Contrastive Self-supervised Sequential Recommendation with Robust Augmentation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；UC San Diego（加州大学圣迭戈分校）
顺序推荐描述了一组对动态用户行为进行建模的技术，以便预测顺序用户数据中的未来交互。这些方法的核心是对序列中项目之间的转移概率进行建模，无论是通过马尔可夫链、递归网络还是最近的Transformers。然而，新老问题仍然存在，包括数据稀疏性和噪声数据;这些问题可能会影响性能，特别是在复杂的，参数饥饿的模型中。在本文中，我们研究应用对比自监督学习（SSL）的顺序推荐，作为一种方式来缓解这些问题。对比SSL从未标记的实例中构建增强，其中正对之间的协议最大化。由于顺序推荐的离散性、项目之间的相关性以及长度分布的偏斜性，设计用于顺序推荐的对比SSL框架具有挑战性。为此，我们提出了一个新的框架，对比自监督学习顺序推荐（CoSeRec）。我们引入了两个信息增强算子，利用项目相关性来创建高质量的对比学习视图。在三个真实数据集上的实验结果表明，该方法在提高模型性能和对稀疏和噪声数据的鲁棒性方面是有效的。我们的实现可在\url{https://github.com/YChen1993/CoSeRec}上在线获得
2021-08-14 cs.AI cs.IR
Filter-enhanced MLP is All You Need for Sequential Recommendation
Renmin University of China（中国人民大学）；University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）
最近，深度神经网络，如RNN，CNN和Transformer已被应用于顺序推荐任务，其目的是从记录的用户行为数据中捕获动态偏好特征，以进行准确推荐。然而，在在线平台中，记录的用户行为数据不可避免地包含噪声，并且深度推荐模型容易在这些记录的数据上过拟合。为了解决这个问题，我们借用了信号处理中的滤波算法的思想，在频域中衰减噪声。在我们的实证实验中，我们发现，过滤算法可以大大提高代表性的顺序推荐模型，并集成简单的过滤算法（如带阻滤波器）与全MLP架构，甚至可以优于竞争基于变换的模型。受此启发，我们提出了\textbf{FMLP-Rec}，一个全MLP模型与学习过滤器的顺序推荐任务。全MLP结构赋予我们的模型较低的时间复杂度，可学习滤波器可以自适应衰减噪声信息在频域。在八个真实世界数据集上进行的大量实验表明，我们提出的方法优于竞争RNN，CNN，GNN和基于变换器的方法。我们的代码和数据可通过以下链接公开获取：\textcolor{blue}{\url{https://github.com/RUCAIBox/FMLP-Rec}}。
2022-02-28 cs.AI cs.IR
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
Peking University（北京大学）；Meituan（美团）
针对POI推荐中序列与地理影响纠缠导致性能与可解释性下降的问题，提出解耦双图框架DisenPOI，利用对比学习提取解耦表示并通过自监督实现解耦，在三个数据集上验证了优越性。
2023-09-14 cs.AI cs.IR
Fisher-Weighted Merge of Contrastive Learning Models in Sequential Recommendation
Seoul National University（首尔国立大学）
本文首次将Fisher-Merging方法引入序列推荐，通过合并多个对比学习模型参数实现稳健微调，有效缓解数据稀疏问题并提升推荐性能。
2023-07-05 cs.AI cs.IR cs.LG
Multi-Perspective Attention Mechanism for Bias-Aware Sequential Recommendation
organization= College of Computer；Data Science , addressline= Fuzhou University , city= Fuzhou , postcode= 350108 , country= China
针对序列推荐中偏差放大导致马太效应及用户偏好动态捕捉不足的问题，本文提出MABSRec模型，通过重构用户序列、图神经网络物品加权和自适应多偏差视角注意力模块提升推荐准确性。
2025-02-26 cs.AI cs.CL cs.IR
Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation
针对现有基于GNN的推荐方法对噪声边敏感、易过拟合的问题，提出结合去噪与增强图视图的对比矩阵补全方法MCCL，通过双视图表示与互学习提升泛化性，在精度和排序指标上均有显著改进。
