A Recommender System for NFT Collectibles with Item Feature
针对 NFT 推荐研究不足的问题,提出融合交易记录及图像、文本、价格等物品特征的图推荐系统,实验表明其显著优于基线。
2024-04-03 cs.AI cs.IR
A Reproducibility Study of Product-side Fairness in Bundle Recommendation
Delft University of Technology(代尔夫特理工大学);University of Amsterdam(阿姆斯特丹大学)
本文通过三个数据集和四种先进捆绑推荐方法复现研究产品侧公平性,发现捆绑与商品层面曝光模式差异显著,且用户行为会显著影响公平性,为构建更公平的捆绑推荐系统提供依据。
2025-07-18 cs.AI cs.IR
A News Recommender System Considering Temporal Dynamics and Diversity
Ryerson University(瑞尔森大学)
在新闻推荐系统中,读者的偏好会随着时间的推移而改变。有些偏好的变化非常突然(短期偏好),而另一些偏好的变化则需要较长的时间(长期偏好)。虽然现有的新闻推荐系统考虑了读者的完整历史,但它们往往忽略了读者行为的动态性。因此,它们不能满足新闻读者对随时间变化的偏好的需求。此外,最先进的新闻推荐模型通常专注于提供准确的预测,这在传统的推荐场景中可以很好地工作。然而,在新闻推荐系统中,多样性是必不可少的,不仅要保持新闻读者的参与,而且要在民主社会中发挥关键作用。在这篇博士论文中,我们的目标是建立一个新闻推荐系统来解决这两个挑战。我们的系统应该能够:(i)适应读者行为的动态;(ii)在推荐模型的设计中考虑准确性和多样性。我们的新闻推荐系统也可以为未配置文件,匿名和短期的读者,通过利用丰富的新闻项目的边信息,并包括在我们的模型中的隐式反馈。我们用多个评估指标(准确性和多样性指标)来评估我们的模型,以证明我们的方法的有效性。
2021-03-23 cs.AI cs.IR
OKRA: an Explainable, Heterogeneous, Multi-Stakeholder Job Recommender System
Maastricht University(马斯特里赫特大学)
本文提出基于图神经网络的可解释多利益相关方职位推荐系统OKRA,在准确率、可解释性与公平性之间取得平衡,并在两个数据集上显著优于六个基线模型。
2025-03-17 cs.AI cs.HC cs.IR
An Outcome-Based Educational Recommender System
Faculty of Computer Science and Engineering, Innopolis University(计算机科学与工程学院,因诺波利斯大学);Faculty of Organizational Sciences, The University of Belgrade(组织科学学院,贝尔格莱德大学)
本文提出基于学习成果的教育推荐系统OBER,将学习成果与测评嵌入数据模式,通过日志驱动的掌握度公式和插件式架构,在5700余名学习者的随机测试中评估三种推荐方法,使实践者能同时权衡相关性与学习掌握度。
2025-09-18 cs.AI
TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers
Shanghai Jiao Tong University(上海交通大学);University of Technology Sydney(悉尼科技大学);Ctrip.com International Ltd(携程国际有限公司)
目前,大多数关于推荐系统公平性的研究都是从消费者的角度或者从产品(或服务)提供商的角度进行的。但是,这种做法忽略了一个事实,即当一方的公平得到保证时,另一方的公平和权利很可能会减少。在本文中,我们考虑推荐场景的角度来看,双方(客户和供应商)。从供应商的角度考虑推荐系统中供应商曝光的公平性。对于客户,我们考虑由于引入公平性措施而导致的推荐结果质量降低的公平性。从理论上分析了推荐质量、用户公平性和提供商公平性之间的关系,并设计了一个面向用户和提供商的双边公平性感知推荐模型(TFROM)。具体来说,我们设计了两个版本的TFROM离线和在线推荐。在三个真实数据集上验证了该模型的有效性。实验结果表明,TFROM提供了更好的双边公平性,同时仍然保持了更高水平的个性化比基线算法。
2021-04-19 cs.AI
A Personalized Framework for Consumer and Producer Group Fairness Optimization in Recommender Systems
University College London(伦敦大学学院);University of Southern California(南加州大学);Polytechnic University of Bari(巴里理工大学)
针对推荐系统现有公平性研究忽略双边市场特性的问题,提出可整合供需双方群体公平约束的重排序框架CP-FairRank,经多数据集和主流模型验证,可在基本不降低推荐质量的同时提升双边公平性。
2024-02-01 cs.AI cs.CY cs.IR
