A Simple Convolutional Generative Network for Next Item Recommendation
Tencent(腾讯);Telefonica Research(西班牙电信研究院);University of Glasgow(格拉斯哥大学);National University of Singapore(新加坡国立大学)
卷积神经网络(CNN)最近被引入到基于会话的下一个项目推荐领域。用户在会话(或序列)中与之交互的过去项目的有序集合被嵌入到二维潜在矩阵中,并被视为图像。然后将卷积和池化操作应用于映射的项嵌入。在本文中,我们首先研究了典型的基于会话的CNN推荐,并表明生成模型和网络架构是次优的建模项目序列中的长程依赖关系时。为了解决这些问题,我们引入了一个简单但非常有效的生成模型,该模型能够从短期和长期项目依赖关系中学习高级表示。所提出的模型的网络架构由\emph{holed}卷积层的堆栈形成,其可以有效地增加感受野而不依赖于池化操作。另一个贡献是在推荐系统中有效地使用剩余块结构,这可以简化更深层次网络的优化。所提出的生成式模型在下一个项目推荐任务中以更少的训练时间达到最先进的准确性。因此,它可以作为一个强大的推荐基线,在未来击败,特别是当有很长的用户反馈序列。
2018-11-29 cs.IR cs.LG stat.ML
A Simple and Scalable Tensor Completion Algorithm via Latent Invariant Constraint for Recommendation System
University of Missouri - Columbia(密苏里大学哥伦比亚分校);Stanford University(斯坦福大学)
在本文中,我们提供了一个潜在的变量制定和解决方案的推荐系统(RS)问题的基本属性,任何合理的解决方案应该满足。具体来说,我们研究了一种新的张量完成方法,以有效和准确地学习模型参数的不可观察的个人偏好,用户评级的基础。通过正则化张量分解与一个单一的潜在不变,我们实现了可靠的推荐系统的三个属性:(1)张量完成结果的唯一性与最小的假设,(2)单位的一致性,是独立于用户的任意偏好,和(3)共识排序保证,提供一致的排名之间的观察和未观察到的评分。我们的算法导致一个简单而优雅的推荐框架,具有线性计算复杂性,没有超参数调整。我们提供的实证结果表明,该方法显着优于目前最先进的方法。
2022-07-03 cs.HC cs.IR cs.LG
Ultra Fast Warm Start Solution for Graph Recommendations
HSE University(俄罗斯莫斯科高等经济大学)
本研究针对图推荐系统UltraGCN的推荐更新需求,提出适配低秩近似的线性热启动方法,速度较传统方法最高快30倍,同时提升推荐质量,具备高可扩展性。
2025-09-01 cs.IR cs.LG
LLMInit: A Free Lunch from Large Language Models for Selective Initialization of Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(Salesforce AI研究)
LLMInit通过选择性初始化策略将预训练LLM嵌入整合到协同过滤模型中,提升推荐性能并降低计算成本。
2025-11-20 cs.AI cs.CL cs.IR
"And the Winner Is...": Dynamic Lotteries for Multi-group Fairness-Aware Recommendation
University of Colorado, Boulder(科罗拉多大学博尔德分校);Tulane University(杜兰大学);DePaul University(德保罗大学);IBM Watson Research Center(IBM沃森研究中心)
随着推荐系统的设计和部署越来越多的社会后果的应用程序,它已成为重要的是要考虑这些系统的公平性。关于推荐的公平性已经有了相当多的研究。然而,我们认为,以前的文献一直是基于简单的,统一的,往往是一维的公平假设的概念,不承认现实世界的复杂性,公平意识的应用程序。在本文中,我们明确表示的设计决策,进入多个定义和交叉保护组的准确性和公平性之间的权衡,支持多个公平性指标。该框架还允许推荐器调整其性能的基础上,已交付的建议,在一个时间范围内的历史视图,动态重新平衡公平性的关注。在这个框架内,我们制定了基于彩票的公平性问题之间的选择机制,并证明了他们的性能在两个推荐域。
2020-09-05 cs.AI cs.IR cs.LG
Measuring Recency Bias In Sequential Recommendation Systems
Seoul National University(首尔大学)
本研究针对序列推荐系统的近因偏差问题,提出了一种量化该偏差的新型指标,实验证实高近因偏差会损害推荐性能,缓解后可提升所有评估模型的表现,凸显了测量近因偏差的重要性。
2024-09-15 cs.IR cs.LG
