Privacy Preserving Point-of-interest Recommendation Using Decentralized Matrix Factorization
AI Department, Ant Financial Services Group（蚂蚁金融服务集团人工智能部门）
兴趣点（POI）推荐最近由于基于位置的网络的日益普及而引起了很多关注，例如，Foursquare和Yelp在现有的POI推荐方法中，基于矩阵分解（MF）的技术已被证明是有效的。然而，现有的MF方法存在两个主要问题：（1）由于集中式模型训练机制而导致的昂贵的计算和存储：集中式学习器必须维护整个用户-项目评分矩阵，以及潜在的巨大的低秩矩阵。(2)隐私问题：用户的偏好存在通过集中式学习器泄露给恶意攻击者的风险。为了解决这些问题，我们提出了一个分散的MF（DMF）框架的兴趣点推荐。具体地说，我们提出了一种基于随机游走的分散训练技术来训练每个用户端的MF模型，而不是维护所有的低秩矩阵和敏感的评级数据用于训练，例如，手机和Pad。通过这样做，每个用户的评级仍然保持在自己的手上，而且，分散学习可以被视为具有多个学习者（用户）的分布式学习，从而简化了计算和存储问题。在两个真实数据集上的实验结果表明，与经典和最新的潜在因子模型相比，DMF在推荐精度和召回率方面都有显著的提高.
2020-03-12 cs.AI cs.LG stat.ML
Heterogeneous Graph Neural Network for Recommendation
电子商务的蓬勃发展催生了各种各样的推荐系统。事实上，在现实世界的推荐系统中，各种类型的节点之间存在着丰富而复杂的交互关系，这些节点可以被构造成异构图。如何学习代表节点嵌入是个性化推荐系统的基础和核心。元路径是一种广泛使用的结构，以捕捉这种交互下的语义，并显示潜在的能力，提高节点嵌入。本文提出了一种异构图神经网络推荐算法（HGRec），该算法通过聚合基于邻居的多跳元路径将高阶语义注入节点嵌入，并基于注意力机制通过多个元路径融合丰富的语义，得到综合的节点嵌入。实验结果表明，丰富的高阶语义的重要性，也显示了潜在的良好的解释性HGRec。
2020-09-02 cs.IR cs.LG cs.SI
A Differentially Private Federated Proximal Optimization Framework for Customer Churn Prediction in Heterogeneous Federated Telecom Networks
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；University of New England（新英格兰大学）；Ulster University（阿尔斯特大学）
针对电信异构数据下客户流失预测的隐私问题，提出DP-FedProx差分隐私联邦近端优化框架，在公开数据集上以略降精度实现与集中式相当的预测性能，并兼顾隐私保护。
2026-09-14 cs.LG
Towards Personalized Bangla Book Recommendation: A Large-Scale Heterogeneous Book Graph Dataset
East West University（东西方大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
2026-06-08 cs.IR cs.LG
Learning Federated Representations and Recommendations with Limited Negatives
Google Research（谷歌研究院）；Google（谷歌）
深度检索模型广泛用于学习实体表示和推荐。联邦学习提供了一种保护隐私的方式来训练这些模型，而不需要集中用户数据。然而，由于客户端上的非IID（独立同分布）训练数据，联邦深度检索模型的性能通常比集中式模型差得多，这是联邦学习的固有属性，限制了可用于训练的负面影响。我们证明，这个问题是不同的，从通常研究的客户端漂移问题。这项工作提出了批量不敏感的损失，以减轻非IID负面问题的联合电影推荐。我们探索了各种技术，并发现批量不敏感的损失可以有效地提高联邦深度检索模型的性能，将联邦模型的相对召回率提高到93.15%，并将其与集中式模型之间的召回率相对差距从27.22% - 43.14%减少到0.53% -2.42%。我们还开源了我们的代码框架，以加速联邦深度检索模型的进一步研究和应用。
2021-11-02 cs.DC cs.LG
Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning
University of Science and Technology of China（中国科学技术大学）；Baidu Research（百度研究院）；Baidu Inc.（百度公司）；Rutgers University（罗格斯大学）
电动汽车（EV）由于其环境和能源的可持续性，已成为现代交通系统的首选。然而，在许多大城市，电动汽车司机往往无法找到合适的地点充电，因为有限的充电基础设施和时空不平衡的充电需求。事实上，最近出现的深度强化学习提供了从各个方面长期改善充电体验的巨大潜力。在本文中，我们提出了一个框架，命名为多智能体时空强化学习（主），智能推荐公共充电站，共同考虑各种长期的时空因素。具体而言，通过将每个充电站视为一个单独的代理，我们将此问题制定为多目标多智能体强化学习任务。我们首先开发了一个多代理的演员评论家框架与集中式细心的评论家协调地理分布的代理之间的推荐。此外，为了量化未来潜在的收费竞争的影响，我们引入了一个延迟访问策略，利用未来的收费竞争的知识在训练过程中。然后，为了有效地优化多个学习目标，将集中式注意力评价器扩展到多评价器，并提出了一种动态梯度重加权策略来自适应地引导优化方向。最后，在两个真实数据集上的大量实验表明，与九种基线方法相比，Master实现了最佳的综合性能。