2025-06-12 cs.AI cs.IR cs.NE
IDVT: Interest-aware Denoising and View-guided Tuning for Social Recommendation
School of Computer Science and Technology（计算机科学与技术学院）；Harbin Institute of Technology（哈尔滨工业大学）；Centre for Frontier AI Research（前沿人工智能研究中心）；School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出IDVT方法，通过兴趣感知去噪消除社交网络噪声，并利用视图引导调优结合对比学习增强用户表示，从而提升社交推荐性能。
2024-06-17 cs.AI
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
Denoising Time Cycle Modeling for Recommendation
Ant Group（蚂蚁集团）
本文提出DiCycle方法，通过去噪用户行为并选择与目标物品高度相关的子集，显式建模多样化时间周期模式，在公共和真实数据集上超越现有推荐方法。
2024-02-05 cs.AI cs.IR
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出自适应集成学习（AEL）去噪推荐方法，利用稀疏门控网络动态选择专家，并通过组件堆叠构建多样性子推荐器，在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
City University of Hong Kong（香港城市大学）；Harbin Engineering University（哈尔滨工程大学）
针对序列推荐仅靠协同信息去噪易出现过度去噪（尤其对冷物品）的问题，提出融合协同与语义信息的IADSR两阶段框架，经四个公开数据集验证有效且兼容不同序列推荐系统。
2025-10-05 cs.AI cs.IR
Multi-Modal Multi-Behavior Sequential Recommendation with Conditional Diffusion-Based Feature Denoising
Peking University（北京大学）；Wuhan University（武汉大学）；Shanghai University of International Business（上海国际商务大学）；Microsoft（微软公司）
针对多模态多行为序列推荐中模态偏好刻画不足、行为噪声和模态噪声问题，提出M$^3$BSR模型，利用条件扩散去噪和多专家兴趣提取，显著提升推荐性能。
2025-08-07 cs.AI cs.IR
Unleashing the Power of Large Language Model for Denoising Recommendation
针对推荐系统隐式反馈数据噪声问题，提出LLaRD框架，利用LLMs生成去噪知识并结合思维链技术与信息瓶颈原理，有效提升去噪和推荐准确性。
2025-02-13 cs.IR
Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
Northeastern University（东北大学）
本文提出AdaptedKG，通过为每个训练样本推导校准后的知识图谱证据，实现序列推荐中的行为去噪，在标准及多个行为去噪序列推荐器上均取得性能提升。
2026-08-24 cs.AI cs.IR
Denoised Recommendation Model with Collaborative Signal Decoupling
College of Computer Science Sichuan University Chengdu, China（计算机科学学院 四川大学 成都）
本文提出DRCSD模型，通过协同信号解耦和逐阶去噪两个核心模块解决单图去噪导致的协同信号衰减问题，在三个真实数据集上验证了其对不稳定交互的鲁棒性和推荐准确率的显著提升。
2025-11-06 cs.AI cs.IR
Dual-domain Collaborative Denoising for Social Recommendation
针对社交网络与交互数据中的噪声及其跨GNN传播问题，本文提出DCDSR，通过结构级双向协同去噪、嵌入空间协同扰动对比学习及Anchor-InfoNCE提升社交推荐性能。
2024-05-08 cs.IR cs.SI
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
Efficient Sequential Recommendation for Long Term User Interest Via Personalization
