When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
针对搜索与推荐(S&R)用户意图差异被忽略的问题,提出SESRec框架,通过对比学习解耦S&R行为中的相似与不相似表示,并利用注意力机制提取用户兴趣,在多数据集上显著优于现有模型。
2023-05-18 cs.AI cs.IR
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering(计算机科学与信息工程学院);Hefei University of Technology(合肥工业大学)
本文提出自适应集成学习(AEL)去噪推荐方法,利用稀疏门控网络动态选择专家,并通过组件堆叠构建多样性子推荐器,在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute(澳大利亚人工智能研究所);University of Technology Sydney(悉尼科技大学)
本文通过分析去噪权重导致的头尾信号比变化,揭示小损失去噪会抑制干净但难拟合的长尾信号,提出流行度感知去噪(PAD)框架,根据物品流行度调节去噪强度,在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
Disparity-preserved Deep Cross-platform Association for Cross-platform Video Recommendation
跨平台推荐旨在通过关联来自不同平台的信息来提高推荐的准确性。现有的跨平台推荐方法假设所有跨平台信息彼此一致并且可以对齐。然而,仍然存在两个未解决的挑战:i)由于平台特定的差异,跨平台关联中存在不一致性,以及ii)来自不同平台的数据可能具有不同的语义粒度。在本文中,我们提出了一个跨平台的视频推荐,即跨平台的关联模型,差异保留的深度跨平台关联(DCA),考虑了平台特定的差异和粒度差异。所提出的DCA模型采用了部分连接的多模态自动编码器,该编码器能够显式地捕获特定于平台的信息,并利用非线性映射函数来处理粒度差异。然后,我们提出了一个跨平台的视频推荐方法的基础上提出的DCA模型。在真实数据集上对我们的跨平台推荐框架进行了大量实验,结果表明,所提出的DCA模型在各种评价指标方面明显优于现有的跨平台推荐方法。
2019-11-12 cs.IR
Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training
National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学);Tencent(腾讯);Shandong University(山东大学);City, University London(伦敦城市大学)
针对LLM赋能推荐中通用语言表示与领域偏好不匹配、多领域适应性有限的问题,提出全领域持续预训练框架CPRec,通过统一提示模板和定制学习率调度对齐LLM与通用用户行为,提升推荐性能。
2025-04-11 cs.CL cs.IR
Semantics Meet Signals: Dual Codebook Representationl Learning for Generative Recommendation
University of Cambridge(剑桥大学);Roblox Corporation(Roblox公司);University of Maryland(马里兰大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文提出FlexCode,一种用于生成推荐的双代码本学习框架,通过自适应分配token预算提升流行物品与长尾物品的表示效率和泛化能力。
2025-11-15 cs.CL cs.IR
When Collaborative Filtering Meets Reinforcement Learning
The Hong Kong Polytechnic University(香港理工大学)
本文研究了一个多步交互式推荐问题,其中当前推荐的项目可能会影响未来推荐的质量。为了解决这个问题,我们开发了一种新颖而有效的方法,命名为CFRL,它无缝集成了协同过滤(CF)和强化学习(RL)的想法。更具体地说,我们首先将推荐者-用户交互式推荐问题建模为代理-环境RL任务,该任务在数学上由马尔可夫决策过程(MDP)描述。此外,为了实现整个用户社区的协作推荐,我们提出了一种新的CF为基础的MDP编码到一个共享的潜在向量空间的所有用户的状态。最后,我们提出了一种有效的Q-网络学习方法来学习基于CF的MDP的代理的最优策略。CFRL的能力是通过比较其性能对各种现有的方法在现实世界的数据集。
2019-04-02 cs.IR cs.LG stat.ML