2021-02-15 cs.LG
MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation
College of Computer and Information Science, Southwest university（西南大学计算机与信息科学学院）；College of Computer and Information Science, Chongqing normal university（重庆师范大学计算机与信息科学学院）
针对现有图推荐方法忽视学术网络非对称影响的问题，提出MIARec模型，利用引力衡量学者间相互影响并融入特征聚合，通过多通道聚合捕获子网络个体与依赖嵌入，在真实数据集上超越基线模型。
2025-10-14 cs.IR cs.LG
Modeling Multi-Hop Semantic Paths for Recommendation in Heterogeneous Information Networks
The Chinese University of Hong Kong（香港中文大学）；University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Brown University（布朗大学）；Shanghai Jiao Tong University（上海交通大学）；University of Southern California（南加州大学）
本文提出一种多跳路径感知的异构信息网络推荐框架，通过路径选择、语义表示和注意力融合建模用户偏好，在Amazon-Book等数据集上显著提升HR@10、Recall@10等指标。
2025-05-09 cs.IR cs.LG
RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation
Meta MRS
针对跨域推荐中多域细粒度实体关系整合难题，提出可扩展图学习框架RankGraph，采用GPU加速GNN与对比学习，将图预训练表示融入推荐基础模型，在线A/B测试实现点击率与转化率提升。
2025-09-03 cs.IR cs.LG
Heterogeneous Sequel-Aware Graph Neural Networks for Sequential Learning
The State University of New York at Buffalo（纽约州立大学布法罗分校）
本文提出异构续作感知图神经网络 HSAL-GNN，联合建模时间性物品序列与高阶用户嵌入，并在合成及真实数据集上验证其优于或可比于现有序列学习方法。
2025-06-05 cs.IR cs.LG
Beyond Prediction: On-street Parking Recommendation using Heterogeneous Graph-based List-wise Ranking
The Hong Kong Polytechnic University（香港理工大学）
本文首次提出路内停车推荐任务OPR，并设计基于异构事件图ESGraph和列表级学习排序的OPR-LTR模型，直接为驾驶员推荐停车位，在香港和旧金山数据上验证其高效性与有效性。
2023-11-30 cs.AI cs.LG
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger（Hike信使公司）；IIIT Delhi（德里印度理工学院）
我们提出了一个朋友推荐系统（链接预测的应用），使用边缘嵌入社交网络。大多数现实世界的社交网络是多图，其中一对用户之间可能存在不同类型的关系（例如聊天、友谊）。现有的网络嵌入技术没有利用来自不同边缘类型的信号，因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示，有效地利用多图的异质性。我们评估我们的模型在现实世界中，活跃的社交网络，该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
On the Fairness of Randomized Trials for Recommendation with Heterogeneous Demographics and Beyond
推荐中的观测事件是决策的结果，因此通常被选择性地标记，即数据为非随机缺失（MNAR），这往往会对真实结果风险的估计产生较大的偏差。纠正MNAR偏倚的一般方法是进行小型随机对照试验（RCT），其中采用额外的统一政策将项目随机分配给每个用户。在这项工作中，我们专注于公平的随机对照试验在同质和异质人口统计学，特别是分析偏见的最不利的组在后者设置。考虑到随机对照试验的局限性，本文提出了一种新的无需昂贵随机对照试验的反事实稳健风险最小化（CRRM）框架，并推导了其理论泛化误差界。最后，在合成任务和真实数据集上进行了实验，验证了该方法在公平性和泛化能力上的优越性。
2021-10-04 cs.LG stat.ML
Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation
Guangxi Normal University（广西师范大学）；Beihang University（北京航空航天大学）；Macquarie University（麦考瑞大学）
社交网络被认为是具有深度学习技术进步的异构图神经网络（HGNNs）。与同质数据相比，HGNN在训练阶段吸收了关于个人的各个方面的信息。这意味着学习结果中包含了更多的信息，特别是敏感信息。然而，同质图上的隐私保护方法仅保留相同类型的节点属性或关系，由于复杂性，不能有效地工作在异构图上。针对这一问题，提出了一种基于差分隐私机制的异构图神经网络隐私保护方法HeteDP，该方法提供了图特征和拓扑的双重保证.特别是，我们首先定义了一个新的攻击方案，以揭示隐私泄漏的异构图。具体来说，我们设计了一个两阶段的流水线框架，包括隐私保护特征编码器和基于差分隐私的梯度扰动异构链路重构器，以容忍数据多样性和抵抗攻击。为了更好地控制噪声和提高模型性能，我们利用一个双层优化模式来分配一个合适的隐私预算的上述两个模块。我们在四个公共基准测试上的实验表明，HeteDP方法具有良好的模型泛化能力，可以抵抗异构图隐私泄漏。
2022-10-09 cs.CR cs.LG
Social Choice for Heterogeneous Fairness in Recommendation
Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学）；Tulane University（杜兰大学）
针对推荐系统现有公平性方法受限于单目标固定定义、难适配多元利益相关者需求的问题，本研究从计算社会选择视角出发，采用多智能体框架，验证了不同社会选择机制可在多数据集上成功整合多种异质性公平定义。
2024-10-06 cs.CY cs.IR cs.LG
MAIDCRL: Semi-centralized Multi-Agent Influence Dense-CNN Reinforcement Learning
Missouri State University（密苏里州立大学）
本文提出半集中式多智能体密集CNN强化学习MAIDCRL，通过在MAIDRL中引入卷积层，显著提升了在复杂异构SMAC场景下的学习性能、收敛速度及胜率。
2024-02-12 cs.AI cs.LG
Principled Federated Random Forests for Heterogeneous Data
Inria（法国国家信息与自动化研究所）；PreMeDICaL（预医学实验室）；Inserm（法国国家医学研究院）；University of Montpellier（蒙彼利埃大学）；Sorbonne Université（索邦大学）；Université Paris Cité（巴黎城市大学）；CNRS（国家科学研究中心）；LPSM（巴黎高等师范学院）
本文提出FedForest，一种适用于水平分割数据的联邦随机森林算法，能自然处理客户端数据异质性，通过聚合精心选择的客户端统计信息近似集中算法的分裂过程，并实现非参数化个性化。
2026-05-07 cs.LG stat.ML
TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations
Guangdong University of Technology（广东工业大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）；Cornell University（康奈尔大学）
顺序推荐的目的是在给定用户历史行为的特定时间点为用户选择最合适的项目。现有的方法通常基于马尔可夫链等基于转变的方法对用户行为序列进行建模。然而，这些方法也隐含地假设用户是彼此独立的，而没有考虑用户之间的影响。事实上，这种影响在序列推荐中起着重要的作用，因为用户的行为很容易受到其他人的影响。因此，希望聚合用户行为和用户之间的影响，这是在时间上演变的，并涉及到用户和项目的异构图。在本文中，我们将动态用户项异构图，提出了一种新的顺序推荐框架。结果，可以考虑历史行为以及用户之间的影响。为了实现这一点，我们首先形式化的顺序推荐作为一个问题，以估计条件概率给定的时间动态异构图和用户行为序列。之后，我们利用条件随机场聚合的异构图和用户行为的概率估计，并采用伪似然方法来推导出一个易于处理的目标函数。最后，我们提供了所提出的框架的可扩展和灵活的实现。在三个真实数据集上的实验结果不仅证明了该方法的有效性，而且为序列推荐提供了一些有意义的发现。
2022-07-08 cs.IR cs.LG
Heterogeneous Graph Learning for Explainable Recommendation over Academic Networks
Dalian University of Technology（大连理工大学）；Federation University Australia（澳大利亚联邦大学）；University of South Australia（南澳大学）；China University of Petroleum（中国石油大学）
