BiVRec: Bidirectional View-based Multimodal Sequential Recommendation
City University of Hong Kong(香港城市大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Michigan State University(密歇根州立大学);Shanghai Jiaotong University(上海交通大学);Jinan University(暨南大学);The University of Queensland(昆士兰大学)
针对多模态序列推荐两类范式的缺陷,提出BiVRec框架,通过多尺度兴趣嵌入、视图内兴趣分解、跨视图兴趣学习模块,联合ID与多模态视图双向提升推荐性能,在五个数据集达SOTA。
2024-03-05 cs.AI cs.IR
Long-Term Interest Clock: Fine-Grained Time Perception in Streaming Recommendation System
ByteDance(字节跳动)
针对流式推荐系统中时间感知粗粒度问题,提出Long-term Interest Clock (LIC),通过Clock-GSU和Clock-ESU模块从长期行为中捕获细粒度动态兴趣,在线A/B测试提升用户活跃天数0.122%并已应用于抖音音乐。
2025-01-27 cs.AI cs.IR
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London(伦敦大学学院);Polytechnic University of Bari(巴里理工大学);University of Guilan(吉兰大学);University of Southern California(南加州大学)
兴趣点(POI)推荐系统为用户提供个性化推荐,帮助企业吸引潜在客户。尽管它们取得了成功,但最近的研究表明,高度数据驱动的建议可能会受到数据偏见的影响,导致对不同利益相关者(主要是消费者(用户)和提供者(物品))的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理,而忽略了推荐系统是在双边市场中工作的。本文研究了(i)活跃用户的不公平性,(ii)热门项目的不公平性,(iii)推荐的准确性(个性化)之间的相互作用,作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别,以根据他们的活动水平来衡量用户公平性。对于项目公平性,我们将项目分为短头、中尾和长尾组,并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型(例如,在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文(CF)表明,大多数表现良好的模型严重遭受流行偏见的不公平性(提供商不公平性)。此外,我们的研究表明,大多数推荐模型不能同时满足消费者和生产者的公平性,这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而,这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology(哈尔滨工业大学);Nanyang Technological University(南洋理工大学)
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题,提出DP2Rec模型,通过双阶段模块联合优化准确性与多样性,在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
Explaining the (Not So) Obvious: Simple and Fast Explanation of STAN, a Next Point of Interest Recommendation System
LTCI, Télécom Paris(法国电信学院 LTCI);Institut Polytechnique de Paris(巴黎综合理工学院)
针对下一个兴趣点推荐系统STAN,提出结合其协同过滤与序列预测特性的简单快速可解释方案,可通过用户相似性、关键时间步解释结果并辅助调试输出。
2024-10-04 cs.AI cs.IR cs.LG
Empowering Compact LLMs with Fusion of Layer-wise Exits for Recommendation
The University of Queensland(昆士兰大学);Griffith University(格里菲斯大学);Edith Cowan University(伊迪丝科文大学);University of Notre Dame(圣母大学)
本文提出FLEXRec框架,通过在紧凑型LLM的Transformer层插入预测头并自适应融合,结合AC-Router与目标k铰链损失,在三个数据集上以Qwen 3 1.7B和Llama 3.2 3B实现紧凑型主干方法中最优准确率且效率高。
2026-08-28 cs.IR
The Language of the Question Selects the Market: Query Language and Exit IP as Separable Factors in Commercial Recommendations from a Generative Search Interface
Estonian Entrepreneurship University of Applied Sciences(爱沙尼亚应用科技大学);Rankfor.AI OÜ(Rankfor.AI 有限责任公司)
