Where Do We Go From Here? Guidelines For Offline Recommender Evaluation
Microsoft Research(微软研究院)
近年来的各种研究都指出了推荐系统离线评估中的大问题,这使得评估是否取得了真正的进展变得困难。然而,很少有人研究什么样的实践应该作为实验的起点。在本文中,我们研究了四个更大的问题,在推荐系统的研究有关的不确定性估计,泛化,超参数优化和数据集预处理更详细地到达一组准则。我们提出了一个TrainRec,一个轻量级的和灵活的工具包,离线培训和评估的推荐系统,实现这些准则。与其他框架不同,TrainRec是一个专注于实验的工具包,提供了可以一起使用或单独使用的灵活模块。最后,我们通过评估10个数据集的12个基线来证明TrainRec的有用性。我们的研究结果表明:(i)较小数据集上的许多结果可能没有统计学意义,(ii)至少有三个基线在大多数数据集上表现良好,应该在未来的实验中考虑,(iii)改进的不确定性量化(通过嵌套CV和统计测试)排除了线性和神经方法之间的一些差异。鉴于这些结果,我们主张未来的研究应该使用我们建议的指南标准化评估。
2022-11-02 cs.AI cs.IR
Research on restaurant recommendation using machine learning
推荐系统是一个帮助用户过滤无关信息并根据用户的历史记录建立用户兴趣模型的系统。随着互联网信息的不断发展,推荐系统受到了业界的广泛关注。在这个数据和信息无处不在的时代,如何获取和分析这些数据已经成为许多人的研究课题。针对这种情况,本文对与机器学习相关的推荐系统做了一些简要的综述。通过分析机器学习在推荐系统中使用的一些技术和思想,让更多的人了解什么是大数据,什么是机器学习。最重要的一点是让大家了解机器学习对我们日常生活的深刻影响。
2022-08-10 cs.AI cs.IR
Enhancing Recommender Systems Using Textual Embeddings from Pre-trained Language Models
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Heudiasyc(于迪亚西实验室)
针对传统推荐系统依赖显式特征的局限,本文提出利用BERT等预训练语言模型的文本嵌入,将结构化数据转为自然语言表示生成高维语义嵌入,显著提升推荐准确性与相关性,凸显PLMs增强推荐系统的潜力。
2025-03-24 cs.AI cs.IR
When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems
Shenzhen Technology University(深圳技术大学)
该研究针对智能体推荐系统中文本记忆的局限,提出CoVeMem协同向量记忆方法,在四个推荐基准上多数指标优于现有文本记忆智能体,无需额外LLM调用即可利用完整交互历史优化模型。
2026-08-28 cs.AI cs.IR
Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems
学习排序自2010年左右引入以来,是一种有效的推荐方式。著名的算法,如贝叶斯个性化排名和协作少即是多过滤,在学术界和工业界都留下了深刻的影响。然而,大多数学习排序方法专注于提高技术准确性指标,如AUC,MRR和NDCG。推荐系统的其他评价指标,如公平性,直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明,我们的算法是有竞争力的技术精度指标评估时,与其他算法。更重要的是,在我们的实验部分中,我们证明了Pareto Pairwise Ranking是最公平的算法,与其他9个当代算法相比。
2022-12-06 cs.AI cs.IR cs.LG
Recommender Systems for the Conference Paper Assignment Problem
Virginia Tech(弗吉尼亚理工大学);Yahoo! Research(雅虎研究院)
会议论文分配,即,将论文提交分配给评审者的任务为推荐系统的研究提出了多方面的问题。除了预测“谁喜欢什么”的传统目标之外?会议管理系统必须考虑诸如以下方面:评审员能力约束、论文评审的足够数量、专业知识建模、利益冲突以及平衡评审员偏好与会议目标的任务的总体分配。在这些问题中,传统上研究模型的偏好和口味的审查,从优化的论文审稿人分配。在本文中,我们提出了这两个方面的综合研究。首先,由于缺乏数据的审稿人或每篇论文(相对于其他推荐系统的应用程序),我们展示了如何整合多个信息源来学习论文审稿人偏好模型。其次,我们的模型不仅在预测准确性方面进行评估,而且在最终分配质量方面进行评估。使用基于线性规划的分配优化公式,我们展示了我们的方法如何更好地探索未提供的分配空间,以最大限度地提高分配给审稿人的论文的整体亲和力。我们证明了我们的结果,真正的审查偏好数据从IEEE ICDM 2007年会议。
2009-06-22 cs.AI cs.IR
Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
Know-Center GmbH(Know-Center有限公司);Graz University of Technology(格拉茨技术大学)