随着每年新毕业的研究学位的爆炸性增长，对于早期职业研究人员来说，在合适的机构找到工作是前所未有的挑战。本研究旨在了解学术工作转换的行为，从而为博士毕业生推荐合适的机构。具体来说，我们设计了一个深度学习模型来预测早期职业研究人员的职业流动并提供建议。该设计建立在学术/学术网络之上，其中包含有关学者和机构之间科学合作的丰富信息。本研究建构一异质性学术网络，以探讨学者之生涯变动行为与推荐机构。我们设计了一个无监督学习模型HAI（Heterogeneous graph Attention InfoMax），它将注意力机制和互信息聚合起来用于机构推荐。此外，我们提出学者注意力和元路径注意力来发现多个元路径之间隐藏的关系。通过这些机制，HAI提供了具有可解释性的有序建议。我们评估HAI对基线方法的真实世界的数据集。实验结果验证了该方法的有效性和效率。
2022-02-16 cs.AI cs.IR cs.LG
Device-Cloud Collaborative Learning for Recommendation
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hong Kong Baptist University（香港浸会大学）
随着移动设备上存储和计算能力的快速发展，在设备上部署模型以节省繁重的通信时间并捕获实时特征变得至关重要和流行。虽然已经有相当多的作品探索促进设备上的学习和推理，但它们中的大多数集中在处理响应延迟或隐私保护。在设备和云建模之间的协作建模以及双方共同受益方面做得很少。为了弥合这一差距，我们是第一次尝试研究设备云协作学习（DCCL）框架。具体来说，我们提出了一种新的MetaPatch学习方法，在设备端，有效地实现“成千上万的人与成千上万的模型”给定一个集中的云模型。然后，通过数十亿更新的个性化设备模型，我们提出了一种“模型上的模型”蒸馏算法，即MoMoDistill，以更新集中式云模型。我们在一系列不同设置的数据集上进行了广泛的实验，证明了这种协作在云和设备上的有效性，特别是它在建模长尾用户方面的优势。
2021-06-17 cs.AI cs.LG
Heterogeneous Information Crossing on Graphs for Session-based Recommender Systems
Zhejiang University（浙江大学）；MYbank, Ant Group（蚂蚁集团网商银行）
推荐系统是一种基本的信息过滤技术，用于推荐符合用户个性和潜在需求的内容或项目。基于会话的推荐系统是解决用户身份识别困难和历史信息不可用问题的关键，它提供的推荐服务只依赖于用户在当前会话中的行为。然而，大多数现有的研究都没有很好地设计用于建模异构用户行为和捕获它们之间的关系，在实际场景中。为了填补这一空白，在本文中，我们提出了一种新的基于图的方法，即异构信息交叉图（Heterogeneous Information Crossing on Graphs，简称CNOG）。该算法利用用户在会话中的多种行为构建异构图，通过有效地交叉图上的异构信息来捕捉用户的当前兴趣和长期偏好。此外，我们还提出了一个增强版本，命名为CNORG-CL，它结合了对比学习（CL）技术，以提高项目的表示能力。通过利用不同会话之间的项目共现关系，BLOG CL提高了BLOG的推荐性能。我们在三个真实世界的推荐数据集上进行了大量的实验，结果验证了（i）BLOG通过利用异构图上的多种行为类型实现了最先进的性能。(ii)通过所提出的对比学习模块，BLOG CL进一步显著提高了BLOG的推荐性能。
2022-10-24 cs.IR cs.LG
DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation
Peking University（北京大学）；University of Washington（华盛顿大学）
由于异构信息网络可以模拟用户与项目交互过程中丰富的上下文信息，因此被广泛用于解决推荐系统中的稀疏性和冷启动问题。图神经网络能够通过在图上的传播来编码这种丰富的上下文信息。然而，现有的异构图神经网络忽略了不同方面潜在因素的纠缠性。此外，现有方法中的Meta路径被简化为节点对之间的连接路径或边信息，忽略了路径中丰富的语义信息。在本文中，我们提出了一种新的解纠缠异构图注意力网络DisenHAN顶部- $N$推荐，学习解纠缠用户/项目表示从不同的方面在一个异构的信息网络。特别是，我们使用Meta关系来分解节点对之间的高阶连接，并提出了一个解开嵌入传播层，它可以迭代地识别Meta关系的主要方面。我们的模型从目标用户/项目的每个Meta关系中聚合相应的方面特征。通过不同层次的嵌入传播，DisenHAN能够显式地捕捉协同过滤效果的语义。在三个真实世界数据集上的广泛实验表明，DisenHAN始终优于最先进的方法。我们通过富有洞察力的案例研究和可视化进一步证明了学习到的解纠缠表示的有效性和可解释性。
2021-06-21 cs.IR cs.LG cs.SI
Learning Compatibility Across Categories for Heterogeneous Item Recommendation
University of California, San Diego（加州大学圣迭戈分校）