该研究通过对ChatGPT及OpenAI API的234次受控探测,发现生成式搜索的商业推荐中,查询语言与退出IP是可分离因素,语言决定本地供应商是否出现,IP决定市场归属,且不稳定性是系统属性。
2026-09-01 cs.CL cs.CY 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
Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation
University of Illinois Urbana--Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta MRS
提出G2Rec框架,通过统一图建模与语义分词,实现工业级生成式推荐中用户兴趣上下文的全面准确建模。
2026-06-19 cs.AI cs.IR
Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61);UNSW(新南威尔士大学)
针对现有序列推荐忽略用户静态兴趣与负向激励的问题,提出含TPNE模块的SDIL框架,同时建模两类兴趣与正负激励,在三个真实数据集上性能超越SOTA基线。
2024-10-29 cs.AI cs.IR
Context-aware short-term interest first model for session-based recommendation
Heilongjiang University(黑龙江大学)
在用户简档不可用的情况下,基于匿名会话的推荐尤为重要,其目的是根据用户在一段时间内的访问顺序来预测用户下一时刻可能点击的项目。近年来,随着递归神经网络、注意力机制和图神经网络的发展,基于会话的推荐性能得到了很大的提高。然而,以前的方法没有全面考虑上下文的依赖性和短期利益第一的会话。为此,本文提出了一种上下文感知的短期兴趣优先推荐模型(CASIF),旨在通过结合上下文和短期兴趣来提高推荐的准确性。在CASIF中,我们动态地为会话序列构造一个图结构,并通过图神经网络(GNN)捕获丰富的上下文依赖,潜在的特征向量被捕获作为下一步的输入。然后构建了短期兴趣优先模块,该模块能够在长期记忆的背景下从会话中捕获用户的一般兴趣,同时从用户最近一次点击的项目中获取用户的当前兴趣。最后,将短期兴趣和长期兴趣结合起来作为最终兴趣,并乘以候选向量以获得推荐概率。最后,在两个真实数据集上的大量实验证明了该方法的有效性。
2021-03-29 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
GemiRec: Interest Quantization and Generation for Multi-Interest Recommendation
Xiaohongshu Co., Ltd(小红书公司)
针对多兴趣推荐中兴趣坍缩和演化建模不足的问题,提出GemiRec框架,通过兴趣量化与生成实现结构化分离和动态学习,已在工业部署并验证有效性。
2025-10-16 cs.AI cs.IR
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation
Dalian University of Technology(大连理工大学);Wuhan University(武汉大学);Pennsylvania State University(宾夕法尼亚州立大学)
基于会话的推荐旨在根据匿名用户的短行为序列预测其想要购买的物品。现有的基于会话的推荐方法只关注用户的兴趣偏好建模,而忽略了项目的一个关键属性,即,价格.许多市场研究表明,价格因素对用户的购买行为有着显著的影响,用户的购买决策同时受到价格偏好和兴趣偏好的影响。然而,将价格偏好纳入基于会话的推荐是不平凡的。首先,很难处理来自物品的各种特征的异构信息来捕获用户的价格偏好。其次,很难对价格和兴趣偏好之间的复杂关系进行建模,以确定用户的选择。为了解决上述问题,我们提出了一种新的基于会话的推荐方法--协同引导的异构超图网络(CoHHN)。对于第一个挑战,我们设计了一个异构超图来表示异构信息和它们之间的丰富关系。设计了一种双通道聚合机制,用于聚合异构超图中的各种信息。在此基础上,通过注意力层提取用户的价格偏好和兴趣偏好。对于第二个挑战,设计了一个共同引导的学习方案,以建模价格和利率偏好之间的关系,并加强彼此的学习。最后,我们预测用户行为的基础上项目的功能和用户的价格和兴趣偏好。在三个真实数据集上的大量实验证明了所提出的CoHHN的有效性。进一步的分析揭示了价格对基于会话的推荐的重要性。
2022-05-09 cs.AI cs.IR
A Systematic Analysis on the Impact of Contextual Information on Point-of-Interest Recommendation
University College London(伦敦大学学院);University of Amsterdam(阿姆斯特丹大学);Leiden University(莱顿大学);Università della Svizzera italiana (USI)(瑞士意大利语大学)
