Fairly Adaptive Negative Sampling for Recommendations
成对学习策略对于优化隐式反馈数据上的推荐模型是普遍的,其通常通过区分正面(即,由用户点击)和否定项(即,通过负采样获得)。但是,不同项组(由项属性指定)的大小通常分布不均匀。我们根据经验发现,成对算法常用的均匀负采样策略(例如,BPR)可以继承这样的数据偏差和过度抽样的多数项目组作为负面的情况下,严重打击组公平的项目方面。在本文中,我们提出了一个公平自适应负采样方法(FairNeg),它通过自适应调整组级负采样分布在训练过程中,提高项目组的公平性。特别是,它首先感知模型的不公平状态,在每一步,然后调整组的采样分布与自适应动量更新策略,以更好地促进公平优化。此外,负采样分布Mixup机制提出,它优雅地结合现有的重要性感知采样技术,旨在挖掘信息负样本,从而允许实现多个优化目的。在四个公开数据集上的实验表明,该方法在组公平性增强和公平性-效用权衡方面具有明显的优势。
2023-02-16 cs.IR
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景,提出融合跳过等负反馈的序列感知对比子任务,优化会话嵌入空间结构,在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
Stratified and Time-aware Sampling based Adaptive Ensemble Learning for Streaming Recommendations
推荐系统在根据用户的偏好为用户提供量身定制的建议方面发挥着越来越重要的作用。然而,传统的离线推荐系统不能很好地处理无处不在的数据流。为了解决这个问题,近年来出现了流推荐系统(SRS),其在新接收的数据上递增地训练推荐模型以用于有效的实时推荐。专注于新数据只有利于解决概念漂移,即,改变用户对物品的偏好。然而,它阻碍了捕获长期用户偏好。此外,为了提高流媒体推荐的准确性,应该很好地解决普遍存在的负载不足和负载过重问题。为了解决这些问题,我们提出了一个分层和时间感知采样的自适应包围学习框架,称为STS-AEL,以提高流媒体推荐的准确性。在STS-AEL中,我们首先设计分层和时间感知采样,从新数据和历史数据中提取代表性数据,以解决概念漂移,同时捕获长期用户偏好。此外,合并历史数据有利于更有效地利用欠载场景中的空闲资源。在此之后,我们提出了自适应集成学习,以有效地处理超载的数据并行与多个单独的推荐模型,然后有效地融合这些模型的结果与顺序自适应机制。在三个真实数据集上进行的大量实验表明,STS-AEL在所有情况下都显着优于最先进的SRS。
2020-09-15 cs.IR
False Negative Distillation and Contrastive Learning for Personalized Outfit Recommendation
随着在线时尚产业的快速发展,个性化服装推荐最近成为人们关注的焦点。然而,推荐服装有两个重大挑战需要解决。第一个挑战是,服装推荐通常需要一个复杂而庞大的模型,该模型利用视觉信息,从而产生巨大的内存和时间成本。缓解这个问题的一种自然方法是使用知识蒸馏(KD)技术压缩这样一个繁琐的模型,该技术利用来自预训练教师模型的知识。然而,这是很难应用现有的KD方法在推荐系统(RS)的服装推荐,因为他们需要的所有可能的服装的排名,而服装的数量呈指数增长的数量组成的服装项目。因此,我们提出了一个新的KD框架,用于服装推荐,称为假阴性蒸馏(FND),它利用教师模型的假阴性信息,同时不需要对所有候选人进行排名。第二个挑战是爆炸性的服装候选人数量放大了数据稀疏性问题,通常导致服装表示不佳。为了解决这个问题,对比学习(CL)最近的成功的启发,我们介绍了一个CL框架装备表示学习与两个建议的数据增强方法。在服装推荐数据集上的定量和定性实验证明了所提方法的有效性和可靠性。
2021-10-13 cs.IR
Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling
针对推荐系统中因物品数量增长导致传统负采样引入偏差的问题,提出一种纠正排名估计的方法,通过提供WARP和LambdaRank的采样批处理版本并改进排名估计,有效提升了推荐模型的训练效率与质量。
2024-10-10 cs.IR
Hard Negative Sampling via Large Language Models for Recommendation
Software College, Northeastern University(东北大学软件学院)
本文提出HNLMRec,利用大型语言模型生成语义相关的困难负样本,以提升推荐系统的性能和泛化能力。
2026-01-17 cs.IR
PANE-GNN: Unifying Positive and Negative Edges in Graph Neural Networks for Recommendation
针对GNN推荐忽视负反馈的问题,本文提出PANE-GNN,通过正负二部图、兴趣/非兴趣嵌入、差异化消息传递及负图畸变对比训练,在四个真实数据集上超越现有基准。