Revisiting Graph Projections for Effective Complementary Product Recommendation
MercadoLibre
针对用户-物品交互噪声大、稀疏导致的互补品推荐难题,提出基于用户-物品二部图投影有向加权图的互补关系推断方法,在不同基准上较序列和图推荐器分别平均提升43%、38%性能。
2025-06-10 cs.IR cs.LG
Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
Myntra Designs Pvt. Ltd.(Myntra设计私人有限公司)
图表示学习(GRL)是推荐系统中一个新兴的、有前途的研究领域。在本文中,我们重新审视的奇异值分解(SVD)的邻接矩阵嵌入生成的用户和项目,并使用一个两层神经网络上的这些嵌入,学习用户项目对之间的相关性。受高阶学习在GRL中的成功的启发,我们进一步提出了这种方法的扩展,通过邻接矩阵的二阶来包括SVD的两跳邻居,并与仅使用一跳邻居的简单SVD方法相比,表现出更好的性能。在推荐系统的三个公开数据集上的实证验证表明,所提出的方法尽管简单,但击败了许多最先进的方法,并且对于三个数据集中的两个,击败了所有这些方法,幅度高达10%。通过我们的研究,我们希望阐明矩阵分解方法的有效性,特别是SVD,在深度学习时代,并表明这些方法仍然是推荐系统的重要基线。
2021-10-05 cs.IR cs.LG cs.SI
Empirical Analysis of Session-Based Recommendation Algorithms
TU Dortmund(多特蒙德工业大学);University of Torino(都灵大学);University of Klagenfurt(克拉根福大学)
推荐系统是在信息过载的情况下通过向在线用户指出他们感兴趣的潜在项目来支持在线用户的工具。近年来,基于会话的推荐算法在研究文献中受到了较多的关注。这些算法的建议完全基于在正在进行的会话中观察到的与用户的交互,并且不需要长期偏好配置文件的存在。最近,提出了许多基于深度学习(“神经”)的方法来进行基于会话的推荐。然而,先前的研究表明,今天复杂的神经推荐方法在预测准确性方面并不总是优于简单的算法。通过这项工作,我们的目标是揭示基于会话的推荐领域的最新技术以及神经方法所取得的进展。为此,我们比较了12种算法方法,其中6种最近的神经方法,在相同的条件下,在各种数据集。我们发现,神经方法在预测精度方面的进展仍然有限。在大多数情况下,我们的实验表明,简单的探试法的基础上最近的邻居计划是更好的概念和计算上更复杂的方法。用户研究的观察结果进一步表明,基于探试法的建议也被研究参与者很好地接受。为了支持这一领域的未来进展和可重复性,我们公开分享了我们研究中使用的会话记录评估框架。
2020-09-27 cs.IR cs.LG cs.NE
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
WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models
Alibaba Group(阿里巴巴集团)
学习隐藏在隐式反馈数据中的用户-项目相关性在现代推荐系统中发挥着重要作用。神经顺序推荐模型将用户与项目的相关性学习转化为一个顺序分类问题,根据用户的历史行为将未来行为中的项目与其他项目区分开来,由于其巨大的实用价值,引起了工业界和学术界的广泛兴趣。虽然取得了许多实际的成功,我们认为,内在的{ \bf不完全}和{ \bf不准确}的用户行为的隐式反馈数据被忽略,并进行初步的实验支持我们的主张。基于无模型方法如行为重定向(BR)和基于项目的协同过滤(ItemCF)与神经顺序推荐模型相比,在用户-项目相关性方面有不同的表现,我们提出了一种新的模型无关的训练方法WSLRec,它采用了三个阶段的框架:预训练,顶部$k$挖掘和微调。WSLRec通过从BR和ItemCF等无模型方法中预训练额外弱监督的模型来解决不完整性问题,同时通过利用顶部$k$挖掘来解决不准确性问题,以从弱监督中筛选出可靠的用户项相关性进行微调。在两个基准数据集上的实验和在线A/B测试验证了我们的主张的合理性,并证明了WSLRec的有效性。
2022-02-28 cs.IR cs.LG
Human Interaction with Recommendation Systems
Stanford University(斯坦福大学);Google Brain(谷歌大脑)
许多推荐算法依赖于用户数据来生成推荐。但是,这些建议也会影响从未来用户那里获得的数据。这项工作旨在了解这种动态相互作用的影响。我们提出了一个简单的模型,随着时间的推移,不同的偏好的用户到达。基于这个模型,我们证明了天真的估计,即那些忽略这个反馈回路,是不一致的。我们表明,相合估计量是有效的近视剂的存在。我们的结果进行了验证,使用广泛的模拟。
2018-03-28 cs.LG stat.ML
Reducing Offline Evaluation Bias in Recommendation Systems
