Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine(加州大学欧文分校);Brown University(布朗大学);Southwest Jiaotong University(西南交通大学)
本文提出融合协同过滤与大语言模型的增强推荐方法,利用LLMs增强文本理解以缓解冷启动和数据稀疏问题,实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation
Hanyang University(汉阳大学)
提出多方面驱动LLM智能体MADRec,通过无监督提取评论信息构建用户和物品画像,结合重排序与自我反馈机制,实现可解释和自适应的推荐,并在多个领域超越传统及LLM基线。
2025-10-15 cs.AI cs.IR
Personalized Recommendation Tool Learning via Autonomous Language Agents
Microsoft(微软公司)
研究针对基于大语言模型的智能体在推荐系统中的局限性,提出PRTA框架,让LLM作中央规划器与多推荐模型交互,负责高级推理和个性化工具选择,传统模型进行全排序评分,设计反射机制,实验表明该框架提升了全排序推荐性能。
2026-07-23 cs.AI cs.IR
GR-LLMs: Recent Advances in Generative Recommendation Based on Large Language Models
AMAP, Alibaba Group(阿里云实验室,阿里巴巴集团)
本文综述了基于大语言模型的生成式推荐(GR)的最新进展,涵盖其预备知识、应用案例、工业场景考量及未来方向,旨在推动该领域研究。
2025-07-14 cs.AI cs.IR
Enhance Large Language Models as Recommendation Systems with Collaborative Filtering
本研究提出Critic-LLM-RS,通过训练独立的Critic模型实现协同过滤,为非微调LLM推荐系统提供评论以优化推荐,实验验证其有效性。
2025-10-17 cs.AI cs.IR
Enhancing ID-based Recommendation with Large Language Models
Tsinghua University(清华大学);Meituan(美团);Hefei University of Technology(合肥工业大学)
针对基于ID的推荐中缺乏文本数据的问题,提出LLM4IDRec方法,利用大型语言模型仅增强ID数据以提升推荐性能,在三个数据集上验证了其有效性。
2024-11-04 cs.AI cs.IR
A Survey on Large Language Models for Personalized and Explainable Recommendations
本综述分析了推荐系统如何利用大语言模型提升个性化和可解释推荐,并探讨了个性化解释生成任务中的冷启动、不公平与偏见等主要挑战。
2023-11-21 cs.AI cs.IR
Data Imputation using Large Language Model to Accelerate Recommendation System
Columbia University(哥伦比亚大学);Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pace University(佩斯大学)
本文提出微调大语言模型用于推荐系统缺失数据填补,并在单分类、多分类和回归任务上验证其优于传统填补方法,从而提升推荐准确性与用户体验。
2024-08-07 cs.AI cs.IR
Large Language Models as Zero-Shot Conversational Recommenders
University of California, San Diego(加州大学圣地亚哥分校);Netflix Inc.(奈飞公司);Cornell University(康奈尔大学)
本研究构建了目前最大的公开真实世界对话推荐数据集,实证发现零样本大语言模型在对话推荐任务上性能超越现有微调模型,并通过分析探究了其表现优异的机制,为未来对话推荐系统设计提供方向。
2023-08-19 cs.AI cs.IR
LARR: Large Language Model Aided Real-time Scene Recommendation with Semantic Understanding
Meituan(美团)
针对传统推荐系统缺乏实时场景语义理解及LLM处理长文本效率低的问题,提出LARR框架,通过注入领域知识并利用聚合编码器整合LLM输出,高效提升基于LLM的CTR建模与推荐性能。
2024-08-21 cs.AI cs.IR
Gender and Race Bias in Consumer Product Recommendations by Large Language Models
University of Victoria, British Columbia, Canada(维多利亚大学)
本文研究了大型语言模型在消费者产品推荐中存在性别和种族偏见的问题,通过提示工程和三种分析方法揭示了推荐中的不平等现象,并强调了构建更公平推荐系统的重要性。
2026-02-08 cs.AI cs.CL cs.LG
From Logs to Language: Learning Optimal Verbalization for LLM-Based Recommendation at Industry Scale
