CoNet: Collaborative Cross Networks for Cross-Domain Recommendation
Hong Kong University of Science and Technology（香港科技大学）
跨领域推荐技术是利用相关领域知识来缓解推荐系统中数据稀疏问题的一种有效方法。迁移学习是基于这些技术的一类算法。在本文中，我们提出了一种新的跨域推荐的迁移学习方法，使用神经网络作为基础模型。与基于矩阵分解的跨域技术相比，我们的方法是深度迁移学习，可以学习复杂的用户-项目交互关系。我们假设两个基本网络中的隐藏层通过交叉映射连接，从而形成协作交叉网络（CoNet）。CoNet通过引入从一个基础网络到另一个基础网络的交叉连接，实现了跨领域的双重知识转移。CoNet是在多层前馈网络中通过添加对偶连接和联合损失函数来实现的，可以通过反向传播来有效地训练。该模型在两个大型真实世界数据集上进行了全面评估。在NDCG中，它比基线相对提高了7.84%。我们证明了自适应选择表示转移的必要性。与非迁移方法相比，我们的模型可以减少数万个训练样本，并且仍然具有与它们竞争的性能。
2018-12-04 cs.AI cs.IR cs.LG
When Collaborative Filtering is not Collaborative: Unfairness of PCA for Recommendations
Northeastern University（东北大学）；New York University（纽约大学）；Stern School of Business（斯特恩商学院）
研究PCA在推荐中因流行度机制导致的项目不公平性，提出多项式时间算法项目加权PCA，通过灵活加权较不流行项目优化主成分，缓解不公平并提升推荐性能。
2025-05-28 cs.CY cs.LG
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation
Northeastern University（东北大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对LLM推荐中微调损害通用知识、协同特征干扰提示语义的问题，本文提出CoRA，将协同信息经查询生成与低秩权重转换注入LLM参数空间，实现免微调、免额外标记的个性化推荐并提升性能。
2024-10-25 cs.IR cs.LG
A Survey on Accuracy-oriented Neural Recommendation: From Collaborative Filtering to Information-rich Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
受深度学习在计算机视觉和语言理解领域取得巨大成功的影响，推荐领域的研究已经转向发明基于神经网络的新推荐模型。近年来，由于神经网络强大的表示能力，神经推荐模型的研究取得了重大进展，它推广和超越了传统的推荐模型。本文从推荐建模的角度，以推荐准确率为目标，对神经推荐模型进行了系统的综述，旨在对该领域的研究进行总结，以方便推荐系统的研究者和实践者。具体来说，根据推荐建模过程中的数据使用情况，我们将工作分为协同过滤和信息丰富推荐：1）协同过滤，它利用用户-项目交互数据的关键来源; 2）内容丰富推荐，它另外利用与用户和项目相关的辅助信息，如用户简档和项目知识图谱;以及3）时间/顺序推荐，它考虑与交互相关的上下文信息，例如时间、位置和过去的交互。在回顾了每种类型的代表性工作后，我们最后讨论了这一领域中一些有前途的方向。
2021-12-27 cs.IR cs.LG
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation
Nanyang Technological University（南洋理工大学）；Shandong University（山东大学）；Alibaba Group（阿里巴巴集团）
交互式推荐是对用户与推荐系统之间的显式交互进行建模的一种方法，近年来受到了广泛的关注。以往的交互式推荐系统大多只关注推荐准确率的优化，而忽略了推荐质量的其他重要方面，如推荐结果的多样性。本文提出了一种新的推荐模型，称为\underline{D}多样性促进\underline{D} eep \underline{R} \underline{L} earning（D $^2$ RL），它鼓励交互推荐中推荐结果的多样性.更具体地说，我们采用了一个决定性点过程（DPP）模型来生成不同的，而相关的项目建议。为每个用户维护个性化的DPP核矩阵，该矩阵由两部分构成：固定的相似度矩阵，捕获项目之间的相似性，以及通过演员-评论家强化学习框架动态学习的项目的相关性。我们进行了大量的离线实验以及模拟在线实验与现实世界的数据集，以证明所提出的模型的有效性。
2019-03-19 cs.AI cs.IR
Hotel Recommendation System Based on User Profiles and Collaborative Filtering