2023-06-08 cs.IR
Explanation Guided Contrastive Learning for Sequential Recommendation
最近,对比学习已被应用到顺序推荐任务,以解决数据稀疏所造成的用户与少数项目的互动和项目与少数用户采用。然而,现有的基于对比学习的方法不能确保通过对给定锚用户序列的一些随机增强(或序列采样)获得的正(或负)序列保持语义相似(或不同)。当正序列和负序列分别被证明是假阳性和假阴性时,可能导致推荐性能下降。在这项工作中,我们解决了上述问题,提出了解释引导增强(EGA)和解释引导对比学习顺序推荐(EC4SRec)模型框架。EGA背后的核心思想是利用解释方法来确定项目在用户序列中的重要性,并相应地导出正序列和负序列。然后,EC4SRec结合了对EGA操作生成的正序列和负序列的自监督和监督对比学习,以改进序列表示学习,从而获得更准确的推荐结果。在四个真实世界的基准数据集上的大量实验表明,EC4SRec优于最先进的顺序推荐方法和两个最近的基于对比学习的顺序推荐方法,CL4SRec和DuoRec。我们的实验还表明,EC4SRec可以很容易地适应不同的序列编码器骨干(例如,GRU4Rec和Caser),并提高其推荐性能。
2022-09-03 cs.IR
Generating Negative Samples for Multi-Modal Recommendation
针对多模态推荐系统负采样难以有效利用多模态数据的问题,提出利用多模态大型语言模型生成均衡对比负样本的NegGen框架,通过提示模板和因果学习模块提升性能,实验证明其优于现有方法。
2025-08-21 cs.IR
Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation
Renmin University of China(中国人民大学);Shandong University(山东大学);Peking University(北京大学)
本文提出了一种多源分歧-共识负采样框架MDCNS,通过引入教师-同伴-自我框架,解决传统自引导硬负采样在循环依赖、采样区域狭窄和计算开销大等问题,从而提升序列推荐模型的多样性与泛化能力。
2026-05-19 cs.IR
Towards Automated Negative Sampling in Implicit Recommendation
针对隐式推荐中负采样器与模型、数据集不匹配的问题,提出AutoSample自适应负采样框架,通过损失近似转化、自适应搜索及课程式初始化实现高效采样选择,经多模型多基准验证有效。
2023-11-06 cs.IR
Candidate Set Sampling for Evaluating Top-N Recommendation
本文研究离线Top-N推荐评估中候选集采样策略与流行度偏差的交互,并通过仿真验证采样候选集能否降低指标估计偏差。
2023-09-21 cs.IR
Evaluation Metrics for Item Recommendation under Sampling
Google Research(谷歌研究院)
项目推荐的任务需要在给定上下文的情况下对大量项目进行排序。项目推荐算法使用依赖于相关项目位置的排名度量进行评估。为了加速度量的计算,最近的工作通常使用采样度量,其中仅对较小的随机项和相关项进行排名。本文研究采样度量更详细,并表明,采样度量与其确切的版本是不一致的。采样度量不持久化相对语句,例如,“算法A比B更好”,甚至出乎意料。此外,采样大小越小,度量之间的差异越小,并且对于非常小的采样大小,所有度量都收缩到AUC度量。
2019-12-04 cs.IR cs.LG
Negative Sampling in Recommendation: A Survey and Future Directions
本文综述推荐系统中的负采样方法,分析其作用、优化目标与挑战,并将现有策略分为五类,总结场景化方案和未来研究方向。
2025-07-25 cs.IR
Weighted Random Walk Sampling for Multi-Relational Recommendation
在信息过载的网络中,个性化推荐系统是帮助用户找到最相关信息的重要工具。最常用的推荐框架假设用户交互的特点是一个单一的关系。然而,对于许多任务,例如社交网络中的推荐,用户-项目交互必须被建模为多个关系的复杂网络,而不仅仅是单个关系。最近的多关系分解和混合推荐模型的研究表明,使用扩展的元路径来捕获额外的信息,用户和项目在网络中可以提高在这样的网络中的推荐的准确性。大部分的工作集中在未加权的异构网络,并应用这些技术,加权关系必须简化为二进制的。然而,与加权边缘相关联的信息,例如用户评级,这可能是至关重要的推荐,在这样的二进制化中丢失。本文提出了一种边采样频率为边权重函数的随机游走采样方法,并应用该方法在加权异构网络中生成扩展元路径。通过这种采样技术,我们在多个数据集上的推荐准确性和模型生成效率方面都表现出了改进的性能。
2017-03-02 cs.IR cs.SI
SamWalker++: recommendation with informative sampling strategy