Meta Recommendation Systems (MRS)（Meta 推荐系统）
通过个性化技术压缩用户历史交互，提升顺序推荐的效率和准确性，适用于多种推荐模型。
2026-01-07 cs.AI cs.IR
Post-Training Denoising of User Profiles with LLMs in Collaborative Filtering Recommendation
University of Copenhagen（哥本哈根大学）；LUT University（拉彭兰塔理工大学）
利用LLM对用户资料进行后训练去噪以提升协同过滤推荐效果
2026-01-25 cs.IR
Large Language Model Enhanced Hard Sample Identification for Denoising Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对隐式反馈推荐中难样本与噪声样本模式相似难以区分的问题，提出LLMHD框架，通过LLM语义评分识别难样本，结合剪枝策略与迭代偏好更新提升去噪推荐效果，经多数据集与骨干模型验证有效。
2024-09-16 cs.AI cs.IR
Multimodal Enhancement of Sequential Recommendation
University of Surrey（萨里大学）
MuSTRec通过结合多模态和序列推荐范式，利用物品-物品图和频率自注意力模块提升推荐性能，实验表明其在多个数据集上取得显著提升。
2026-02-06 cs.AI 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
Exploiting Session Information in BERT-based Session-aware Sequential Recommendation
Seoul National University（首尔国立大学）
在推荐系统中，利用用户的交互历史作为顺序信息，导致了很大的性能改善。然而，在许多在线服务中，用户交互通常按会话分组，这些会话可能共享偏好，这需要与普通序列表示技术不同的方法。为此，已经开发了具有层次结构或各种观点的序列表示模型，但是具有相当复杂的网络结构。在本文中，我们提出了三种方法来提高推荐性能，利用会话信息，同时最大限度地减少额外的参数在基于BERT的顺序推荐模型：使用会话令牌，添加会话段嵌入，和时间感知的自我注意。我们通过广泛使用的推荐数据集上的实验证明了所提出的方法的可行性。
2022-05-19 cs.AI cs.IR
Cold-start Sequential Recommendation via Meta Learner
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究院）
本文探讨了元学习在顺序推荐中的应用，以缓解项目冷启动问题。顺序推荐是基于用户的历史行为序列来获取用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，大多数以前的方法都难以推荐冷启动项目，这在这些场景中很普遍。由于顺序推荐任务的设置中一般不存在边信息，当只有用户-项目交互时，以前的冷启动方法不能应用。因此，我们提出了一个基于元学习的冷启动顺序推荐框架，即Mecos，以减轻项目冷启动问题的顺序推荐。这项任务是不平凡的，因为它在一个新的和具有挑战性的背景下针对一个重要的问题。Mecos有效地从有限的交互中提取用户偏好，并学会将目标冷启动项目与潜在用户相匹配。此外，我们的框架可以轻松地集成到基于神经网络的模型。在三个真实世界数据集上进行的广泛实验验证了Mecos的优越性，与最先进的基线方法相比，HR@10的平均改善高达99%，91%和70%。
2020-12-10 cs.AI cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University（同济大学）
本文提出TME-PSR模型，整合时间感知个性化、多兴趣个性化和解释个性化，以提升个性化序列推荐的准确性和解释质量，通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Denoising User-aware Memory Network for Recommendation
Alibaba Group（阿里巴巴集团）；University of Science and Technology of China（中国科学技术大学）