EtsTur İstanbul（EtsTur 伊斯坦布尔）；Bilgisayar ve Bilişim Fakültesi İstanbul Teknik Üniversitesi（伊斯坦布尔理工大学计算机与信息学院）；Bilgisayar Mühendisliği Bölümü Koç Üniversitesi（科奇大学计算机工程系）
如今，人们开始使用在线预订系统来计划他们的假期，因为他们有大量的选择。从这个大规模的选择中选择何时何地变得越来越困难。此外，有时消费者可能会错过更好的选择，因为在线预订系统上有丰富的信息。从这个意义上说，个性化服务，如推荐系统在决策中发挥着至关重要的作用。两种传统的推荐技术是基于内容的和协同过滤。虽然这两种方法都有各自的优点，但它们也有一定的缺点，其中一些可以通过结合这两种技术来解决，以提高推荐的质量。由此产生的系统被称为混合推荐系统。本文提出了一种新的混合式酒店推荐系统，该系统结合了基于内容和协同过滤的方法，为客户推荐他们需要的酒店，并节省他们的时间损失。
2020-09-21 cs.IR cs.LG
Decentralized Collaborative Learning Framework for Next POI Recommendation
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
下一个兴趣点（POI）推荐由于其在帮助人们决定下一个兴趣点访问方面的有效性而成为基于位置的社交网络（LBSNs）中不可或缺的功能。然而，准确的推荐需要大量的历史签到数据，从而威胁到用户隐私，因为位置敏感数据需要由云服务器处理。尽管已经存在用于隐私保护POI推荐的几种设备上框架，但是当涉及到存储和计算时，它们仍然是资源密集型的，并且对用户-POI交互的高稀疏性显示出有限的鲁棒性。在此基础上，我们提出了一种新的分散式协同学习框架的POI推荐（DPOI），它允许用户训练他们的个性化模型本地在一个合作的方式。DSPs显著降低了本地模型对云的依赖，并可用于扩展任意的集中式推荐模型。为了抵消学习每个本地模型时设备上用户数据的稀疏性，我们设计了两个自监督信号来预训练服务器上的POI表示，其中POI具有地理和分类相关性。为了促进协作学习，我们创新性地提出将知识从地理或语义相似的用户到每个本地模型与细心的聚合和互信息最大化。协作学习过程利用设备之间的通信，同时仅需要来自中央服务器的较小参与来识别用户组，并且与诸如差分隐私的常见隐私保护机制兼容。我们用两个真实世界的数据集来评估DALBO，结果表明DALBO的性能优于最先进的设备上框架，并且与集中式框架相比，DALBO产生了具有竞争力的结果。
2022-08-01 cs.IR cs.LG
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对现有序列推荐方法忽略全局协同信息的自适应性与个性化的问题，提出图驱动框架APGL4SR，通过自适应全局图自监督学习、个性化相对位置编码及多任务优化提升推荐性能，效果显著优于基线。
2023-11-06 cs.IR cs.LG
Neighborhood-Enhanced and Time-Aware Model for Session-based Recommendation
University of Science and Technology of China（中国科学技术大学）；Hefei University of Technology（合肥工业大学）
基于会话的推荐以其高度的实用价值成为推荐系统领域的研究热点之一。以往的深度学习方法大多关注当前会话内的序列特征，而忽略了会话间包含丰富协作信息的上下文相似性和时间相似性。本文提出了一种新的神经网络框架，即用于基于会话的推荐的邻域增强和时间感知推荐机（NETA）。首先，我们引入了一个有效的邻域检索机制来发现包含协作信息的相似会话;然后，我们设计了一个具有时间感知的引导注意机制来从邻域会话中提取协作表示，特别是单独考虑会话之间的时间新近性;最后，我们设计了一个简单的合作，注意力机制，以确定预测下一个项目时，互补的合作表示的重要性。世界数据集证明了我们提出的模型的有效性。
2019-10-01 cs.IR cs.LG
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 cs.IR cs.LG
Hybrid Collaborative Recommendation via Semi-AutoEncoder
本文在AutoEncoder的基础上提出了一种新的结构--半自动编码器。我们将其推广到一个混合的协同过滤模型的评级预测以及个性化的top-n建议。在两个真实世界数据集上的实验结果表明了其最先进的性能。
2017-08-16 cs.IR
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
Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
Shandong Normal University（山东师范大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；University of Electronic Science and Technology of China（电子科技大学）