由于缺乏可靠的负反馈数据,隐式反馈推荐是一项极具挑战性的任务。现有方法通过将所有未观察到的数据视为负面(不喜欢)但降低这些数据的置信度来解决这一挑战。然而,这种处理方法会导致两个问题:(1)未观测数据的置信度权重通常是手动分配的,这缺乏灵活性,并可能在评估用户的偏好时产生经验偏差。(2)为了处理大量的未观测反馈数据,大多数现有的方法依赖于随机推理和数据采样策略。然而,由于用户只知道一个很小的一部分项目在一个大的数据集,它是困难的,现有的采样器选择翔实的训练实例中,用户真的不喜欢的项目,而不是不知道it.To解决上述两个问题,我们提出了两个新的推荐方法SamWalker和SamWalker++,支持自适应置信度分配和有效的模型学习。SamWalker使用社交网络感知函数对数据置信度进行建模,该函数可以根据用户的社交背景自适应地为不同的数据指定不同的权重。然而,在许多推荐系统中,用户可能无法获得社会网络信息,这就阻碍了SamWalker的应用。因此,我们进一步提出了SamWalker++,它不需要任何辅助信息,并使用构建的伪社交网络对数据置信度进行建模。我们还为我们的SamWalker和SamWalker++开发了基于快速随机游走的采样策略,以自适应地绘制信息丰富的训练实例,这可以加快梯度估计并降低采样方差。在五个真实数据集上的实验证明了所提出的SamWalker和SamWalker+…
2021-07-31 cs.IR
Multi-modality Meets Re-learning: Mitigating Negative Transfer in Sequential Recommendation
本文提出ANT方法,通过融合多模态物品信息和基于重学习的适配策略,有效缓解序列推荐中的负迁移问题,在五个目标任务上显著优于八种基线方法,提升最高达15.2%。
2023-09-20 cs.IR
CoSam: An Efficient Collaborative Adaptive Sampler for Recommendation
抽样策略被广泛应用于许多推荐系统中,以加速模型从隐式反馈数据中的学习。一种典型的策略是抽取均匀分布的负样本,但这会严重影响模型的收敛性、稳定性,甚至影响推荐的准确性。这个问题的一个有希望的解决方案是对“困难”(也称为信息)的实例进行过度采样,这些实例对训练有更大的贡献。但这将增加模型偏差的风险,并导致非最佳结果。此外,现有的采样器是启发式的,这需要领域知识,往往无法捕捉真正的“困难”的情况下,或依赖于采样器模型,效率低下。针对这些问题,本文提出了一种高效的协同抽样方法CoSam,该方法包括:(1)协同抽样模型,该模型在抽样概率中显式地利用了用户-项目交互信息,具有良好的归一化、自适应、交互信息感知和抽样效率等特性;以及(2)集成的采样器-推荐器框架,利用预测中的采样器模型来抵消由不均匀采样引起的偏差。相应地,我们得到了一个快速的强化训练算法,我们的框架,以提高采样器的性能和采样器推荐协作。四个真实世界的数据集上的广泛的实验证明了所提出的协同采样模型和集成的采样推荐框架的优越性。
2020-11-16 cs.IR
Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Seoul National University(首尔国立大学)
随着机器学习的发展,先进的音乐推荐系统正在被引入。然而,设计一个音乐推荐系统,能够通过理解用户的音乐品味来提高用户满意度,而不是通过模型的复杂性来提高用户满意度是至关重要的。尽管一些与利用负面偏好的音乐推荐系统相关的研究表明了性能的改善,但缺乏对它们如何导致更好的推荐的解释。在这项工作中,我们分析了用户的音乐品味的负面偏好的作用,通过比较音乐推荐模型与对比学习利用偏好(CLEP),但有三种不同的训练策略-利用偏好的积极和消极的(CLEP-PN),积极的(CLEP-P),和消极的(CLEP-N)。我们评估的有效性,通过验证每个系统与少量的个性化数据,通过调查获得的负面偏好,并进一步阐明利用负面偏好的音乐推荐的可能性。实验结果表明,CLEP-N在准确率和误报率方面优于其他两种方法。此外,所提出的训练策略产生了一致的趋势,无论不同类型的前端音乐特征提取器,证明了所提出的方法的稳定性。
2022-07-28 cs.IR cs.LG
On Sampling Top-K Recommendation Evaluation
最近,Rendle警告说,使用基于采样的top- $k$指标可能还不够。这使得最近关于基于深度学习的推荐算法以及使用这种度量的经典非深度学习算法的许多研究陷入危险之中。在这项工作中,我们彻底调查的抽样和全球顶级$K$命中率(HR,或召回),最初提出的Koren[2]和广泛使用的其他人之间的关系。通过公式化的问题对齐采样顶部- $k$($SHR@k$)和全局顶级- $K$($HR@K$)命中率通过映射函数$f$,使得$SHR@k\approx HR@f(k)$,我们在理论上和实验上证明了采样顶部- $k$命中率提供了其全局(精确)对应物的精确近似,并且可以一致地预测正确的获胜者(与其相应的全局命中率所指示的相同)。
2021-06-20 cs.IR stat.AP
