SBTRec- A Transformer Framework for Personalized Tour Recommendation Problem with Sentiment Analysis
Singapore University of Technology and Design（新加坡科技设计大学）
针对旅游行程规划在时间可行性与用户偏好上的不足，提出基于BERT与情感分析的SBTRec算法，通过分析用户签到、照片及评论推荐个性化POI序列，在8个城市数据集上F1达61.45%，显著超越基线。
2023-11-18 cs.AI cs.IR cs.LG
A Large-Scale Deep Architecture for Personalized Grocery Basket Recommendations
Walmart Labs（沃尔玛实验室）
随着越来越多的消费者通过Amazon Fresh、Instacart和WalmartGrocery等平台进行在线杂货购物，迫切需要在整个客户旅程中提供相关建议。在本文中，我们介绍了一个生产内篮杂货推荐系统，RTT2Vec，它产生实时个性化的产品推荐，以补充用户当前的杂货篮。我们对我们的系统进行了广泛的离线评估，并证明了预测指标比基线最先进的篮内推荐模型提高了9.4%。我们还提出了一种近似推理技术，比精确推理方法快11.6倍。在生产中，我们的系统增加了平均购物篮大小，改进了产品发现，并使用户能够更快地结账
2020-02-13 cs.IR cs.LG stat.ML
FEBR: Expert-Based Recommendation Framework for beneficial and personalized content
Mohammed VI Polytechnic University（穆罕默德六世理工大学）
到目前为止，大多数关于推荐系统的研究都集中在通过推广相关和个性化的内容来保持长期的用户参与度和满意度。然而，评估这些内容的质量和可靠性仍然非常具有挑战性。在本文中，我们提出了FEBR（基于专家的推荐框架），这是一个学徒学习框架，用于评估在线平台上推荐内容的质量。该框架利用专家（假设是可靠的）在推荐评估环境中的演示轨迹，以恢复一个未知的效用函数。该函数用于学习描述专家行为的最优策略，然后在框架中使用该策略来提供高质量和个性化的推荐。我们通过用户兴趣模拟环境（使用RecSim）来评估我们的解决方案的性能。我们模拟了上述专家策略下的视频推荐交互，并将其效率与标准推荐方法进行了比较。结果表明，我们的方法在内容质量方面提供了显着的收益，由专家评估和用户观看，同时保持几乎相同的观看时间作为基线方法。
2021-11-04 cs.AI cs.IR cs.LG
ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation
Technical University of Denmark（丹麦技术大学）；ZOZO Research（ZOZO研究公司）；University of California San Diego（加州大学圣地亚哥分校）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架，在离线评估中优于神经基线，在线测试中点击率性能与先进模型相近且速度快600多倍，并揭示相关性能差距，凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。
2026-07-14 cs.IR cs.LG
Personalized Recommendation of PoIs to People with Autism
University of Torino（都灵大学）
向自闭症谱系障碍（ASD）患者推荐兴趣点的建议挑战了推荐系统的研究，因为这些用户对地方的感知受到特殊感官厌恶的影响，这种厌恶会通过引起压力和焦虑来挖掘他们的体验。因此，管理个人偏好不足以为这些人提供合适的建议。为了解决这个问题，我们提出了一个Top-N推荐模型，结合用户的特质厌恶与她/他的喜好在一个个性化的方式，建议最兼容和最喜欢的兴趣点，她/他。我们有兴趣找到一个用户特定的兼容性和兴趣的平衡内的推荐模型，集成异构的评估标准，适当地考虑到这些方面。我们在ASD和“神经典型”人群中测试了我们的模型。评价结果表明，在这两组，我们的模型优于推荐系统的准确性和排名能力的项目兼容性的基础上，用户的喜好，或通过一个统一的评价模型集成这两个方面。
2020-04-27 cs.IR cs.LG
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research（Deezer研究院）；École Polytechnique（巴黎综合理工学院）；Univ. Paris Dauphine（巴黎多芬大学）