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University(嘉应学院)
在大数据时代,推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来,推荐系统的技术发展经历了从感知学习到认知推理的过程,将推荐任务直观地构建为逻辑推理的过程,并取得了显著的进步。然而,推理中的逻辑陈述隐含地承认了排序的无关性,甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外,结合时间上下文的推荐模型将倾向于自我关注,即,自动聚焦更多(更少)的相关性(无关性)。针对这些问题,本文提出了一种基于时间感知的自注意力神经协作推理(TiSANCR)推荐模型,将时间模式和自注意力机制集成到基于推理的推荐中。特别是,时间模式表示的相对时间,提供上下文和辅助信息来描述用户的偏好在推荐,而自我注意是利用提取信息模式和抑制无关。因此,自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明,提出的TiSANCR推荐算法性能显著提高,并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Graph Factorization Machines for Cross-Domain Recommendation
最近,图神经网络(GNNs)已成功地应用于推荐系统。在推荐系统中,用户对一个项目的反馈行为通常是多个因素同时作用的结果。然而,一个长期存在的挑战是如何有效地聚合GNN中的多阶相互作用。在本文中,我们提出了一个图因子分解机(GFM),它利用流行的因子分解机聚合多阶的相互作用,从邻居的推荐。同时,跨域推荐也成为解决推荐系统中数据稀疏性问题的一种可行方法。然而,大多数现有的跨域推荐方法可能会失败时,面对图结构的数据。为了解决这个问题,我们提出了一个通用的跨域推荐框架,它不仅可以应用于建议的GFM,也可以应用于其他GNN模型。我们在四对数据集上进行实验,以证明GFM的优越性能。此外,基于一般跨域推荐实验,我们还证明了我们的跨域框架不仅可以为GFM的跨域推荐任务做出贡献,而且对于各种现有GNN模型具有通用性和可扩展性。
2020-07-12 cs.IR
Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations
University of Calabria(卡拉布里亚大学);ICAR-CNR;KTH Royal Institute of Technology(皇家理工学院)
本文提出以用户为中心的推荐框架,通过概率用户行为模型和 copula 函数结合相关性与多样性,以最大化用户知识获取,并在多个数据集上验证其优于现有方法。
2024-08-07 cs.AI cs.IR
When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study
The University of Queensland(昆士兰大学);City University of Hong Kong(香港城市大学);Griffith University(格里菲斯大学)
本文提出将文本视为视觉信号,通过OCR技术提升生成推荐中语义ID学习的鲁棒性和效率。
2026-01-21 cs.AI cs.IR
Mixed Information Flow for Cross-domain Sequential Recommendations
跨领域的顺序推荐是根据用户在多个领域中过去的顺序行为来预测用户下一个最有可能交互的项目。跨领域顺序推荐的关键问题之一是如何把握和传递多个领域的信息流,以促进所有领域的推荐。以往的研究通过探索来自不同领域的项目之间的联系来研究行为信息的流动。知识的流动(即,不同领域的知识之间的联系)迄今为止一直被忽视。在本文中,我们提出了一个混合信息流网络的跨域顺序推荐考虑行为的信息流和知识流的行为转移单元和知识转移单元。所提出的混合信息流网络能够决定何时应该使用跨域信息,并且如果是这样,则应该根据用户的当前偏好使用哪些跨域信息来丰富序列表示。在四个电子商务数据集上进行的大量实验表明,混合信息流网络能够通过建模混合信息流来进一步提高不同领域的推荐性能。
2020-12-05 cs.IR
DynLLM: When Large Language Models Meet Dynamic Graph Recommendation
University of Science and Technology of China(中国科学技术大学);Alibaba Group(阿里巴巴集团)
针对现有图增强方法难以应对动态图推荐的问题,提出DynLLM框架,利用LLM生成多维度用户画像并通过蒸馏注意力机制优化嵌入,与连续时间动态图嵌入融合,在电商数据集上取得优于基线的效果。