University of Georgia(佐治亚大学);Netflix;Capital One;Hong Kong Polytechnic University(香港理工大学)
本文提出了一种数据驱动框架,通过强化学习学习最优 verbalization 方法,提升基于LLM的推荐系统表现,实验显示在Netflix数据集上推荐准确率提升达93%。
2026-03-19 cs.AI cs.IR
A Survey on Large Language Models for Recommendation
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(中国科学技术大学认知智能国家重点实验室);Career Science Lab, BOSS Zhipin(BOSS直聘职业科学实验室)
该综述将基于大语言模型的推荐系统划分为判别式和生成式两大范式(首次系统梳理生成式范式),系统分析各范式下的方法技术与性能,指出关键挑战并提供启发,同时搭建了相关论文索引仓库。
2024-06-18 cs.AI cs.IR
Large Language Models for Generative Recommendation: A Survey and Visionary Discussions
Hong Kong Baptist University(香港浸会大学);Rutgers University(罗格斯大学);Guangdong Laboratory of Artificial Intelligence and Digital Economy(广东省人工智能与数字经济实验室)
本综述探讨了基于大型语言模型的生成式推荐,指出其能将传统多阶段推荐简化为直接生成,并系统总结了该领域的进展、方法与未来方向。
2024-03-23 cs.AI cs.CL cs.IR
RecMind: Large Language Model Powered Agent For Recommendation
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院);Amazon Alexa AI(亚马逊Alexa人工智能)
提出基于大语言模型的自主推荐智能体RecMind,通过Self-Inspiring算法提升规划能力,在零样本个性化推荐任务中超越现有基线并媲美全训练模型P5。
2024-03-20 cs.AI cs.IR
GenRec: Large Language Model for Generative Recommendation
Rutgers University(罗格斯大学)
本文提出生成式推荐大语言模型 GenRec,通过提示构建与微调 LLaMA 直接生成目标推荐物品,实验表明其在大型数据集上显著优于传统判别式推荐方法。
2023-07-04 cs.AI cs.CL cs.IR
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University(南洋理工大学);Singapore University of Technology and Design(新加坡科技设计大学);Zhejiang University(浙江大学);Chengdu University of Information Technology(成都信息工程大学)
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题,提出MRP-LLM模型,通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块,在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
LLM-driven Multimodal Recommendation
本文提出LMMRec框架,通过建模用户动机提升推荐系统的可解释性和说服力,实验表明其在三个真实数据集上效果显著。
2026-03-13 cs.AI cs.IR
LlamaRec: Two-Stage Recommendation using Large Language Models for Ranking
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);NVIDIA(英伟达)
针对现有大语言模型推荐方法依赖预训练知识、推理速度慢难以适配实时场景的问题,提出两阶段推荐框架LlamaRec,结合小规模序列检索与verbalizer式LLM排序,在基准数据集上实现推荐效果与效率的双重提升。
2023-10-25 cs.AI cs.CL cs.IR
USB-Rec: An Effective Framework for Improving Conversational Recommendation Capability of Large Language Model
Harbin Institute of Technology(哈尔滨工业大学);Beihang University(北航);Xiaohongshu Inc.(小红书公司)
本文提出USB-Rec框架,通过偏好优化数据集构建和推理阶段自我增强策略,在模型层面提升大语言模型的对话推荐能力,实验验证其优于现有方法。
2025-09-20 cs.AI cs.CL
ExplainRec: Towards Explainable Multi-Modal Zero-Shot Recommendation with Preference Attribution and Large Language Models