音乐流媒体服务严重依赖推荐系统来改善用户体验，帮助他们浏览大型音乐目录并发现新的歌曲，专辑或艺术家。然而，向新用户推荐相关和个性化的内容，很少或根本没有与目录的交互，是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中，我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略，基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性，通过离线和在线大规模实验。此外，我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放，能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；IBM T.J. Watson Research Center（IBM TJ沃森研究中心）；University of Connecticut（康涅狄格大学）
针对现有健康感知食品推荐系统个性化不足、缺乏可解释性的问题，该研究构建了两个相关基准，提出融合图学习与帕累托优化、LLM增强解释的MOPI-HFRS框架，兼顾用户偏好、个性化健康度与营养多样性。
2024-12-12 cs.IR cs.LG
Personalized Academic Research Paper Recommendation System
Georgia Institute of Technology（佐治亚理工学院）
现在，大量的学术论文来自许多会议和期刊。在这种情况下，大多数研究人员依靠基于关键字的搜索或浏览顶级会议和期刊的会议记录来找到他们的相关工作。为了缓解这个困难，我们提出了一个个性化的学术研究论文推荐系统，推荐相关的文章，为每个研究人员，这可能是她/他感兴趣的。在本文中，我们首先介绍了我们的网络爬虫检索研究论文从网上。然后，我们定义了两篇研究论文之间的相似度的基础上，他们之间的文本相似度。最后，我们提出了我们的推荐系统开发使用协同过滤方法。我们的评估结果表明，我们的系统推荐高质量的研究论文。
2013-04-19 cs.DL cs.IR cs.LG
Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty
Fudan University（复旦大学）；Shanghai Institute of Intelligent Electronics & Systems（上海智能电子与系统研究院）
现有的基于嵌入的推荐模型大多使用嵌入（向量）对应于低维空间中的单个固定点，来表示用户和项目。这样的嵌入不能精确地表示推荐系统中经常观察到的具有不确定性的用户/项目。为了解决这个问题，我们提出了一个统一的深度推荐框架，采用高斯嵌入，这是证明适应一些用户表现出的不确定的偏好，从而更好的用户表示和推荐性能。此外，该框架采用Monte-Carlo抽样和卷积神经网络计算目标用户与候选项之间的相关性，并在此基础上实现精确推荐。我们在两个基准数据集上的大量实验不仅证明了我们提出的高斯嵌入很好地捕捉了用户的不确定性，而且还证明了其优于最先进的推荐模型的性能。
2020-06-19 cs.IR cs.LG stat.ML
Personalized Transfer of User Preferences for Cross-domain Recommendation
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院智能信息处理重点实验室，中国科学院计算技术研究所）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；University of Chinese Academy of Sciences（中国科学院大学）；WeChat Search Application Department, Tencent（腾讯微信搜索应用部）；SKLSDE, School of Computer Science, Beihang University（北京航空航天大学计算机学院软件开发环境国家重点实验室）
冷启动问题仍然是推荐系统中一个非常具有挑战性的问题。幸运的是，辅助源域中冷启动用户的交互可以帮助目标域中的冷启动推荐。跨域推荐是解决冷启动问题的一种有效方法，如何将用户的偏好从源域传递到目标域是跨域推荐的关键问题。大多数现有的方法模型的一个共同的偏好桥转移偏好的所有用户。直觉上，由于用户之间的偏好不同，因此不同用户的偏好桥应该不同。沿着这条线，我们提出了一个新的框架命名为个性化的跨域推荐（PTUPCDR）的用户偏好转移。具体地说，一个Meta网络馈与用户的特征嵌入学习，以产生个性化的桥梁功能，实现个性化的转移的偏好，为每个用户。为了稳定地学习Meta网络，我们采用了面向任务的优化过程。利用元生成的个性化桥函数，可以将源域中的用户偏好嵌入转换到目标域中，并将转换后的用户偏好嵌入作为冷启动用户在目标域中的初始嵌入。使用大型的真实世界的数据集，我们进行了广泛的实验，以评估PTUPCDR的有效性的冷启动和热启动阶段。该代码已在https://github.com/easezyc/WSDM2022-PTUPCDR上提供。