2024-05-13 cs.AI cs.IR
Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
Deezer Research(Deezer研究院)
本文提出PISA,一种基于Transformer与ACT-R认知架构的会话级序列推荐系统,通过捕捉用户行为的动态与重复模式,有效预测后续收听歌曲,并在公开与专有数据上验证了重复建模的关键作用。
2024-08-29 cs.IR cs.LG
A Practical Two-stage Ranking Framework for Cross-market Recommendation
跨市场推荐是指在资源稀缺的目标市场中,利用用户在资源丰富的目标市场中的行为向用户推荐产品,这对于电子商务企业来说是至关重要的,但目前研究较少。在本文中,我们提出了我们在跨市场推荐竞赛中采用的详细解决方案,即,第2022章.为了更好地利用目标市场和源市场之间的协作信号和相似性,我们仔细考虑了多个特征以及由深度图推荐模型(图神经网络,DeepWalk等)组成的堆叠学习模型。和传统推荐模型(ItemCF、UserCF、Swing等)。此外,我们采用基于树的集成方法,例如,LightGBM在预测任务中显示出优越的性能,以生成最终结果。我们在XMRec数据集上进行了全面的实验,验证了我们的模型的有效性。我们团队WSDM_Coggle_提出的解决方案被选为第二名。
2022-04-27 cs.IR
Making Cross-Domain Recommendations by Associating Disjoint Users and Items Through the Affective Aware Pseudo Association Method
本文利用一个巧妙的基于文本的情感感知伪关联方法(AAPAM)链接不相交的用户和项目在不同的信息域,并利用它们进行跨域的基于内容的协同过滤推荐。本文证明了AAPAM方法可以无缝地连接不同的信息域数据集作为一个没有任何额外的跨域信息检索协议。除了进行跨域推荐之外,通过AAPAM连接来自不同信息域的数据集的好处是,它在进行偶然推荐的同时消除了冷启动问题。
2021-02-10 cs.IR
When Relevance Meets Novelty: Dual-Stable Periodic Optimization for Serendipitous Recommendation
Tsinghua University(清华大学)
本文提出CoEA方法,通过双稳定周期优化解决推荐系统中相关性与新颖性的平衡问题,提升偶然推荐效果。
2026-03-04 cs.AI cs.IR
Cross-Modal Content Inference and Feature Enrichment for Cold-Start Recommendation
本文提出CIERec框架,通过图像标注引导视觉到语义的映射,并融合协同、视觉与跨模态推断表示来增强内容特征,从而显著提升冷启动推荐性能。
2023-07-06 cs.IR
Deep Cross Networks with Aesthetic Preference for Cross-domain Recommendation
当购买外观第一的产品时,例如,服装,产品外观美学在决定过程中起着重要的作用。此外,用户的审美偏好可以被视为一种个性特征和基本需求,是领域无关的,可以作为知识转移的领域之间的桥梁。然而,现有的工作很少考虑产品照片中的美学信息进行跨域推荐。为此,在本文中,我们提出了一个新的深度审美偏好跨域网络(ACDN),其中表征个人审美偏好的参数在网络之间共享,以在域之间传递知识。具体来说,我们首先利用美学网络来提取相关特征。然后,我们将美学特征整合到跨领域网络中,以传递用户与领域无关的美学偏好。此外,网络交叉连接,使跨领域的双重知识转移。最后,在真实数据上的实验结果表明,我们提出的ACDN优于其他基准方法的推荐精度。研究结果还表明,用户的审美偏好可以有效地缓解跨域推荐中的数据稀疏问题。
2019-05-29 cs.IR
Parallel Split-Join Networks for Shared-account Cross-domain Sequential Recommendations