哈希算法在计算用户对项目的偏好时具有较高的计算效率和存储效率，是解决大规模推荐问题的有效方法。然而，现有的基于哈希的推荐方法仍然存在两个重要问题：1）它们的推荐过程主要依赖于用户与项目的交互和单一的特定内容特征。当交互历史或内容功能不可用时（冷启动问题），它们的性能将严重恶化。2)现有的方法采用松弛优化学习哈希码或采用离散坐标下降法直接求解二进制哈希码，这会导致大量的量化损失或消耗大量的计算时间。在本文中，我们提出了一种快速冷启动推荐方法，称为多特征离散协同过滤（MFDCF），以解决这些问题。具体而言，低秩自加权多特征融合模块的设计，自适应投影的多个内容特征到二进制但信息哈希码充分利用其互补性。此外，我们开发了一个快速的离散优化算法，直接计算的二进制哈希码与简单的操作。在两个公开的推荐数据集上的实验表明，MFDCF在各个方面都优于现有的推荐算法。
2020-03-24 cs.IR cs.LG
A multi-level collaborative filtering method that improves recommendations
协同过滤是在各种在线环境中提供推荐的最常用方法之一。尽管协作推荐方法由于其简单易用而被广泛使用，但准确性仍然是一个问题。在本文中，我们提出了一个多层次的推荐方法，其主要目的是帮助用户在决策提供更好的质量建议。所提出的方法可以应用于不同的在线领域，使用协同推荐系统，从而提高整体用户体验。所提出的方法的效率是通过提供一个广泛的实验评估，使用五个真实的数据集和比较替代品。
2018-04-24 cs.IR
A Collaborative Filtering-Based Two Stage Model with Item Dependency for Course Recommendation
National Taiwan University（台湾大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文针对课程推荐中评分缺失、注册分布不均衡及课程依赖建模等挑战，提出融合课程依赖正则化的两阶段协同过滤模型与基于课程转换网络的图推荐器，在真实数据集上取得0.97的AUC。
2023-11-01 cs.IR cs.LG
A dynamic multi-level collaborative filtering method for improved recommendations
在电子商务等各种在线环境中提供推荐的最常用方法之一是协同过滤。虽然这是一种简单的推荐商品或服务的方法，但仍然存在准确性和质量问题。因此，我们提出了一个动态的多级协同过滤方法，提高了推荐的质量。所提出的方法是基于积极和消极的调整，并可用于不同的领域，利用协同过滤，以提高质量的用户体验。此外，所提出的方法的有效性是通过提供一个广泛的实验评估的基础上，三个真实的数据集和替代方法的比较。
2017-02-06 cs.IR
Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison
Eindhoven University of Technology（埃因霍温理工大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异，即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下，原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中，我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的，基于模型的，和信任感知的推荐算法。
2019-08-02 cs.IR cs.LG cs.SI
Bridging Conversational and Collaborative Signals for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对对话推荐系统（CRS）缺乏协同过滤（CF）信号的问题，提出Reddit-ML32M数据集及基于LLM的框架，通过关联对话与交互数据优化推荐排序，命中率提升12.32%、NDCG提升9.9%。
2025-02-10 cs.AI cs.IR cs.LG
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto（多伦多大学）
在本文中，几个协同过滤（CF）的方法与潜变量的方法进行了研究，使用用户项目的相互作用，以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式，并提供产品建议。具有神经协同过滤（NCF）的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益（NDCG）性能。使用贝叶斯优化（BO）测试不同的超参数在CF框架中的适用性。外部数据源，如点击数据和指标，如点击率（CTR）进行了审查，以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术，以增加收入，吸引新客户，并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
Echo Chambers in Collaborative Filtering Based Recommendation Systems