多媒体推荐系统建议媒体项目,例如,歌曲、(数字)书籍和电影,提供给用户。在本文中,我们研究了这种基于协作过滤的多媒体推荐系统的一个潜在问题,即流行的偏见,导致不受欢迎的项目在推荐列表中的代表性不足。因此,我们研究了四个多媒体数据集,即,LastFm、MovieLens、BookCrossing和MyAnimeList,我们将它们各自分成三个用户组,这三个用户组的受欢迎程度不同,即,LowPop、MedPop和HighPop。使用这些用户组,我们评估了四个合作过滤为基础的算法的流行偏见的项目和用户的水平。我们的发现有三个方面:首先,我们表明,对流行项目不感兴趣的用户往往具有大的用户简档,因此是多媒体推荐系统的重要数据源。其次,我们发现受欢迎的项目比不受欢迎的项目更频繁地被推荐。第三,我们发现,用户很少兴趣到流行的项目收到显着较差的推荐比用户有中等或高的兴趣到流行。
2022-03-01 cs.AI cs.IR
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo(纽约州立大学布法罗分校)
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍,到在Facebook等社交网络中寻找朋友,它们已经变得无所不在。一般来说,推荐系统可以分为两大类:基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系,以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务,而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐,该方法利用称为随机游走的随机过程。这项研究是一项调查,探索随机游走在推荐系统中的使用情况,并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
Evaluating Ensemble Methods for News Recommender Systems
University of Leeds, School of Computing(利兹大学计算机学院)
针对新闻推荐系统多算法融合协同性研究空白,本文提出用集成方法组合多样前沿算法,在MIND数据集上验证了基学习器足够多样时性能可提升最高5%,并指出方法差异不足时无提升,为NRS集成方案优化提供参考。
2024-06-23 cs.AI cs.IR
Green Recommender Systems: Optimizing Dataset Size for Energy-Efficient Algorithm Performance
University of Siegen(锡根大学)
本文研究通过下采样优化数据集规模以实现节能推荐,发现FunkSVD和BiasedMF在稀疏数据上减半训练数据仍保持近完整性能,从而降低计算与环境成本。
2024-11-05 cs.AI cs.IR
Fairness in Recommender Systems: Research Landscape and Future Directions
Polytechnic University of Bari(巴里理工大学);University of Klagenfurt(克拉根福大学);University Autonomous of Madrid(马德里自治大学)
本文综述了推荐系统公平性的基本概念、研究现状(基于160多篇文献),指出当前研究存在抽象操作化、忽视规范性主张等空白,并呼吁跨学科研究以更全面地解决公平推荐问题。
2023-05-09 cs.AI cs.IR
Multi-Gradient Descent for Multi-Objective Recommender Systems
Oracle Labs(甲骨文实验室);EPFL(洛桑联邦理工学院);Swisscom(瑞士电信)
推荐系统需要反映它们所应用的环境的复杂性。我们对用户可能受益的了解越多,推荐系统的目标就越多。此外,除了法律和道德约束外,还可能有多个利益攸关方-卖方、买方、股东。到目前为止,同时优化多个目标,相关和不相关,具有相同的规模或不具有相同的规模,已经证明是困难的。我们引入了一个随机多梯度下降推荐系统(MGDRec)的方法来解决这个问题。我们表明,这超过了传统的客观混合物,如收入和召回的最先进的方法。不仅如此,通过梯度归一化,我们还可以将具有不同尺度的根本不同的目标结合到一个统一的框架中。我们表明,不相关的目标,如优质产品的比例,可以提高精度。通过使用随机性,我们避免了计算全梯度的陷阱,并为其适用性提供了明确的设置。
2020-04-17 cs.AI cs.IR cs.LG
Conversational Recommendation: A Grand AI Challenge
University of Klagenfurt(克拉根福大学);Hong Kong Baptist University(香港浸会大学)