Modelling the Recommender Alignment Problem
Instituto Superior Técnico(高等技术学院)
推荐系统(RS)是人类在线体验的中介。大多数RS都采取行动来优化与用户最佳利益不完全一致但易于测量的指标,如广告点击和用户参与度。这导致了一系列难以衡量的副作用:政治两极分化、成瘾、假新闻。RS设计面临着一个推荐器对齐问题:将推荐与用户、系统设计者和整个社会的目标对齐。但是,我们如何测试和比较潜在的解决方案,以调整RS?它们的巨大规模使得它们在部署中进行测试的成本和风险很高。我们合成了一个简单的抽象建模框架,以指导未来的工作。为了说明这一点,我们构建了一个玩具实验,我们问:“我们如何评估使用用户保留作为奖励函数的后果?为了回答这个问题,我们学习了推荐策略,通过控制玩具环境中的图形动态来优化奖励函数。基于训练有素的管理者对环境的影响,我们得出结论,参与最大化者通常会导致比对齐管理者更糟糕的结果,但并不总是如此。学习后,我们研究RS之间的竞争作为RS对齐的潜在解决方案。我们发现,它通常使我们的玩具社会比没有推荐或参与最大化者的情况下更好。在这项工作中,我们的目标是广泛的范围,表面上触及许多不同的点,以阐明如何对推荐系统的奖励功能进行端到端的研究。推荐器对齐是一个迫切而重要的问题。尝试的解决方案肯定会产生深远的影响。在这里,我们迈出了第一步,开发方法来评估和比较解决方案对社会的影响。
2022-08-25 cs.AI cs.IR
Universal Reusability in Recommender Systems: The Case for Dataset- and Task-Independent Frameworks
Huawei Ireland Research Centre(华为爱尔兰研究中心)
本文提出数据集与任务无关推荐系统(DTIRS)框架,借助数据集描述语言DsDL实现标准化描述与自主特征工程、模型选择和优化,旨在消除为每个新数据集或任务重建推荐流水线的需要,从而最大化代码可复用性并降低采用门槛。
2025-06-03 cs.AI cs.DB cs.IR
Towards Efficient Hypergraph and Multi-LLM Agent Recommender Systems
Research Ireland ML-LABS;Dublin City University(都柏林城市大学);ADAPT Centre(ADAPT中心);School of Computing(计算学院);Insight Research Ireland Centre for Data Analytics(Insight Research Ireland 数据分析中心);University College Dublin(都柏林大学)
HGLMRec通过超图编码器和多LLM代理机制,提升推荐系统在计算效率和推荐质量上的表现。
2025-12-06 cs.AI cs.IR cs.MA
Delegation Asymmetry in Agentic Recommender Systems: Measuring Two-Sided Receptivity in Online Dating
Fleamily, Inc.(弗利米利公司);Lucy Family Institute for Data & Society(露西数据与社会研究所);University of Notre Dame(圣母大学)
该研究针对约会平台智能体推荐系统,开发测量双边智能体接受度的模型,发现存在委托不对称性,量化了相关倾向及设计杠杆,为智能体推荐设计提供启示。
2026-08-19 cs.AI
Gradients as an Action: Towards Communication-Efficient Federated Recommender Systems via Adaptive Action Sharing
East China Normal University(华东师范大学);Singapore Management University(新加坡国立管理学院)
本文提出通信高效的联邦推荐框架FedRAS,通过自适应动作共享策略将物品嵌入梯度聚类为有限模型更新动作进行通信,最多减少96.88%通信开销且不牺牲推荐性能。
2025-07-08 cs.AI cs.LG
Mobile Supply: The Last Piece of Jigsaw of Recommender System
The Chinese University of Hongkong(香港中文大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Alibaba Group(阿里巴巴集团)
本文针对推荐系统分页触发机制问题,提出名为 Mobile Supply 的新模块,引入列表价值概念并设计设备感知移动排序方法,通过离线和在线实验验证其能提升端侧推荐性能与用户体验,并已在大型在线食品平台部署获利。
2023-08-09 cs.AI cs.IR
Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems
KAIST(韩国科学技术院)
本文提出无知识增强框架 NodeDiffRec,通过扩散生成节点级伪物品及交互并结合去噪偏好建模,在不依赖外部知识的情况下显著提升推荐性能。