Stanford University（斯坦福大学）；University of Washington（华盛顿大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of California, Berkeley（加州大学伯克利分校）
推荐系统支撑着现代几乎所有在线内容的服务。从Youtube和Netflix推荐，到Facebook订阅和谷歌搜索，这些系统旨在根据用户的预测偏好过滤内容。最近，这些系统面临着越来越多的批评，就其对内容多样性，社会两极分化和健康的公共话语的影响。在这项工作中，我们模拟了协同过滤算法在MovieLens数据集中对用户的推荐。我们发现，长期接触系统生成的建议大大减少了内容多样性，移动个人用户进入“回声室”的特点是一个狭窄的内容范围。此外，我们的工作表明，一旦这些回声室已经建立，这是很难为个人用户突破单独操纵自己的评级向量。
2020-11-08 cs.AI cs.IR cs.LG
Hybrid Collaborative Filtering Models for Clinical Search Recommendation
The Ohio State University（俄亥俄州立大学）；Regenstrief Institute（雷根斯特里夫研究所）；Indiana University School of Medicine（印第安纳大学医学院）
随着电子健康档案的广泛应用，临床医生在大量的患者健康档案中检索重要信息时，往往面临时间压力。虽然搜索功能可以是浏览患者记录的有用替代方案，但对于临床医生来说，重复搜索类似患者的相同或类似信息是很麻烦的。在这种情况下，迫切需要建立有效的推荐系统，可以为临床医生生成准确的搜索词推荐。在这篇手稿中，我们开发了一个混合协同过滤模型，使用患者的遭遇和搜索词信息，为临床医生推荐下一个搜索词，以快速检索重要信息。对于每例患者，模型将推荐与他/她最近的ICD代码具有高共现频率或与该患者最近的检索词高度相关的术语。我们已经进行了全面的实验来评估所提出的模型，实验结果表明，我们的模型可以优于所有最先进的基线方法的前N个搜索词推荐不同的数据集。
2020-07-19 cs.IR cs.LG
CoLLM: Integrating Collaborative Embeddings into Large Language Models for Recommendation
针对现有LLM推荐方法忽略协同信息、热启动性能欠佳的问题，提出CoLLM方法，通过外部模型捕获协同信息并映射为LLM输入嵌入，在不修改LLM的前提下提升冷热启动场景的推荐效果。
2025-06-14 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Collaborative Recommendation with Auxiliary Data: A Transfer Learning View
Shenzhen University（深圳大学）
智能推荐技术在电子商务产品推广、互联网广告展示等各种行业应用中发挥着越来越重要的作用。除了用户的反馈（例如，数字评分），通常存在一些附加数据，例如用户的社交圈和其他行为。这些辅助数据通常与用户对数字评级背后的项目的偏好有关。基于辅助数据的协同推荐（CRAD）旨在利用这些辅助信息来改进个性化服务，受到了研究者和实践者的广泛关注。迁移学习（TL）是从辅助数据中提取和迁移知识，以辅助目标数据的学习任务。本文从迁移学习的角度研究了CRAD问题，特别是如何从一些辅助数据中实现知识迁移。首先，我们给出了CRAD的迁移学习（TL-CRAD）的形式化定义。其次，我们扩展了TL技术的现有分类（即，自适应的、集体的和综合的知识转移算法风格），具有三种知识转移策略（即，预测规则、正则化和约束）。第三，我们提出了一个新的通用知识转移框架TL-CRAD。第四，我们详细描述了每种算法风格的每种特定知识转移策略的一些代表性工作，期望对进一步的工作有所启发。最后，我们总结了本文的一些总结性讨论和未来的几个方向。
2014-07-09 cs.IR cs.LG
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Rice University（莱斯大学）
CEMG通过多模态融合层和残差量化变分自编码器，提升多模态生成推荐的性能。
2025-12-25 cs.IR
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of California, Davis（加利福尼亚大学戴维斯分校）；Fudan University（复旦大学）；Pinterest Inc.（Pinterest公司）