2021-12-19 cs.IR cs.LG
PREMIER: Personalized REcommendation for Medical prescrIptions from Electronic Records
National University of Singapore（新加坡国立大学）
电子健康记录（EHR）的广泛采用导致了大量关于患者病史、诊断、处方和实验室测试的数据的积累。推荐技术的进步有可能利用这些信息来帮助医生个性化处方药物。在这项工作中，我们设计了一个两阶段的注意力为基础的个性化药物推荐系统称为PREMIER，它结合了来自EHR的信息，建议一组药物。我们的系统考虑了药物之间的相互作用，以尽量减少对患者的不良影响。我们利用系统中的各种注意力权重来计算来自信息源的对推荐药物的贡献。MIMIC-III和专有门诊数据集的实验结果表明，PREMIER优于最先进的药物推荐系统，同时实现了准确性和药物相互作用之间的最佳权衡。还介绍了两个案例研究，证明PREMIER提供的理由是适当的，并与临床实践相一致。
2020-08-28 cs.IR cs.LG
Enhancing Cross-Market Recommendation System with Graph Isomorphism Networks: A Novel Approach to Personalized User Experience
Istanbul Technical University（伊斯坦布尔理工大学）；Gazi University（加齐大学）
针对跨市场推荐系统面临的市场特异性和数据稀疏性问题，提出融合图同构网络的CrossGR模型，在NDCG@10、HR@10指标上优于现有基准，鲁棒性强，为跨市场推荐提供新方向。
2024-09-12 cs.AI cs.IR cs.LG
Personalized News Recommendation with Context Trees
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
大量的在线新闻文章使得很难找到有趣的文章，这个问题可以通过使用推荐系统来缓解，从而将最相关的新闻故事带给读者。然而，新闻推荐具有挑战性，因为最相关的文章通常是很少用户看到的新内容。此外，它们会随着时间的推移而受到趋势和偏好变化的影响，在许多情况下，我们没有足够的信息来分析读者。本文介绍了一类基于上下文树的新闻推荐系统。他们可以提供高质量的新闻推荐给匿名访问者的基础上，目前的浏览行为。我们表明，上下文树推荐系统提供了良好的预测精度和推荐新颖性，他们是足够灵活的捕捉新闻文章的独特属性。
2014-11-03 cs.IR cs.LG stat.ML
Low-pass Personalized Subgraph Federated Recommendation
Department of Artificial Intelligence（人工智能系）
本文提出LPSFed系统，通过图傅里叶变换和低通谱滤波提取稳定结构信号，结合局部流行度偏差修正提升推荐准确性与模型鲁棒性。
2026-03-20 cs.AI cs.IR cs.LG
Recommendation as Language Processing (RLP): A Unified Pretrain, Personalized Prompt & Predict Paradigm (P5)
Rutgers University（罗格斯大学）
长期以来，不同的推荐任务通常需要设计特定于任务的架构和培训目标。因此，很难将学习到的知识和表示从一个任务转移到另一个任务，从而限制了现有推荐方法的泛化能力，例如，顺序推荐模型几乎不能应用或转移到评论生成方法。为了解决这些问题，考虑到语言可以描述几乎任何事物，语言基础是表示各种问题或任务的强大媒介，我们提出了一种灵活统一的文本到文本推荐范式，称为“预训练、个性化提示和预测范式”（P5），它将各种推荐任务统一在一个共享的框架中。在P5中，所有数据（如用户-项目交互、用户描述、项目元数据和用户评论）都被转换为通用格式--自然语言序列。来自自然语言的丰富信息帮助P5捕获更深层次的语义以用于个性化和推荐。具体来说，P5在预训练期间学习具有相同语言建模目标的不同任务。因此，它作为各种下游推荐任务的基础模型，允许与其他模态轻松集成，并支持基于提示的基于提示的推荐。P5将推荐系统从浅模型、深模型、大模型推向了新的高度，并将使推荐系统的技术形态发生革命性的变化，朝着通用推荐引擎的方向发展。通过针对不同用户的自适应个性化提示，P5能够以zero-shot或Few-Shot的方式进行预测，并大大减少了大量微调的必要性。在几个推荐基准上，我们进行了实验，以显示P5的有效性。我们在https://github.com/jeykigung/P5上发布源代码。