2025-07-28 cs.AI cs.IR
Combining Open-box Simulation and Importance Sampling for Tuning Large-Scale Recommenders
Microsoft(微软)
针对大规模广告推荐平台调优计算成本高的问题,提出融合开盒仿真与重要性采样的SGIS方法,先粗筛参数再迭代优化,在保证精度的同时降低开销并提升KPI。
2024-09-23 cs.AI cs.IR cs.LG
DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems
City University of Hong Kong(香港城市大学);Ant Group(蚂蚁集团);ByteDance Research(字节跳动研究院);Jilin University(吉林大学);The University of Queensland(昆士兰大学)
针对现有序列推荐系统计算开销大和资源低效的问题,提出DNS-Rec框架,结合数据感知门与动态资源约束的神经架构搜索,在保证准确率的同时优化模型FLOPs、延迟和能耗。
2024-12-19 cs.AI cs.IR
Peeling Back the Layers: An In-Depth Evaluation of Encoder Architectures in Neural News Recommenders
University of Mannheim(曼海姆大学);University of Würzburg(维尔茨堡大学)
本文系统评估神经新闻推荐器中的主流新闻与用户编码器,从表示相似性、推荐列表重叠和整体性能三方面揭示复杂编码未必更优,为简化架构选择提供依据。
2024-10-02 cs.AI cs.IR
GLocal-K: Global and Local Kernels for Recommender Systems
The University of Sydney(悉尼大学);Yonsei University(延世大学)
推荐系统通常在高维稀疏用户项矩阵上操作。矩阵补全是一项非常具有挑战性的任务,它基于数百万其他用户每个人都看到了数千个项目的一个小子集来预测一个人的兴趣。我们提出了一个全球本地内核为基础的矩阵完成框架,名为GLocal-K,其目的是概括和表示一个高维稀疏的用户项矩阵进入低维空间的少量重要功能。我们的GLocal-K可以分为两个主要阶段。首先,我们用局部核化权重矩阵预训练自动编码器,它通过使用2d-RBF核将数据从一个空间转换到特征空间。然后,预先训练的自动编码器使用评级矩阵进行微调,评级矩阵由基于卷积的全局内核产生,该内核捕获每个项目的特征。我们应用我们的GLocal-K模型下的极端低资源设置,其中只包括一个用户项目的评级矩阵,没有边信息。我们的模型在ML-100 K、ML-1 M和豆瓣三个协同过滤基准上的性能优于最先进的基线。
2021-08-27 cs.AI cs.IR
Looking for Fairness in Recommender Systems
Department of Computer Science(计算机科学系)
本文探讨了推荐系统中用户、创作者和社会视角的公平性问题,针对“过滤气泡”副作用,提出通过定义多样性性能指标并纳入评估框架来微调系统,以平衡个性化推荐与促进多元文化和观点的社会目标。
2025-07-16 cs.AI cs.IR
Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method
Nanbeige Lab(南戈实验室);BOSS Zhipin(BOSS直聘);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);University of California, San Diego(加利福尼亚大学圣迭戈分校);Career Science Lab, BOSS Zhipin(BOSS直聘职业科学实验室)
针对双向推荐系统现有评估指标片面、缺乏系统性解决方案的问题,该研究提出5个多维度评估指标,从因果视角建模并开发模型无关的因果双向推荐方法及重排序策略,实验验证了其有效性。
2024-08-19 cs.AI cs.IR
SA-RSQ: A Versatile Sparse Representation Framework for Multi-modal Recommender Systems
Tianjin University(天津大学);Meituan(美团);Institute of Software Chinese Academy of Sciences(中国科学院软件研究所)
针对工业多模态推荐系统的存储与延迟开销问题,提出SA-RSQ稀疏表示框架,经实验验证其在重构性能与CTR间的权衡表现良好,在线测试实现CTR与CPM的相对提升。
2026-08-26 cs.AI
Obliviate: Efficient Unlearning in Recommender Systems
针对推荐系统,提出Obliviate两阶段遗忘框架。第一阶段用低秩遗忘适配器,第二阶段用局部感知校准,能在保持推荐质量的同时高效遗忘交互数据,降低计算成本,为大规模推荐系统提供实用方案。
2026-07-28 cs.AI