On Estimating Recommendation Evaluation Metrics under Sampling
Kent State University(肯特州立大学);iLambda
自从Krichene和Rendle最近对基于抽样的top-k推荐评估指标进行研究(Krichene和Rendle 2020)以来,关于使用抽样评估推荐算法的有效性存在很多争论。尽管他们的工作和最近的工作(Li et al.2020)提出了一些基本方法,将基于抽样的指标映射到对整个项目集进行排名的全球对应指标,但对于如何将抽样用于推荐评估仍然缺乏理解和共识。所提出的方法要么是相当缺乏信息性的(将采样与指标评估联系起来),要么只能用于简单的指标,如召回率/精度(Krichene和Rendle 2020; Li等人2020)。本文介绍了一个新的研究问题,学习经验秩分布,和一个新的方法的基础上估计的秩分布,估计的top-k度量。由于这个问题与推荐抽样的基本机制密切相关,解决这个问题有助于更好地理解抽样的力量,并有助于解决我们是否以及如何使用抽样来评估推荐的问题。我们介绍了两种方法的基础上MLE(最大似然估计)和它的加权变种,和ME(最大熵)的原则,以恢复经验秩分布,然后利用它们的度量估计。实验结果表明,使用新的方法来评估推荐算法的top-k度量的基础上的优势。
2021-03-03 cs.AI cs.IR stat.ML
Energy-Guided Diffusion Sampling for Long-Term User Behavior Prediction in Reinforcement Learning-based Recommendation
Macquarie University(麦考瑞大学);The University of New South Wales(新南威尔士大学)
针对离线强化学习推荐系统数据效率低和难以捕捉长期偏好的问题,提出DAC4Rec框架,结合扩散模型去噪与Q值引导策略,并采用能量采样减少随机性,在六个真实数据集和在线模拟中验证了其有效性。
2025-10-09 cs.IR
Understanding and Modeling Passive-Negative Feedback for Short-video Sequential Recommendation
本文针对短视频自动播放场景中被传统模型忽视的跳过式被动负反馈,提出结合正反馈与被动负反馈的子兴趣编码器、自适应融合层及多任务学习模块,并在两个大规模数据集上验证其显著优于现有序列推荐方法。
2023-08-08 cs.IR
MixDec Sampling: A Soft Link-based Sampling Method of Graph Neural Network for Recommendation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tencent PCG(腾讯PCG);School of Mathematical Science, University of Electronic Science and Technology of China(电子科技大学数学科学学院);School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院);Beihang University(北京航空航天大学);Beijing Chaoyang Hospital, Capital Medical University(首都医科大学附属北京朝阳医院);Pengcheng Laboratory(鹏城实验室)
针对现有负采样方法丢失结构信息、无法为少邻居节点生成正样本对的问题,提出含Mixup和Decay模块的MixDec软链接采样方法,为少邻居节点提供足够样本并强化结构信息利用,提升GNN推荐模型性能。
2025-02-12 cs.AI cs.IR
GAN-based Recommendation with Positive-Unlabeled Sampling
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Walmart Labs(沃尔玛实验室)
推荐系统是在各种各样的web应用和个性化产品上用于信息检索任务的流行工具。在这项工作中,我们提出了一个基于生成对抗网络的推荐框架,使用一个积极的未标记的抽样策略。具体来说,我们利用生成器来学习用户-项目元组的连续分布,并将其设计为一个二元分类器,输出每个用户和每个项目之间的相关性得分。同时,在神经网络的学习过程中采用了正无标记采样。理论界关于积极的未标记的采样和最优收敛的鉴别器和发电机。我们展示了我们的框架的有效性和效率在三个公开访问的数据集与8个基于排名的评估指标相比,与13个流行的基线。
2020-12-12 cs.AI cs.IR
FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling
联邦学习(FL)是一种从分散的用户数据中学习个性化推荐模型的可行技术。不幸的是,联合推荐系统很容易受到恶意客户端的中毒攻击。现有的推荐系统中毒方法主要集中在提高目标项目的推荐机会,由于经济激励。事实上,在现实世界中,攻击者也可能试图降低推荐系统的整体性能。然而,现有的一般FL中毒降低模型性能的方法要么是无效的或不隐藏中毒联邦推荐系统。本文提出了一种针对联邦推荐的简单有效的隐蔽中毒攻击方法--FedAttack。它的核心思想是使用全局最难的样本来颠覆模型训练。更具体地,恶意客户端首先基于本地用户简档推断用户嵌入。接下来,他们选择与用户嵌入最相关的候选项作为最难的负样本,并找到距离用户嵌入最远的候选项作为最难的正样本。然后,从这些中毒样本推断出的模型梯度被上传到服务器以进行聚合和模型更新。由于恶意客户端的行为与具有不同兴趣的用户有些相似,因此服务器无法有效地将其与正常客户端区分开来。在两个基准数据集上的大量实验表明,FedAttack可以有效地降低各种联邦推荐系统的性能,同时许多现有方法无法有效地检测或防御FedAttack。
2022-02-10 cs.IR
A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models
University of Würzburg(维尔茨堡大学)
目前,顺序项目推荐模型通过计算小项目子集(目标集)上的度量来进行比较,以加快计算速度。目标集包含相关项和从完整项集中采样的一组负项。两种众所周知的对负项进行抽样的策略是均匀随机抽样和按流行度抽样,以更好地逼近数据集中的项频率分布。最近发表的论文顺序项目推荐依赖于抽样的流行程度比较评估模型。然而,最近的工作已经表明,均匀随机抽样的评估可能与完整排名不一致,即,通过使用完整的项目集作为目标集评估度量获得的模型排名,这就提出了通过流行度抽样获得的排名是否等于完整排名的问题。在这项工作中,我们重新评估当前国家的最先进的顺序推荐模型的角度来看,这些采样策略是否有影响的模型的最终排名。因此,我们训练四个最近提出的顺序推荐模型在五个众所周知的数据集。对于每个数据集和模型,我们采用三种评估策略。首先,我们计算完整的模型排名。然后,我们评估所有的模型在两个不同的抽样策略,均匀随机抽样和流行度抽样的目标集上,常用的目标集大小为100,计算每个策略的模型排名,并相互比较。此外,我们改变采样目标集的大小。总体而言,我们发现,这两种抽样策略可以产生不一致的排名相比,完整的排名模型。此外,受欢迎程度抽样和均匀随机抽样并不总是产生相同的排名。
2021-07-27 cs.IR cs.LG
On Negative-aware Preference Optimization for Recommendation
USTC(中国科学技术大学);Meituan(美团)
提出NAPO框架,通过批内负样本共享和动态奖励边际调整优化基于LLM的推荐,在提升准确性的同时减少流行度偏差。
2025-08-13 cs.AI cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University(圣克拉拉大学);Tencent(腾讯)
新闻推荐不同于电影或电子商务推荐,因为人们通常不会对新闻进行分级。因此,用户对新闻的反馈总是隐含的(点击行为,阅读时间等)。在隐式反馈中不可避免地存在噪声。一方面,用户可能因为不喜欢新闻内容而在点击新闻后立即退出,在其正隐反馈中留下噪声;另一方面,用户可能同时被推荐多个感兴趣的新闻,并且仅点击其中一个,在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好,并相互帮助,以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈,受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐,并通过一个模块对正隐反馈和负隐反馈进行去噪,以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
Reducing Popularity Bias in Recommender Systems through AUC-Optimal Negative Sampling
本文提出最大化 partial AUC 的最优负采样规则,在保持推荐准确率的同时校正样本与先验信息,从而降低流行度偏差,真实数据集验证了其双赢效果。
2023-06-02 cs.IR
Future Sight and Tough Fights: Revolutionizing Sequential Recommendation with FENRec
本文提出FENRec方法,通过利用带时间依赖软标签的未来数据和生成持久困难负样本改进对比学习,有效缓解序列推荐中的数据稀疏问题,并在四个基准数据集上平均提升6.16%。
2025-04-09 cs.IR
A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation
SK Telecom(SK电信);KAIST(韩国科学技术院)
本文提出基于LLM的CDSR模型DuELRec,通过域门控双专家框架与双采样对比学习缓解跨域序列推荐的负迁移,在10个域的2个数据集上优于26种SOTA方法。
2026-08-25 cs.IR