动画化身,看起来和说话都像人类,是人工智能系统未来的标志性愿景。通过许多科幻电影,我们熟悉了与这些虚拟人物交谈的想法,就好像他们是人类一样。今天,我们越来越多地谈论像苹果Siri这样的机器,例如,向他们要天气预报然而,当被要求提供建议时,例如,对于要去的餐馆来说,这种设备的局限性很快变得明显。他们不会参与谈话来找出我们可能更喜欢的东西,他们通常不会为他们推荐的东西提供解释,他们可能很难记住一分钟前说过的话。会话式推荐系统有望解决这些限制。在本文中,我们回顾了构建此类系统的现有方法,我们今天观察到的发展,哪些挑战仍然存在,以及为什么对话式机器人的发展代表了人工智能的下一个重大挑战之一。
2022-03-17 cs.AI cs.HC cs.IR
Whom do Explanations Serve? A Systematic Literature Survey of User Characteristics in Explainable Recommender Systems Evaluation
University of Zurich(苏黎世大学);Dublin City University(都柏林城市大学)
本文调查了124篇在用户研究中评估推荐系统解释的论文,发现当前研究主要涵盖特定用户,缺乏代表性,且数据报告存在不一致性,建议采取行动迈向更具包容性和可重复性的评估。
2025-02-03 cs.AI cs.HC cs.IR
PromptHelper: A Prompt Recommender System for Encouraging Creativity in AI Chatbot Interactions
Texas A\&M University College Station Texas U.S.A.;Texas A\&M University
PromptHelper通过提供语义多样的提示建议,帮助用户在AI聊天机器人交互中提升创造力和表达性,同时减少认知负担。
2026-01-22 cs.AI cs.HC cs.IR
Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System
University of Louisville(路易斯维尔大学)
推荐系统中的闭环反馈是一种常见的设置,可能会导致不同类型的偏见。一些研究已经通过设计方法来减轻这些偏见对建议的影响来处理这些偏见。然而,大多数现有的研究没有考虑系统的迭代行为,其中闭环反馈回路在将不同的偏差纳入推荐步骤的几个部分中起着至关重要的作用。我们提出了一个理论框架来模拟渐进演化的不同组成部分的推荐系统内的反馈回路设置,并推导出理论界和收敛性能的量化措施的用户发现和盲点。我们还使用现实生活中的数据集验证了我们的理论研究结果,并在我们的理论框架内实证测试了基本探索策略的效率。我们的研究结果奠定了理论基础,量化反馈回路的影响和设计人工智能和机器学习算法,明确纳入反馈回路的迭代性质在机器学习和推荐过程。
2020-08-21 cs.AI cs.HC cs.IR
OKRA: an Explainable, Heterogeneous, Multi-Stakeholder Job Recommender System
Maastricht University(马斯特里赫特大学)
本文提出基于图神经网络的可解释多利益相关方职位推荐系统OKRA,在准确率、可解释性与公平性之间取得平衡,并在两个数据集上显著优于六个基线模型。
2025-03-17 cs.AI cs.HC cs.IR
On the Generalizability and Predictability of Recommender Systems
University of Maryland(马里兰大学);ArthurAI
虽然机器学习的其他领域已经看到越来越多的自动化,但设计一个高性能的推荐系统仍然需要高水平的人工努力。此外,最近的工作表明,现代推荐系统算法并不总是改善良好的调整基线。一个自然的后续问题是,“我们如何为新的数据集和性能指标选择正确的算法?“在这项工作中,我们首先对推荐系统方法进行了首次大规模研究,通过比较85个数据集和315个指标的18种算法和100组超参数。我们发现,最好的算法和超参数高度依赖于数据集和性能指标,然而,每个算法的性能和数据集的各种元特征之间也有很强的相关性。受这些发现的启发,我们创建了RecZilla,这是一种推荐系统的元学习方法,它使用一个模型来预测新的、看不见的数据集的最佳算法和超参数。通过使用比以前工作更多的Meta训练数据,RecZilla能够在面对新的推荐系统应用时大大降低人类参与的程度。我们不仅发布了我们的代码和预训练的RecZilla模型,还发布了我们所有的原始实验结果,以便从业者可以训练RecZilla模型以获得他们想要的性能指标:https://github.com/naszilla/reczilla。
2022-10-07 cs.AI cs.IR cs.LG
From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System
Université de technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Heudiasyc(于迪亚西实验室)
针对群体决策中冲突偏好和上下文因素等挑战,本文提出了上下文感知的多准则群体推荐系统(CA-MCGRS),利用多头注意力机制动态权衡特征,在四种场景下显著提升了推荐准确性。
2025-03-27 cs.AI cs.IR cs.LG