Viadeo;Université Paris 1 Panthéon – Sorbonne(巴黎第一大学先贤祠-索邦大学)
推荐系统已被集成到大多数大型在线系统中。他们根据用户简档对信息进行过滤和排序,使这些系统适合个人用户。这种适应过程影响用户与系统交互的方式,因此增加了使用历史数据(通过离线评估)评估推荐算法的难度。本文分析了这种评价偏差,并提出了一个简单的项目加权解决方案,减少其影响。从Viadeo专业社交网络中提取的真实世界数据的效率进行了评估。
2014-07-03 cs.IR cs.LG stat.ML
Towards Validating Long-Term User Feedbacks in Interactive Recommendation Systems
KAIST(韩国科学技术院);KAKAO Enterprise(Kakao企业)
本研究针对公开评论数据集是否适用于评估交互式推荐系统长期效果的问题,通过对比强化学习模型与贪婪奖励模型,发现贪婪模型表现更优,提出需谨慎验证数据集并设置贪婪基线以保障评估合理性。
2023-08-22 cs.IR cs.LG
Deep Content-User Embedding Model for Music Recommendation
KAIST(韩国科学技术院);NAVER corp.(NAVER公司)
最近,基于深度学习的推荐系统已经被积极地探索以使用混合方法来解决冷启动问题。然而,大多数以前的研究提出了一种混合模型,其中协同过滤和基于内容的过滤模块是独立训练的。端到端方法将不同的模态数据作为输入并联合训练模型可以提供更好的优化,但尚未得到充分的探索。在这项工作中,我们提出了深度内容用户嵌入模型,一个简单而直观的架构,结合了用户项交互和音乐音频内容。我们评估模型上的音乐推荐和音乐自动标记任务。结果表明,该模型显着优于以前的工作。我们还讨论了各种方向,以进一步改善所提出的模型。
2018-07-18 cs.IR cs.LG cs.MM
Free Speech and Artificial Intelligence
University of Ottawa(渥太华大学)
本文分析社交媒体推荐算法、对话式AI两类技术引发的言论自由问题,探讨AI主体言论权利、用户信息权及平台/开发者法人言论权,旨在提出AI发展带来的相关问题。
2026-09-01 cs.AI cs.CY
Session-aware Recommendation: A Surprising Quest for the State-of-the-art
University of Klagenfurt(克拉根福大学);University of Torino(都灵大学)
推荐系统被设计来帮助用户在信息过载的情况下。近年来,我们观察到越来越多的兴趣基于会话的推荐方案,其中的问题是使项目建议,用户只根据在一个正在进行的会话中观察到的交互。然而,在来自先前用户会话的交互可用的情况下,可以根据用户的长期偏好来个性化推荐,这一过程称为会话感知推荐。目前,这一领域的研究比较分散,许多现有的工作只是将会话感知模型与基于会话的模型进行比较。这使得它具有挑战性的理解是什么代表了最先进的。为了缩小这一研究差距,我们基准最近的会话感知算法对彼此和一些基于会话的推荐算法和平凡的扩展。令人惊讶的是,我们的比较显示,(i)基于最近邻居的项目简单技术始终优于最近的神经技术,(ii)会话感知模型大多并不比不使用长期偏好信息的方法更好。因此,我们的工作不仅指出了新方法与弱基线相比的潜在方法学问题,而且还表明了更复杂的会话感知推荐算法仍然有巨大的潜力。
2021-09-14 cs.IR cs.LG cs.NE
From Fully Supervised to Zero Shot Settings for Twitter Hashtag Recommendation
Samsung R&D Institute India - Bangalore(三星印度研发研究院-班加罗尔)
我们提出了一个全面的端到端的Twitter标签推荐系统的管道,包括数据汇集,监督训练设置和zero shot训练设置。在监督训练环境中,我们提出并比较了各种深度学习架构的性能,即卷积神经网络(CNN),递归神经网络(RNN)和Transformer网络。然而,收集所有可能的主题标签的数据并在其上训练分类器模型是不可行的。为了克服这一限制,我们提出了一个零样本学习(ZML)范式,通过学习推文的语义空间和标签的嵌入空间之间的关系来预测看不见的标签标签。我们评估了各种最先进的语义嵌入方法,如语义嵌入的凸组合(ConSE),令人尴尬的简单零样本学习(ESWL)和深度嵌入模型零样本学习(DEM-EML)用于标签推荐任务。我们展示了推荐看不见的主题标签的方法的有效性和可扩展性。据我们所知,这是迄今为止针对推文文本中看不见的主题标签推荐的第一次定量评估。
2019-06-11 cs.CL cs.IR cs.LG
A quantum-inspired classical algorithm for recommendation systems