随着基于位置的社交网络(LBSNs)的普及,设计精确的兴趣点推荐模型受到了越来越多的关注。POI推荐通常通过将上下文信息并入先前设计的推荐算法来执行。在POI推荐中已经考虑的一些主要上下文信息是位置属性(即,位置、类别和登记时间的精确坐标),用户属性(即,评论、评论、提示和对位置的签到)以及其他信息,诸如POI与用户的主要活动位置的距离以及用户之间的社交联系。这些因素的正确选择可以显著影响POI推荐的性能。然而,以前的研究没有考虑这些不同因素的组合的影响。本文提出了不同的上下文模型,并分析了在兴趣点推荐中不同上下文信息的融合。本文的主要贡献是:(i)提供上下文感知位置推荐的广泛调查(ii)量化和分析不同上下文信息(例如,社会的,时间的,空间的,和分类的)在POI推荐可用的基线和两个新的线性和非线性模型,可以将所有主要的上下文信息到一个单一的推荐模型,以及(iii)评估所考虑的模型使用两个众所周知的现实世界的数据集。我们的研究结果表明,虽然建模地理和时间的影响可以提高推荐质量,融合所有其他上下文信息到一个推荐模型并不总是最好的策略。
2022-01-20 cs.AI cs.IR
Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs
本文提出ISRF框架,通过三次步骤实现从个体到群体的语义推理,提升生成推荐的准确性与全面性。
2026-03-14 cs.AI cs.IR
InBox: Recommendation with Knowledge Graph using Interest Box Embedding
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
InBox提出基于盒嵌入的兴趣建模方法,利用知识图谱的细粒度概念组合,在推荐任务上显著优于现有方法。
2024-03-19 cs.AI cs.IR
Deep Stable Multi-Interest Learning for Out-of-distribution Sequential Recommendation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Kuaishou Technology(快手科技);Nanjing University(南京大学)
针对序列推荐中的分布外泛化问题,本文提出DESMIL模型,通过HSIC加权相关性损失对多兴趣去相关,消除虚假相关性,在OOD和随机设置下分别取得36.8%和21.7%的相对提升。
2023-04-12 cs.AI 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
Multi-Interest Recommendation: A Survey
本综述系统梳理多兴趣推荐的研究进展,回答其重要性、建模关注点及应用技术细节,为研究者提供基础框架与未来方向指引。
2025-06-18 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
Denoising Long- and Short-term Interests for Sequential Recommendation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);College of Computer Science, Chongqing University(重庆大学计算机学院);University of Chinese Academy of Sciences(中国科学院大学)
本文提出长短期兴趣去噪网络(LSIDN),通过会话级提取和对比学习分别去噪长期与短期兴趣,在公开数据集上超越现有模型,实现稳健的序列推荐。
2024-07-20 cs.AI cs.IR
R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
Sydney Smart Technology College, Northeastern University, China(悉尼智能技术学院,东北大学,中国)
本文针对序列推荐中的证据不足和动态多维意图建模问题,提出R3-REC框架,通过多级用户意图推理、物品语义提取等模块提升推荐效果,实验显示在多个数据集上优于基线模型。
2026-03-14 cs.AI cs.IR
Point of Interest Recommendation: Pitfalls and Viable Solutions
King’s College London(伦敦国王学院);Free University of Bozen-Bolzano(博兹纳-博尔扎诺自由大学)
本文批判性评估兴趣点推荐研究现状,指出数据集、算法和评估方法三方面的关键缺陷,并提出包含多利益相关者设计、上下文感知等方向的研究议程。
2025-07-18 cs.AI cs.IR
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而,它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及,这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域,它利用社会信息来缓解数据稀疏和冷启动问题,并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而,现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法,提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同,Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外,Hete-CF是一种通用方法,并且可以在任意社交网络中使用,包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP(一种典型的异构信息网络)和MeeShop(一种典型的基于事件的社交网络)两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Improving Micro-video Recommendation via Contrastive Multiple Interests