Evaluating User Experience in Conversational Recommender Systems: A Systematic Review Across Classical and LLM-Powered Approaches
School of Computer Science, University of Technology Sydney(技术科技大学计算机科学学院);The Applied College, King Abdulaziz University(国王阿卜杜勒阿齐兹大学应用学院);Australian Institute of Health Innovation, Macquarie University(麦考瑞大学健康创新研究所)
本综述基于PRISMA方法分析2017-2025年间23项实证研究,揭示对话式推荐系统用户体验评估存在事后调查主导、情感构念缺失及自适应行为关联不足等问题,并提出面向LLM的评估议程。
2025-08-06 cs.AI cs.HC cs.IR
RecToM: A Benchmark for Evaluating Machine Theory of Mind in LLM-based Conversational Recommender Systems
SMU(德克萨斯南方大学)
RecToM是一个用于评估基于LLM的对话推荐系统中机器理论 of mind 能力的新基准,重点关注认知推理和行为预测两个维度。
2025-11-27 cs.AI
Counterfactually Evaluating Explanations in Recommender Systems
ByteDance(字节跳动)
现代推荐系统面临着越来越多的需要解释他们的建议。尽管在这一领域取得了相当大的进展,但评估解释的质量仍然是研究人员和从业人员面临的重大挑战。以往的研究主要是通过人工研究来评价解释的质量,这通常是昂贵的,耗时的,并且容易受到人为的偏见。在本文中,我们提出了一种离线评估方法,可以计算没有人的参与。为了评估一个解释,我们的方法量化了它对推荐的反事实影响。为了验证我们的方法的有效性,我们进行了在线用户研究。我们表明,与传统的方法相比,我们的方法可以产生更相关的评价分数与真实的人类的判断,因此可以作为一个更好的代理人的评价。此外,我们表明,具有高评价分数的解释被人类认为是更好的。我们的研究结果强调了使用反事实方法作为评估推荐解释的一种可能方式的有希望的方向。
2022-11-17 cs.AI
LLM-Assisted Reranking to Operationalize Nuanced Objectives in Recommender Systems
Department of Communication, University of California, Los Angeles, CA 90095(通信系,加州大学洛杉矶分校,CA 90095);Department of Computer and Information Science, University of Pennsylvania, Philadelphia, PA 19104(计算机与信息科学系,宾夕法尼亚大学,Philadelphia, PA 19104);Amenenberg School of Communication, University of Pennsylvania, Philadelphia, PA 19104(安纳伯格通信学院,宾夕法尼亚大学,Philadelphia, PA 19104);Operations, Information, and Decisions Department, University of Pennsylvania, Philadelphia, PA 19104(运营、信息与决策系,宾夕法尼亚大学,Philadelphia, PA 19104)
本研究通过零样本指令提示对YouTube侧边栏候选进行重排序,发现无约束的LLM辅助重排序会放大极端和阴谋论内容,而轻量级提示正则化可在轻微损失相关性的情况下减少极端内容并增加意识形态多样性。
2026-11-19 cs.AI cs.CY cs.HC
RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems
Amazon(亚马逊)
针对推荐系统缺乏个性化解释的问题,提出RecXplainer方法,基于用户对物品属性的偏好生成细粒度解释,在五个数据集和五种推荐系统上验证,优于五个基线,在十个指标上表现卓越。
2023-08-29 cs.AI cs.CY cs.IR
Quantifying the Engagement Trap: Impact of Short-form Video Recommender Systems on Users with ADHD
Graz University of Technology(格拉茨技术大学)
本研究通过302名参与者的分层实验,提出“参与陷阱”概念,量化了短视频推荐系统对ADHD用户造成的时间盲视、后悔和情绪困扰等不成比例的负面影响,并倡导神经包容性设计。
2026-09-09 cs.AI cs.HC
How public datasets constrain the development of diversity-aware news recommender systems, and what law could do about it