Department of Software \& Microelectronics Peking University Beijing, China;Department of Software \& Microelectronics Peking University Beijing, China hangli\;Department of Software \& Microelectronics Peking University Beijing, China zehua\;Department of Software \& Microelectronics Peking University Beijing, China xiaofan\;Economic Law School China University of Political Science;School of Computer Science Peking University Beijing, China
针对现有LLM推荐方法可解释性不足、冷启动效果差的问题,本文提出ExplainRec框架,融合偏好归因、多模态增强等技术,在公开数据集上取得更优推荐效果,可生成解释并适配冷启动场景。
2025-10-03 cs.AI cs.IR
ITDR: An Instruction Tuning Dataset for Enhancing Large Language Models in Recommendations
Beijing Jiaotong University School of Computer Science;Technology Beijing Key Laboratory of Traffic Data Mining;Embodied Intelligence Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education Beijing China;Beijing Jiaotong University
ITDR数据集通过七个子任务提升推荐系统中大语言模型的性能,包含20万实例,适用于多种开源和闭源模型。
2025-12-30 cs.AI cs.IR
Bidirectional Knowledge Distillation for Enhancing Sequential Recommendation with Large Language Models
Microsoft Research Asia(微软亚洲研究院);Fudan University(复旦大学)
提出LLMD4Rec双向蒸馏框架,通过动态交互知识交换增强序列推荐,无需额外参数且不增推理成本,显著提升推荐准确性。
2025-05-23 cs.AI cs.IR
VLM2Rec: Resolving Modality Collapse in Vision-Language Models for Sequential Recommendation
Pohang University of Science
本文提出VLM2Rec框架,通过弱模态惩罚对比学习和跨模态关系拓扑正则化,解决多模态序列推荐中模态崩溃问题,提升推荐准确性和鲁棒性。
2026-11-03 cs.AI cs.IR
Harnessing Multimodal Large Language Models for Multimodal Sequential Recommendation
Rutgers University(罗格斯大学);University of Science and Technology of China(中国科学技术大学);University of Pennsylvania(宾夕法尼亚大学);Bytedance Inc.(字节跳动公司);Georgia Institute of Technology(佐治亚理工学院);University of Pittsburgh(匹兹堡大学);The Hong Kong University of Science and Technology(香港科技大学)
针对现有基于LLM的推荐范式难以适配多模态推荐的问题,提出MLLM-MSR模型,通过两阶段偏好摘要方法结合SFT微调MLLM推荐器,有效提升多模态序列推荐效果。
2025-01-13 cs.AI cs.IR
Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
University of Connecticut(康涅狄格大学);School of Computing(计算学院)
本文介绍了基于LLM与RAG技术开发的户外步道推荐聊天机器人Judy,通过美国康涅狄格州步道案例研究,验证了其在提供准确、高效且可用的个性化步道推荐方面的有效性。
2025-07-27 cs.AI cs.IR
E4SRec: An Elegant Effective Efficient Extensible Solution of Large Language Models for Sequential Recommendation
Tsinghua Univerisity(清华大学);Huawei Cloud BU(华为云事业部);City Univerisity of Hong Kong(香港城市大学)
针对LLM难以建模推荐ID且自然语言生成方案低效、易越界的问题,本文提出E4SRec,以ID序列输入并一次前向生成候选内完整排序,仅训练少量可插拔参数。
2023-12-05 cs.AI cs.IR