Bayesian Negative Sampling for Recommendation
Huazhong University of Science and Technology (HUST)(华中科技大学)
如何从未标记的数据中采样高质量的负实例,即,负采样对于训练隐式协同过滤和对比学习模型是非常重要的。虽然以前的研究已经提出了一些方法来样本信息的情况下,很少有人做了区分假阴性和真阴性的无偏阴性抽样。在对负样本得分进行序关系分析的基础上,我们首先推导出真负样本和假负样本的类条件密度。接下来,我们设计了一个贝叶斯分类器的阴性分类,我们定义了一个模型不可知的后验概率估计的实例是真阴性作为一个定量的阴性信号的措施。我们还提出了一个贝叶斯最优抽样规则来抽样高质量的底片。提出的贝叶斯负采样(BNS)算法具有线性时间复杂度。实验研究验证了BNS在更好的采样质量和更好的推荐性能方面优于同行。
2022-07-09 cs.AI cs.IR cs.LG
Generating Negative Samples for Sequential Recommendation
Salesforce Research(赛富时研究院);UC San Diego(加州大学圣迭戈分校)
为了使顺序推荐(SR)成功,最近的工作集中在设计有效的顺序编码器,融合边信息,挖掘额外的积极自我监督信号。在每个时间步对负项进行抽样的策略探讨得较少。由于在训练期间用户的兴趣和模型更新的动态性,将来自用户的非交互项目集的随机采样项目视为负面可能是没有信息的。因此,该模型将不准确地学习用户对项目的偏好。识别信息消极是具有挑战性的,因为信息消极项目与动态变化的兴趣和模型参数(采样过程也应该是有效的)。为此,我们建议为SR(GenNi)生成阴性样本(项目)。基于当前SR模型的学习到的用户对项目的偏好,在每个时间步长处对负项目进行采样。提出了一种有效的实现,以进一步加快生成过程,使其可扩展到大规模的推荐任务。在四个公共数据集上的实验验证了为SR提供高质量阴性样本的重要性,并证明了GenNi的有效性和效率。
2022-08-07 cs.AI cs.IR
Evaluating Performance and Bias of Negative Sampling in Large-Scale Sequential Recommendation Models
Apple(苹果公司)
该研究针对大规模序列推荐模型的负采样选择难题,对比多种负采样方法在不同流行度偏差基准数据集上的表现,揭示各方法对性能与流行度偏差的影响,为负采样方法的权衡选择提供实用参考。
2024-10-29 cs.IR cs.LG
CoNRec: Context-Discerning Negative Recommendation with LLMs
Alibaba Inc.(阿里巴巴公司);Fudan University(复旦大学)
CoNRec提出了一种基于大语言模型的负向反馈建模框架,通过上下文辨识模块和渐进式训练方法,提升对用户负向偏好的建模能力。
2026-01-22 cs.AI cs.IR
TriSampler: A Better Negative Sampling Principle for Dense Retrieval
针对稠密检索中缺乏负采样指导原则的问题,通过理论分析提出准三角原则,并基于此设计了在约束区域内采样高信息量负样本的TriSampler方法,在多种检索模型上持续实现更优性能。
2024-02-19 cs.IR
Benefiting from Negative yet Informative Feedback by Contrasting Opposing Sequential Patterns
针对序列推荐中正负反馈利用不足的问题,提出基于两个Transformer编码器分别处理正负交互序列,并通过含对比项的复合损失函数融合反馈信息,实现真阳性指标提升与错误推荐负面物品减少。
2025-08-20 cs.IR
Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation
Shanghai Jiao Tong University(上海交通大学)
对于许多新闻门户网站来说,为匿名读者推荐新闻是一项有用但具有挑战性的任务,其中读者与文章之间的交互仅限于临时登录会话。以往的工作往往制定基于会话的推荐作为下一个项目的预测任务,而他们忽略了用户行为的隐式反馈,这表明用户真正喜欢或不喜欢。因此,我们提出了一个全面的框架,通过积极的反馈(即,他们花费更多时间的文章)和负面反馈(即,他们选择跳过而不点击的文章)。此外,该框架隐式地使用会话开始时间对用户进行建模,并使用其初始发布时间对文章进行建模,我们称之为“中立反馈”。三个真实世界的新闻数据集的实证评估表明,该框架的更准确,更多样化,甚至比其他国家的最先进的基于会话的推荐方法意想不到的建议有前途的表现。
2022-05-12 cs.IR cs.LG
Breaking the Clusters: Uniformity-Optimization for Text-Based Sequential Recommendation
