Contrastive Learning for Recommender System
推荐系统分析用户的偏好模式以推荐潜在的目标，是当今社会不可或缺的。协同过滤（CF）是最流行的推荐模型。具体而言，图神经网络（GNN）已成为CF的新的最先进的。在基于GNN的推荐系统中，通常使用消息丢弃来减轻用户-项目二分图中的选择偏差。然而，基于用户-项目二分图的推荐系统中，由于消息丢失的随机性，消息丢失可能会降低推荐系统的性能。为了解决这个问题，我们提出了一个图对比学习模块的一般推荐系统，学习嵌入在一个自我监督的方式，并减少了随机性的消息丢失。此外，许多推荐系统优化模型与成对排序的目标，如贝叶斯成对排序（BPR）基于负抽样策略。然而，BPR存在以下问题：次优抽样和样本偏差。我们引入一种新的去偏对比损失来解决这些问题，它提供了足够的负样本，并应用偏差校正概率来减轻样本偏差。我们将所提出的框架（包括图对比模块和去偏对比模块）与几个矩阵分解（MF）和基于GNN的推荐模型集成在一起。在三个公共基准上的实验结果证明了该框架的有效性。
2021-01-05 cs.IR
Causal Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
Addressing Correlated Latent Exogenous Variables in Debiased Recommender Systems
Dalhousie University（达尔豪斯大学）；Beijing University of Chemical Technology（北京化工大学）；University of Michigan（密歇根大学）
针对推荐系统去偏方法默认外生变量独立的局限，本文提出基于似然最大化的统一学习算法，在温和正态性假设下建模相关潜在外生变量并用Monte Carlo估计似然，实验验证其有效性。
2025-06-09 cs.IR cs.LG
Mitigating Propensity Bias of Large Language Models for Recommender Systems
China University of Mining and Technology（中国矿业大学）；University of South Australia（南澳大学）；Guangxi Normal University（广西师范大学）
针对大语言模型辅助信息中的倾向性偏差和维度坍缩问题，提出反事实大语言模型推荐框架 CLLMR，通过频谱辅助信息编码器和反事实推断缓解偏差，实验证明其能持续提升多种推荐模型的性能。
2025-04-11 cs.AI cs.IR
Debiased Explainable Pairwise Ranking from Implicit Feedback
University of Louisville（路易斯维尔大学）
最近的工作在推荐系统中强调了公平的重要性，特别是在偏见和透明度，除了预测准确性。在本文中，我们专注于最先进的成对排名模型，贝叶斯个性化排名（BPR），它以前被发现在预测准确性方面优于逐点模型，同时也能够处理隐式反馈。具体来说，我们解决了BPR的两个局限性：（1）BPR是一个黑箱模型，不解释其输出，从而限制了用户对建议的信任，以及分析师审查模型输出的能力;（2）由于数据是非随机缺失（MNAR），BPR容易受到暴露偏差的影响。这种曝光偏差通常会转化为对最不受欢迎的项目的不公平，因为它们有被推荐系统曝光不足的风险。在这项工作中，我们首先提出了一种新的可解释的损失函数和相应的矩阵分解为基础的模型，称为可解释的贝叶斯个性化排名（EBPR），生成建议以及基于项目的解释。然后，我们从理论上量化额外的曝光偏差所造成的可解释性，并使用它作为基础，提出一个无偏估计的理想EBPR损失。其结果是一个排名模型，恰当地捕捉了去偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优点。
2021-07-30 cs.AI cs.IR cs.LG
Mitigating Filter Bubbles within Deep Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）
推荐系统为用户提供个性化建议，为当今许多社交媒体、电子商务和娱乐提供动力。然而，这些系统已经被认为在智力上将用户与各种观点隔离，或者导致过滤气泡。在我们的工作中，我们表征和减轻这种过滤气泡效应。我们这样做的基础上，他们的用户-项目的交互历史和计算的分类类别对彼此的影响，使用众所周知的TracIn方法分类的各种数据点。最后，我们通过仔细地重新训练我们的推荐系统，在不影响准确性的情况下减轻了这种过滤气泡效应。
2022-09-16 cs.IR cs.LG
Mitigating Position Bias with Regularization for Recommender Systems
针对推荐系统中常见的位置偏差问题，提出采用正则化技术降低偏差影响，实验验证该方法效果优于其他主流现代算法，为推荐系统去偏差提供了有效方案。
2024-01-18 cs.IR
A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems
Eindhoven University of Technology（埃因霍温理工大学）；Northwestern University（西北大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。公平性的一种具体形式是供应商暴露公平性，其目标是确保在向用户提供的建议中公平地覆盖所有供应商的项目。这在多利益相关者推荐场景中尤其重要，在这些场景中，不仅为最终用户优化效用，而且为其他利益相关者（例如希望公平表示其物品的物品销售商或生产商）优化效用也很重要。这种类型的供应商公平性有时是通过尝试增加聚合多样性来实现的，以减轻受欢迎的偏见，并提高推荐中长尾项目的覆盖率。在本文中，我们介绍了FairMatch，一个通用的基于图的算法，作为推荐生成后的后处理方法，以提高项目和供应商的曝光公平性。该算法迭代地将具有低可见性的高质量项目或来自具有低曝光度的供应商的项目添加到用户的最终推荐列表。在两个数据集上进行的一组全面的实验以及与最先进基线的比较表明，FairMatch在显着提高曝光公平性和总体多样性的同时，保持了可接受的建议相关性水平。
2021-07-07 cs.AI cs.IR
A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems
提出LCDR框架，利用可辨识变分自编码器作为因果约束对齐潜在表示，以缓解推荐系统中的混杂偏差，并在三个真实数据集上优于现有方法。
2025-05-22 cs.IR
TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation
North University of China（中北大学）；Beijing Jiaotong University（北京交通大学）
针对知识图谱推荐中实体长尾、噪声及用户点击数长尾影响性能的问题，提出两级去偏对比图学习模型TDCGL，通过用户-物品、用户-用户双级去偏对比及噪声负样本生成提升抗噪性，性能优于现有最优基线。
2023-10-01 cs.AI cs.IR
Exploring and Mitigating Gender Bias in Recommender Systems with Explicit Feedback
推荐系统是必不可少的，因为它们通过给我们个性化的建议来影响我们的日常行为和决策。Kindle、Youtube和Netflix等服务严重依赖其推荐系统的性能，以确保用户获得良好的体验并增加收入。尽管它们很受欢迎，但已经表明推荐系统复制并放大了现实世界中存在的偏见。由此产生的反馈创建了一个自我延续的循环，该循环恶化了用户体验，并导致随着时间的推移推荐被删除。此外，有偏见的建议也会强化基于性别或种族的刻板印象，从而强化我们生活的过滤气泡。在本文中，我们解决的问题，性别偏见的推荐系统与显式反馈。我们提出了一个模型来量化图书评级数据集和推荐系统产生的推荐中存在的性别偏见。我们的主要贡献是提供一个原则性的方法，以减轻建议中产生的偏见。我们从理论上表明，所提出的方法提供了公正的建议，尽管有偏见的数据。通过对公开图书评级数据集的实证评估，我们进一步表明，所提出的模型可以显着减少偏差，而不会对准确性产生显着影响。我们的方法是模型不可知的，可以应用于任何推荐系统。为了证明我们的模型的性能，我们提出了四个推荐算法的结果，两个从K-最近邻家庭，UserKNN和ItemKNN，和其他两个从矩阵分解家庭，交替最小二乘和奇异值分解。
2021-12-05 cs.IR
Quantifying and Mitigating Popularity Bias in Conversational Recommender Systems
会话式推荐系统（CRS）在通过多轮交互循环准确地捕获用户的当前和详细偏好同时有效地引导用户到更个性化的推荐方面已经显示出巨大的成功。也许令人惊讶的是，会话式推荐系统可能会受到流行偏见的困扰，就像传统的推荐系统一样。本文系统地研究了CRS中的流行性偏差问题。我们证明了存在的流行偏见，在现有的国家的最先进的CRS从曝光率，成功率和会话效用的角度来看，并提出了一套专门为CRS设置的流行偏见的度量。然后，我们引入了一个去偏置框架，具有三个独特的功能：（i）流行意识的集中学习，以减少流行扭曲的影响偏好预测;（ii）通过属性映射的冷启动项目嵌入重建，以改善冷启动项目的建模;（iii）双策略学习，以更好地指导CRS处理流行或不流行的项目。通过对两个常用CRS数据集的大量实验，我们发现所提出的模型无关的去偏置框架不仅减轻了最先进的CRS中的流行度偏差，而且提高了整体推荐性能。
2022-08-20 cs.IR
Advancing Recommender Systems by mitigating Shilling attacks
Sardar Patel Institute of Technology（萨达尔·帕特尔技术学院）
本文提出一种新算法来检测推荐系统中的 Shilling profiles，并研究其对推荐结果的影响，以缓解 Shilling 攻击。
2024-04-24 cs.AI cs.CR cs.IR
Debiased Contrastive Learning for Sequential Recommendation