University of Amsterdam(阿姆斯特丹大学)
本文指出公共数据集制约多样性感知新闻推荐系统发展,提出数据集应包含的信息要求,并分析欧洲法律政策如何为研究人员提供数据访问途径。
2025-10-07 cs.IR
Diversity of What? On the Different Conceptualizations of Diversity in Recommender Systems
本文通过访谈荷兰三家公共服务媒体组织,揭示推荐系统中多样性概念化存在显著差异,主张放弃标准化定义,转而关注特定领域内多样性含义的有效传达与可操作化。
2024-05-03 cs.IR
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado(科罗拉多大学)
随着这些系统在社会中变得越来越普遍,人工智能的算法公平性变得越来越重要。人工智能的一个领域,推荐系统,由于在优化用户的准确性和提供商的公平性之间进行权衡,因此对公平性提出了独特的挑战。但是,在建议的背景下,什么是公平的-特别是在有多个利益攸关方的情况下?在这个问题的初步探索,我们问用户他们的想法,公平对待的建议可能是,为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化,最终帮助设计更公平,更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
What are you optimizing for? Aligning Recommender Systems with Human Values
Partnership on Artificial Intelligence(人工智能伙伴关系);UC Berkeley(加州大学伯克利分校);Center for Human-Compatible Artificial Intelligence(人类兼容人工智能中心)
我们描述的情况下,真正的推荐系统进行了修改,在服务的各种人类价值观,如多样性,公平性,福祉,时间花得好,和事实的准确性。从这一点上,我们确定了当前的价值工程实践:从人类创造的数据中创建分类器,并带有基于价值的标签。这在实践中对各种问题都有效,但问题是一个一个地解决,用户和其他利益攸关方很少参与。相反,我们期待人工智能调整工作的方法,可以直接从利益相关者那里学习复杂的价值观,并确定四个主要方向:有用的调整措施,参与式设计和操作,交互式价值学习和知情的审慎判断。
2021-07-22 cs.CY cs.IR cs.LG
What Matters in LLM-Based Feature Extractor for Recommender? A Systematic Analysis of Prompts, Models, and Adaptation
Xi’an Jiaotong University(西安交通大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出RecXplore框架,通过模块化分析揭示LLM特征提取器中提示、模型和适应策略对推荐性能的影响,并展示其在多个数据集上的显著提升效果。
2026-01-28 cs.IR
A survey of food recommenders
每个人都吃。然而,人们并不总是知道该吃什么。他们需要一点帮助和灵感。因此,许多应用程序、服务和程序都围绕食物开发了广告。这些包括食物,膳食,食谱和餐厅推荐,这是最常见的用例,但也包括其他领域,如替代成分,菜单和饮食。后者在健康和保健领域尤其重要,因为用户有更具体的饮食需求和目标。在本调查中,我们回顾了食品推荐文献。我们涵盖了系统的类型,包括它们的目标和它们推荐的内容,它们用于训练模型的数据集和信号,使用的技术方法和模型类型,以及一些系统约束。
2018-09-15 cs.CY cs.IR
What News Recommendation Research Did (But Mostly Didn't) Teach Us About Building A News Recommender
University of Minnesota(明尼苏达大学);University of Colorado, Boulder(科罗拉多大学博尔德分校);Drexel University(德雷塞尔大学);Clemson University(克莱姆森大学)
本文反思了将现有新闻推荐文献应用于构建实时平台POPROX的经验,指出了文献在支持实际系统构建时的意外挑战与空白,并提出了未来研究的改进方向。
2025-09-15 cs.CY cs.HC cs.IR
Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
Korea University(高丽大学);KT Corporation(KT公司)
针对LLM推荐系统中物品侧信息利用不足的问题,提出CAIRO框架,通过结构化元数据、轻量级画像器生成上下文特异性物品画像,提升了LLM重排序性能。
2026-08-24 cs.AI cs.CL cs.IR