识别项目之间的关系是在线推荐系统的一项关键任务，以帮助用户发现功能互补或视觉兼容的项目。在服装推荐等领域，这项任务特别具有挑战性，因为一个成功的系统应该能够处理大量的项目，它们之间的大量关系，以及涉及的高维和语义复杂的特征。此外，人类对“兼容性”的概念不仅仅是相似性：对于两件兼容的物品-无论是牛仔裤和T恤，还是笔记本电脑和充电器-它们应该在某些方面相似，但在其他方面系统地不同。在本文中，我们提出了一种新的方法，MPEG4，学习产品推荐设置中的项目之间的复杂和异构的关系。最近，已经开发了可扩展的方法，通过在所涉及的产品的内容之上学习相似性度量来解决这一任务。在这里，我们的方法放松了先前工作中固有的度量假设，并对“相关性”的多个本地化概念进行建模，以揭示相关项目应该系统地相似和系统地不同的方式。定量分析表明，我们的系统在大规模兼容性预测任务上实现了最先进的性能，特别是在相关项目之间存在大量异质性的情况下。定性，我们证明了更丰富的概念的兼容性，可以学习超越相似性，我们的模型可以有效地建议异构内容。
2016-09-29 cs.CV cs.IR cs.LG
Decentralized Multi-Target Cross-Domain Recommendation for Multi-Organization Collaborations
Duke University（杜克大学）；University of Minnesota-Twin Cities（明尼苏达大学双城分校）
在许多现实场景中，推荐系统（RS）由不同的组织在本地运行。如果各个组织能够完全共享他们的数据并以集中的方式执行计算，他们可能会显着提高建议的准确性。然而，多个组织之间在提高建议绩效方面的合作主要受到限制，原因是难以共享数据和模型。为了应对这一挑战，我们提出了具有多目标辅助学习（MTAL）和辅助自动编码器（AAE）的分散式多目标跨域推荐（DMTCDR）。我们的方法可以帮助多个组织以分散的方式协作提高推荐性能，而无需共享敏感资产。因此，它允许分散的组织进行协作，形成一个共同利益的社区。我们进行了大量的实验，以证明新方法可以显着优于本地训练的RS和减轻冷启动问题。
2022-11-07 cs.IR cs.LG
Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks
Yanshan University（燕山大学）；Huazhong University of Science and Technology（华中科技大学）；Salesforce Research（Salesforce研究院）
针对MOOC直接推荐课程忽视用户专业水平差异的问题，提出基于异构信息网络和强化学习的概念推荐方法HinCRec-RL，利用注意力图神经网络建模用户表示，实验验证其有效性。
2023-05-09 cs.CY cs.IR cs.LG
Towards Practical Large-scale Dynamical Heterogeneous Graph Embedding: Cold-start Resilient Recommendation
本文提出了一种两阶段方法，结合HetSGFormer和ILLE，以实现大规模动态异构图嵌入的冷启动鲁棒性和高效更新。
2025-12-15 cs.IR cs.LG
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.（NAVER公司Clova人工智能研究院）；Search Solution Inc.（搜索解决方案公司）；LINE Plus Corp.（LINE Plus公司）
图神经网络（GNNs）已经成为一种很有前途的关系表示方法，包括推荐系统。然而，社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用，例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里，我们提出了一个新的图嵌入方法异构图传播（HGP）来解决这些问题。HGP使用组-用户-项目三方图作为输入，以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题，HGP在个性化的基于PageRank的传播方案下嵌入节点，分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1，645，279个节点和4，711，208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明，HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
Genetic Meta-Structure Search for Recommendation on Heterogeneous Information Network
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心（BNRist））；Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；University of Helsinki（赫尔辛基大学）；The Hong Kong University of Science and Technology（香港科技大学）
在过去的十年中，异构信息网络（HIN）已成为现代推荐系统的重要方法。为了充分利用其功能，手动设计的网络模板，即，元结构被引入以过滤出语义感知信息。手工制作的元结构依赖于大量的专业知识，这既费力又依赖于数据。另一方面，元结构的数量随着其大小和节点类型的数量呈指数增长，这禁止了暴力搜索。为了解决这些挑战，我们提出了遗传元结构搜索（GEMS），以自动优化元结构设计的建议对HIN。具体来说，GEMS采用并行遗传算法来搜索有意义的元结构以进行推荐，并设计专用规则和元结构预测器来有效地探索搜索空间。最后，我们提出了一个基于注意力的多视图图卷积网络模块，用于动态融合来自不同元结构的信息。在三个真实世界数据集上的大量实验表明，GEMS的有效性，它始终优于HIN推荐的所有基线方法。与使用手工构建元路径的简化GEMS相比，GEMS在大多数评估指标上实现了超过$6\%$的性能增益。更重要的是，我们进行了深入的分析，确定的元结构，这揭示了基于HIN的推荐系统的设计。