目前的顺序推荐系统被提出来处理动态用户偏好学习与各种神经技术，如Transformer和图神经网络（GNNs）。然而，从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺的问题，最近提出了对比学习（CL）方法，以两种方式执行数据增强：（i）随机破坏序列数据（例如随机掩蔽，重新排序）;（ii）在预定义的对比视图中对齐表示。虽然有效，我们认为，目前的CL为基础的方法有局限性，在解决流行的偏见和解开用户的一致性和真正的兴趣。在本文中，我们提出了一个新的Debiased对比学习范例推荐（DCRec），统一的序列模式编码与全球合作关系建模，通过自适应一致性感知增强。该解决方案旨在解决推荐系统中的流行偏见问题。我们的去偏对比学习框架有效地捕捉序列内的项目转换模式和跨序列的用户之间的依赖关系。我们在各种真实世界数据集上的实验表明，DCRec的性能显著优于最先进的基线，表明其推荐的有效性。为了促进我们的结果的可重复性，我们在https://github.com/HKUDS/DCRec上公开了DCRec的实现。
2023-03-21 cs.IR
On Mitigating Data Sparsity in Conversational Recommender Systems
Nanyang Technological University（南洋理工大学）；The University of Queensland（昆士兰大学）
针对对话推荐系统的对话与实体空间数据稀疏问题，提出含三个模块的DACRS框架，经实验验证其性能优于现有最先进对话推荐系统。
2026-08-19 cs.IR
Understanding and Mitigating Training Instability in Large-Scale Recommender Systems: A Cascade Perspective
Google（谷歌）
本文针对大规模短视频推荐系统训练中出现的G-W-L级联发散问题，提出了梯度控制、权重/激活稳定、损失塑形的结构化缓解框架，经实证验证可有效解决训练不稳定性问题。
2026-10-14 cs.IR cs.LG
LBR: Towards Mitigating Length Bias in Large Language Models for Recommendation
Zhejiang University（浙江大学）；The Chinese University of Hong Kong（香港中文大学）；University of Science and Technology of China（中国科学技术大学）；Bangsun Technology（Bangsun科技）
研究大语言模型用于推荐时的长度偏差问题，提出LBR框架。通过长度感知注意力校准减轻输入偏差，引入有效信息长度归一化处理输出偏差，实验证明该框架能减轻偏差并提升推荐准确性和公平性。
2026-07-07 cs.AI cs.IR
Understanding and Mitigating Multi-Sided Exposure Bias in Recommender Systems
公平性是推荐系统中一个重要的系统级目标，是最近广泛研究的主题。这在多边推荐平台中尤其重要，在多边推荐平台中，优化效用不仅对于最终用户至关重要，而且对于其他参与者（例如希望公平表示其物品的物品卖家或生产者）也至关重要。现有的解决方案没有适当地解决建议中的多边公平性的各个方面，因为它们可能仅仅具有片面的观点（即，仅改善一方的公平性），或者没有适当地测量系统中涉及的每个参与者的公平性。在这篇论文中，我的目的是首先调查不公平的建议对系统的影响，以及这些不公平的建议如何对系统中的主要参与者产生负面影响。然后，我试图提出解决建议不公平的方法。我提出了一种评级转换技术，该技术作为构建推荐模型之前的预处理步骤，以减轻输入数据中固有的受欢迎程度偏差，从而减轻推荐列表中商品和供应商的暴露不公平性。此外，作为另一种解决方案，我提出了一个通用的基于图的解决方案，作为推荐生成后的后处理方法，以减轻推荐结果中的多边暴露偏差。对于评估，我介绍了几个度量的项目和供应商的曝光公平性，并表明这些指标更好地捕捉公平性的推荐结果。我进行了大量的实验，以评估所提出的解决方案的有效性。在不同公开数据集上的实验以及与各种基线的比较证实了所提出的解决方案在提高物品和供应商的曝光公平性方面的优越性。
2021-11-10 cs.IR
Does LLM Focus on the Right Words? Mitigating Context Bias in LLM-based Recommenders
Zhejiang University（浙江大学）；OPPO Research Institute（OPPO研究院）；Hangzhou City University（杭州城市大学）
本文提出GDRT方法，通过组分布鲁棒优化减轻LLM推荐系统中的上下文偏见，提升推荐准确性和公平性。
2026-01-25 cs.IR
TDR-CL: Targeted Doubly Robust Collaborative Learning for Debiased Recommendations
Peking University（北京大学）；University of California, San Diego（加州大学圣地亚哥分校）；Beijing Technology and Business University（北京工商大学）