2023-01-02 cs.AI cs.CL cs.IR
PULSE: Socially-Aware User Representation Modeling Toward Parameter-Efficient Graph Collaborative Filtering
Korea Advanced Institute of Science and Technology（韩国科学技术院）
PULSE通过社会感知信号构建用户表示，实现参数高效的图协同过滤，优于多种基线方法。
2026-01-28 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
Dual Side Deep Context-aware Modulation for Social Recommendation
Nanjing University（南京大学）；Hong Kong University of Science and Technology（香港科技大学）
社会化推荐通过利用在线社交网络平台的社会关系来有效地提高推荐性能。用户之间的社会关系提供用于对用户对候选项目的兴趣进行建模的朋友信息并且帮助项目暴露给潜在消费者（即，项目吸引力）。然而，有两个问题没有得到很好的研究：第一，为了用户的利益，现有的方法通常聚集的朋友的信息上下文的候选项目，这种浅的上下文感知聚合使他们遭受有限的朋友的信息。其次，对于物品吸引力，如果物品的过去消费者是目标用户的朋友或与目标用户具有相似的消费习惯，则物品可能对目标用户更具吸引力，但大多数现有方法忽略了关系增强上下文感知的物品吸引力。为了解决上述问题，我们提出了DICER（Dual Side Deep Context-aware Modulation for SocialRecommendation）。具体而言，首先提出了一种新的图神经网络来建模社交关系和协作关系，并在高阶关系之上引入双边深度上下文感知调制来捕获好友信息和项目吸引力。在两个真实数据集上的实验结果表明了该模型的有效性，并进行了进一步的实验，以帮助理解双重上下文感知调制的工作原理。
2021-03-16 cs.AI cs.IR cs.SI
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 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
A Personalized Subreddit Recommendation Engine
本文旨在改进Reddit为其用户提供的通用建议。我们提出了一种新的个性化推荐系统，学习用户subreddit互动的存在和内容，使用隐式和显式信号提供强大的建议。
2019-05-03 cs.IR
Origin-Aware Next Destination Recommendation with Personalized Preference Attention
GrabTaxi Holdings（GrabTaxi控股公司）；School of Computing, National University of Singapore（新加坡国立大学计算学院）；National University of Singapore（新加坡国立大学）；Grab-NUS AI Lab（Grab-新加坡国立大学人工智能实验室）
下一个目的地推荐是出租车和乘车服务的运输领域中的重要任务，其中用户被推荐具有个性化目的地，给出他们当前的起源位置。然而，最近的推荐工作并不满足这种原产地意识属性，只考虑从历史目的地位置，没有原产地信息的学习。因此，所得到的方法不能基于用户的当前位置来学习和预测来源感知推荐，导致次优性能和较差的现实世界实用性。因此，在这项工作中，我们研究了原产地感知的下一个目的地推荐任务。我们提出了时空起点-目的地个性化偏好注意力（STOD-PPA）编码器-解码器模型，通过首先在局部和全局视图中使用空间和时间因素对起点和目的地序列进行编码，然后通过个性化偏好注意力对其进行解码，以预测下一个目的地，从而学习起点-起点（OO），目的地-目的地（DD）和起点-目的地（OD）关系。在七个真实用户轨迹出租车数据集上的实验结果表明，我们的模型显着优于基线和最先进的方法。
2021-01-11 cs.AI cs.IR cs.LG
Personalized News Recommendation: Methods and Challenges
个性化新闻推荐是帮助用户找到感兴趣的新闻信息、缓解信息过载的重要技术。它已经被广泛研究了几十年，并在改善用户的新闻阅读体验方面取得了显着的成功。但仍有许多未解决的问题和挑战需要进一步研究。为了帮助研究人员掌握个性化新闻推荐在过去几年中的进展，在本文中，我们提出了一个全面的概述个性化新闻推荐。不同于传统的新闻推荐方法分类，本文从个性化新闻推荐的核心问题、相关技术和挑战出发，提出了一种新的视角来理解个性化新闻推荐。我们首先回顾了个性化新闻推荐系统中解决每个核心问题的技术以及它们所面临的挑战。接下来，我们介绍了公共数据集和个性化新闻推荐的评估方法。然后，我们讨论了提高个性化新闻推荐系统的责任的关键点。最后，提出了几个值得进一步研究的方向。本文的研究为读者了解个性化新闻推荐领域提供了最新的、全面的观点。希望本文能对个性化新闻推荐以及自然语言处理和数据采掘等相关领域的研究起到一定的推动作用。
