalized Recommendation Systems
Northeastern University（东北大学）；Columbia University（哥伦比亚大学）
本文探讨了将LLMOps集成到个性化推荐系统中的价值，指出其能提升大规模机器学习模型的效率与可靠性，同时需应对数据安全、模型可解释性及伦理挑战，最终旨在最大化用户体验并推动该领域的未来发展。
2024-04-01 cs.AI cs.IR
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
本文提出CFRAG方法，将协同过滤引入个性化检索增强生成，通过对比学习获取相似用户协同信息，并利用LLM反馈微调个性化检索与重排序器，在LaMP基准上验证了其有效性。
2025-04-08 cs.CL cs.IR
Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM
Meituan（美团）
针对异构行为导致的特征稀疏与知识碎片化问题，提出基于 LLM 的异构知识提取、融合与指令微调方法，显著提升个性化推荐性能。
2023-08-18 cs.AI cs.IR
Analysis and Design of a Personalized Recommendation System Based on a Dynamic User Interest Model
Shanghai Jiao Tong University（上海交通大学）；University of Science and Technology of China（中国科学技术大学）；University of Iowa（爱荷华大学）；University of Houston（休斯顿大学）；Duke University（杜克大学）
本文针对信息爆炸下的个性化推荐问题，设计并分析了一种基于动态用户兴趣模型的推荐系统，通过捕获用户行为并结合多种推荐算法，显著提升了推荐准确率和用户满意度。
2024-10-13 cs.AI cs.IR
Personalized Counterfactual Fairness in Recommendation
Rutgers University（罗格斯大学）
随着越来越多的用户使用推荐系统进行信息搜索和决策，推荐系统对人类和社会产生了越来越重要的影响。因此，解决推荐中潜在的不公平问题至关重要。就像用户对物品有个性化偏好一样，用户对公平性的诉求在很多场景下也是个性化的。因此，为用户提供个性化的公平推荐，以满足其个性化的公平需求是非常重要的。此外，以往的公平推荐工作主要集中在基于关联的公平性。然而，重要的是要从关联公平的概念，因果公平的概念，更恰当地评估公平的推荐系统。基于上述考虑，本文重点研究了在推荐系统中实现个性化的反事实公平性。为此，我们引入了一个框架，通过生成功能独立的用户嵌入推荐，通过对手学习实现反事实公平的建议。该框架允许推荐系统实现个性化的公平性，同时也涵盖非个性化的情况下，用户。在两个真实数据集上使用浅层和深层推荐算法进行的实验表明，该方法可以为用户生成更公平的推荐，并具有理想的推荐性能。
2021-11-05 cs.AI cs.IR cs.LG
Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning
University of Science and Technology of China（中国科学技术大学）；University of Houston（休斯顿大学）；University of Southern California（南加州大学）；University of Tokyo（东京大学）
本文提出深度自适应兴趣网络（DAIN），通过动态建模用户兴趣并结合上下文感知学习机制，利用深度学习技术实时捕捉兴趣变化并整合上下文信息优化推荐结果，实验证明其在性能与计算效率上均表现出色。
2024-12-24 cs.IR cs.LG
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
Large-scale Real-time Personalized Similar Product Recommendations
iLambda；University of North Texas（北德克萨斯大学）；Kent State University（肯特州立大学）
同类商品推荐是电商中最常见的场景之一。许多推荐算法，如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中，我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法，包括基于图像相似性的方法，项目到项目的协同过滤，和item2vec，并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果，并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
Personalized Embedding-based e-Commerce Recommendations at eBay
eBay Inc.（易趣公司）
推荐系统是电子商业市场的重要组成部分，帮助消费者浏览大量库存，找到他们需要或喜欢的东西。在本文中，我们提出了一种方法来生成个性化的项目推荐在电子商业市场通过学习嵌入项目和用户在同一向量空间。为了缓解大型市场中存在的相当大的冷启动问题，分别使用内容特征和多模态现场用户活动来计算项目和用户嵌入。数据消融被纳入离线模型训练过程，以提高生产系统的鲁棒性。在使用从eBay流量收集的数据集进行离线评估时，我们的方法能够改进Recall@k度量，而不是Recently-Viewed-Item（RVI）方法。这种方法来生成个性化的建议已推出，以服务于生产流量，相应的可扩展的工程架构也提出了。初步的A/B测试结果表明，与目前生产中的个性化推荐模块相比，该方法将表面率提高了$\sim$ 6\%，为90\%的列表页面印象生成推荐。