偏见是推荐系统中普遍存在的一个问题，它与用户的偏好纠缠在一起，对无偏学习提出了很大的挑战。对于去偏置任务，双鲁棒（DR）方法及其变体表现出优越的性能，由于双鲁棒性，即DR是无偏的，当估算误差或学习倾向是准确的。然而，我们的理论分析表明，DR通常有很大的方差。同时，由于不准确的估算误差和学习倾向，DR会出现意想不到的大偏差和泛化能力差，这在实践中是经常发生的。在本文中，我们提出了一个原则性的方法，可以有效地减少偏见和方差同时为现有的DR方法时，错误的插补模型是错误的。此外，我们还提出了一种新的半参数协作学习方法，将估算误差分解为参数和非参数部分，并协同更新它们，从而获得更准确的预测。理论分析和实验结果都表明了该方法相对于现有去偏方法的优越性。
2023-03-02 cs.IR cs.LG stat.ML
Unbiased Recommender Systems with Implicit Feedback
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本研究针对隐式反馈推荐系统的位置偏差与流行度偏差，开发了适配排序学习、协同过滤及图神经网络社交推荐系统的无偏方法，以生成更贴合用户偏好的个性化推荐。
2026-08-18 cs.IR
Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction
Wuhan University（武汉大学）；Beihang University（北京航空航天大学）；The University of Sydney（悉尼大学）；Nanyang Technological University（南洋理工大学）
本文调查了预训练语言模型在事实知识抽取中的提示偏置问题，并提出一种基于表示的推理时去偏方法，通过估计并移除内部偏置表示，有效纠正过拟合性能并提升提示检索能力达10%。
2024-03-26 cs.AI cs.CL cs.IR
Considering user dynamic preferences for mitigating negative effects of long tail in recommender systems
现今，随着网络空间中产生的信息量的增加，许多网络服务提供商试图使用推荐系统来个性化他们的服务，并使访问内容变得方便。推荐系统只试图增加准确性（即，项目与用户兴趣的相似性）将面临长尾问题。这意味着被称为短头的流行项目比其他项目更容易出现在推荐列表中，因为它们有许多评级。然而，不受欢迎的项目称为长尾项目使用较少，因为它们降低了准确性。其他解决长尾问题的研究认为用户的兴趣是恒定的，而他们的偏好会随着时间的推移而变化。我们建议在推荐列表中使用长尾项时，应该考虑用户的动态偏好，以防止准确性的损失。本研究发现，造成这一现象的两个原因在于：1）随着时间的推移，用户对热门和冷门条目的评分比例不同。2)所有年龄段的用户对流行和不流行的项目都有不同的兴趣。因此，随着时间的推移，可以创建具有不同部分的长尾项和短头项的推荐列表。此外，我们根据项目评分预测用户的年龄，以使用更多的长尾项目。实验结果表明，综合考虑这两个因素，推荐列表的准确率达到91%。与此同时，长尾问题比其他相关研究得到了更好的改善，从长远来看，推荐列表具有更好的多样性。
2021-12-04 cs.HC cs.IR
Mitigating Filter Bubble from the Perspective of Community Detection: A Universal Framework
本文提出通用框架CD-CGCN，通过社区检测、条件判别器和社区重加权图卷积网络缓解推荐系统中的过滤气泡，同时保持推荐质量并提升跨社区偏好捕捉能力。
2025-08-15 cs.IR
Debiasing Sequential Recommenders through Distributionally Robust Optimization over System Exposure
本文针对序列推荐中的系统曝光偏差，提出基于曝光分布构建DRO不确定性集合并加入高曝光物品惩罚，同时用去偏SNIPS评估器在有偏离线测试集上验证效果。
2023-12-12 cs.IR
You Don't Bring Me Flowers: Mitigating Unwanted Recommendations Through Conformal Risk Control
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；European Commission（欧盟委员会）；Joint Research Centre (JRC)（联合研究中心）；DISI, University of Trento（特伦托大学DISI学院）
本文提出一种模型无关、无分布假设的保形风险控制方法，利用物品二元反馈及隐式反馈扩展推荐集，可证明且低成本地减少个性化推荐中的不良内容。
2025-07-09 cs.AI cs.IR
Harm Mitigation in Recommender Systems under User Preference Dynamics
Cornell University（康奈尔大学）；Meta；Northeastern University（东北大学）
本文研究用户偏好动态下推荐系统中的危害缓解问题，建模推荐对有害内容消费倾向的影响，提出在平稳状态下求解最优策略的算法，并在半合成电影推荐实验中验证其同时提升CTR与降低危害的效果。