为了模拟用户偏好的演化，我们应该学习基于时间排序的物品购买序列的用户/物品嵌入，这被定义为顺序推荐（SR）问题。现有的方法利用顺序模式来建模项转换。然而，他们中的大多数人忽略了关键的时间协作信号，这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此，我们提出统一的序列模式和时间协同信号，以提高推荐的质量，这是相当具有挑战性的。首先，难以同时编码序列模式和协作信号。其次，它是不平凡的，以表达协同信号的时间效应。因此，我们设计了一个新的框架时间图顺序推荐（TGSRec）在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器（TCT）层，该层通过采用一种新的协作注意机制，改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号，并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明，TGSRec显著优于其他基线，在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG
Semi-supervised Collaborative Ranking with Push at Top
Michigan State University（密歇根州立大学）
现有的基于协作排名的推荐系统往往表现最好时，有足够的观察到的评级为每个用户和观察是完全随机的。在此设置下，推荐系统可以根据用户的兴趣适当地建议推荐列表。然而，当观察到的评级是非常稀疏的（例如，在没有评级数据可用的冷启动用户的情况下），并且不是随机均匀采样的，现有的排名方法无法有效地利用边信息来将知识从现有的评级转换为未观察到的评级。我们提出了一个半监督的协作排名模型，称为\texttt{S$^2$COR}，以提高冷启动推荐的质量。\texttt{S$^2$COR}通过协作学习排名模型，利用关于观察到的和缺失的评级的边信息，减轻稀疏性问题。这使得它能够处理丢失数据的情况下，不是随机的，但也有效地将可用的边信息纳入转导。我们在一些具有挑战性的现实世界数据集上对我们提出的算法进行了实验评估，并与最先进的冷启动推荐模型进行了比较。与最先进的算法相比，我们报告了更高质量的推荐。
2015-11-17 cs.IR cs.LG
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering
Ariel University（阿里尔大学）；Tel Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）
在推荐系统中，两个主要的挑战是对具有不同品味的用户进行建模，并提供可解释的推荐。在本文中，我们提出了一个统一的解决方案，这两个问题的神经注意力多角色协作过滤（AMP-CF）模型。AMP-CF将用户分解为几个潜在的“人物角色”（配置文件），以识别和辨别用户的不同品味和倾向。然后，揭示的人物角色用于为用户生成和解释最终的推荐列表。AMP-CF将用户建模为一个有注意力的人物角色混合体，支持基于所考虑的项目而变化的动态用户表示。我们展示了AMP-CF上的五个协同过滤数据集的域的电影，音乐，视频游戏和社交网络。作为一个额外的贡献，我们提出了一种新的评价方案，用于比较不同的项目在推荐列表中的基础上的距离从底层分布的“口味”在用户的历史项目。实验结果表明，AMP-CF是竞争力与其他国家的最先进的模型。最后，我们提供了定性的结果来展示AMP-CF解释其建议的能力。
2020-09-26 cs.AI cs.IR cs.LG
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology（密苏里科技大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）；Applied Computational Intelligence Laboratory, Missouri University of Science and Technology（密苏里科技大学应用计算智能实验室）
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来，推荐系统的使用越来越广泛，帮助人们选择要看的电影、要读的书和要买的东西。然而，用户在使用这类系统时往往会担心自己的隐私，许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐，同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤，提供了一个广阔的视野，并使用两个不同的标准对文献中的关键贡献进行分类：他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Crank up the volume: preference bias amplification in collaborative recommendation
DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
推荐系统是个性化的：我们期望给特定用户的结果反映该用户的偏好。一些研究人员研究了校准的概念，推荐与用户陈述的偏好匹配的程度，以及偏差差异，即错误校准影响不同用户组的程度。在本文中，我们研究了偏见的差距在一系列不同的算法和不同的项目类别，并证明基于模型和基于内存的算法之间的显着差异。
2019-09-13 cs.IR cs.LG stat.ML
Learning to Fast Unrank in Collaborative Filtering Recommendation