2021-02-21 cs.IR cs.LG cs.NE
Recommendation Systems in Libraries: an Application with Heterogeneous Data Sources
Politecnico di Torino（都灵理工大学）
Reading&Machine项目利用数字化的支持来增加图书馆的吸引力并改善用户体验。该项目实现了一个应用程序，帮助用户在他们的决策过程中，提供推荐系统（RecSys）生成的用户可能感兴趣的书籍列表，并显示他们通过一个交互式的虚拟现实（VR）为基础的图形用户界面（GUI）。在本文中，我们专注于推荐系统的设计和测试，采用数据的所有用户的贷款在过去9年中，从网络的图书馆位于意大利都灵。此外，我们使用Anobii在线读者社交社区收集的数据，他们分享他们的反馈和关于他们阅读的书籍的其他信息。武装这种异构数据，我们建立和评估基于内容（CB）和协同过滤（CF）的方法。我们的研究结果表明，CF优于CB方法，提高了高达47%的相关建议提供给读者。然而，CB方法的性能在很大程度上取决于读者已经阅读的书籍数量，对于具有大量历史的用户来说，它甚至比CF更好。最后，我们的评估强调，如果系统集成并利用来自Anobii数据集的信息，这使我们能够包括更多的用户阅读（CF）和更丰富的图书元数据（CB），那么这两种方法的性能都会得到显着改善。
2023-03-21 cs.CY cs.IR cs.LG
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；Hokkaido University（北海道大学）；National University of Defense Technology（国防科技大学）
针对分布式HIN语义断裂与隐私问题，提出FedHGNN框架，通过差分隐私保护的语义保持交互发布及HGNN聚合实现联邦隐私保护推荐，性能显著提升。
2024-02-28 cs.AI cs.CR cs.DC
Multi-view Attention Fusion of Heterogeneous Hypergraph with Dynamic Behavioral Profiling for Personalized Learning Resource Recommendation
Faculty of Education, Southwest University（西南大学教育学院）
本文提出基于异构超图的统一模型，结合动态行为分析模块和多视角注意力融合模块，提升个性化学习资源推荐的性能，实验表明模型在多个数据集上表现优异。
2026-03-04 cs.CY cs.IR cs.LG
Bayesian Exploration with Heterogeneous Agents
Microsoft Research（微软研究院）；University of Pennsylvania（宾夕法尼亚大学）；University of Minnesota（明尼苏达大学）
在推荐系统中，当用户在不确定性下做出策略选择时，他们既消费又生产信息。虽然社会规划者会使用多臂强盗算法来平衡“探索”和“剥削”，但用户的激励可能会使这种平衡倾向于剥削。我们考虑贝叶斯探索：一个简单的模型，其中推荐系统（“委托人”）控制着流向用户（“代理人”）的信息流，并通过信息不对称来激励探索。这个模型的一个回合是一个著名的“贝叶斯说服游戏”的版本[Kamenica和Gentzkow]。我们允许不同的用户，放宽了一个主要的假设，从以前的工作，用户有相同的偏好，从一个时间步到另一个。现在的目标是学习最好的个性化推荐。一个特别的挑战是，无论主体做什么或她有多少时间，都不可能激励某些用户类型采取某些操作。我们考虑了几个版本的模型，这取决于用户类型是否以及何时报告给委托人，并为每个版本设计了一个接近最优的“推荐策略”。我们还研究了模型的选择和用户类型的多样性如何影响可能被“探索”的每种类型的动作集。
2019-02-19 cs.GT cs.LG
Heterogeneous Hypergraph Embedding for Recommendation Systems
Griffith University（格里菲斯大学）；Hanoi University of Science and Technology（河内科技大学）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；The University of Queensland（昆士兰大学）
本文提出知识增强异构超图推荐系统KHGRec，通过协作知识异构超图建模高阶交互，结合跨视图自监督学习与注意力机制，在多个数据集上平均提升5.18%，并验证了噪声鲁棒性和冷启动性能。
2024-07-04 cs.AI cs.IR cs.LG
Poincaré Heterogeneous Graph Neural Networks for Sequential Recommendation
Ant Group（蚂蚁集团）；Tianjin University（天津大学）；Shantou University（汕头大学）