Evaluating Large Language Models as Generative User Simulators for Conversational Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出一种包含五项任务的评估协议,用于衡量大型语言模型在对话式推荐中模拟人类行为的准确度,揭示其与人类行为的偏差,并探索通过模型选择和提示策略减少偏差的方法。
2024-03-25 cs.AI cs.CL cs.IR
LLM-Rec: Personalized Recommendation via Prompting Large Language Models
University of Rochester(罗切斯特大学);UCLA(加利福尼亚大学洛杉矶分校);Meta AI
本文提出LLM-Rec方法,通过四种文本增强提示策略利用大语言模型改进个性化文本推荐,实验表明即使简单MLP模型也能取得与复杂方法相当或更优的效果。
2024-04-02 cs.AI cs.CL cs.IR
Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations
University of Georgia(佐治亚大学);The Hong Kong Polytechnic University(香港理工大学);Tencent AI Lab(腾讯AI实验室)
针对系统冷启动推荐难题,提出基于小语言模型的PromptRec方法,通过以数据为中心的流水线增强模型能力,仅用大模型17%的推理时间即可实现相当的推荐性能。
2024-03-04 cs.AI cs.CL cs.IR
RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois at Chicago(伊利诺伊大学香槟分校);Capital One AI Foundations(Capital One AI基金会);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
RRCM通过排序驱动的检索与推理框架,解决LLM推荐中构建相关上下文的挑战,利用自然语言表示的协作和元记忆,实现灵活的证据获取,提升推荐质量。
2026-09-29 cs.AI cs.IR cs.LG
Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations
University of Science and Technology of China(中国科学技术大学);BOSS Zhipin(BOSS直聘)
本文提出一种利用大型语言模型理解行为图的框架,通过元路径提示构造器和路径增强模块,提升在线职位推荐的个性化和准确性,并促进分布外应用。
2023-12-24 cs.AI cs.CL cs.IR
Improving the Performance of Sequential Recommendation Systems with an Extended Large Language Model
Department of AI Convergence Software(人工智能融合软件系);Dong-Seoul University(东首尔大学)
该研究在LlamaRec框架中将Llama2替换为Llama3,并通过统一随机种子与输入数据进行公平实验,显著提升了序列推荐性能。
2025-07-26 cs.AI cs.CL cs.IR
Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation
UC San Diego(加州大学圣迭戈分校);Netflix(网飞公司);Cornell University(康奈尔大学)
针对LLM对话推荐中多token生成导致物品分布难控的问题,提出RTA框架,将物品标题重索引为单token并适配概率分布,在三个数据集和两种设置下提升准确率。
2024-05-20 cs.AI cs.CL cs.IR
VLM4Rec: Multimodal Semantic Representation for Recommendation with Large Vision-Language Models
University of Southern California(南加州大学)
VLM4Rec通过语义对齐而非直接特征融合,提升多模态推荐性能,实验显示其优于原始视觉特征和融合方法。
2026-03-13 cs.AI cs.CV cs.IR
Unveiling and Mitigating Bias in Large Language Model Recommendations: A Path to Fairness
Computer Science and Engineering, University of Tennessee at Chattanooga(计算机科学与工程系,田纳西大学查塔努加分校)
本文研究了基于LLM的推荐系统中的偏见问题,提出通过提示工程和检索增强生成策略来缓解偏见,以实现更公平的推荐。
2026-01-30 cs.AI cs.ET cs.IR
Zero-Shot Recommendations with Pre-Trained Large Language Models for Multimodal Nudging
Lirio, LLC(Lirio有限责任公司);Skoltech(斯科尔科沃科学技术研究院)
提出一种零样本多模态推荐方法,将各模态输入转为文本描述并用预训练LLM生成语义嵌入,通过相似度计算完成推荐,无需额外训练。
2023-10-01 cs.AI cs.CL cs.IR
Unveiling Bias in Fairness Evaluations of Large Language Models: A Critical Literature Review of Music and Movie Recommendation Systems