针对推荐系统遗忘效率低的问题，本文提出L2UnRank方法，通过p跳传播识别影响范围、计算结构与语义影响并进行排序感知的参数更新，在保持推荐质量的同时实现50倍加速的取消排名。
2025-11-10 cs.AI cs.IR cs.LG
CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations
Microsoft（微软）；Tel Aviv University（特拉维夫大学）；Technion（以色列理工学院）
在推荐系统的研究中，推荐算法通常被描述为协同过滤（CF）或基于内容（CB）。CF算法使用用户偏好的数据集进行训练，而CB算法通常基于项目配置文件。这些方法利用不同的数据源，因此产生的推荐项目通常非常不同。本文介绍了CB2CF，一种深度神经多视图模型，作为从项目内容到其CF表示的桥梁。CB2CF是一种真实世界的算法，专为处理全球约10亿用户的Microsoft Store服务而设计。CB2CF在电影和应用程序推荐上进行了演示，在完全冷的项目上，它的表现优于另一种CB模型。
2019-09-21 cs.CL cs.IR cs.LG
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems
Université de la Polynésie Française（法属波利尼西亚大学）；NzhinuSoft
在过去的二十年里，由于在线应用程序中数据量的爆炸式增长，推荐系统引起了人们的极大兴趣。一个特别的注意力已经支付给协同过滤，这是最广泛使用的应用程序，涉及信息推荐。协同过滤（CF）使用一组用户的已知偏好来对其他用户的未知偏好进行预测和推荐（推荐是基于用户的过去行为）。1990年代首次引入，提出了各种各样越来越成功的模式。由于机器学习技术在许多领域的成功，在推荐系统中应用这些算法已经越来越受到重视。在本文中，我们概述了推荐系统的CF方法、其两个主要类别及其评估指标。我们专注于经典的机器学习算法的CF推荐系统的应用，提出他们的进化，从他们的第一个用例，先进的机器学习模型。我们试图提供一个全面的CF系统（与Python实现）的比较概述，可以作为在这一领域的研究和实践的指导方针。
2021-06-22 cs.AI cs.IR cs.LG
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
Collaborative User Prompt for Personalized Generative Recommendation
University College London（伦敦大学学院）
本文提出一种整合个体与集体偏好的人工智能框架，通过注意力机制融合相似兴趣用户的嵌入表示，提升推荐系统的个性化与协同性。
2026-03-21 cs.IR
A Complex Network Approach for Collaborative Recommendation
协同过滤（CF）是个性化服务推荐中使用最广泛和最成功的方法。在协同推荐方法中，基于邻域的方法由于其简单性、可扩展性、高效性和稳定性而受到广泛的欢迎。基于邻域的协同过滤方法找到K个最近的邻居到一个活跃的用户或K个最相似的评价项目的目标项目的推荐。传统的相似性度量使用共同评级项目的评级来找到一对用户之间的相似性。因此，传统的相似性度量不能计算有效的邻居在稀疏数据集。在本文中，我们提出了一个两阶段的方法，在第一阶段使用传统的相似性度量生成用户-用户和项目-项目网络。在第二阶段，引入了两种混合方法HB 1，HB 2，它们利用网络的结构相似性来找到K个最近邻居和K个与目标项最相似的项。为了显示措施的有效性，我们比较了性能的邻域为基础的CF使用国家的最先进的相似性措施与我们提出的结构相似性措施为基础的CF。一组真实数据的推荐结果表明，建议的措施为基础的CF在各种评价指标优于现有的措施为基础的CF。
2015-10-02 cs.IR
Collaborative Semantic Alignment in Recommendation Systems
本文提出CARec模型，通过将协同过滤信号与预训练语言模型的语义表示相结合，解决两者表示空间对齐问题，在四个数据集上显著提升推荐性能并有效适用于冷启动场景。
2024-02-14 cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法，如协同过滤，只依赖于用户和项目之间的相似性，根据用户的偏好提供推荐。然而，协同过滤可能会导致提供差的推荐，因为它不依赖于其他有用的可用数据，如用户的位置，因此，建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的，例如电影推荐系统。为了提高推荐的准确性和质量，本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中，用户的位置已被利用，并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验，讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
Probabilistic Models for Unified Collaborative and Content-Based Recommendation in Sparse-Data Environments