为了更好的用户满意度和商业效率，基于序列的推荐系统越来越受到关注，它被用来推断用户的动态偏好的演变，最近的研究已经注意到，用户的偏好的演变可以更好地理解从隐式和显式反馈序列。然而，现有的推荐技术大多没有考虑隐式反馈中的噪声，这将导致用户兴趣的偏差表示和次优推荐性能。同时，现有的方法利用项目序列来捕捉用户兴趣的演变。这些方法的性能受到序列长度的限制，不能有效地对长时间内的长期兴趣建模。基于这一观察，我们提出了一种新的CTR模型命名为去噪用户感知记忆网络（DUMN）。具体而言，该框架：（1）提出了一种基于正交映射的特征净化模块，该模块利用显式反馈的表示对隐式反馈的表示进行净化，有效地去除了隐式反馈的噪声;（2）通过对已有方法忽略的用户记忆网络进行改进，设计了一种用户记忆网络，对用户长期兴趣进行细粒度建模;以及（iii）开发偏好感知交互式表示组件以基于门控融合用户的长期和短期兴趣，从而理解用户的无偏偏好的演变。在两个真实的电子商务用户行为数据集上的大量实验表明，DUMN在最先进的基线上有显着的改进。DUMN模型的代码已作为附加材料上传。
2021-07-12 cs.AI cs.IR
Conditional Denoising Diffusion for Sequential Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
针对GAN和VAE在序列推荐中的优化不稳定、后验坍缩等问题，提出含序列编码器、交叉注意力去噪解码器和逐步扩散器的条件去噪扩散模型，并结合交叉散度与对比损失，在四个基准数据集上验证了优越性能。
2023-04-22 cs.AI cs.IR cs.LG
A Novel Mamba-based Sequential Recommendation Method
Huawei Technologies Co., Ltd.（华为技术有限公司）
本文提出多头潜在Mamba架构Hydra，通过低维Mamba层和位置编码高效建模长序列用户行为，在显著降低参数和训练时间的同时超越现有序列推荐方法，并支持多域扩展。
2025-04-10 cs.AI cs.IR
Knowledge-refined Denoising Network for Robust Recommendation
针对现有知识感知推荐存在任务无关知识传播与易受交互噪声影响的问题，提出知识精炼去噪网络KRDN，结合自适应知识精炼与对比去噪机制，在三个基准数据集上性能优于多种现有先进模型。
2023-04-28 cs.IR
RuleAgent: Discovering Rules for Recommendation Denoising with Autonomous Language Agents
RuleAgent利用自主语言智能体模拟数据专家，自动发现推荐去噪规则，并引入LossEraser遗忘策略避免频繁重训练，在基准数据集上取得最优性能且规则可泛化。
2025-03-30 cs.IR
Adaptive Item-based Collaborative Structures via Noise Rescheduling in Diffusion for Generative Recommendation
Tongji University（同济大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）；Fudan University（复旦大学）
针对现有生成式推荐模型未整合物品协同信息的缺陷，提出 ANR-DiffRec 框架，通过引入物品共现矩阵与自适应噪声重调度机制，在多基准测试中优于现有最优模型。
2026-08-25 cs.AI cs.IR
DELRec: Distilling Sequential Pattern to Enhance LLMs-based Sequential Recommendation
Donghua University（东华大学）；Macquarie University（麦考瑞大学）
本文提出DELRec框架，通过从传统序列推荐模型中蒸馏行为模式作为软提示，并微调LLMs利用该辅助信息，有效解决了现有LLMs推荐方法中文本信息有限、模型信息利用不充分及复杂度高的问题。
2024-12-18 cs.AI cs.IR
Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation
针对序列推荐中无监督去噪易误删用户兴趣物品且忽略兴趣粒度噪声的问题，提出MGSD-WSS模型，利用弱监督信号与多高斯核感知机准确识别噪声，结合噪声加权对比学习实现物品与兴趣双重粒度去噪，在五个数据集上显著优于现有方法。
2025-10-12 cs.IR
Semantics-Aware Denoising: A PLM-Guided Sample Reweighting Strategy for Robust Recommendation
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出SAID方法，通过预训练语言模型识别语义不一致的点击交互，有效提升推荐系统的鲁棒性与准确性。
2026-02-17 cs.IR
CSSR: A Context-Aware Sequential Software Service Recommendation Model
Northeastern University（东北大学）；RMIT University（皇家墨尔本理工大学）