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机学院)
本文通过文献综述揭示了当前大型语言模型在推荐系统公平性评估中普遍忽视个性化的问题,强调亟需将个性化纳入评估框架以促进AI的公平发展。
2024-01-08 cs.AI cs.IR cs.SE
Large Language Models are Learnable Planners for Long-Term Recommendation
University of Science and Technology of China(中国科学技术大学);Meta AI
针对推荐中RL模型因数据稀缺导致次优的问题,提出双层可学习LLM规划器框架,通过宏观和微观学习分别学习指导与个性化策略,提升了长期推荐的规划能力。
2024-04-26 cs.AI cs.CL cs.IR
News Recommendation with Category Description by a Large Language Model
Waseda University(早稻田大学)
本文提出利用大语言模型自动生成新闻类别描述,并将其融入推荐模型,在MIND数据集上使AUC最多提升5.8%,验证了该方法的有效性。
2024-05-13 cs.AI cs.CL cs.IR
KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models
Rensselaer Polytechnic Institute(拉特格斯理工学院)
本研究提出融合食品知识图谱与大语言模型的KERL系统,可实现个性化食谱推荐、烹饪步骤生成及营养分析,并构建基准数据集验证其性能优于现有方法。
2025-05-20 cs.AI cs.CL cs.CV
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
Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning
Lenovo Research(联想研究院)
针对大语言模型推荐中语义空间偏差、协同信息捕捉不足的问题,提出图感知学习框架GAL-Rec,通过模仿GNN多跳信息聚合增强协同语义理解,在三个真实数据集上提升了推荐性能。
2024-06-19 cs.AI cs.IR
Human Pose Driven Object Effects Recommendation
Renmin university of china(中国人民大学);Tinghua university(清华大学)
本文研究微视频平台中的物体效果推荐这一新课题,这对于广告插播等实际应用来说是一个具有挑战性的重要课题。为了避免直接从图像帧中学习视频内容所引起的背景偏差问题,我们提出利用隐藏在3D人体姿势中的有意义的肢体语言进行推荐。为此,在这项工作中,介绍了一种新的人类姿势驱动的对象效果推荐网络PoseRec。PoseRec利用3D人体姿势检测的优势,从多帧3D人体姿势中学习信息,用于视频项目注册,从而获得高质量的对象效果推荐性能。此外,为了解决对象效果推荐中存在的固有模糊性和稀疏性问题,我们进一步提出了一种新的项目感知隐式原型学习模块和一种新的姿势感知直推式硬否定挖掘模块,以更好地学习姿势-项目关系。此外,为了对新的研究主题的方法进行基准测试,我们建立了一个新的对象效果推荐数据集Pose-OBE。Pose-OBE上的大量实验表明,我们的方法可以实现优于强基线的性能。
2022-09-17 cs.AI cs.CV
Aspect-driven User Preference and News Representation Learning for News Recommendation
新闻推荐系统对于帮助用户从大量的新闻中高效地发现感兴趣的新闻是必不可少的。现有的新闻推荐系统大多学习用户和新闻的主题级表示进行推荐,而忽略了学习用户和新闻的方面级特征进行更准确的推荐。因此,它们实现了有限的推荐性能。针对这一不足,我们提出了一种新的基于方面级用户偏好和新闻表示学习的新闻推荐系统(ANRS)。在这里,新闻体是由一组相关词表达的细粒度语义信息,表示新闻所描述的特定方面。在ANRS中,设计新闻方面级编码器和用户方面级编码器,分别学习用户偏好和新闻特征的细粒度方面级表示,并将其输入点击预测器,判断用户点击候选新闻的概率。在常用的真实世界数据集MIND上进行了大量的实验,与代表性的和最先进的方法相比,证明了我们的方法的优越性。
2022-01-28 cs.AI cs.IR
LaSER: Language-Specific Event Recommendation
L3S Research Center(L3S研究中心);Leibniz Universität Hannover(汉诺威莱布尼茨大学);University of Bonn(波恩大学)
虽然社会事件经常影响世界各地的人们,但很大一部分事件的焦点主要是影响特定语言社区的地方焦点。例子包括全国选举、不同国家的冠状病毒大流行的发展,以及当地的电影节,如法国的塞萨尔奖和俄罗斯的莫斯科国际电影节。然而,现有的实体推荐方法没有充分解决推荐的语言环境。本文介绍了一种新的任务,特定语言的事件推荐,其目的是推荐相关的用户查询在特定语言的上下文事件。此任务可以支持基本的信息检索活动,包括Web导航和探索性搜索,考虑到用户信息需求的语言环境。我们提出了激光,一种新的方法对特定语言的事件推荐。Laser在学习排序模型中融合了实体和事件的语言特定潜在表示(嵌入)以及时空事件特征。这个模型是在公开的维基百科点击流数据上训练的。我们的用户研究结果表明,在MAP@5中,关于推荐事件的特定语言相关性,Laser的性能超过最先进的推荐基线高达33个百分点。