2022-02-24 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
Personalized recommendation against crowd's popular selection
海量数据中的个性化推荐问题越来越受到人们的关注。传统的研究大多忽略了推荐对象的受欢迎程度，导致推荐的个性化程度和准确性不高。本文提出了一种基于加权对象网络的个性化推荐方法，对推荐对象进行惩罚，即反人气指数（Anti-popularity index，AP），该方法与主流推荐方法相比，具有较低的计算复杂性，提高了推荐的个性化、准确性和多样性。
2014-05-13 cs.IR cs.SI physics.soc-ph
Effective Personalized Recommendation in Collaborative Tagging Systems
近年来，协同标注系统受到了越来越多的关注，并在Web系统中得到了广泛的应用。标签提供了关于个人偏好和项目内容的高度抽象的信息，因此有可能帮助改进更好的个性化推荐。在本文中，我们提出了一个基于标签的推荐算法，考虑到个人词汇，并评估它在现实世界的数据集：Del.icio.us。实验结果表明，标签信息的使用可以显着提高个性化推荐的准确性。
2009-07-19 cs.IR
Personalized recommendation with corrected similarity
个性化推荐引起了跨学科研究的热潮。特别是基于相似度的方法在实际推荐系统中的应用取得了很大的成功。然而，由于单向相似度估计策略的缺陷，使得相似度的计算被显著高估或低估。在本文中，我们解决了这个缺点，利用相互校正的前向和后向相似性估计，并提出了一个新的个性化推荐指数，即，基于相似性的推理（CSI）。通过对四个基准数据集进行广泛的实验，结果显示与这些主流基线相比，CSI有更大的改善。并对CSI指数与主流指数之间的差异进行了详细的分析，以揭示和理解这种差异的根源。
2014-05-16 cs.IR cs.SI physics.soc-ph
ArXivDigest: A Living Lab for Personalized Scientific Literature Recommendation
提供个性化的推荐，也伴随着解释为什么一个项目被推荐是一个越来越重要的研究领域。与此同时，进展受到开放评价资源可用性的限制。在这项工作中，我们解决的任务，科学文献推荐。我们提出arXivDigest，这是一个在线服务，为最终用户提供个性化的arXiv建议，并作为希望研究可解释的科学文献建议的研究人员的生活实验室。
2020-09-24 cs.IR
Mamba for Scalable and Efficient Personalized Recommendations
Lirio AI Research（Lirio AI研究机构）；Lirio, Inc.（Lirio公司）
提出FT-Mamba模型，用Mamba层替换FT-Transformer中的Transformer层处理表格数据，将计算复杂度降至线性，在三个数据集上实验证明其计算效率更优且推荐性能保持或提升。
2024-09-11 cs.IR cs.LG
Enhancing Personalized Recipe Recommendation Through Multi-Class Classification
Michigan State University（密歇根州立大学）
针对饮食偏好多样下的个性化食谱推荐难题，结合关联分析与考虑食谱食材多类归属的多分类技术，探索实现精准个性化推荐的方法与流程。
2024-09-16 cs.AI cs.IR cs.LG
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Hybrid Deep-Semantic Matrix Factorization for Tag-Aware Personalized Recommendation
矩阵分解现在已经成为社交网络上个性化推荐的主要解决方案。为了缓解冷启动问题，以前的方法已经将各种额外的信息源纳入传统的矩阵分解模型。然而，这些升级后的模型在个性化推荐的性能上仅实现了“边际”增强。因此，受深度语义建模的最新发展的启发，我们提出了一个混合的深度语义矩阵分解（HDMF）模型，以进一步提高标签感知个性化推荐的性能，通过集成深度语义建模，混合学习和矩阵分解技术。实验结果表明，HDMF在标签感知个性化推荐中的所有评价指标方面都显着优于最先进的基线，例如，其平均倒数秩（分别，平均精度）为1.52（分别，1.66）倍。