Tuning-Free LLM Can Build A Strong Recommender Under Sparse Connectivity And Knowledge Gap Via Extracting Intent
Capital One
本文提出IKGR,一种基于LLM的意图知识图推荐系统,通过提取意图构建意图中心知识图,缓解稀疏性和冷启动问题,实现高效推荐。
2026-03-11 cs.AI cs.IR
Deviation-Based Learning: Training Recommender Systems Using Informed User Choice
本文提出了一种新的方法来训练推荐系统称为偏差为基础的学习。推荐者和理性用户具有不同的知识。推荐器通过观察用户在收到推荐时采取的行动来学习用户知识。如果推荐器总是建议一个选择,学习最终会停止:在推荐器完成学习之前,用户开始盲目地遵循推荐,他们的选择并不反映他们的知识。如果推荐者在预测多个选择将产生类似的回报时放弃推荐特定的选择,学习率和社会福利将大大提高。
2022-08-19 cs.IR econ.TH stat.ML
Consistence beats causality in recommender systems
信息的爆炸性增长挑战了人们寻找符合自己兴趣的项目的能力。推荐系统提供了一个有效的解决方案,自动推可能相关的项目,根据用户过去的喜好。推荐算法通常体现了从已经收集到什么到应该推荐什么之间的因果关系。在这篇文章中,我们认为,在许多情况下,用户的兴趣是稳定的,因此以前和未来的偏好是高度一致的。因此,收集的时间顺序并不一定意味着因果关系。我们进一步提出了一个基于一致性的算法,优于国家的最先进的推荐算法在不同的真实数据集,包括\textit{Netflix},\textit{MovieLens},\textit{Amazon}和\textit{Rate Your Music}。
2015-01-15 cs.IR physics.data-an
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
We Know What You Want: An Advertising Strategy Recommender System for Online Advertising
Shanghai Jiao Tong University(上海交通大学);Alibaba Group(阿里巴巴集团);Nanjing University(南京大学)
广告支出已成为电子商务平台的主要收入来源。通过降低广告商在发现最佳广告策略时的试错成本,为广告商提供良好的广告体验,对于在线广告的长期繁荣至关重要。为了实现这一目标,广告平台需要识别广告主的优化目标,然后推荐相应的策略来实现目标。本文首先在淘宝展示广告平台上部署了一个策略推荐系统的原型,该原型系统确实提高了广告主的业绩和平台的收益,表明了策略推荐在网络广告中的有效性。我们进一步增强这个原型系统显式地学习广告客户的偏好,通过各种广告性能指标,然后优化目标,通过他们采用不同的推荐广告策略。我们使用上下文强盗算法来有效地学习广告客户的偏好,并最大限度地提高推荐采用,同时。基于淘宝网竞价数据的仿真实验表明,所设计的算法能够有效地优化广告主的策略采用率。
2021-06-13 cs.IR cs.LG
Discovering the Impact of Knowledge in Recommender Systems: A Comparative Study
推荐系统采用用户简档和适当的过滤技术来帮助用户在大量信息中找到更相关的信息。用户简档是用户真实需求的模型,在推荐过程中起着重要的作用。然而,一个全面的文献综述推荐系统已经证明没有具体的研究的作用和影响的知识,用户分析和过滤approaches。在本文中,我们回顾了文献中最突出的推荐系统,并研究了从不同来源提取的知识的印象。然后,我们得出了这一发现,语义信息从用户上下文有实质性的影响,基于知识的推荐系统的性能。最后,提出了一些改进基于知识的轮廓的新线索。
2011-09-01 cs.IR
Do Loyal Users Enjoy Better Recommendations? Understanding Recommender Accuracy from a Time Perspective
在学术研究中,推荐系统通常在基准数据集上进行评估,而没有太多考虑全局时间轴。因此,我们无法回答这样的问题:忠诚用户比非忠诚用户享受更好的推荐吗?忠诚度可以通过用户在推荐系统中活跃的时间段来定义,或者通过用户具有的历史交互的数量来定义。在本文中,我们沿着全球时间轴对推荐结果进行了全面的分析。我们用五种广泛使用的模型进行实验,即,BPR、NeuMF、LightGCN、SASRec和TiSASRec,基于四个基准数据集,即,MovieLens-25 M,Yelp,亚马逊音乐和亚马逊电子。我们的实验结果对上述问题给出了否定的回答。具有许多历史交互的用户遭受相对较差的推荐。使用系统时间较短的用户可以享受更好的推荐。这两个发现都是违反直觉的。有趣的是,最近与系统交互的用户,相对于测试实例的时间点,享受更好的推荐。关于新近度的发现适用于所有用户,无论用户的忠诚度如何。我们的研究提供了一个不同的角度来理解推荐准确性,我们的研究结果可能会引发重新审视推荐模型的设计。代码可在\url {https:github.com/putatu/recommenderLoyalty.