2023-02-24 cs.AI cs.CL cs.IR
Knowledge Graph Enhanced Language Agents for Recommendation
University of Notre Dame(圣母大学);Amazon(亚马逊公司)
针对语言智能体模拟推荐时缺乏用户与物品关系理解的问题,提出KGLA框架,通过将知识图谱路径作为自然语言描述融入模拟,显著提升了推荐性能。
2025-01-24 cs.AI cs.IR cs.MA
Personality-Driven Social Multimedia Content Recommendation
Steklov Institute of Mathematics at St. Petersburg(圣彼得堡斯捷克洛夫数学研究所)
社交媒体营销在向广大受众推广品牌和产品价值方面发挥着至关重要的作用。为了提高广告收入,Facebook Ads等全球媒体购买平台不断减少品牌有机帖子的覆盖范围,推动品牌在付费媒体广告上投入更多资金。为了有效地运行有机和付费的社交媒体营销,有必要了解受众,定制内容以适应他们的兴趣和在线行为,这是不可能大规模手动完成的。与此同时,各种性格类型分类方案,如Myers-Briggs性格类型指标,通过以统一和结构化的方式对受众行为进行分类,可以在更广泛的范围内揭示性格特质与用户内容偏好之间的依赖关系。这个问题还有待于研究界深入研究,而不同的人格特质对内容推荐准确性的影响程度还没有被广泛利用和全面评估。具体来说,在这项工作中,我们调查的影响,人类的个性特征的内容推荐模型,通过应用一种新的个性驱动的多视图内容推荐系统,称为个性内容营销推荐引擎,或PersiC。我们的实验结果和真实案例研究表明,PersiC不仅能够执行高效的人性化多视图内容推荐,而且还可以提供可操作的数字广告策略建议,与原始的人工引导方法相比,部署后能够将数字广告效率提高420%以上。
2022-07-25 cs.AI cs.IR
Bias in Knowledge Graphs -- an Empirical Study with Movie Recommendation and Different Language Editions of DBpedia
University of Mannheim(曼海姆大学)
公共知识图谱,如DBpedia和Wikidata已被认为是有趣的背景知识的来源,以建立基于内容的推荐系统。它们可用于添加有关要推荐的项目的信息以及这些项目之间的链接。虽然已经提出了相当多的方法来利用知识图谱,他们中的大多数旨在优化推荐策略,同时使用一个固定的知识图谱。在本文中,我们采用不同的方法,即,当使用不同的底层知识图谱时,我们修正推荐策略并观察变化。特别是,我们使用不同语言版本的DBpedia。我们发现,使用不同的知识图谱不仅会导致不同的偏见推荐系统,但也推荐系统的性能不同的特定领域的建议。
2021-05-03 cs.AI cs.IR
CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning
Yanshan University(燕山大学);Xinjiang College of Science & Technology(新疆科技学院);Peking University(北京大学)
针对现有药物推荐方法存在因果关系挖掘不足、多粒度信息整合缺失导致的偏差问题,提出融合因果推断与双粒度药物表示学习的CIDGMed方法,搭配偏差校正模型,在准确率、安全性与效率上均优于现有最优模型。
2024-10-30 cs.AI cs.IR
ULTRA:Urdu Language Transformer-based Recommendation Architecture
Department of Computer and Information Sciences, PIEAS, Nilore, Islamabad 45650, Pakistan(计算机与信息科学系,PIEAS,Nilore,Islamabad 45650,巴基斯坦)
ULTRA通过自适应语义推荐框架提升乌尔都语个性化新闻检索的准确性和相关性。
2026-02-25 cs.AI cs.IR
Multimodal Quantitative Language for Generative Recommendation
Sun Yat-sen University(中山大学);Pengcheng Laboratory(鹏城实验室);Xiamen University(厦门大学);Peking University(北京大学)
本文提出MQL4GRec方法,通过将多领域多模态物品统一转换为共享词汇的量化语言,并借助预训练与微调实现推荐知识迁移,在三个数据集上显著提升生成式推荐性能。
2025-02-20 cs.AI cs.CL cs.IR
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
AI in Food Marketing from Personalized Recommendations to Predictive Analytics: Comparing Traditional Advertising Techniques with AI-Driven Strategies
Iowa State University(爱荷华州立大学)
本文比较传统广告与AI驱动的食品营销策略,分析AI在个性化推荐、行为预测和自动化优化方面的优势及高投入挑战,为数字时代的精准营销提供指导。
2024-09-14 cs.AI cs.CY