随着微视频创作者和观看者的迅速增加,如何从海量的候选人向观看者进行个性化推荐开始受到越来越多的关注。然而,现有的微视频推荐模型依赖于昂贵的多模态信息,并且学习整体兴趣嵌入,不能反映用户对微视频的多种兴趣。最近,对比学习为改进现有的推荐技术提供了一个新的机会。因此,本文提出了提取对比性多兴趣,并设计了一个微视频推荐模型CMI。具体而言,CMI从每个用户的历史交互序列中学习他/她的多个兴趣嵌入,其中隐式正交微视频类别用于解耦多个用户兴趣。此外,它建立了对比多兴趣损失,以提高兴趣嵌入的鲁棒性和推荐的性能。在两个微视频数据集上的实验结果表明,CMI在现有基线上实现了最先进的性能。
2022-05-19 cs.IR
Generative Inverse Deep Reinforcement Learning for Online Recommendation
School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院);Data61, CSIRO(联邦科学与工业研究组织Data61研究院)
深度强化学习使智能体能够通过与环境的动态交互来捕获用户的兴趣。它引起了人们对推荐研究的极大兴趣。深度强化学习使用奖励函数来学习用户的兴趣并控制学习过程。然而,大多数奖励函数都是手动设计的;它们要么不切实际,要么不精确,以反映推荐问题的高多样性,维度和非线性特性。这使得代理很难学习最佳策略来生成最满意的建议。为了解决上述问题,我们提出了一种新的生成逆强化学习方法,即InvRec,它自动提取用户的行为的奖励功能,在线推荐。我们在一个在线平台VirtualTB上进行了实验,并与几种最先进的方法进行了比较,以证明我们所提出的方法的可行性和有效性。
2020-11-04 cs.AI 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
A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings
University of Surrey(萨里大学)
针对现有物品表示难以直接反映用户兴趣的问题,本文提出模型无关的IaCN框架,通过辅助任务联合学习基于物品与面向兴趣的物品嵌入,并在多场景实验中显著提升多种推荐模型性能。
2023-08-17 cs.AI cs.IR cs.LG
Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Alibaba Group(阿里巴巴集团)
跨域推荐近年来受到了业界和学术界的广泛关注。然而,大多数现有的方法不利用域之间的兴趣不变性,这将产生次优的解决方案。本文提出了一种跨领域推荐方法:自监督兴趣转移网络(SITN),它通过原型对比学习在领域之间有效地转移不变知识。具体来说,我们执行两个层次的跨域对比学习:1)实例到实例的对比学习,2)实例到集群的对比学习。不仅如此,我们还考虑了用户的多粒度和多视角兴趣。通过这种范式,SITN可以显式地学习领域之间兴趣簇的不变知识,准确地捕获用户的意图和偏好。我们对一个公共数据集和一个从世界领先的电子商务公司收集的大规模工业数据集进行了广泛的实验。实验结果表明,SITN实现了显着的改进,国家的最先进的推荐方法。此外,SITN已部署在微视频推荐平台上,在线A/B测试结果进一步证明了其实用价值。补充资料可在以下网址获得:https://github.com/fanqieCoffee/SITN-Supplement。
2023-02-28 cs.AI cs.IR cs.LG
A Survey of Point-of-interest Recommendation in Location-based Social Networks
随着基于位置的社交网络(LBSNs)的流行,出现了向用户推荐新的访问地点的兴趣点(POI)推荐。由于兴趣点推荐在LBSNs中的重要性,它引起了学术界和工业界的广泛兴趣。在本文中,我们提供了一个系统的审查这一领域,总结个人的努力和探索他们之间的关系的贡献。讨论了兴趣点推荐与传统推荐问题相比所具有的新特性和面临的新挑战,电影推荐。然后从兴趣点推荐的影响因素、兴趣点推荐的方法和兴趣点推荐的不同任务三个方面进行了综述。具体来说,我们提出了三个分类分类POI推荐系统。首先,我们根据签到特征的影响因素对系统进行分类,包括地理信息、社会关系、时间影响和内容指示。其次,我们将系统按方法分类,包括融合方法和联合方法建模的系统。第三,根据推荐任务是否偏向于最近签到的细微差别,将系统分为一般兴趣点推荐和连续兴趣点推荐。对于每一个类别,我们总结了贡献和系统功能,并突出了代表性的工作。此外,我们讨论了可用的数据集和流行的指标。最后,我们指出了该领域未来可能的发展方向,并总结了本次调查。
2016-07-03 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
Multi Interests for Joint Search-Recommendation Modeling
Huazhong University of Science and Technology(华中科技大学)
本研究提出MIJSR框架,从结构和语义视角对搜索-推荐混合序列进行多兴趣挖掘与自适应整合,经实验可提升搜索和推荐的准确率。
2026-08-12 cs.IR
FeedRec: News Feed Recommendation with Various User Feedbacks