T-RECS: A Simulation Tool to Study the Societal Impact of Recommender Systems
Princeton University(普林斯顿大学)
模拟已经成为一种流行的方法来研究推荐系统的长期社会后果。这种方法允许研究人员明确指定他们的理论模型,并观察系统级结果随时间的演变。然而,进行基于模拟的研究往往需要研究人员从头开始构建自己的模拟环境,这造成了很高的进入门槛,为实施错误带来了空间,并且很难理清观察到的结果是由于模型还是实施。我们介绍了T-RECS,这是一个开源的Python包,专为研究人员设计,用于模拟推荐系统和其他类型的社会技术系统,其中算法调解多个利益相关者(如用户和内容创建者)之间的交互。为了证明T-RECS的灵活性,我们复制了两个先前的基于仿真的社会技术系统的研究。我们还展示了T-RECS如何以最小的开销生成新的见解。我们的工具促进了这一研究领域的可重复性,为模拟社会技术系统提供了一种统一的语言,并消除了从头开始实施模拟的摩擦。
2021-07-28 cs.AI cs.CY cs.MA
Experiments on Generalizability of User-Oriented Fairness in Recommender Systems
University College London(伦敦大学学院);University of Southern California(南加州大学);Shahid Beheshti University(沙希德·贝赫什提大学);University of Amsterdam(阿姆斯特丹大学)
推荐系统的公平性是衡量推荐质量的一个重要方面。公平性推荐系统旨在相似地对待不同的用户组。面向用户的公平性的相关工作突出了基于用户活动水平定义的特定用户组的公平性不可知推荐算法的区别行为。典型的解决方案包括提出应用于基础排名模型之上的以用户为中心的公平性重新排名框架,以减轻其对某个用户组的不公平行为,即,弱势群体。在本文中,我们重新产生了面向用户的公平性研究,并提供了广泛的实验来分析他们提出的方法对各种公平性和推荐方面的依赖性,包括推荐域,基本排名模型的性质和用户分组方法。此外,我们评估由重新排名框架提供的来自两个用户的最终推荐(例如,NDCG,用户公平性)和项目侧(例如,新颖性、项目公平性)度量。我们发现有趣的趋势和权衡模型的性能在不同的评估指标。例如,我们看到,定义的弱势/弱势用户组的公平算法的有效性,以及它如何提高特定的基础排名模型的性能起着至关重要的作用。最后,我们强调了这一领域的一些重要挑战和未来发展方向。我们在https://github.com/rahmanidashti/FairRecSys上公开发布数据、评估管道和训练模型。
2022-05-17 cs.AI cs.IR
Dynamic Embedding Size Search with Minimum Regret for Streaming Recommender System
City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);The Chinese University of Hong Kong(香港中文大学)
该研究将流式推荐中的动态嵌入维度搜索建模为 bandit 问题,提出 DESS 方法,以非平稳方式最小化用户与物品两侧的选择遗憾,并在理论和四个公开数据集上验证其性能、内存与时间优势。
2023-08-15 cs.AI cs.IR
Variational Factorization Machines for Preference Elicitation in Large-Scale Recommender Systems
Inria Saclay(法国国家信息与自动化研究所萨克雷中心);Kyoto University(京都大学)
因式分解机(FM)是一个强大的工具,用于在稀疏观测的背景下进行回归和分类,已成功应用于协同过滤,特别是当用户或项目的辅助信息可用时。已经提出了FM的贝叶斯公式来提供模型预测的置信区间,但是它们通常涉及马尔可夫链蒙特卡罗方法,需要许多样本来提供准确的预测,导致在大规模数据的背景下训练缓慢。在本文中,我们提出了一个变分公式的因式分解机,使我们能够得到一个简单的目标,可以很容易地使用标准的小批量随机梯度下降优化,使其适合大规模的数据。我们的算法学习用户和项目参数的近似后验分布,这导致预测的置信区间。我们使用几个数据集表明,它在预测精度方面具有与现有方法相当或更好的性能,并提供了主动学习策略中的一些应用,例如,偏好诱导技术。
2022-12-20 cs.AI cs.IR cs.LG
Beyond Interleaving: Causal Attention Reformulations for Generative Recommender Systems
Linkedin Inc(LinkedIn公司)
本文提出两种新型架构AttnLFA和AttnMVP,通过显式建模物品-动作因果依赖,提升生成推荐系统的效率与性能。
2026-03-11 cs.AI cs.IR
RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems
Amazon(亚马逊)
针对推荐系统缺乏个性化解释的问题,提出RecXplainer方法,基于用户对物品属性的偏好生成细粒度解释,在五个数据集和五种推荐系统上验证,优于五个基线,在十个指标上表现卓越。