针对纯文本序列推荐中语义相似导致物品表征聚簇、均匀性不足的问题,提出UniT框架,通过三类成对采样与差异化排斥优化表征,并在真实数据集上提升了均匀性和推荐准确率。
2025-02-19 cs.IR
Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61);UNSW(新南威尔士大学)
针对现有序列推荐忽略用户静态兴趣与负向激励的问题,提出含TPNE模块的SDIL框架,同时建模两类兴趣与正负激励,在三个真实数据集上性能超越SOTA基线。
2024-10-29 cs.AI cs.IR
Leveraging Negative Signals with Self-Attention for Sequential Music Recommendation
Georgia Institute of Technology(佐治亚理工学院);TU Wien(维也纳工业大学)
针对序列音乐推荐中短内容场景和会话级负反馈利用不足的问题,提出可嵌入多种深度架构的对比学习损失,用跳过曲目等负信号提升推荐效果。
2024-01-18 cs.IR cs.LG
Reinforced Preference Optimization for Recommendation
Taobao & Tmall Group of Alibaba, China(阿里巴巴淘宝&天猫集团);National University of Singapore(新加坡国立大学)
针对生成式推荐器中负样本质量低和奖励隐式的问题,提出ReRe方法,结合约束束搜索和辅助排序奖励,在三个数据集上显著提升排序性能。
2025-10-14 cs.IR
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题,提出反馈感知编码和多目标预测模块,并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
Dual-interest Factorization-heads Attention for Sequential Recommendation
准确的用户兴趣建模对于推荐场景至关重要。一种有效的解决方案是依赖于点击行为的顺序推荐,但这在视频馈送推荐中并不优雅,其中用户在接收流内容时是被动的,并且返回跳过或不跳过行为。在这里,跳过和不跳过行为可以分别被视为负反馈和正反馈。由于正反馈和负反馈的混合,捕获行为序列的过渡模式具有挑战性。为此,FeedRec开发了一个共享的普通Transformer,这可能是不优雅的,因为多头注意力的头部交互不考虑不同类型的反馈。本文提出了一种基于双兴趣分解头的顺序推荐注意力算法(简称DFAR),该算法由反馈感知编码层、双兴趣分解层和预测层组成。在反馈感知编码层,我们首先假设多头注意力中的每一个头都能捕捉到特定的反馈关系。在此基础上,我们进一步提出了因子化头注意,它可以屏蔽特定的头交互并注入反馈信息,从而将不同类型的反馈之间的关系因子化。此外,我们提出了一个双重利益解纠缠层,在对它们的表示进行解纠缠之前将积极和消极的利益解耦。最后,我们进化的积极和消极的利益,相应的塔的输出是由BPR损失的对比。两个真实世界的数据集上的实验表明,我们提出的方法对国家的最先进的基线的优越性。进一步的消融研究和可视化也维持了其有效性。我们在这里发布源代码:https://github.com/tsinghua-fib-lab/WWW2023-DFAR。
2023-02-10 cs.IR
Criterion-based Heterogeneous Collaborative Filtering for Multi-behavior Implicit Recommendation
针对现有多行为非采样推荐方法忽略偏好强度差异与行为依赖异质性的问题,提出引入上下阈值引导偏好学习的CHCF框架,理论证明其可近似优化协同度量学习,实验验证了在异构场景的有效性。
2023-07-25 cs.IR
Enhanced Bayesian Personalized Ranking for Robust Hard Negative Sampling in Recommender Systems
本文针对硬负采样中的假阴性问题,提出增强型贝叶斯个性化排序目标Hard-BPR,通过改进损失函数而非采样算法来提升推荐模型鲁棒性,并在三个真实数据集上验证其有效性。
2024-03-28 cs.IR
Improving LLM-based Recommendation with Self-Hard Negatives from Intermediate Layers
GSAI, Renmin University of China(GSAI,中国人民大学)
ILRec通过利用中间层自硬负样本改进LLM推荐系统,结合跨层优化和蒸馏提升负样本质量与判别性。
2026-02-19 cs.AI cs.IR
Reinforced Negative Sampling over Knowledge Graph for Recommendation
National University of Singapore(新加坡国立大学);Southeast University(东南大学);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)