我们给出了一个经典的模拟Kerenwald和Prakash的量子推荐系统,以前被认为是量子机器学习中可证明的指数加速的最强候选人之一。我们的主要结果是一个算法,给定一个$m \times n$矩阵的数据结构中支持某些$\ell^2$ -范数采样操作,输出一个$\ell^2$ -范数样本从秩$k$近似的矩阵在时间$O(\text{poly}(k)\log(mn))$,只有多项式慢于量子算法。因此,Kereneirs和Prakash的算法实际上并没有给出比经典算法更快的指数加速。此外,在强输入假设下,从我们的算法产生的经典推荐系统比以前的经典系统,运行在时间线性$m$和$n$指数更快地产生建议。这项工作的主要见解是使用简单的例程来操纵$\ell^2$ -范数采样分布,它在经典环境中发挥量子叠加的作用。这种对应关系表明了一个潜在的富有成效的框架,正式比较量子机器学习算法的经典机器学习算法。
2019-05-09 cs.DS cs.IR cs.LG
Do LLMs Benefit from User and Item Embeddings in Recommendation Tasks?
University of British Columbia(不列颠哥伦比亚大学);RBC Borealis
本文提出通过投影用户和物品嵌入到LLM token空间,提升推荐性能,实现传统推荐系统与LLM的结合。
2026-01-08 cs.LG
Envy-Free but Still Unfair: Envy-Freeness Up To One Item (EF-1) in Personalized Recommendation
Department of Information Science, University of Colorado, Boulder(信息科学系,科罗拉多大学,博尔德);Department of Computer Science, Tulane University(计算机科学系,路易斯安那大学)
本文概述无嫉妒及EF-1在经济学与推荐系统中的应用,指出在个性化场景中嫉妒不适合衡量公平性。
2025-09-10 cs.AI cs.IR
A Design of A Simple Yet Effective Exercise Recommendation System in K-12 Online Learning
TAL Education Group(好未来教育集团);The University of Memphis(孟菲斯大学);Guangdong Institute of Smart Education, Jinan University(暨南大学广东智慧教育研究院)
我们提出了一种简单而有效的方法来推荐高质量和多样性的练习给学生。我们的方法由三个关键部分组成:(1)候选生成模块;(2)多样性促进模块;(3)范围限制模块。该方法在召回率方面提高了整体推荐性能,与基线相比,推荐候选的多样性增加了0.81%。
2022-06-23 cs.AI cs.IR
Track2Vec: fairness music recommendation with a GPU-free customizable-driven framework
National Yang Ming Chiao Tung University(国立阳明交通大学)
推荐系统已经说明了在基于用户过去的行为来描述用户偏好方面所取得的重大进展。尽管准确推荐的有效性,但存在几个因素对于评估推荐系统的各个方面来说是必不可少的,但尚未探索,例如,公平性、多样性和有限的资源。为了解决这些问题,我们提出了Track 2 Vec,一个免费的GPU可定制驱动的公平音乐推荐框架。为了兼顾准确性和公平性,我们的解决方案由三个模块组成,一个定制的公平性感知组,用于根据可配置的设置建模不同的功能,一个跟踪表示学习模块,用于学习更好的用户嵌入,和一个集成模块,用于排名不同的跟踪表示学习模块的推荐结果。此外,受自然语言处理中广泛使用的TF-IDF的启发,我们引入了一个称为Miss Rate - Inverse Ground Truth Frequency(MR-ITF)的度量来衡量公平性。大量的实验表明,我们的模型在EvalRS @ CIKM 2022挑战赛的排行榜上在无GPU环境中获得了第四名的价格排名,就官方分数而言,这比官方基线高出约200%。此外,消融研究表明,有必要将每组进行整合,以获得准确和公平的建议。
2022-10-29 cs.IR cs.LG
SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
Beijing University of Posts and Telecommunications(北京邮电大学);The University of Sydney(悉尼大学);Zhejiang Lab(之江实验室)
基于会话的推荐(SBR)问题,其重点是对匿名用户的下一个项目的预测,受到越来越多的研究人员的关注。现有的基于图的SBR方法都缺乏区分具有相同最后一项的会话的能力,并且遭受严重的流行偏差。受对比学习方法的启发,提出了一种基于会话推荐的简单对比图神经网络(SimCGNN)。在SimCGNN中,我们首先在构建的会话图上获得规范化的会话嵌入。接下来,我们通过两个前向传播和一个新的负样本选择策略来构造会话的正样本和负样本,然后计算建设性损失。最后,会话嵌入用于给出预测。在两个真实数据集上进行的大量实验表明,我们的SimCGNN与最先进的方法相比取得了显着的改进。