2023-08-29 cs.AI cs.CY cs.IR
Talos: Optimizing Top-$K$ Accuracy in Recommender Systems
Zhejiang University(浙江大学);Beijing Technology and Business University(北京技术与商务大学);Bangsheng Technology Co,Ltd.(bangsheng 技术有限公司);Hangzhou City University(杭州市大学)
Talos通过分位数技术优化推荐系统中的Top-K准确度,解决计算开销和分布偏移问题。
2026-01-27 cs.AI cs.IR cs.LG
Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems
Salesforce AI Research(赛富时人工智能研究院)
本文提出SalesOps框架,利用大语言模型构建SalesBot和ShopperBot模拟对话式推荐系统,通过人体研究对比SalesBot与专业销售员,发现其在流畅性和信息量上接近专业水平但推荐质量仍有差距,并揭示了CRS中确保信息真实性的挑战。
2023-10-26 cs.AI cs.CL
Towards Principled User-side Recommender Systems
传统上,推荐算法是为服务开发人员设计的。然而,最近,一个新的范例称为用户端推荐系统已被提出,他们使Web服务用户构建自己的推荐系统,而无需访问商业机密数据。这种方法为用户定义的公平系统打开了大门,即使服务的官方推荐系统并不公平。虽然现有的用户端推荐系统的方法已经解决了不使用日志数据构建推荐系统的挑战性问题,但它们依赖于启发式方法,并且从理论角度来看,构建用户端推荐系统是否是一个定义明确的问题仍然不清楚。在本文中,我们提供了用户端推荐系统的理论依据。具体来说,我们看到,隐藏的项目功能可以从用户可用的信息中恢复,使用户端推荐系统的建设定义明确。然而,这种理论上的方法并不有效。为了实现实用的,但理论上健全的推荐系统,我们提出了用户端推荐系统的三个理想的属性,并提出了一个有效的和高效的用户端推荐系统,\textsc{Consul},基于这些基础。我们证明,\textsc{Consul}满足所有三个属性,而现有的用户端推荐系统缺乏至少其中之一。在实验中,我们通过数值实验验证了特征恢复的理论。我们还表明,我们提出的方法实现了良好的权衡效果和效率,并通过案例研究表明,该方法可以检索信息,提供商的官方推荐系统不能。
2022-08-21 cs.IR
On-Device Learning with Cloud-Coordinated Data Augmentation for Extreme Model Personalization in Recommender Systems
Shanghai Jiao Tong University(上海交通大学);University of Texas at Dallas(得克萨斯大学达拉斯分校);Alibaba Group(阿里巴巴集团)
数据异构性是推荐系统的固有属性,使得在云上的全球数据上训练的模型,这是行业的主流,对于每个用户的本地数据分布来说不是最优的。为了处理数据异构性,具有设备上学习的模型个性化是一种潜在的解决方案。然而,使用用户的小规模局部样本进行设备上训练将导致严重的过拟合并破坏模型的泛化能力。在这项工作中,我们提出了一个新的设备-云协作学习框架,称为CoDA,以打破纯粹基于云的学习和设备上学习的困境。CoDA的关键原理是从云的全局池中检索相似的样本,以增强每个用户的本地数据集来训练推荐模型。具体地,在云上进行粗粒度的样本匹配之后,进一步在每个设备上训练个性化的样本分类器进行细粒度的样本过滤,其可以学习本地数据分布和外部数据分布之间的边界。我们还构建了一个端到端的管道,以支持云和每个设备之间的数据流、模型流、计算流和控制流。我们已经在手机淘宝的推荐场景中部署了CoDA。在线A/B测试结果显示,CoDA在没有模型个性化的基于云的学习和没有数据增强的设备上训练方面都有显着的性能提升。在实际设备上的开销测试证明了CoDA中设备上任务的计算,存储和通信效率。
2022-01-24 cs.AI cs.LG
Fast solution to the fair ranking problem using the Sinkhorn algorithm
University of Tsukuba(筑波大学);Recruit Co., Ltd(Recruit公司);Mercari, inc(Mercari公司);Hosei University(法政大学)
本文针对双边市场推荐系统中的公平排序问题,提出将原约束优化问题转化为无约束问题,并利用重复执行Sinkhorn算法的梯度上升方法实现快速求解,实验表明其速度快于商业优化软件约1000倍且排序质量高。
2024-06-11 cs.AI cs.IR math.OC
Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
Carnegie Mellon University(卡内基梅隆大学);Language Technologies Institute(语言技术研究所)