我们提出了一种新的软件服务推荐模型，以帮助用户在GitHub中找到合适的存储库。我们的模型首先设计了一种新的上下文诱导的存储库图嵌入方法，利用丰富的上下文信息的存储库，以减轻数据稀疏性问题所造成的困难。然后，它首次在软件服务推荐字段中利用用户与存储库交互的序列信息。具体而言，采用基于深度学习的顺序推荐技术来捕获用户偏好的动态。针对一系列现有方法，对从GitHub收集的大型数据集进行了全面的实验。结果说明了我们的方法在各个方面的优越性。
2021-12-20 cs.AI cs.IR
Attention-based sequential recommendation system using multimodal data
Chungnam National University（忠南大学）；Ewha Womans University（梨花女子大学）
针对多模态数据未直接用于序列推荐的问题，提出基于注意力机制的方法，融合图像、文本和类别特征，通过注意力融合及多任务学习提升性能，在Amazon数据集上优于传统方法。
2024-05-28 cs.AI cs.IR
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Wuhan University of Technology（武汉理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
由于知识图谱提供了丰富的信息，基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱，而忽略了动态的用户项演化，导致不太令人信服和不准确的解释。虽然有一些工作，认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统，他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐（TMER-RL），它利用带有注意力机制的连续项之间的强化项-项路径建模，在动态知识图谱上对动态用户-项演化进行顺序建模，以实现可解释推荐。与现有的作品，使用大量的递归神经网络模型的时间信息相比，我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示，与最近的强基线相比，TMER具有最先进的性能。
2021-11-24 cs.AI cs.IR
Beyond Noisy Signals: Dual-Level Denoising for Multi-modal Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
研究多模态序列推荐中的双重噪声困境，提出DDMSR框架，从特征拓扑和序列频率角度净化信号，设计基于图的特征去噪与频域序列去噪模块，纳入多模态对比对齐目标，实验证明该框架性能优于基线。
2026-08-17 cs.IR
Self-Guided Learning to Denoise for Robust Recommendation
隐式反馈的普遍性使其成为构建现代推荐系统的默认选择。一般来说，观察到的相互作用被认为是正样本，而未观察到的相互作用被认为是负样本。然而，由于噪声积极和噪声消极的相互作用的普遍存在，隐式反馈本质上是嘈杂的。近年来，一些研究注意到了隐式反馈去噪对推荐的重要性，并在一定程度上增强了推荐模型的鲁棒性。尽管如此，它们通常无法（1）捕获硬而干净的交互以学习全面的用户偏好，以及（2）提供可应用于各种推荐模型的通用去噪解决方案。在本文中，我们深入研究了推荐模型的记忆效应，并提出了一种新的去噪范式，即，自我引导去噪学习（SGDL），能够在训练的早期阶段收集记忆的交互（即，“抗噪”时段），并利用这些数据作为去噪信号来指导后续训练（即，“噪声敏感”时期）。此外，我们的方法可以自动切换其学习阶段的记忆点从记忆到自我引导学习，并选择干净和信息的记忆数据，通过一种新的自适应去噪调度，以提高鲁棒性。我们将SGDL与四个代表性的推荐模型（即，NeuMF、CDAE、NGCF和LightGCN）和不同的损失函数（即，二进制交叉熵和BPR损失）。在三个基准数据集上的实验结果证明了SGDL的有效性，超过了最先进的去噪方法，如T-CE，IR，DeCA，甚至是最先进的基于图的鲁棒方法，如SGCN和SGL。
2022-05-17 cs.IR
Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information
Beijing Institute of Technology（北京理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出Laser框架，通过前缀和后缀双向插入可训练虚拟令牌实现参数高效的大语言模型序列推荐，并引入M-Former融合多样化用户协同信息，显著提升推荐准确性。
2024-09-03 cs.AI cs.IR
Diffusion Augmentation for Sequential Recommendation