准确的用户兴趣建模对于新闻推荐具有重要意义。现有的大多数新闻推荐方法都依赖于像点击这样的隐式反馈来推断用户兴趣和模型训练。然而,点击行为通常包含大量噪声,并且不能帮助推断复杂的用户兴趣,例如不喜欢。此外,仅基于点击行为训练的提要推荐模型无法优化其他目标,如用户参与度。在本文中,我们提出了一个新闻提要推荐方法,可以利用各种用户反馈,以提高用户兴趣建模和模型训练。我们提出了一个统一的用户建模框架,将各种显式和隐式的用户反馈来推断积极和消极的用户兴趣。此外,我们提出了一个从强到弱的注意力网络,它使用较强反馈的表示来从隐式弱反馈中提取积极和消极的用户兴趣,以进行准确的用户兴趣建模。此外,我们提出了一个多反馈模型训练框架来学习一个具有成就感的提要推荐模型。在真实数据集上的大量实验表明,我们的方法可以有效地提高模型在新闻点击和用户参与方面的性能。
2022-02-04 cs.IR
LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation
本文提出一种结合隐式行为与显式语义的双层多兴趣序列推荐框架,利用LLM提取语义表示增强传统行为模型,推理时仅用行为模块实现高效推荐。
2025-05-07 cs.IR
Disentangling Long and Short-Term Interests for Recommendation
对用户的长期和短期兴趣进行建模对于准确的推荐至关重要。然而,由于没有手动标注的用户兴趣的标签,现有的方法总是遵循纠缠这两个方面的范例,这可能会导致较差的推荐准确性和可解释性。在本文中,为了解决这个问题,我们提出了一个对比学习框架,以解开长期和短期利益的建议(CLSR)与自我监督。具体来说,我们首先提出了两个独立的编码器来独立地捕获不同时间尺度的用户兴趣。然后,我们从交互序列中提取长期和短期兴趣代理,作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示及其对应的兴趣代理之间的相似性。最后,由于长期和短期兴趣的重要性是动态变化的,我们建议通过基于注意力的网络自适应地聚合它们进行预测。我们在电子商务和短视频推荐两个大规模真实世界数据集上进行了实验。实证结果表明,我们的CLSR始终优于所有国家的最先进的模型有显着的改进:GAUC提高了0.01以上,NDCG提高了4%以上。进一步的反事实评估表明,CLSR成功地实现了长期和短期利益的更强有力的脱钩。代码和数据可在https://github.com/tsinghua-fib-lab/CLSR上获得。
2022-02-26 cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣,而不考虑候选新闻。然而,每个用户通常具有多个兴趣,并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法,该方法可以将候选新闻加入到用户建模中,以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络,使用候选人的新闻作为线索,模型候选人意识的全球用户兴趣。此外,我们提出了一个候选人感知的CNN网络,将候选新闻纳入本地行为上下文建模,并学习候选人感知的短期用户兴趣。此外,我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻,以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
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
Heterogeneous Information Network-based Interest Composition with Graph Neural Network for Recommendation
异构信息网络(HINs)由于其能够用元路径来建模各种辅助信息而被广泛应用于推荐系统。然而,现有的基于HIN的推荐模型通常通过简单的加权求和或级联来融合来自不同元路径的信息,缺乏元路径之间的兴趣组合能力,从而限制了性能的提高。在本文中,我们提出了一个基于HIN的兴趣组合推荐模型(HicRec)。具体地说,用户和项目表示学习与图神经网络的图形结构和功能在每个元路径,和参数共享机制,在这里使用,以确保用户和项目表示是在相同的潜在空间。然后,通过用户和项目表示的组合来计算用户对来自每对相关元路径的每个项目的兴趣。通过元路径内和元路径间的用户兴趣组合得到用户的单一兴趣,并进行推荐。在三个真实世界的数据集上进行了大量的实验,结果表明,我们提出的HicRec模型优于基线。
2022-03-08 cs.IR
Learning from Atypical Behavior: Temporary Interest Aware Recommendation Based on Reinforcement Learning
传统的鲁棒推荐方法将非典型的用户-项目交互视为噪声,并旨在通过某种噪声过滤技术来减少其影响,这通常面临两个挑战。首先,在现实世界中,非典型的互动可能会表明用户的临时兴趣不同于他们的一般偏好。因此,简单地将非典型交互作为噪声过滤掉可能是不合适的,并且会降低推荐的个性化。第二,由于没有明确的监督信号来指示交互是否是非典型的,因此难以获得临时兴趣。为了解决这个问题,我们提出了一个新的模型称为临时兴趣感知推荐(TIARec),它可以区分非典型的互动,从正常的没有监督和捕获的临时兴趣,以及用户的一般偏好。特别是,我们提出了一个强化学习框架,包含一个推荐代理和一个辅助分类器代理,这是联合训练的目标,最大化的推荐代理的建议的累积回报。在联合训练过程中,分类器Agent可以判断与推荐Agent推荐的项目的交互是否为非典型交互,并将从非典型交互中学习暂时兴趣的知识传递给推荐Agent,使得推荐Agent能够单独做出平衡用户一般偏好和暂时兴趣的推荐。最后,在真实数据集上进行了实验,验证了TIARec的有效性.