提出融合辅助信息的通用框架,在不大幅修改架构下提升基于会话的推荐系统性能,收敛更快且优于SOTA,并引入新型损失正则化注意力机制。
2024-06-02 cs.IR cs.LG
Shilling Recommender Systems by Generating Side-feature-aware Fake User Profiles
Nanyang Technological University, Singapore(南洋理工大学,新加坡)
针对现有托攻击方法无法适配带侧特征推荐系统的问题,研究扩展Leg-UP框架、增强生成器以融入侧特征,生成感知侧特征的虚假用户画像,在基准测试中兼顾攻击效果与隐蔽性。
2026-08-29 cs.IR cs.LG
Creator-Side Recommender System: Challenges, Designs, and Applications
Kuaishou Technology(快手科技)
针对推荐系统中创作者曝光不均的问题,提出创作者侧推荐系统DualRec,通过适配用户侧算法并引入用户可用性计算模块,在Kwai平台显著提升创作者体验。
2025-02-25 cs.IR cs.LG
Recommender Systems with Heterogeneous Side Information
TAL AI Lab(好未来人工智能实验室);Michigan State University(密歇根州立大学)
在现代推荐系统中,用户和项目都与丰富的边信息相关联,这些边信息可以帮助理解用户和项目。这样的信息通常是异构的,并且可以粗略地分类为平面和分层辅助信息。虽然边信息已被证明是有价值的,但由于异构性带来的挑战,大多数现有系统仅利用平面边信息或仅利用分层边信息。在本文中,我们调查的问题,利用异构边信息的建议。具体来说,我们提出了一个新的框架,共同捕捉平面和层次的边信息与数学的一致性。我们证明了所提出的框架的有效性,通过广泛的实验在各种现实世界的数据集。实证结果表明,我们的方法是能够导致一个显着的性能增益超过国家的最先进的方法。
2019-07-18 cs.IR cs.LG stat.ML
Matching Theory-based Recommender Systems in Online Dating
在线约会平台为人们提供了寻找伴侣的机会。在线约会平台中的推荐系统将用户的一方推荐给另一方。我们讨论了互惠推荐系统(RRS)和匹配理论之间的潜在的相互作用。我们提出了我们正在进行的项目,部署匹配理论为基础的推荐系统(MTRS)在现实世界中的在线约会平台。
2022-08-24 cs.IR
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
Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems
Johannes Kepler University Linz(林茨约翰·开普勒大学);Linz Institute of Technology(林茨理工学院)
本文提出A2G-DiffRec,通过自适应自引导提升扩散推荐系统中物品层面的公平性,在牺牲少量准确率的情况下有效平衡不同流行度物品的曝光。
2026-04-24 cs.IR
Ensuring User-side Fairness in Dynamic Recommender Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Rochester(罗切斯特大学);Amazon.com, Inc.(亚马逊公司)
本文首次研究动态推荐系统中的用户侧公平性,提出端到端微调框架FADE,通过带重启的增量微调和改进的可微指标DH,有效减少用户群体性能差异且几乎不损失整体推荐性能。
2025-05-28 cs.CY cs.IR cs.LG
The Dark Side of Explanations: Poisoning Recommender Systems with Counterfactual Examples
本研究揭示反事实解释可被用于攻击推荐系统,提出了基于反事实解释训练代理模型并反转学习过程生成伪造数据的H-CARS投毒策略,实验验证了其显著的攻击效果。
2023-04-30 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
Incentive-Aware Recommender Systems in Two-Sided Markets
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Fudan University(复旦大学);Ant Group(蚂蚁集团);University of California, Berkeley(加利福尼亚大学伯克利分校)
针对双边市场中短视智能体只利用不探索的问题,提出激励相容的多智能体老虎机推荐框架,并在已知与未知机会成本下给出公平且渐近最优的算法。
2024-06-18 cs.IR cs.LG stat.ML
Topic-Aware Knowledge Graph with Large Language Models for Interoperability in Recommender Systems
Inha University(仁荷大学)
针对推荐系统中知识图谱跨系统集成需领域专家干预、系统特征差异导致的挑战,提出利用大语言模型提取通用和特定主题的一致方法,在不同知识图谱上显著提升推荐性能。