University of Pennsylvania（宾夕法尼亚大学）；NEC Research Institute（NEC研究院）
推荐系统利用产品和社区信息将产品定位给消费者。研究人员已经开发出协作式浏览器、基于内容的浏览器和（主要是自组织的）混合系统。我们提出了一个统一的概率框架合并协作和基于内容的建议。我们扩展了Hofmann的[1999]方面模型，将用户，项目和项目内容之间的三路共现数据。协作数据与内容数据的相对影响不是作为外生参数强加的，而是从给定的数据源自然出现的。与标准期望最大化（EM）学习算法相结合的全局概率模型在稀疏数据情况下往往会严重过拟合，这在推荐应用中是典型的。我们表明，次要内容信息通常可以用来克服稀疏性。对来自计算机科学出版物的ResearchIndex库的数据的实验表明，适当的混合模型结合二级数据产生比k-最近邻（k-NN）更好的质量预测器。全局概率模型也允许比k-NN等局部方法更一般的推断。
2013-01-10 cs.IR cs.LG stat.ML
STAIR: Manipulating Collaborative and Multimodal Information for E-Commerce Recommendation
针对电子商务推荐中协同与多模态信息难以共存的问题，提出STAIR方法，采用逐步图卷积和受约束嵌入更新，在三个公开数据集上以低开销实现最先进性能。
2024-12-16 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
Distributed Collaborative Hashing and Its Applications in Ant Financial
Ant Financial Services Group（蚂蚁金融服务集团）；Hangzhou, China（中国杭州）
协同过滤，特别是潜在因素模型，在个性化推荐中得到了广泛的应用。潜在因素模型旨在从用户-物品的历史行为中学习用户和物品的潜在因素。要将其应用到真实的大数据场景中，效率成为第一关注点，包括离线模型训练效率和在线推荐效率。在本文中，我们提出了一个分布式协作哈希（DCH）模型，可以显着提高这两个效率。具体来说，我们首先提出了一个分布式学习框架，按照最先进的参数服务器范式，学习离线协作模型。我们的模型可以有效地学习分布式计算subgradients在minibatches工人和更新模型参数的服务器上异步。然后，我们采用哈希技术，以加快在线推荐过程。利用查找哈希表可以快速地进行推荐。我们在两个真实的大规模数据集上进行了深入的实验。实验结果表明，与经典的和最先进的（分布式）潜在因素模型相比，DCH具有相当的性能，在推荐精度方面，但既有快速的离线模型训练过程中的收敛速度和在线推荐过程中的实时效率。此外，DCH在蚂蚁金服的几个实际应用中也表现出了令人鼓舞的性能。
2018-05-31 cs.IR cs.LG stat.ML
Ethical AI prompt recommendations in large language models using collaborative filtering
University of Brighton（布莱顿大学）；Catalink Limited（Catalink有限公司）
本文提出利用协同过滤技术在大型语言模型中提升伦理提示推荐，通过合成数据集和用户互动减少偏见，解决伦理AI中的透明度和公平性问题。
2025-10-08 cs.IR
User-based collaborative filtering approach for content recommendation in OpenCourseWare platforms
内容推荐器系统或推荐系统表示信息过滤系统的子类，其试图预测用户偏好，即最有可能被用户正面“评级”的内容。目前，开放式课程（OCW）平台的推荐系统通常以两种方式之一生成推荐列表，即通过基于内容的过滤或基于用户的协同过滤（CF）。本文提出了内容推荐模块的概念性思想，该模块能够提出相关的甲板（演示文稿，教育材料等）。它特别分析了用于实现基于用户的CF方法和与内容评估相关的用户相关功能的合适技术。所提出的方法还设想了一个混合推荐系统，作为基于用户和基于内容的方法的组合，以提供一个全面和有效的解决方案的内容推荐。最后，为了评估和测试的目的，一个指定的内容推荐模块被实现为SlideWiki创作开放式课程平台的一部分。
2019-02-27 cs.IR
Collaborative Distillation for Top-N Recommendation
Sungkyunkwan University（成均馆大学）；Yonsei University（延世大学）
知识蒸馏（KD）是通过将笨重的教师模型压缩为小的学生模型来减少推理延迟的公知方法。尽管KD在分类任务中取得了成功，但由于正反馈的稀疏性，缺失反馈的模糊性以及与前N个推荐相关的排名问题，将KD应用于推荐模型是具有挑战性的。为了解决这些问题，我们提出了一个新的KD模型的协同过滤方法，即协同蒸馏（CD）。具体而言，（1）我们重新制定了一个损失函数，以处理丢失反馈的模糊性。(2)我们利用概率排名感知采样的前N个建议。(3)为了有效地训练所提出的模型，我们开发了两种培训策略的学生模型，称为教师和学生指导的培训方法，选择最有用的反馈，从教师模型。实验结果表明，该模型在命中率和归一化贴现累积增益方面分别比现有方法高出2.7-33.2%和2.7-29.1%。此外，所提出的模型实现的性能相媲美的教师模型。