顺序推荐是一项任务,其中一个模型和使用顺序信息的用户行为的推荐目的。我们在一个特别具有挑战性的背景下研究顺序推荐,其中多个个人用户共享一个帐户(即,他们具有共享帐户)并且其中用户行为在多个域中可用(即,建议是跨域的)。这两个特点给传统的顺序推荐任务带来了新的挑战。首先,我们需要识别与同一帐户下的不同用户和不同用户角色相关联的行为,以便在正确的时间向正确的用户角色推荐正确的项目。其次,我们需要识别一个领域中可能有助于改进其他领域中的推荐的行为。在这项工作中,我们研究了共享帐户跨域顺序推荐,并提出了并行分裂-加入网络(PSJNet),一个并行建模网络,以解决上述两个挑战。我们提出了PSJNet的两个变体,PSJNet-I和PSJNet-II。PSJNet-I是一个“split-by-join”框架,它将混合表示拆分为特定于角色的表示,并将它们连接起来以同时获得每个时间戳的跨域表示。PSJNet-II是一个“拆分-连接”框架,它首先在每个时间戳拆分特定于角色的表示,然后将所有时间戳和所有角色的表示连接起来以获得跨域表示。我们使用两个数据集来评估PSJNet的有效性。我们的实验结果表明,PSJNet在MRR和召回方面优于最先进的顺序推荐基线。
2021-04-13 cs.IR
Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation
City University of Hong Kong(香港城市大学);Kuaishou Technology(快手科技)
研究针对生成式跨域推荐的异构模式建模挑战,提出HD-Rec框架,采用分层量化与领域自适应稀疏路由技术,在三个公开基准上优于各类基线方法。
2026-08-10 cs.IR
Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
Baidu Inc.(百度公司)
针对生成式推荐中阶段分离导致的信息损失问题,提出COBRA框架,通过级联交替生成稀疏ID与稠密向量并结合BeamFusion策略,在真实广告平台上显著提升了推荐效果。
2025-03-04 cs.AI cs.IR
A Comprehensive Survey on Cross-Domain Recommendation: Taxonomy, Progress, and Prospects
本文围绕跨域推荐的核心流程系统梳理相关方法、应用、资源、挑战与未来方向,为研究者提供全面的分类体系和研究进展综述。
2025-03-18 cs.IR
Cross-domain novelty seeking trait mining for sequential recommendation
迁移学习在过去的几十年里吸引了大量的兴趣和研究,并且已经做出了一些努力来构建更精确的推荐系统。大多数先前的转移推荐系统假设目标域与辅助源域共享相同/相似的评级模式,这用于提高推荐性能。然而,据我们所知,几乎这些作品都没有考虑到顺序数据的特点。在本文中,我们研究了新的跨域推荐场景挖掘新奇寻求特质。心理学的研究表明,新奇寻求特质与消费者行为密切相关,这对在线推荐有着深远的商业影响。由于数据的稀缺性和稀疏性,以往的工作仅针对单个目标领域,可能无法很好地刻画用户的新奇寻求特征,从而导致推荐性能不佳。在此基础上,提出了一种新的跨领域新奇寻求特征挖掘模型(CDNST),通过转移辅助源领域的知识来提高顺序推荐性能。我们进行了系统的实验,从豆瓣(www.douban.com)抓取的三个领域的数据集,以证明所提出的模型的有效性。此外,我们还分析了时序数据的时态特性对CDNST性能的影响,并进行了仿真实验来验证我们的分析。
2018-03-05 cs.IR
An Effective Way for Cross-Market Recommendation with Hybrid Pre-Ranking and Ranking Models
WSDM CUP 2022的跨市场推荐任务是通过利用来自类似高资源来源市场的数据,寻找解决方案,以改善资源稀缺目标市场的个人推荐系统。最后,我们的团队OPDAI以NDCG@10分0.6773的成绩获得了第一名。我们的解决方案,这一任务将在本文中详细介绍。为了更好地将信息从源市场转换到目标市场,我们采用了两个阶段的排名。在预排序阶段,我们采用多种预排序方法或模型进行特征生成。经过详细的特征分析和特征选择,我们训练LightGBM与10倍装袋做最后的排名。
2022-03-02 cs.IR
Bridging Search and Recommendation through Latent Cross Reasoning
针对搜索历史噪声影响推荐的问题,提出潜在交叉推理框架,先编码全局兴趣再迭代推理搜索行为,结合对比学习与强化学习,在公开基准上持续超越强基线。
2025-08-06 cs.IR
Knowledge graph-based personalized multimodal recommendation fusion framework
针对传统推荐方法难以捕捉用户细微兴趣的问题,提出CrossGMMI-DUKGLR框架,结合预训练模型、多头交叉注意力与图注意力网络,优化多模态融合与高阶依赖建模,提升推荐表征精度。
2025-09-03 cs.IR