2022-01-16 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
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前,推荐系统应用于电子商务、视频网站、社交网站等领域,给人们的日常生活带来了极大的方便。在推荐系统中,信息的类型越来越多样化和丰富,因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而,由于不同模态之间的表示差距,它是难以有效地使用非结构化的多模态数据,以提高推荐系统的效率。在本文中,我们提出了一个端到端的多模态的与数据相关的项目相似性模型(多模态IRIS)提供建议的多模态数据源的基础上。具体来说,多模式综合注册资讯系统模式包括三个模块,即:多模态特征学习模块、项目相关网络(IRN)模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后,IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后,多模态数据特征学习,IRN和项目相似性推荐模块被统一到一个集成的系统中,以实现性能的增强,并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明,通过处理人们在选择项目时可能更加关注的多模态数据,所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation
兴趣点推荐是基于位置的社交网络中的一项重要任务。它有助于用户和位置之间的关系建模。近年来,研究者从长期和短期利益出发推荐兴趣点,并取得了成功。然而,它们未能很好地捕捉周期性兴趣。人们倾向于在相似的时间或相似的地区访问相似的地方。现有的模型试图通过用户的移动状态或时隙来获取这种周期性,这限制了周期性兴趣的性能。为此,我们建议学习时空周期性兴趣。具体来说,在长期兴趣模块中,我们学习了日粒度的时间周期兴趣,然后利用层内注意力形成长期兴趣。在短期模块中,我们构造了各种短期序列,分别获得小时,面和小时-面粒度的时空周期性兴趣。最后,我们应用层间注意力来自动整合多个兴趣。两个真实世界的数据集上的实验证明了我们的方法的最先进的性能。
2021-09-16 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
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架,融合GeoSoCa、LORE和USG等上下文感知模型,扩展多维度评估并开源,以提升POI推荐的可复现性。
2023-06-20 cs.IR
Interest-aware Message-Passing GCN for Recommendation
图卷积网络(GCN)在推荐方面显示出巨大的潜力。这归因于它们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样,基于GCN的推荐模型也存在臭名昭著的过度平滑问题-当堆叠更多层时,节点嵌入变得更加相似,最终无法区分,导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这个问题,但是,我们认为,他们忽略了一个重要因素的过度平滑问题的推荐,即,高阶相邻用户没有共同的兴趣用户也可以参与到用户的嵌入学习中的图卷积运算。因此,多层图卷积将使具有不同兴趣的用户具有相似的嵌入。在本文中,我们提出了一种新的可感知的消息传递GCN(IMP-GCN)推荐模型,该模型在子图内部执行高阶图卷积。子图由具有相似兴趣的用户和他们交互的项目组成。为了形成子图,我们设计了一个无监督的子图生成模块,它可以有效地识别用户的共同兴趣,利用用户特征和图结构。为此,我们的模型可以避免将来自高阶邻居的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明,该模型可以通过堆叠更多的层来提高性能,并显着优于最先进的基于GCN的推荐模型。
2021-03-28 cs.IR
Session-based Recommendation with Self-Attention Networks
基于会话的推荐旨在通过当前会话和先前的匿名会话预测用户的下一个行为。在基于会话的推荐中,捕获项目之间的长距离依赖关系是一个重要的挑战。提出了一种新的基于会话的推荐方法,并将自注意网络(SR-SAN)作为一种补救措施。自注意网络(SAN)允许SR-SAN捕获会话的所有项目之间的全局依赖关系,而不管它们的距离。在SR-SAN中,使用单个项目的潜在向量来捕获当前兴趣和全局兴趣,而不是由当前兴趣嵌入和全局兴趣嵌入组成的会话嵌入。在一些开放的基准数据集上进行了一些实验。实验结果表明,该方法优于一些国家的艺术比较。
2021-02-03 cs.IR
Interest Clock: Time Perception in Real-Time Streaming Recommendation System
针对流式推荐系统时间建模难题,本文提出 Interest Clock 方法,将用户时间感知偏好编码为小时级时钟特征并用高斯分布平滑聚合,在线 A/B 测试及离线实验均验证其有效性,并已部署于抖音音乐 App。
2024-04-30 cs.IR