2023-02-08 cs.AI cs.IR
Are Recommenders Self-Aware? Label-Free Recommendation Performance Estimation via Model Uncertainty
DCST, Tsinghua University(清华大学人工智能研究院);AIR, Tsinghua University(清华大学人工智能研究院)
本文研究推荐系统的自我感知能力,提出基于概率的列表分布不确定性(LiDu)方法,通过无标签方式估计推荐性能,实验证明其相关性优于现有估计器,为构建透明可自评估的推荐系统提供支撑。
2025-07-31 cs.IR cs.LG
Retrieval and Distill: A Temporal Data Shift-Free Paradigm for Online Recommendation System
Shanghai Jiao Tong University(上海交通大学);Yokohama National University(Yokohama国立大学)
针对推荐系统中的时间数据偏移问题,提出关联时间不变性定理,并构建检索与蒸馏框架,使模型从偏移数据中学习稳定关联且在线推理开销极小。
2025-07-27 cs.AI cs.IR
LightGNN: Simple Graph Neural Network for Recommendation
University of Hong Kong(香港大学)
针对GNN在大规模推荐中面临的可扩展性与鲁棒性挑战,提出基于知识蒸馏的轻量级剪枝框架LightGNN,通过自适应移除冗余边和嵌入项大幅降低模型复杂度,在保持推荐性能的同时实现80%边与90%嵌入项的减少。
2025-02-04 cs.AI cs.IR cs.LG
A Simple Yet Effective Approach for Diversified Session-Based Recommendation
Shanghai University of Finance and Economics(上海财经大学);Institute of High Performance Computing(高性能计算研究所);Centre for Frontier AI Research, A*STAR(新加坡科技研究局前沿人工智能研究中心);Nanyang Technological University(南洋理工大学)
本文提出DCA-SBRS框架,通过模型无关的多样性损失函数和类别感知注意力机制,以插件形式提升现有会话推荐系统的多样性,同时保持推荐准确性。
2024-03-30 cs.AI cs.IR
FreeScale: Distributed Training for Sequence Recommendation Models with Minimal Scaling Cost
Anonymous Authors(匿名作者)
FreeScale通过负载平衡输入样本缓解延迟问题,通过重叠优先级嵌入通信与计算减少阻塞通信,并利用SM-Free技术解决GPU资源竞争,实现实验工作负载中计算气泡减少90.3%。
2026-04-27 cs.AI cs.DC cs.IR
A Simple Contrastive Framework Of Item Tokenization For Generative Recommendation
AMAP, Alibaba Group(阿里集团AMAP)
针对生成式推荐中令牌空间冗余问题,提出基于对比学习的SimCIT框架,利用可学习残差量化对齐多模态信号,在公共和工业数据集上验证了其有效性。
2025-06-20 cs.AI cs.IR
AlphaFree: Recommendation Free from Users, IDs, and GNNs
Soongsil University(顺斯大学)
AlphaFree提出了一种不依赖用户、ID和GNN的推荐方法,通过语义表示替代ID,无需用户嵌入和GNN,实现高效推荐。
2026-03-03 cs.AI cs.IR
Modeling Scale-free Graphs with Hyperbolic Geometry for Knowledge-aware Recommendation
针对传统推荐系统的数据稀疏性和冷启动问题,引入知识图谱(KGs)来补充辅助信息的方法受到了广泛关注。通过将KG与用户-项目交互统一到一个三方图中,最近的工作探索了图的拓扑结构,以学习具有丰富语义的用户和项目的低维表示。然而,这些现实世界中的三分图通常是无标度的,其内在的层次图结构在现有的工作中是强调不足,因此,导致次优的推荐性能。为了解决这个问题,提供更准确的推荐,我们提出了一种基于双曲几何的知识感知推荐方法,即洛伦兹知识增强的图卷积网络推荐(LKGR)。在数据统一后,LKGR有助于更好地建模无标度三部图。具体来说,我们采用不同的信息传播策略,在双曲空间明确编码异构信息的历史相互作用和KG。我们提出的知识感知的注意力机制使模型能够自动测量信息的贡献,在双曲空间中产生连贯的信息聚合。在三个真实世界的基准上进行的大量实验表明,LKGR在Top-K推荐上的Recall@20的3.6-15.3%优于最先进的方法。