2022-07-04 cs.IR
Route What Remains: A Meta-Modal Agent for Missing-Modality Candidate Reranking in Recommender Systems
GridAIX Pty Ltd(GridAIX有限公司);Singapore University of Technology and Design(新加坡科技设计大学)
提出元模态智能体(MMA),将缺失模态问题转化为序列证据路由任务,通过基于大语言模型的候选池重排序器,结合平衡缺失任务强化学习,在冷启动场景下显著提升推荐性能。
2026-10-02 cs.IR
Do recommender systems function in the health domain: a system review
School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);The 1st Affiliated Hospital of Harbin Medical University(哈尔滨医科大学附属第一医院)
推荐系统在日常生活中扮演着重要的角色。谷歌的新闻、Netflix的视频、电子商务提供商的商品等推荐已经严重改变了每个人的生活方式。健康领域包含类似的决策问题,例如吃什么,如何锻炼,以及什么是适合患者的药物。近年来,针对推荐系统解决健康问题的研究引起了人们的关注。在本文中,我们回顾了健康推荐系统的兴趣,方法,评价,未来的挑战和趋势问题。我们发现:1)健康推荐系统有其自身的健康问题局限性,这使得它们专注于风险较低的推荐,如饮食推荐; 2)传统的推荐方法,如基于内容和协同过滤方法,很难处理健康约束,但基于知识的方法比以往任何时候都更有效; 3)评估健康建议比评估商业建议更复杂,因为除了准确性之外还应考虑多个维度。在解决了几个关键问题后,推荐系统可以很好地在健康领域发挥作用。我们的工作是一个系统的回顾健康推荐系统的研究,我们显示了目前的状况和未来的发展方向。相信本文的研究将对领域研究者提供帮助,并推动健康推荐系统的进一步发展。
2020-07-26 cs.CL cs.IR cs.LG
What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context
Department of Computer Science, Dartmouth College(达特茅斯大学计算机科学系);ByteDance, US(字节跳动(美国));Department of Computer Science and Engineering, University of Notre Dame(诺丁汉大学计算机科学与工程系)
本文研究了LLMs在序列推荐中有效性的关键因素,提出RecPO框架通过整合显式和隐式反馈,提升推荐性能,强调偏好强度和时间上下文的重要性。
2026-04-16 cs.IR cs.LG
Privacy-Preserving Cross-Domain Sequential Recommendation
针对跨域序列推荐中的用户隐私保护需求,提出非侵入式的PriCDSR系统,设计兼顾ID与顺序信息的差分隐私机制,可适配任意基础模型,在三域实验中性能优于单域推荐系统。
2024-01-27 cs.IR
Generate What You Can Trust: Content Credibility in Generative Recommenders
Data Science Institute, University of Technology Sydney(悉尼科技大学数据科学研究所);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对生成式推荐忽视内容可信度的问题,提出CreGR模型,在令牌化和生成阶段联合处理可信度,通过可信度感知令牌化和不对称掩蔽策略,在保持准确性的同时减少不可信内容推荐。
2026-10-06 cs.IR
A Simple Recommender Engine for Matching Final-Year Project Student with Supervisor
本文讨论了一个简单的推荐引擎,它可以匹配的最后一年的项目学生的兴趣与潜在的主管。推荐引擎基于欧几里得距离算法构建。推荐系统的初始输入数据是通过向最后一年的学生分发问卷并以CSV格式记录他们的回答来获得的。推荐引擎是使用Java类和应用程序实现的,初步测试的结果表明,该项目是可行的,因为它有可能解决最后一年的学生在寻找他们的潜在主管的问题。
2019-08-08 cs.IR
Incorporating System-Level Objectives into Recommender Systems
任何推荐系统最重要的部分之一就是个性化--从用户的角度来看,推荐的可接受程度。然而,在许多现实世界的应用程序中,还有其他利益相关者的需求和利益应该考虑在内。在这项工作中,我们定义的问题,多利益相关者的建议,我们专注于寻找算法的特殊情况下,推荐系统本身也是一个利益相关者。此外,我们将探讨的想法,逐步纳入系统级的目标,随着时间的推移,以解决现有的问题,优化技术,只寻找优化个人用户的列表。
2019-05-31 cs.IR
Feedback Loop and Bias Amplification in Recommender Systems