正确处理缺失数据是推荐中的一个基本挑战。目前大多数的工作执行负采样从未观察到的数据提供负信号的推荐模型的训练。然而,现有的负采样策略,无论是静态的还是自适应的,都不足以产生高质量的负样本-既能为模型训练提供信息,又能反映用户的真实需求。在这项工作中,我们假设,项目知识图谱(KG),它提供了丰富的项目和KG实体之间的关系,可能是有用的推断信息和事实的负面样本。为此,我们开发了一个新的负样本模型,知识图谱政策网络(KGPolicy),它作为一个强化学习代理,以探索高质量的负面。具体来说,通过进行我们设计的探索操作,它从目标积极的互动导航,自适应地接收知识感知的负面信号,并最终产生一个潜在的负面项目训练的推荐。我们在配备KGPolicy的矩阵分解(MF)模型上进行了测试,它比DNS和IRGAN等最先进的采样方法以及KGAT等KG增强的推荐模型都有显着改进。从不同角度的进一步分析提供了知识感知抽样的见解。我们在https://github.com/xiangwang1223/kgpolicy上发布代码和数据集。
2020-03-12 cs.IR cs.LG
Loss Aversion in Recommender Systems: Utilizing Negative User Preference to Improve Recommendation Quality
University of Zürich(苏黎世大学)
负面用户偏好是一个重要的背景,没有充分利用许多现有的推荐系统。在负项的成本对用户来说很高的情况下,此上下文特别有用。在这项工作中,我们描述了一个新的推荐算法,明确地模型消极的用户偏好,以推荐更多的积极项目在顶部的提示列表。我们建立在现有的机器学习模型,将负面用户偏好提供的上下文信息。通过对两个公开数据集的实验评估,我们证明了我们的方法能够提高推荐质量:通过提高准确性,同时减少在推荐列表顶部的负面项目的数量。我们的工作证明了负反馈提供的上下文信息的价值,也可以扩展到签名社交网络和其他网络中的链接预测。
2018-12-29 cs.IR cs.LG stat.ML
On the Theories Behind Hard Negative Sampling for Recommendation
University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学)
负采样已被大量用于大规模数据上的推荐模型的训练,其中采样硬示例通常不仅加速收敛,而且提高模型的准确性。然而,硬负采样(HNS)的有效性的原因还没有被揭示。在这项工作中,我们通过对HNS进行深入的理论分析来填补研究空白。首先,我们证明了在贝叶斯个性化排名(BPR)学习器上使用HNS相当于优化单向部分AUC(OPAUC)。具体地说,采用动态负采样(DNS)的BPR是一个精确估计器,而采用基于软最大采样的BPR是一个软估计器。其次,我们证明了OPAUC比AUC与Top-K评价指标有更强的联系,并通过仿真实验进行了验证。这些分析首次为HNS优化Top-K推荐性能奠定了理论基础。在此基础上,我们为HNS的有效使用提供了两个有见地的指导原则:1)采样硬度应该是可控的,例如,通过预定义的超参数,以适应不同的Top-K指标和数据集; 2)我们在Top-K评估指标中强调的$K$越小,我们应该抽取的负样本就越难。在三个真实世界的基准上进行了大量的实验,验证了这两个准则。
2023-02-19 cs.AI cs.IR
Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling
Stanford University(斯坦福大学)
我们分析了交替最小化的列空间恢复的部分观察到的,近似低秩矩阵的列数不断增加,每列的观测值的固定预算。在这项工作中,我们证明,如果预算大于秩的矩阵,列空间恢复成功-随着列数的增长,从交替最小化的估计收敛到真正的列空间的概率趋于一。从我们的证明技术中,我们自然地制定了一个主动采样策略,用于选择列的条目,该策略在理论上和经验上(在合成和真实数据上)优于通常研究的均匀随机采样策略。
2021-05-16 cs.IR cs.LG stat.ML
Barlow Twins for Sequential Recommendation
Skoltech, Higher School of Economics(斯科尔科沃科学技术大学,高等经济大学);AIRI, HSE University(人工智能研究所,高等经济大学)
针对序列推荐中数据稀疏、流行度偏差及准确多样性冲突等问题,提出融合Barlow Twins原则的非对比SSL框架BT-SR,无需负采样和人工扰动,在五个基准上提升了预测准确率与长尾覆盖率,且可通过单超参数调控权衡。
2025-10-30 cs.IR
SIGformer: Sign-aware Graph Transformer for Recommendation
针对现有符号图推荐方法分别处理正负反馈且信息提取能力不足的问题,本文提出SIGformer,通过Transformer架构和两种捕捉谱特性与路径模式的位置编码,实现更全面的符号图推荐。
2024-05-06 cs.IR