2017-08-12 cs.IR
Joint Text Embedding for Personalized Content-based Recommendation
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Etsy Inc.（Etsy公司）；Yahoo! Research（雅虎研究院）；Facebook（脸书）
学习良好的文本表示是许多推荐应用程序的关键。示例包括新闻推荐，其中每天不断地发布要推荐的文本。然而，大多数现有的推荐技术，如基于矩阵分解的方法，主要依赖于交互历史来学习项目的表示。虽然可以从用户交互数据中有效地学习项目的潜在因素，但在许多情况下，这样的数据是不可用的，特别是对于新出现的项目。在这项工作中，我们的目标是解决这个问题的个性化推荐完全新的项目与文本信息。我们铸造的问题作为一个个性化的文本排名问题，并提出了一个通用的框架，结合文本嵌入与个性化推荐。用户和文本内容被嵌入到潜在的特征空间。文本嵌入功能可以通过预测用户与项目的交互来端到端学习。为了减轻交互数据的稀疏性，并利用大量的文本数据，很少或没有用户交互，我们进一步提出了一个联合文本嵌入模型，该模型将无监督文本嵌入与组合模块相结合。实验结果表明，我们的模型可以显着提高推荐系统的有效性在现实世界的数据集。
2017-06-23 cs.CL cs.IR cs.LG
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出FedTREK-LM框架，结合轻量级大语言模型、演化个人知识图谱和联邦学习，实现可扩展的去中心化个性化推荐，实验显示其在电影和食谱推荐中F1分数提升超4倍。
2026-02-25 cs.IR cs.LG
PAP-REC: Personalized Automatic Prompt for Recommendation Language Model
Rutgers University（罗格斯大学）
针对推荐语言模型手工设计提示成本高、效果不稳定的问题，提出PAP-REC个性化自动提示框架，通过基于梯度的方法、替代指标和交替更新策略生成用户专属提示，性能优于人工提示及多种基线模型。
2024-02-01 cs.AI cs.IR cs.LG
Towards Personalized Bangla Book Recommendation: A Large-Scale Heterogeneous Book Graph Dataset
East West University（东西方大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
2026-06-08 cs.IR cs.LG
A Personalized Tag-Based Recommendation in Social Web Systems
最近，标记活动已被确定为关于个人兴趣、偏好、目标和从用户模型已知的其他属性的知识的潜在来源。因此，标签本身可以用于找到个性化的项目推荐。在本文中，我们提出了一个基于标签的推荐系统，建议相似的网页的基础上，他们的标签从Web 2.0标签应用程序的相似性。所提出的方法扩展了基本的相似性演算与外部因素，如标签的流行程度，标签的代表性和用户和标签之间的亲和力。为了研究和评估推荐系统，我们进行了一项实验，涉及来自12个国家的38人使用的数据从Del.icio.us，社会书签网络系统，用户可以分享他们的个人书签。
2012-03-01 cs.IR cs.SI
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
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
Centaur: A Chiplet-based, Hybrid Sparse-Dense Accelerator for Personalized Recommendations
KAIST（韩国科学技术院）
个性化推荐是支持几个重要应用领域（例如，广告、电子商务等）。稀疏嵌入层是设计建议的关键构建块，但很少注意适当加速这个重要的ML算法。本文首先提供了一个详细的个性化推荐的工作负载特征，并确定了两个显着的性能限制：内存密集型嵌入层和计算密集型多层感知器（MLP）层。然后，我们提出了Centaur，一个基于芯片的混合稀疏-密集加速器，它既解决了嵌入层的内存吞吐量挑战，又解决了MLP层的计算限制。我们实现并展示了我们的建议，英特尔HARPv 2，封装集成的CPU+FPGA设备，它显示了1.7- 17.2倍的性能加速和1.7- 19.5倍的能源效率比传统的方法改进。
2020-05-12 cs.DC cs.IR cs.LG
Federated Vision-Language-Recommendation with Personalized Fusion