2019-11-13 cs.IR cs.LG stat.ML
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
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
Collaborative Competitive filtering II: Optimal Recommendation and Collaborative Games
推荐系统已经成为帮助在线公司实现其许多战略目标的新武器（例如，以提高销售、收入、客户体验等）。然而，许多现有技术通常通过寻求恢复偏好（例如，估计评级）。本文旨在弥合明确定义的战略目标和不那么合理的代理之间的这一重大差距。我们认为，这是有利的，认为推荐系统作为一个类比的垄断经济市场的系统作为唯一的卖家，用户作为买家和商品的项目。这个新的视角激发了一个博弈论公式的建议，使我们能够确定明确的优化某些战略目标的最佳推荐策略。在本文中，我们回顾和扩展我们以前的工作，合作竞争过滤偏好模型，走向博弈论的框架。拟议框架由两个部分组成。第一，条件偏好模型，其表征用户将如何响应推荐动作;第二，预先知道用户将如何响应，推荐系统应该如何行动（即，战略性地实现其目标。我们展示了如何目标，如点击率，销售收入和消费的多样性，可以明确地在这个框架中进行优化。在一个商业推荐系统上进行了实验，取得了良好的效果。
2012-12-10 cs.IR
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong（香港中文大学）；Tencent Quantum Lab（腾讯量子实验室）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
项目冷启动问题严重限制了协同过滤（CF）方法的推荐性能时，新的项目没有或很少的互动。为了解决这个问题，许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而，很难设计和学习项目的交互历史和相应内容之间的映射。在本文中，我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息，我们可以计算之间的相似性的互动项目和冷启动的，使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想，提出Wasserstein CF（WCF），以提高冷启动项目的推荐性能。实验结果表明，WCF的优越性，国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
Extending a Tag-based Collaborative Recommender with Co-occurring Information Interests
协同过滤被广泛应用于个性化项目推荐，但其性能受到评分数据稀疏性的影响。为了解决这个问题，最近的系统已经开发，以改善推荐通过提取潜在的因素从评级矩阵，或通过利用信任关系建立在用户之间的社交网络。在这项工作中，我们感兴趣的是评估是否可以使用其他来源的偏好信息比评级和社会关系，以提高推荐性能。具体来说，我们的目标是测试是否经常共同出现的利益信息搜索日志的集成可以提高推荐性能的用户到用户的协同过滤（U2UCF）。为此，我们提出了扩展的基于类别的协同过滤（ECCF）推荐，它丰富了基于类别的用户简档来自与数据类别的评级行为的分析，经常被搜索在一起的人在搜索会话。我们使用一个大的评级数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的同现。实验结果表明，ECCF在推荐准确率、MRR、推荐多样性和用户覆盖率方面优于U2UCF和基于类别的协同推荐。此外，它优于SVD++矩阵分解算法的准确性和多样性的推荐列表。
2020-03-30 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用，其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器（MA-CVAE）用于标签推荐，它将项目协作信息和项目多辅助信息相耦合，内容和社交图谱，通过定义一个生成过程。具体而言，该模型使用变分自编码器（VAE）从不同的项目辅助信息中学习深度潜在嵌入，该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外，为了推荐新项目的标签，项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理，其中重建损失被添加在训练阶段中，以通过不同的辅助嵌入来限制反馈预测的生成。此外，一个归纳变分图自动编码器的设计，新的项目节点可以推断在测试阶段，使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