顺序推荐通过捕捉用户行为演化的顺序模式来学习用户的偏好。正如许多研究所讨论的，SR的用户-项目交互通常呈现内在的幂律分布，这种分布可以上升到类层次结构。以往的方法通常通过在欧氏空间下经验性地对用户项进行分段来处理这种层次信息，这可能会导致真实在线场景中用户项表示的失真。本文提出了一种基于庞加莱的异构图神经网络PHGR，用于同时对SR场景数据中包含的序列模式信息和层次信息进行建模。具体来说，为了明确地捕捉层次信息的目的，我们首先构建一个加权的用户-项目异构图，通过排列所有的用户-项目交互，以提高从全局视图的感知域的每个用户。然后将全局表示的输出用于补充局部有向项-项齐次图卷积。通过定义一种新的双曲内积算子，将全局和局部图的表示学习直接在Poincaré球中进行，而不是常用的Poincaré球到欧氏空间的投影运算，从而缓解了一般双向平移过程中的累积误差问题.此外，为了显式地捕获序列依赖信息，我们在Poincaré球空间下设计了两种时间注意操作。对公共和金融行业数据集的实证评估表明，PHGR优于几种比较方法。
2022-05-16 cs.AI cs.IR cs.LG
Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach
本文提出隐半马尔可夫模型以捕捉用户兴趣状态的异质性持续时间，通过期望最大化算法估计参数，在三个真实数据集上显著优于现有方法。
2024-12-15 cs.IR cs.LG
Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View
Yanshan University（燕山大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Tsinghua University（清华大学）；Beihang University（北京航空航天大学）
大规模开放式网络课程正在成为一种流行的教育方式，它为学生掌握知识提供了一个大规模、开放式的学习机会。为了吸引学生的兴趣，MOOC提供商应用推荐系统向学生推荐课程。然而，由于一门课程通常由多个视频讲座组成，每个视频讲座都涉及一些特定的知识概念，直接推荐课程忽略了学生对某些特定知识概念的兴趣。为了填补这一空白，本文研究了知识概念推荐问题。我们提出了一种端到端的图神经网络为基础的方法称为注意异构图卷积深度知识推荐（ACKRec）的MOOC知识概念推荐。与其他推荐问题一样，它也存在稀疏性问题。为了解决这个问题，我们利用内容信息和上下文信息通过图卷积网络来学习实体的表示。除了学生和知识概念之外，我们还考虑其他类型的实体（例如，课程、视频、教师），并构建异构信息网络，以捕获不同类型实体之间相应的富有成效的语义关系，并将其纳入表示学习过程。具体而言，我们使用元路径上的HIN引导学生的偏好传播。借助这些元路径，可以捕获学生关于候选知识概念的偏好分布。此外，我们提出了一个注意力机制，以自适应地融合来自不同元路径的上下文信息，以捕捉不同学生的不同兴趣。实验结果表明，所提出的ACKRecis能够有效地向在MOOC中进行在线学习的学生推荐知识概念。
2020-06-23 cs.CY cs.IR cs.LG
BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Airbnb, Inc（爱彼迎公司）；UC San Diego（加州大学圣地亚哥分校）；Walmart Labs（沃尔玛实验室）
购物篮内推荐减少了用户的探索时间，其中用户对购物篮的意图很重要。购物篮的意图可以从用户-物品协同过滤信号和多物品相关性两者中检索。通过定义一个篮子实体来表示篮子意图，我们可以将此问题建模为User-Basket-Item~（UBI）图中的篮子项目链接预测任务。以前的工作解决了这个问题，同时利用用户的项目交互和项目的项目交互。然而，以往研究的总体性和异质性特征很少。集体定义了每个节点的语义，这些节点应该从直接和间接连接的邻居聚合。异质性来自UBI图中的多类型交互以及多类型节点。为此，我们提出了一个新的框架命名为\textbf{BasConv}，这是基于图卷积神经网络。我们的BasConv模型有三种类型的聚合器，专门为三种类型的节点设计。它们共同从邻域和高阶上下文学习节点嵌入。此外，聚合器中的交互层可以区分不同类型的交互。在两个真实数据集上的大量实验证明了BasConv的有效性。我们的代码可在https://github.com/JimLiu96/basConv上获得。
2020-05-08 cs.IR cs.LG
FedSKD: Aggregation-free Model-heterogeneous Federated Learning via Multi-dimensional Similarity Knowledge Distillation for Medical Image Classification
FedSKD通过多维相似性知识蒸馏实现无需聚合的异构联邦学习，提升医学图像分类的个性化与泛化能力。
2026-03-12 cs.AI cs.LG
Learning Heterogeneous Similarity Measures for Hybrid-Recommendations in Meta-Mining
University of Applied Sciences Western Switzerland（瑞士西部应用科学大学）