2022-01-02 cs.IR
CORE: Simple and Effective Session-based Recommendation within Consistent Representation Space
Renmin University of China(中国人民大学);Ant Group(蚂蚁集团);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
基于会话的推荐(SBR)是指基于匿名会话中的短期用户行为预测下一个项目的任务。然而,由非线性编码器学习的会话嵌入通常与项目嵌入不在相同的表示空间中,从而导致在推荐项目时的不一致预测问题。为了解决这个问题,我们提出了一个简单而有效的框架称为CORE,它可以统一的表示空间的编码和解码过程。首先,我们设计了一个表示一致的编码器,它把输入项嵌入的线性组合作为会话嵌入,保证会话和项在同一个表示空间中。此外,我们还提出了一种鲁棒的距离度量方法,以防止嵌入在一致表示空间中的过拟合。在五个公开的真实世界数据集上进行的大量实验证明了该方法的有效性和效率。该代码可从以下网址获得:https://github.com/RUCAIBox/CORE。
2022-04-23 cs.AI cs.IR
Are Large Language Models Really Effective for Training-Free Cold-Start Recommendation?
NEC Corporation(日本电气株式会社)
本文通过对比LLMs和TEMs在无训练冷启动推荐中的表现,发现TEMs在冷启动和暖启动设置中均优于LLMs,挑战了LLM是唯一可行选项的普遍看法。
2025-12-15 cs.IR
Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation
University of Arkansas(阿肯色大学)
针对现有扩散推荐系统未引入无分类器引导的问题,本文提出融入无分类器引导的扩散推荐系统,增强底层模型性能,在多数据集多任务多数指标上优于SOTA,且在数据稀疏场景下更具优势。
2024-09-16 cs.CL cs.IR
Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals
KAIST(韩国科学技术院);Snap Inc.(Snap公司)
本研究提出后LLM范式的无训练推荐框架CoRRe,通过协同信号优化物品嵌入,在真实数据集上性能优于现有无训练方法,接近或超过有训练方法。
2026-08-21 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为(例如,性别)具有相似的模式,并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差,例如,总是向男性用户推荐体育新闻,这是不公平的,因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法,该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中,我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入,捕捉敏感的用户属性上的偏见信息,和其他的目的是学习一个无偏见的用户嵌入,只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外,我们提出将属性预测任务应用于偏差感知的用户嵌入,以增强其偏差建模能力,并且我们将对抗学习应用于无偏差的用户嵌入,以去除其中的偏差信息。此外,我们提出了一种正交正则化方法,以鼓励无偏置用户嵌入正交于有偏置的用户嵌入,以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名,我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明,该方法可以有效地提高新闻推荐的公平性,而性能损失较小。
2021-04-15 cs.IR
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习(CL)最近在推荐领域的研究中取得了丰硕的成果,因为它能够从原始数据中提取自监督信号,这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图,然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的,但性能提升的基础仍然是一个谜。在本文中,我们首先通过实验揭示,在基于CL的推荐模型中,CL通过学习更均匀分布的用户/项目表示来操作,可以隐式地减轻受欢迎程度偏差。同时,我们发现,图的扩张,这被认为是必要的,只是发挥微不足道的作用。基于这一发现,我们提出了一个简单的CL方法,放弃了图增强,而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明,尽管该方法看起来非常简单,但该方法可以平滑地调整学习表示的均匀性,并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