Xi’an Jiaotong University（西安交通大学）；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）
本文提出DiffuASR，利用扩散模型生成高质量增强序列数据，以缓解序列推荐中的数据稀疏和长尾用户问题，并可直接训练现有推荐模型。
2023-09-22 cs.AI cs.IR
Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对序列推荐中相关性与类别校准冲突的问题，提出 LeapRec，通过校准解耦训练损失和相关性优先重排序，在四个真实数据集上持续优于现有方法。
2024-08-04 cs.AI cs.IR
Scene-adaptive Knowledge Distillation for Sequential Recommendation via Differentiable Architecture Search
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Westlake University（西湖大学）；Tencent Kandian Group（腾讯看点事业部）；Huazhong University of Science and Technology（华中科技大学）
顺序推荐系统（SRS）因其对用户动态兴趣和顺序行为模式建模的能力而成为研究热点。为了最大限度地提高模型的表达能力，默认选择是应用更大更深的网络架构，然而，在生成在线推荐时，这通常会带来高网络延迟。当然，我们认为，压缩到中等或轻量级的神经网络的重型推荐模型是非常重要的实际生产系统。为了实现这样一个目标，我们提出了AdaRec，一个知识蒸馏（KD）框架，该框架通过使用可微神经结构搜索（NAS），根据推荐场景自适应地将教师模型的知识压缩到学生模型中。具体来说，我们引入了一个面向目标的蒸馏损失，以指导结构搜索过程中发现的学生网络架构，和成本敏感的损失作为约束的模型大小，从而实现了推荐的有效性和效率之间的一个优越的权衡。此外，在知识蒸馏过程中，我们利用地球移动器距离（EMD）实现多对多的层次映射，使每个中间学生层能够自适应地向其他中间教师层学习。在真实世界推荐数据集上的大量实验表明，与强大的同行相比，我们的模型具有竞争力或更好的准确性，具有显着的推理加速，同时在不同的推荐场景下发现了不同的顺序推荐模型的神经架构。
2022-04-10 cs.AI cs.IR
Is News Recommendation a Sequential Recommendation Task?
新闻推荐通常被建模为一个顺序推荐任务，它假设历史点击新闻具有丰富的短期依赖性。然而，在新闻推荐场景中，用户通常对新闻信息的时间多样性有很强的偏好，并且可能不倾向于连续点击类似的新闻，这与电子商务推荐等许多顺序推荐场景有很大不同。在本文中，我们研究新闻推荐是否可以被视为一个标准的顺序推荐问题。通过在两个真实数据集上的大量实验，我们发现将新闻推荐建模为顺序推荐问题是次优的。为了应对这一挑战，我们进一步提出了一个时间多样性感知的新闻推荐方法，可以促进候选新闻是从最近点击的新闻，这可以帮助预测未来的点击更准确。实验表明，我们的方法可以不断提高各种新闻推荐方法。
2021-08-26 cs.IR
Context-aware Sequential Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Northeastern University（东北大学）；Rice University（莱斯大学）
由于序列信息在用户行为建模中起着重要的作用，各种序列推荐方法已经被提出。基于马尔可夫假设的方法被广泛使用，但独立地结合了几个最新的组件。最近，基于递归神经网络（RNN）的方法已经成功地应用于几个顺序建模任务。然而，对于现实世界的应用，这些方法有困难的建模上下文信息，已被证明是非常重要的行为建模。在本文中，我们提出了一种新的模型，命名为上下文感知递归神经网络（CA-RNN）。CA-RNN采用自适应上下文特定输入矩阵和自适应上下文特定转移矩阵，而不是使用常规RNN模型中的常数输入矩阵和转移矩阵。自适应上下文特定输入矩阵捕捉用户行为发生的外部环境，如时间、位置、天气等，自适应上下文特定转移矩阵捕捉历史序列中相邻行为之间的时间间隔长度对全局序列特征转移的影响。实验结果表明，所提出的CA-RNN模型在两个公共数据集上，即，淘宝数据集和Movielens-1 M数据集。
2016-09-19 cs.AI cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Central University（国立中央大学）
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
Lost in Sequence: Do Large Language Models Understand Sequential Recommendation?