2024-06-14 cs.CY cs.IR cs.LG
The Pitfall of Scaling Up: Uncovering and Mitigating Popularity Bias Amplification in Scaling Transformer-based Recommenders
Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）
发现扩大Transformer推荐模型规模会放大流行度偏差，通过理论和实证分析揭示注意力聚合和前馈投影导致谱坍缩是根本原因，提出SPRINT正则化方法缓解该问题，在0.05M至0.34B参数规模上实现更优的扩展行为。
2026-06-23 cs.IR cs.LG
Measuring and Mitigating Identity-Cue Preference Drift in LLM-based Recommender Systems
Institute of Intelligent Computing, University of Electronic Science and Technology of China（电子科技大学智能计算研究所）
提出PromptShift框架，无需训练即可量化并缓解LLM推荐系统中身份线索引起的偏好漂移，通过漂移度量与重排序策略，显著降低漂移并提升推荐质量。
2026-09-29 cs.IR cs.SI
Bounding System-Induced Biases in Recommender Systems with A Randomized Dataset
使用随机数据集的去偏推荐在减轻系统引起的偏差方面显示出非常有希望的结果。然而，它仍然缺乏更多的理论见解或一个理想的优化目标函数相比，其他更好的研究路线没有随机数据集。为了弥补这一差距，我们从一个新的角度研究去偏置问题，并提出直接最小化理想目标函数的上界，这有利于更好地解决系统引起的偏差。首先，我们制定了一个新的理想优化目标函数与随机数据集。其次，根据所采用的损失函数可能满足的先验约束，我们导出了目标函数的两个不同的上界，即，一个泛化误差与三角不等式和一个泛化误差与可分性的界限。第三，我们表明大多数现有的相关方法都可以被视为对这两个上界的不充分优化。第四，我们提出了一种新的方法，称为去偏近似上限与随机数据集（DUB），实现了更充分的优化这些上限。最后，我们在公共数据集和真实产品数据集上进行了大量的实验，以验证我们的DUB的有效性。
2023-03-21 cs.IR
Modeling Churn in Recommender Systems with Aggregated Preferences
Technion—Israel Institute of Technology（以色列理工学院）
本文提出一个模型，在推荐系统仅依赖聚合用户信息时，通过概率先验和分支定界算法，在有限时间内实现从探索到利用的过渡，以降低用户流失风险。
2025-02-09 cs.AI cs.IR cs.LG
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；Hokkaido University（北海道大学）；National University of Defense Technology（国防科技大学）
针对分布式HIN语义断裂与隐私问题，提出FedHGNN框架，通过差分隐私保护的语义保持交互发布及HGNN聚合实现联邦隐私保护推荐，性能显著提升。
2024-02-28 cs.AI cs.CR cs.DC
Balancing Unobserved Confounding with a Few Unbiased Ratings in Debiased Recommendations
Peking University（北京大学）；University of Chinese Academy of Sciences（中国科学院大学）；University of California, San Diego（加州大学圣地亚哥分校）；Beijing Technology and Business University（北京工商大学）
本文提出一种模型无关的平衡方法，通过交替校正模型参数并自适应学习有偏样本平衡系数，以利用少量无偏评分对抗未观测混杂和模型设定错误，提升去偏推荐性能。
2023-04-17 cs.IR cs.LG
Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems
University of Pittsburgh（匹兹堡大学）；Quest Diagnostics（奎斯特诊断公司）
针对推荐系统存在算法偏差引发不公平体验的问题，本研究开发了结合可视化、反事实解释与交互模块的探索工具，经用户访谈验证可提升算法透明度，助力理解偏差并推动更公平的推荐。
2024-09-10 cs.AI cs.HC cs.IR
A Survey on Data-Centric Recommender Systems
本文首次系统综述数据驱动的推荐系统，涵盖基础概念、数据三大问题、现有研究及未来方向，强调从模型中心向数据中心的范式转变。
2024-05-28 cs.IR
Collaborative Diffusion Model for Recommender System