元挖掘的概念是最近出现的，它从两个方面扩展了传统的元学习。首先，它不学习仅为学习算法选择任务提供支持的元模型，而是学习支持整个数据挖掘过程的元模型。此外，它放弃了所谓的黑盒方法来描述算法遵循元学习。现在除了数据集之外，算法还有描述符，工作流程。对于后两者，这些描述是语义的，描述算法的属性。随着数据集和数据采掘工作流描述符的可用性，元学习中遵循的传统建模技术（通常基于分类和回归算法）不再适用。相反，我们面临着一个问题，其性质更类似于推荐系统中出现的问题。最重要的元挖掘要求是建议应该只使用数据集和工作流描述符以及冷启动问题，例如为新数据集提供工作流建议。在本文中，我们采取不同的观点元挖掘建模问题，并把它作为一个推荐问题。为了说明元挖掘的特殊性，我们得到了一个新的基于度量的学习推荐方法。我们的方法学习两个同质的度量，一个在数据集中，一个在工作流空间，和异构的一个在数据集工作流空间。所有学习到的度量反映了从数据集-工作流偏好矩阵建立的相似性。我们展示了我们的方法对生物（微阵列数据集）问题的元挖掘。我们的方法的应用并不局限于元挖掘问题，它的配方是足够的一般，使它可以应用于类似的要求的问题。
2012-10-04 cs.AI cs.LG
Heterogeneous Influence Maximization in User Recommendation
Tencent（腾讯）；Shenzhen University（深圳大学）
本文提出HeteroIR和HeteroIM两个模型，结合推荐意愿建模与影响力最大化，在腾讯游戏平台A/B测试中分别提升8.5%和10%。
2025-08-19 cs.AI cs.IR cs.LG
Privileged Graph Distillation for Cold Start Recommendation
Hefei University of Technology（合肥工业大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；Anhui University（安徽大学）
推荐系统中的冷启动问题是一个长期存在的挑战，它要求在没有任何历史交互记录的情况下，基于属性向新用户（项目）推荐。在这些推荐系统中，温暖的用户（项目）有特权的互动记录的合作信号相比，冷启动用户（项目），这些协同过滤（CF）信号被证明有竞争力的推荐性能。许多研究者提出学习协作信号嵌入空间和属性嵌入空间之间的相关性来改进冷启动推荐，其中用户和项目分类属性在许多在线平台中是可用的。然而，冷启动建议仍然受到两个嵌入空间建模和简单的空间变换假设的限制。由于用户-项目交互行为和用户（项目）属性自然形成了一个异构的图结构，本文提出了一个特权图蒸馏模型PGD。教师模型是由一个异构的图形结构的温暖的用户和项目的特权CF链接。学生模型由一个没有CF链接的实体-属性图组成。具体来说，教师模型可以通过从构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可以从教师嵌入学习具有特权CF嵌入的提取输出。我们提出的模型一般适用于不同的冷启动场景与新用户，新项目，或新用户新项目。最后，在真实世界数据集上的大量实验结果清楚地表明了我们提出的模型对不同类型的冷启动问题的有效性，在三个数据集上，平均$6.6\%, 5.6\%, $和$17.1\%$分别比最先进的基线有所改善。
2021-05-31 cs.IR cs.LG
HDEE: Heterogeneous Domain Expert Ensemble
Gensyn
本文提出异构领域专家集成（HDEE），通过让集成中模型规模与训练步数随数据领域变化，在相同计算预算下，于21个数据领域中的20个取得最低困惑度，优于同质基线。
2025-02-26 cs.DC cs.LG
Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs
研究异构推荐图中关系基数不同的问题，提出结合交叉熵和BPR的基数分解损失（CDL），通过实验验证CE-BPR冲突，表明CDL可提高属性嵌入可辨别性，揭示数据集行为受语义对齐和拓扑泄漏支配。
2026-07-24 cs.IR cs.LG
Empowering Next POI Recommendation with Multi-Relational Modeling
University of Virginia（弗吉尼亚大学）
随着移动设备和Web应用的广泛采用，基于位置的社交网络（LBSN）提供大规模的个人级别的位置相关活动和体验。下一个兴趣点推荐是LBSNs中最重要的任务之一，旨在通过用户的历史活动发现用户的偏好，为用户提供下一个合适位置的个性化推荐。值得注意的是，LBSN提供了对关于用户和POI的丰富的异构关系信息（包括用户-用户社交关系，诸如家庭或同事;以及用户-POI访问关系）的无与伦比的访问。这种关系信息具有促进下一POI推荐的巨大潜力。然而，大多数现有的方法要么只关注用户兴趣点访问，或处理不同的关系基于过于简化的假设，而忽略了关系的异质性。为了填补这些关键的空白，我们提出了一种新的框架，MEMO，它有效地利用了异构关系与多网络表示学习模块，并明确地将跨时间的用户POI相互影响与耦合的递归神经网络。在真实世界的LBSN数据上进行的大量实验验证了我们的框架优于最先进的下一代POI推荐方法。
2022-04-24 cs.AI cs.IR cs.LG
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong（香港大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
本文提出KGSR-ADS系统，通过知识图谱与深度学习结合，实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