NAVER Corperation（NAVER公司）；University of California San Diego（加州大学圣地亚哥分校）
该研究发现现有LLM4Rec模型未充分捕捉序列推荐中的序列信息，提出LLM-SRec方法，通过蒸馏预训练CF-SRec的用户表征增强LLM的序列理解能力，仅训练少量轻量MLP即达SOTA性能。
2025-06-11 cs.AI cs.IR
Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University（东北大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
该研究提出基于文本匹配的序列推荐模型TASTE，结合注意力稀疏方法建模长用户交互，在常用数据集上优于现有最优方法，可缓解冷启动、降低流行度偏差，提升推荐准确率。
2023-08-27 cs.AI cs.IR
GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation
Nanjing University of Posts and Telecommunications（南京邮电大学）
基于多兴趣框架的顺序推荐将用户最近的交互序列建模为多个不同的兴趣向量，因为单个低维向量不能完全表示用户兴趣的多样性。然而，现有的模型大多只截取用户最近的交互行为作为训练数据，丢弃了大量的历史交互序列。这可能引起两个问题。一方面，反映用户多种兴趣的数据缺失;另一方面，历史用户-项目交互中项目之间的共现没有得到充分探索。针对这两个问题，本文提出了一种新的顺序推荐模型，称为“全局交互感知多兴趣顺序推荐框架（GIMIRec）”。具体而言，在不引入任何外部信息的情况下，首先提出了全局上下文提取模块，该模块从所有用户的历史交互序列中，根据每个项目对的约束同现数及其时间间隔计算加权同现矩阵，然后利用简化的图卷积得到每个项目的全局上下文嵌入.其次，捕获每个用户最近交互序列中每个项目对的时间间隔，并与全局上下文项目嵌入相结合，得到个性化项目嵌入。最后，一个基于自我注意力的多兴趣框架被应用到学习用户的不同兴趣的顺序推荐。在Amazon-Books、Taobao-Buy和Amazon-Hybrid三个真实世界数据集上的大量实验表明，GIMIRec在召回率、NDCG和点击率指标上的性能明显优于现有方法。此外，所提出的全局上下文提取模块可以很容易地移植到大多数顺序推荐模型。
2021-12-16 cs.AI cs.IR
SSDRec: Self-Augmented Sequence Denoising for Sequential Recommendation
针对序列推荐中仅靠序列内信息去噪易出现过度/去噪不足的问题，提出三阶段SSDRec框架，通过全局关系编码、自增强和分层去噪提升去噪可靠性，在五个真实数据集上表现优于现有方法。
2024-03-07 cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
Xidian University（西安电子科技大学）；Shanghai Fairyland Software Co.,Ltd.（上海仙景软件有限公司）
提出ANCHOR框架，通过智能体模拟用户行为生成真实噪声标签，将推荐去噪转化为监督学习问题，实现高效噪声识别。
2026-08-04 cs.IR
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
Wuhan University（武汉大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
最近，快手、抖音等微视频分享平台成为人们生活的主要信息来源。由于这些服务的大流量，短视频寿命和流媒体时尚，它已经变得越来越迫切，以提高现有的推荐系统，以适应这些挑战，在一个具有成本效益的方式。提出了一种新的概念感知去噪图神经网络（CONDE）微视频推荐方法。CONDE由三个阶段的图卷积过程组成，以获得用户和微视频表示：预热传播，图去噪和偏好细化。通过将用户节点与视频节点连接，以及将视频节点与从视频的字幕和评论中提取的相关联的概念节点连接，来构造异构三分图。为了解决图中的噪声信息，我们引入了面向用户的图去噪阶段，以提取更能反映用户偏好的子图。尽管本文的主要重点是微视频推荐，但我们也表明，我们的方法可以推广到其他类型的任务。因此，我们还进行了一个著名的公共电子商务数据集的实证研究。实验结果表明，建议CONDE实现显着更好的推荐性能比现有的国家的最先进的解决方案。
2021-09-28 cs.IR cs.LG
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
本文通过分析去噪权重导致的头尾信号比变化，揭示小损失去噪会抑制干净但难拟合的长尾信号，提出流行度感知去噪（PAD）框架，根据物品流行度调节去噪强度，在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