针对基于扩散的推荐系统在噪声注入导致个性化信息丢失及物品侧信息利用不足的问题，提出协同扩散模型CDiff4Rec，通过生成伪用户并整合真实与伪邻居的协同信号重建用户偏好，在三个数据集上取得优于竞争方法的效果。
2025-01-31 cs.IR
Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery
MILA（蒙特利尔学习算法研究所）；Google（谷歌）
本研究针对音乐推荐系统中的流行度偏差问题，提出基于领域感知个体公平性的BOOST方法，在冷启动场景下的播放列表与用户级推荐任务中，性能及小众内容推荐效果均优于现有公平基准。
2023-08-28 cs.CY cs.IR cs.LG
Interaction-Data-guided Conditional Instrumental Variables for Debiasing Recommender Systems
Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育区块链与智能技术重点实验室，教育部，广西师范大学）；Guangxi Key Lab of Multi-Source Information Mining and Security, Guangxi Normal University（广西多源信息挖掘与安全重点实验室，广西师范大学）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；UniSA STEM, University of South Australia（南澳大利亚大学UniSA STEM）
针对推荐系统中潜变量导致的混杂偏差问题，本文提出IDCIV-RS方法，通过交互数据自动生成有效条件工具变量及其条件集，利用VAE学习表示并结合最小二乘法推导因果表示，有效缓解偏差并提升推荐准确性。
2025-08-25 cs.AI cs.IR
Mitigating Popularity Bias in Recommendation with Unbalanced Interactions: A Gradient Perspective
推荐系统从历史用户-项目交互中学习，以识别目标用户的首选项目。这些观察到的相互作用通常是不平衡的长尾分布。这样的长尾数据会导致流行度偏差，从而向用户推荐流行但不个性化的物品。我们提出了一个梯度的角度来理解两个负面影响的流行偏见在推荐模型优化：（i）流行项目嵌入的梯度方向更接近于积极的相互作用，（ii）流行项目的正梯度的幅度远大于不流行的项目。为了解决这些问题，我们提出了一个简单而有效的框架，从梯度的角度来减轻流行偏见。具体来说，我们首先规范化每个用户嵌入，并通过模型训练中的流行度偏差度量记录用户和项目的累积梯度。为了解决流行偏见的问题，我们开发了一个基于梯度的嵌入调整方法用于模型测试。这种策略是通用的，模型不可知的，可以无缝地集成到大多数现有的推荐系统。我们在两个经典推荐模型和四个真实数据集上的广泛实验证明了我们的方法在最先进的去偏基线上的有效性。
2022-10-31 cs.IR
Debias Can be Unreliable: Mitigating Bias Issue in Evaluating Debiasing Recommendation
本研究发现传统评估方案不适用于随机曝光数据集，导致去偏推荐模型评估结果不可靠，并提出URE方案以无偏估计真实Recall性能。
2025-04-29 cs.IR
Towards Empathetic Conversational Recommender Systems
Shandong University（山东大学）；Tencent（腾讯）；University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）
针对现有对话推荐系统忽略用户情绪、与用户需求错位的问题，提出包含情绪感知推荐和情绪对齐回复生成的ECR框架，通过扩充共情数据、设计新指标，在ReDial数据集上验证了其提升推荐准确率和用户满意度的效果。
2024-08-30 cs.AI cs.IR
Providing Previously Unseen Users Fair Recommendations Using Variational Autoencoders
Norwegian University of Science and Technology（挪威科技大学）
针对推荐系统因用户建模而违反公平性且无法服务新用户的问题，提出限制变分自编码器中人口信息编码的方法，实现为未见用户提供公平推荐。
2023-08-29 cs.AI cs.IR cs.LG
Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation
National Taiwan University（台湾大学）
本文针对基于LLM的序列推荐中投影引入的模态偏差问题，提出结构保留投影方法，通过专用损失维持协同嵌入关系几何，经实验验证可提升推荐性能。
2026-08-11 cs.IR
A Normative Framework for Benchmarking Consumer Fairness in Large Language Model Recommender System