TrNews: Heterogeneous User-Interest Transfer Learning for News Recommendation
HKUST(香港科技大学)
我们研究如何解决未来的跨语料库新闻推荐未见过的用户。这是传统的基于内容的推荐技术经常失败的问题。幸运的是,在现实世界的推荐服务中,一些出版商(例如,每日新闻)可能已经积累了具有许多消费者的大语料库,其可以用于新部署的发布者(例如,政治新闻)。为了充分利用现有的语料库,我们提出了一个迁移学习模型(称为TrNews)的新闻推荐,从源语料库的知识转移到目标语料库。为了解决不同的用户兴趣和不同的词分布在语料库中的异质性,我们设计了一个基于翻译的迁移学习策略来学习源和目标语料库之间的表示映射。学习的翻译器可以用于为未来的未见过的用户生成表示。我们通过对真实世界数据集的实验表明,TrNews在四个指标方面优于各种基线。我们还表明,我们的翻译是有效的现有的迁移策略。
2021-01-27 cs.AI cs.CL cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣,并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是,新闻点击行为可以表明用户的兴趣。然而,在实际场景中,除了用户兴趣与新闻内容之间的相关性之外,新闻点击行为还可能受到其他因素的影响,例如在线平台中新闻呈现的偏差。例如,位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声,影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec,该方法可以处理偏见信息,从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块,一个偏见意识的用户建模模块,和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模,以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型,从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型,其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。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性能。
2021-04-15 cs.IR
POINTREC: A Test Collection for Narrative-driven Point of Interest Recommendation
本文提出了一个测试集的上下文兴趣点(POI)推荐在叙事驱动的场景。在那里,用户历史不可用,相反,用户请求用自然语言描述。我们收集的请求是从社交共享网站手动收集的,并使用各种类型的元数据进行注释,包括位置,类别,约束和示例POI。这些请求将从兴趣点数据集中得到解决,这些兴趣点数据集是从一个流行的在线目录中收集的,并进一步链接到一个地理知识库,并通过相关的网页片段加以丰富。通过汇集人工和自动建议,使用众包收集分级相关性评估,后者作为未来业绩比较的基线。该资源支持开发端到端POI推荐以及自然语言请求的特定语义注释任务的新方法。
2021-05-19 cs.IR
Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
Taobao & Tmall Group of Alibaba(阿里巴巴淘宝天猫集团)
针对触发式推荐中点击率预测的需求,提出CRRN模型,通过触发-目标交互层、级联兴趣融合模块和类别辅助成对损失优化,在工业与公开数据集及在线A/B测试中均优于现有方法。
2026-08-25 cs.IR
Mitigating Matthew Effect: Multi-Hypergraph Boosted Multi-Interest Self-Supervised Learning for Conversational Recommendation
Nanyang Technological University(南洋理工大学);Digital Trust Centre Singapore(新加坡数字信任中心);Sun Yat-sen University(中山大学);South China Agricultural University(华南农业大学);Peng Cheng Laboratory(鹏城实验室)
针对对话推荐系统中的马太效应问题,提出多超图增强多兴趣自监督学习框架HiCore,通过构建超图学习用户多层次兴趣,在四个相关数据集实验中取得新最优性能,有效缓解了马太效应。
2026-07-22 cs.AI cs.HC cs.IR
Pyramid Mixer: Multi-dimensional Multi-period Interest Modeling for Sequential Recommendation
针对序列推荐中用户兴趣建模不全面的问题,提出基于MLP-Mixer的金字塔混合器模型,通过跨行为、跨特征及跨周期建模,在离线与在线实验中提升效果,并成功部署于工业平台。
2025-06-20 cs.IR