本文提出FedVLR框架，通过服务器端多视图融合与客户端用户特定的专家混合机制，实现联邦视觉语言推荐中的个性化多模态融合，在七个基准数据集上验证了有效性。
2025-11-02 cs.AI cs.IR cs.LG
Personalized TV Recommendation: Fusing User Behavior and Preferences
Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）；KKStream Limited（KKStream有限公司）
在本文中，我们提出了一个两阶段的排名方法推荐线性电视节目。所提出的方法首先利用关于时间和TV频道的用户观看模式来识别用于推荐的潜在候选者，然后进一步利用用户偏好来对给定关于节目的文本信息的这些候选者进行排名。为了评估该方法，我们对真实世界的电视数据集进行了实证研究，结果表明我们的模型在推荐准确性和时间效率方面都具有优越的性能。
2020-08-30 cs.IR cs.LG stat.ML
Evaluating Generative AI Tools for Personalized Offline Recommendations: A Comparative Study
University of Cuenca（昆卡大学）；Universidad Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
本研究比较五种主流生成式AI工具在个性化离线推荐中的性能与用户满意度，针对重复性劳损风险个体，采用GQM范式评估推荐准确性和用户感知。
2025-07-22 cs.IR cs.LG
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
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
Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations
National University of Singapore（新加坡国立大学）
在线应用中信息的海量性和复杂性使得推荐对于用户查找感兴趣的信息至关重要。然而，在现实世界的应用中共存的两个主要限制（1）不完整的用户简档，和（2）用户偏好的动态性质继续降低推荐质量的方面，如及时性，准确性，多样性和新颖性。为了解决上述限制在一个单一的解决方案，我们提出了一种新的跨网络的时间感知推荐解决方案。该解决方案首先通过聚合来自多个源网络的用户偏好来学习目标网络中的历史用户模型。其次，用户级的时间感知的潜在因素学习，以发展当前的用户模型从历史模型，并进行及时的建议。我们通过使用Twitter源网络的辅助信息来说明我们的解决方案，以改善YouTube目标网络的推荐。在不同时间粒度下使用多个时间感知和跨网络基线进行的实验表明，所提出的解决方案在准确性，新颖性和多样性方面取得了优异的性能。
2020-08-25 cs.IR cs.LG cs.SI
Prompt Tuning Large Language Models on Personalized Aspect Extraction for Recommendations
New York University（纽约大学）；Google Research（谷歌研究院）
本文提出端到端框架，利用大语言模型提示学习生成面向推荐任务的个性化方面，并将其融入推荐模型，在三个工业数据集上显著提升方面提取与推荐效果。
2023-06-02 cs.IR cs.LG
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
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
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
Hierarchical Bayesian Personalized Recommendation: A Case Study and Beyond
Facebook Inc（脸书公司）
现代推荐系统中的项目通常以层次结构组织。这些层次结构和其中的数据为构建个性化推荐系统提供了有价值的信息。在本文中，我们提出了一个通用的分层贝叶斯学习框架，即，\emph{HBayes}，学习结构和相关的潜在因素。此外，我们开发了一个变分推理算法，能够学习模型参数，经验收敛速度快。建议HBayes评估两个现实世界的数据集，从不同的领域。结果表明，我们的方法的项目推荐任务的好处，并表明，它可以优于国家的最先进的模型在精度，召回率和归一化的折扣累积增益。为了鼓励可重复的结果，我们在git repo上公开了我们的代码：\url{https://tinyurl.com/ycruhk4t}。
2019-08-20 cs.IR cs.LG stat.ML