2025-02-12 cs.AI cs.IR
Improving incremental recommenders with online bagging
在线推荐系统通常处理连续的、潜在快速的和无界的数据流。推荐系统的包围方法在过去已经在批处理算法中使用,但是它们从来没有被研究过从数据流中学习的增量算法。我们评估在线装袋与增量矩阵分解算法的前N名的建议,只有积极的-二进制-评级。我们的研究结果表明,在线装袋是能够提高精度高达35%的基线,与小的计算开销。
2018-03-26 cs.IR
Research Commentary on Recommendations with Side Information: A Survey and Research Directions
近几十年来,推荐系统已经成为解决信息过载问题的重要工具。传统的推荐系统,然而,遭受数据稀疏和冷启动问题。为了解决这些问题,已经提出了大量的推荐算法来利用用户或项目的辅助信息(例如,社交网络和项目类别),在提高推荐性能方面表现出高度的有效性。这篇研究评论旨在提供一个全面和系统的调查最近的研究与边信息推荐系统。具体来说,我们提供了一个概述国家的最先进的推荐算法,从两个正交的角度与边信息。一个涉及不同的推荐方法:基于记忆的方法,潜在因素,表示学习和深度学习模型。其他的涵盖了边信息的不同表示,包括结构化数据(平面、网络和层次特征,以及知识图谱);和非结构化数据(文本、图像和视频特征)。最后,我们讨论了挑战,并提供了新的潜在方向的建议,随着本次调查的结论。
2019-11-08 cs.IR
On the Efficiency of Sequentially Aware Recommender Systems: Cotten4Rec
Rensselaer Polytechnic Institute(伦斯勒理工学院)
Cotten4Rec通过线性时间余弦相似度注意力机制,在减少计算开销的同时保持推荐准确性,为大规模顺序推荐提供了高效的解决方案。
2026-02-06 cs.IR
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith;NBC Universal Peacock(NBC环球孔雀)
本文提出增强型 EASE 推荐模型,通过融合用户与物品辅助特征获得闭式解,在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
Hybrid Recommender System based on Autoencoders
Univ. Lille, CNRS, Centrale Lille, Inria(里尔大学、法国国家科学研究中心、里尔中央理工学院、法国国家信息与自动化研究所)
推荐系统的一个标准模型是矩阵完成设置:给定部分已知的用户(行)对项目(列)的评分矩阵,推断未知的评分。在过去的几十年里,很少有人尝试用神经网络来处理这个目标,但最近基于自动编码器的架构被证明是一种很有前途的方法。在本文中,我们增强了该架构(i)通过使用一个损失函数适用于输入数据与缺失值,(ii)通过纳入边信息。实验表明,虽然边信息只是稍微改善测试误差平均对所有用户/项目,它有更多的影响冷用户/项目。
2017-12-29 cs.IR cs.LG
CRAMER: Control via Request-Aware Masking for Editing Recommenders
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Faculty of Computer Science, Dalhousie University(达尔豪斯大学计算机科学学院)
CRAMER是一种通过请求感知掩码调制冻结骨干参数的推荐控制框架,在多个大规模数据集上优于现有基线,开销最小且可控性与跨域适配能力更强,为请求感知序列推荐建立了新范式。
2026-09-15 cs.AI cs.IR cs.LG
beeFormer: Bridging the Gap Between Semantic and Interaction Similarity in Recommender Systems
针对现有句子Transformer模型未利用推荐系统交互数据的问题,本文提出beeFormer框架用交互数据训练句子Transformer,实现跨数据集知识迁移,性能优于语义相似性模型与传统协同过滤,为通用领域无关推荐文本表示模型训练提供可能。
2024-10-08 cs.IR
Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems
针对推荐系统中个体公平性缺失问题,提出BankFair+方法,结合遗憾理论与模糊规划实现重排序,平衡个体与提供者公平性,实验验证其优越性。
2025-04-20 cs.IR
Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
Korea University(高丽大学);KT Corporation(KT公司)
针对LLM推荐系统中物品侧信息利用不足的问题,提出CAIRO框架,通过结构化元数据、轻量级画像器生成上下文特异性物品画像,提升了LLM重排序性能。
2026-08-24 cs.AI cs.CL cs.IR