A Tale of Two Graphs: Freezing and Denoising Graph Structures for Multimodal Recommendation
针对多模态推荐中现有物品潜在图结构学习低效的问题,提出FREEDOM模型,通过冻结物品-物品图、度敏感剪枝去噪用户-物品交互图,在准确率提升的同时大幅降低内存开销。
2023-08-23 cs.IR cs.MM
CT4Rec: Simple yet Effective Consistency Training for Sequential Recommendation
本文提出CT4Rec,一种无需数据增强和结构修改、仅用两个额外训练目标的一致性训练方法,在序列推荐中大幅超越对比学习模型,并显著提升在线点击率与人均点击次数。
2023-08-09 cs.IR
XSimGCL: Towards Extremely Simple Graph Contrastive Learning for Recommendation
该研究揭示对比学习通过均匀表征缓解推荐系统流行度偏差的机制,提出摒弃图增强、采用噪声嵌入增强的极简XSimGCL方法,在准确率与训练效率上均优于现有图增强对比学习推荐方法。
2023-06-19 cs.IR
GBA: A Tuning-free Approach to Switch between Synchronous and Asynchronous Training for Recommendation Model
Alibaba Group(阿里巴巴集团)
基于参数服务器(PS)架构的高并发异步训练和基于全归约(AR)架构的高性能同步训练是推荐模型最常用的分布式训练模式。虽然同步AR训练旨在提高训练效率,但当共享集群中存在落伍者(慢速工作者)时,异步PS训练将是训练速度的更好选择,特别是在有限的计算资源下。充分利用这两种训练模式的理想方法是根据群集状态在它们之间切换。然而,切换训练模式通常需要调整超参数,这非常耗时和消耗资源。我们发现两个障碍的调谐免费的方法:不同的分布的梯度值和陈旧的梯度从掉队者。本文提出了PS上的全局批量梯度聚合(GBA),它聚合并应用与同步训练相同的全局批量大小的梯度。一个令牌控制过程的实施,以组装的梯度和衰减的梯度严重陈旧。我们提供的收敛性分析,揭示GBA具有可比的同步训练的收敛性能,并证明GBA的推荐模型对梯度老化的鲁棒性。三个工业规模的推荐任务的实验表明,GBA是一种有效的无调谐切换方法。与最先进的异步训练相比,GBA在AUC指标上实现了高达0.2%的改进,这对于推荐模型来说是非常重要的。同时,在硬件资源紧张的情况下,GBA的速度至少是同步训练的2.4倍。
2022-10-09 cs.DC cs.IR cs.LG
Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation
Yonsei University(延世大学)
本文提出Turbo-CF,一种免训练且免矩阵分解的图滤波协同过滤方法,通过多项式低通滤波器在避免高昂计算成本的同时,实现了低于1秒的快速且准确的推荐。
2024-04-22 cs.AI cs.IR cs.IT
Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation
The University of Hong Kong(香港大学);Beijing Institute of Technology(北京理工大学);Carnegie Mellon University(卡内基梅隆大学);Peking University(北京大学);Macao Polytechnic University(澳门理工学院)
本文提出SG-URInit方法,通过整合用户交互物品的模态特征和全局聚类特征,实现免训练且模型无关的用户表示初始化,有效提升多模态推荐性能并缓解物品冷启动问题。
2026-04-16 cs.IR
Unlocking the Power of Diffusion Models in Sequential Recommendation: A Simple and Effective Approach
MIC Lab, College of Computer Science and Technology, Jilin University(微创新实验室,计算机科学与技术学院,吉林大学)
针对扩散序列推荐中的嵌入坍缩问题,提出ADRec框架,通过token级扩散与自回归结合及三阶段训练,在六个数据集上提升准确性与效率。
2025-05-26 cs.IR cs.LG
Leveraging Order-Free Tag Relations for Context-Aware Recommendation
School of Computing, KAIST(韩国科学技术院计算机学院)