Polytechnic University of Bari（巴里理工大学）；Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Joint Institute for Nuclear Research（联合核子研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
针对大语言模型推荐系统中传统公平性评估方法不足的问题，本文提出消费者公平性基准测试规范性框架，经MovieLens数据集实验验证该类系统存在年龄相关推荐偏差，为偏差审计与缓解提供了正式方法支撑。
2024-09-11 cs.AI cs.IR
Debiased Recommendation with Noisy Feedback
Peking University（北京大学）；National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）
针对推荐系统中数据非随机缺失（MNAR）和结果测量误差（OME）导致的交叉偏差问题，提出OME-EIB、OME-IPS和OME-DR估计器及交替去噪训练方法，实现无偏学习并验证有效性。
2024-06-24 cs.IR cs.LG
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University（莫纳什大学）
提出多目标框架自动优化LLM提示，以生成更真实、多样化的用户模拟行为，缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL cs.IR
Consumer-side Fairness in Recommender Systems: A Systematic Survey of Methods and Evaluation
Norwegian University of Science and Technology（挪威科技大学）
本文系统综述了推荐系统中消费者侧公平性的研究，提出基于高层次公平性解释的新型分类法，对现有方法和评估指标进行分类，并展望未来研究方向。
2023-05-16 cs.AI cs.CY cs.IR
Aligning Large Language Models for Controllable Recommendations
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Microsoft Research Asia（微软亚洲研究院）
针对 LLM 推荐系统指令遵循能力不足的问题，本文提出传统推荐模型标签增强的监督任务与强化学习对齐流程，在两个真实数据集上显著提升指令遵循能力并保持高准确性。
2024-08-04 cs.AI cs.IR
Fairness and Diversity in Recommender Systems: A Survey
该综述系统梳理推荐系统中的公平性与多样性研究，提出用户级与物品级多样性视角，并从多样性角度重新解读公平性，揭示二者联系及未来方向。
2024-03-01 cs.IR
Correcting Popularity Bias in Recommender Systems via Item Loss Equalization
本文提出一种在训练过程中通过最小化不同物品组间损失差异的干预方法，以纠正推荐系统的流行度偏差，在保持推荐准确性的同时提升用户公平性。
2025-05-26 cs.IR
FacetCRS: Multi-Faceted Preference Learning for Pricking Filter Bubbles in Conversational Recommender System
Sun Yat-sen University（中山大学）；Jinan University（暨南大学）；Guangdong University of Technology（广东工业大学）
针对推荐系统中过滤气泡随时间加剧的问题，提出FacetCRS框架，通过多面偏好学习建模用户动态偏好，在对话推荐系统中实现端到端推荐，实验证明其有效缓解过滤气泡并提升推荐质量。
2026-09-18 cs.AI cs.HC cs.IR
How Can Recommender Systems Benefit from Large Language Models: A Survey
Shanghai Jiao Tong University（上海交通大学）
该综述从推荐系统全流程视角，梳理了大语言模型适配推荐系统的位置与方式，分析了效率、效果、伦理等关键挑战，并展望了未来研究方向。
2024-07-09 cs.AI cs.IR
Headache to Overstock? Promoting Long-tail Items through Debiased Product Bundling
针对长尾产品捆绑中传统方法因 popularity 偏差难以推广长尾商品的问题，提出 DieT 框架，通过 PCD 模块挖掘 popularity 无关特征、UBT 模块转移知识，实验证明其优于现有 SOTA 方法。
2024-11-28 cs.IR
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