众所周知,推荐算法会受到受欢迎程度的影响;一些受欢迎的项目被频繁推荐,而大多数其他项目则被忽略。这些建议然后被用户消费,他们的反应将被记录并添加到系统中:这通常被称为反馈循环。在本文中,我们提出了一种方法来模拟离线设置中的用户与用户的交互,并研究了反馈循环的影响,流行的偏见放大的几种推荐算法。然后,我们展示了这种偏见放大如何导致其他几个问题,如下降的聚合多样性,随着时间的推移,改变用户的口味的代表性,也同质化的用户体验。特别是,我们表明,反馈回路的影响一般是属于少数群体的用户更强。
2020-07-25 cs.IR
Knowledge-aware Autoencoders for Explainable Recommender Sytems
推荐系统被广泛用于帮助用户找到他们正在寻找的信息,从而解决信息过载的问题。经过几年的研究和工业发现,寻找更好的算法来提高准确性和多样性指标,推荐的解释服务作为一种工具正在获得动力,在大多数情况下,通过黑箱机器学习技术计算的结果提供人类可理解的反馈。事实上,解释可以保证用户对系统的满意度、信任度和忠诚度。在本文中,我们评估如何不同的信息编码在知识图谱被认为是由用户时,他们被采用,以显示他们的解释。更确切地说,我们比较如何使用分类信息,事实的一个或两者的混合物在建设的解释,影响解释标准的推荐系统。实验结果通过A/B测试平台进行验证,该平台使用基于语义感知自动编码器的推荐引擎来构建用户配置文件,这些配置文件又被用来计算推荐列表并提供解释。
2018-07-17 cs.IR
What Are We Optimizing For? A Human-centric Evaluation of Deep Learning-based Movie Recommenders
Grouplens Research, University of Minnesota(明尼苏达大学GroupLens研究组);Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology(麻省理工学院数据、系统与社会研究所);School of Computing, Clemson University(克莱姆森大学计算学院)
本文通过445名真实用户的调查评估四种深度学习电影推荐模型,发现其在多样性和用户满意度上弱于经典协同过滤,并提出以人为中心的设计与优化策略。
2024-05-01 cs.HC cs.IR cs.LG
Reading Between the Lines: A Study of Thematic Bias in Book Recommender Systems
本文利用Book-Crossing数据集研究图书推荐中的主题偏差,发现其源于内容不平衡并被用户参与模式放大,小众和长尾兴趣用户获得的个性化推荐更少,为负责任AI和跨领域偏差分析奠定基础。
2025-08-21 cs.IR
Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing
Beijing University of Posts and Telecommunications(北京邮电大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
研究针对生成式推荐中语义标识符固定及端到端方法问题,提出Grevo框架,将SID分配当作可进化变量,基于单一多任务推荐器统一相关任务,用进化项索引重分配标识符,实验证明其性能优于现有生成式推荐方法。
2026-07-29 cs.IR
Sequence-Aware Recommender Systems
推荐系统是数据采掘和机器学习技术在实践中最成功的应用之一。该领域的学术研究在历史上通常基于矩阵完成问题公式化,其中对于每个用户-项目对只有一个交互(例如,评级)。然而,在许多应用程序域中,可以随时间记录不同类型的多个用户-项交互。而且,最近的一些工作表明,这些信息可以用来构建更丰富的个人用户模型,并发现可以在推荐过程中利用的其他行为模式。在这项工作中,我们回顾现有的作品,考虑信息从这样的顺序排序的用户-项目交互日志在推荐过程中。基于这一审查,我们提出了相应的推荐任务和目标的分类,总结现有的算法解决方案,讨论方法论的基准时,我们称之为序列感知推荐系统,并概述了该领域的开放挑战。
2018-02-23 cs.HC cs.IR
Towards Finding Non-obvious Papers: An Analysis of Citation Recommender Systems
随着科学的进步,学术界发表了数百万篇研究论文。研究人员在撰写论文或只是为了跟上当前的研究时,会花费时间和精力搜索相关的手稿。在本文中,我们考虑的问题,通过扩展一组已知的相关参考文献的引文推荐。我们的分析表明,被引论文的程度所导致的子图,称为投影图的论文引用,遵循幂律分布。现有的流行方法只擅长发现长尾论文,即那些与其他论文高度相关的论文。换句话说,大多数被引用的论文在投影图中是松散连接的,但它们不会被现有的方法发现。为了解决这个问题,我们建议结合作者,地点和关键字信息来解释这些松散连接的论文背后的引用行为。结果表明,不同的方法发现被引论文具有广泛的不同属性。我们建议多个推荐列表,通过不同的算法,可以满足不同的用户为一个真正的引文推荐系统。此外,我们还探讨了快速局部逼近的组合方法,以提高效率。
2018-12-29 cs.DL cs.IR cs.SI