标签推荐依赖于顶级$k$标签的排名函数或自回归生成方法。然而,以前的方法忽略了标签集的两个看似矛盾但又令人满意的特性之一:无序性和相互依赖性。虽然排名方法未能解决标签之间的相互依赖性,当他们被排名,自回归方法未能考虑到无序,因为它被设计为利用令牌之间的顺序关系。我们提出了一种序列无关的标签推荐生成方法,其中下一个要生成的标签的顺序是独立的生成标签的顺序和地面真实标签发生在训练数据的顺序。在Instagram和Stack Overflow两个不同领域的实证结果表明,我们的方法明显优于以前的方法。
2021-10-15 cs.CL cs.IR
Accelerating Generative Recommendation via Simple Categorical User Sequence Compression
The HK PolyU(香港理工大学);Huawei(华为)
本文提出一种基于类别特征的用户序列压缩方法,有效降低生成推荐系统的计算成本并提升准确性。
2026-01-27 cs.IR
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media(计算与数字媒体学院);DePaul University(德保罗大学)
许多推荐系统都存在受欢迎程度偏差问题:受欢迎的产品经常被推荐,而不太受欢迎的利基产品很少被推荐。然而,那些被忽视的产品正是企业需要寻找客户的产品,他们的推荐会更有益。在本文中,我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法,使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
Simple and Powerful Architecture for Inductive Recommendation Using Knowledge Graph Convolutions
在推荐系统中使用具有关系信息的图模型已经显示出很好的结果。然而,大多数方法都是传导性的,即,它们基于降维体系结构。因此,每次添加新的项目或用户时,他们都需要进行大量的再培训。相反,归纳法有望解决这些问题。尽管如此,所有的归纳方法都只依赖于交互,使得对用户的推荐在交互很少的情况下是次优的,甚至不可能有新的项目。因此,我们专注于归纳方法,也能够利用知识图谱(KG)。在这项工作中,我们提出了SimpleRec,这是一个强大的基线,使用图神经网络和KG为新用户和项目提供比相关归纳方法更好的推荐。我们表明,这是不必要的,以创建复杂的模型架构的用户表示,但它足以让用户表示的几个评级,他们提供和他们之间的间接连接,没有任何用户元数据。因此,我们重新评估了最先进的方法,确定了更好的评估方案,强调了以前提案中的不必要结论,并展示了这项任务的新的,更强大的基线。
2022-09-13 cs.IR
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation
University of Hong Kong(香港大学)
针对现有图对比学习推荐方法难保留语义结构、易受噪声干扰的问题,提出仅用奇异值分解做对比增强的LightGCL范式,在多个基准数据集上性能优于现有最优方法,且对数据稀疏性和流行度偏差鲁棒性更强。
2023-06-14 cs.IR cs.LG
Conversational Recommendation as Retrieval: A Simple, Strong Baseline
Google Research(谷歌研究院)
针对对话式推荐系统过度依赖难以扩展的外部知识的问题,提出将其转化为信息检索任务,使用基于BM25的检索器并辅以用户中心建模和数据增强,在简单方法下超越了复杂基线并缓解了冷启动问题。
2023-05-23 cs.CL cs.IR
EasyRec: Simple yet Effective Language Models for Recommendation
The University of Hong Kong(香港大学)
本文提出 EasyRec,通过结合对比学习与协同语言模型调优的文本—行为对齐框架,将文本语义与协同信号融合,显著提升零样本推荐并可即插即用于现有协同过滤系统。
2025-10-18 cs.AI cs.IR
An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation
Michigan State University(密歇根州立大学);Airbnb, Inc.(Airbnb公司)
本文提出一种简单图启发式方法,在无需序列编码器等复杂结构的情况下,通过局部项转移图检索并基于特征相似性排序,实现了在序列推荐基准上的高性能表现,揭示了基准测试中存在可快捷解决的结构。
2026-11-10 cs.AI cs.IR
PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System
本文提出无参数传输的联邦序列推荐框架PTF-FSR,通过仅传输隐私保护下的预测结果,同时保护模型与数据隐私,并支持更大规模序列推荐模型。
2024-06-08 cs.IR