2021-02-11 cs.IR cs.LG
Personalized Graph Neural Networks with Attention Mechanism for Session-Aware Recommendation
会话感知推荐的目标是根据用户的当前会话和历史会话预测用户的下一次点击。现有的会话感知推荐方法在捕捉复杂的项目转换关系方面存在缺陷。除此之外，他们中的大多数都没有明确区分不同历史会话对当前会话的影响。为此，我们提出了一种新的方法，命名为个性化图神经网络与注意力机制（A-PGNN）的简洁。A-PGNN主要由两部分组成：一是个性化图神经网络（PGNN），用于提取每个用户行为图中的个性化结构信息，而传统的图神经网络（GNN）模型在节点嵌入更新时考虑了用户的角色。另一种是点积注意力机制，它利用Transformer网络来显式地模拟历史会话对当前会话的影响。在两个真实数据集上进行的大量实验表明，A-PGNN明显优于最先进的个性化会话感知推荐方法。
2021-01-27 cs.IR cs.LG
Extended Recommendation Framework: Generating the Text of a User Review as a Personalized Summary
University P. et M. Curie, Sorbonne-Universités（皮埃尔与玛丽·居里大学（索邦大学））；CNRS（法国国家科学研究中心）
我们建议增加评级为基础的推荐系统，为用户提供额外的信息，这可能有助于他在他的选择或理解的建议。我们在这里考虑作为一个新的任务，与项目相关联的个性化评论的生成。我们使用一个提取的摘要公式来生成这些评论。我们还表明，这两个信息源，评级和项目，可用于估计评级和生成摘要，从而提高性能，为每个系统相比，使用一个单一的来源。除了这两个贡献，我们展示了如何个性化的极性分类器可以整合的评级和文本方面。总的来说，该系统为用户提供了三个个性化的建议提示：评级，文本和极性。我们在两个数据集上对这三个组成部分进行了评估，并对每个任务使用了适当的措施。
2014-12-17 cs.CL cs.IR
Randomized algorithms for precise measurement of differentially-private, personalized recommendations
Apple（苹果公司）
本文提出一种支持精确测量且满足差分隐私的个性化推荐随机化算法，通过广告场景离线实验，量化了其对用户体验、广告主价值和平台收入等关键指标的影响。
2024-01-06 cs.CR cs.IR cs.LG
Improving LLM-powered Recommendations with Personalized Information
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
针对现有LLM驱动推荐未有效利用推理能力的问题，提出整合用户偏好分析与物品感知分析两个CoT过程的CoT-Rec流程，通过两阶段提取并利用个性化信息，实验证明其能提升LLM推荐效果。
2025-04-18 cs.AI cs.IR
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
Real-time and personalized product recommendations for large e-commerce platforms
University of Pisa - Department of Computer Science H\&M - AI, Analytics \& Data
本文提出一种基于图神经网络和简约学习的方法，为大型电商平台提供实时、准确且可扩展的个性化商品推荐，在真实约束下有效预测购买序列并处理多交互场景。
2025-06-26 cs.AI cs.IR
INDIANA: Personalized Travel Recommendations Using Wearables and AI
本文提出 INDIANA 平台中的个性化旅行推荐系统，融合可穿戴设备数据、用户偏好、位置、天气与活动历史，利用 AI 和物联网提供实时情境感知推荐，同时为旅游从业者提供洞察。
2024-11-08 cs.HC cs.IR
CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
The Hong Kong Polytechnic University（香港理工大学）；University of Electronic Science and Technology of China（电子科技大学）；Singapore Management University（新加坡管理大学）；Tongji University（同济大学）；National University of Singapore（新加坡国立大学）
提出CFALR框架，结合协同过滤与大语言模型，通过自然语言描述用户-套装交互并利用CF增强嵌入，解决个性化套装推荐中的数据稀疏和组合空间问题，在Polyvore和IQON数据集上优于传统方法。
2026-06-12 cs.IR cs.MM
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题，提出融入协同思想的排序对齐推荐方法，有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