Towards Bridging the Cross-modal Semantic Gap for Multi-modal Recommendation
本文提出CLIPER框架,利用CLIP进行多视图模态对齐以弥合跨模态语义鸿沟,提取细粒度语义并集成到下游推荐模型,在三个公开数据集上取得优于现有方法的推荐性能。
2024-07-07 cs.IR
Fairness-aware Cross-Domain Recommendation
本文提出FairCDR模型,通过公平感知的映射函数和基于影响函数的重加权方法,在跨域推荐中实现用户群体公平,同时保持推荐准确性。
2023-05-15 cs.IR
Cross-channel Recommendation for Multi-channel Retail
针对多渠道零售中用户和物品部分重叠的跨渠道推荐问题,提出基于渠道级注意力机制的模型,并在真实数据集上验证其优越性。
2024-07-18 cs.IR
Coherence-guided Preference Disentanglement for Cross-domain Recommendations
针对跨域推荐中共享用户与共享物品稀缺的问题,提出CoPD方法,通过一致性约束提取共享物品属性,并以流行度加权损失将用户偏好解耦为兴趣与从众性嵌入,实验证明其优于竞争基线。
2025-06-09 cs.IR
FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
FeDecider是一种基于大语言模型的联邦跨域推荐框架,通过解耦客户端低秩更新并学习个性化权重,有效解决跨域推荐中的过拟合和异质性问题。
2026-02-17 cs.IR
The Double-Edged Sword of Knowledge Transfer: Diagnosing and Curing Fairness Pathologies in Cross-Domain Recommendation
Hong Kong Baptist University(香港浸会大学);Shenzhen University(深圳大学)
本文提出CDFA框架,通过自适应整合未标记数据和信息论方法,解决跨领域推荐中的公平性问题,减少不公平性并提升推荐性能。
2026-01-29 cs.IR
Moment&Cross: Next-Generation Real-Time Cross-Domain CTR Prediction for Live-Streaming Recommendation at Kuaishou
本文提出Moment&Cross方案,针对快手直播推荐中实时内容变化导致负向观看以及短视频与直播数据严重不平衡的问题,研究如何把握推荐时机并利用短视频行为提升直播CTR预测效果。
2024-08-11 cs.IR
Contrastive Cross-domain Recommendation in Matching
跨域推荐(Cross-Domain Recommendation,CDR)是一种在目标域中借助源域提供更好的推荐结果的方法,在现实系统中得到了广泛的应用和探索。然而,匹配中的CDR(即,候选生成)模块在表示学习和知识转移中都要与数据稀疏性和流行性偏差问题作斗争。在这项工作中,我们提出了一个新的对比跨域推荐(CCDR)框架中的CDR匹配。具体而言,我们构建了一个巨大的多样化偏好网络,以获取反映用户不同兴趣的多种信息,并设计了一个域内对比学习(intra-CL)和三个跨域对比学习(inter-CL)任务,以实现更好的表示学习和知识转移。内部CL通过图形增强在目标域内实现更有效和平衡的训练,而内部CL从用户,分类和邻居方面构建不同类型的跨域交互。在实验中,CCDR在现实世界的系统中实现了离线和在线评估的显着改进。目前,我们已在微信看一看”上部署了CCDR,影响了大量用户。源代码在https://github.com/lqfarmer/CCDR中。
2022-06-21 cs.IR
A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining
Carnegie Mellon University(卡内基梅隆大学);Southwest Jiaotong University(西南交通大学);Washington University in St. Louis(华盛顿大学圣路易斯分校);Stevens Institute of Technology(史蒂文斯理工学院)
本文提出一种基于分离嵌入交叉网络的推荐模型,通过嵌入层将稀疏特征转为稠密向量并在不同维度独立进行特征交叉,以提升特征挖掘精度,实验证明其在复杂数据集上具有更强适应性和更高预测精度。
2024-10-19 cs.AI cs.IR
Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中混淆因子干扰用户偏好捕捉的问题,提出基于混淆因子解耦的因果去混淆框架CD2CDR,通过解耦单域与跨域混淆因子、结合后门调整去混淆,在7个真实数据集上取得优于SOTA的效果。
2025-05-22 cs.IR
Exploiting Variational Domain-Invariant User Embedding for Partially Overlapped Cross Domain Recommendation
跨领域推荐(CDR)是利用不同领域的知识来解决推荐系统中的冷启动问题的一种方法。现有的CDR模型大多假设源域和目标域共享相同的重叠用户集进行知识转移。然而,在实际CDR任务中,只有少数比例的用户同时在源域和目标域上激活。在本文中,我们专注于部分重叠的跨域推荐(POCDR)问题,即如何利用重叠和非重叠用户的信息,以提高推荐性能。现有的方法不能充分利用跨域非重叠用户背后的有用知识,这限制了模型的性能时,大多数用户是非重叠的。为了解决这个问题,我们提出了一个端到端的双自动编码器与变域不变的嵌入对齐(VDEA)模型,跨域推荐框架的POCDR问题,它利用双变分自编码器与本地和全局嵌入对齐利用域不变的用户嵌入。VDEA首先采用变分推理捕获协作用户偏好,然后利用Gromov-Wasserstein分布共聚类最优传输对具有相似评级交互行为的用户进行聚类。我们在豆瓣和亚马逊数据集上的实证研究表明,VDEA显著优于最先进的模型,特别是在POCDR设置下。
2022-05-27 cs.IR
WeaveRec: An LLM-Based Cross-Domain Sequential Recommendation Framework with Model Merging
Hefei University of Technology(合肥工业大学);Tsinghua University(清华大学)
针对LLM跨域推荐中简单合并数据或模型导致性能下降的问题,提出WeaveRec框架,通过交织方式交叉训练多个LoRA模块并合并,在不增加推理成本的前提下降低目标域误差上界,有效提升跨域推荐性能。
2025-10-30 cs.IR
Unfair Exposure of Artists in Music Recommendation
机器学习中的公平性已经被许多研究者所研究。特别是,在推荐系统的公平性进行了调查,以确保建议符合某些标准,就某些敏感的功能,如种族,性别等,但是,往往推荐系统是多利益相关者的环境中,对所有利益相关者的公平性应该得到照顾。众所周知,推荐算法存在受欢迎程度偏差;很少有受欢迎的项目被过度推荐,这导致大多数其他项目没有得到相应的关注。这种偏见已经从用户的角度进行了调查,以及它如何使最终的建议倾向于流行的项目一般。然而,在本文中,我们调查的影响,在推荐算法中的流行偏见的项目的提供者(即实体背后的推荐项目)。使用音乐数据集进行实验,我们表明,由于算法中的一些偏见,不同受欢迎程度的艺术家群体受到系统性和一致性的不同对待。
2020-03-25 cs.IR
Don't Click the Bait: Title Debiasing News Recommendation via Cross-Field Contrastive Learning
针对新闻推荐中的标题党偏差问题,提出融合新闻摘要的TDNR-C2模型,通过多字段知识提取与跨域对比学习实现去偏,在真实数据集上性能优于现有最优方法。
2024-08-16 cs.IR
Low-Precision Hardware Architectures Meet Recommendation Model Inference at Scale
Facebook(脸书)
机器学习(ML)的巨大成功和ML模型复杂性的持续增长,促使CPU和加速器架构中的许多ML特定设计加快模型推理。虽然这些架构多种多样,但高度优化的低精度算法是大多数架构共享的组件。这些架构在基准ML模型上确实经常表现出令人印象深刻的计算吞吐量。然而,对Facebook的个性化服务很重要的推荐系统等生产模型要求很高,也很复杂:这些系统必须每月以低延迟响应数十亿用户,同时保持高预测准确性,尽管每个推理需要数百亿个参数进行计算。这些低精度架构是否与我们的生产推荐系统配合良好?他们会去的而且但不是没有重大的努力。我们在本文中分享了我们的搜索策略,以适应参考推荐模型低精度的硬件,我们的低精度计算内核的优化,以及工具链的设计和开发,以保持我们的模型的准确性在其整个生命周期期间,主题趋势和用户的兴趣不可避免地演变。实践这些低精度技术帮助我们节省了数据中心容量,同时部署了复杂度高达5倍的模型,这些模型原本不会部署在传统的通用CPU上。我们相信,这些来自战壕的经验教训促进了硬件架构和软件工程之间更好的协同设计,并推动了ML在工业中的发展。
2021-05-26 cs.AR cs.IR cs.LG
Latent User Linking for Collaborative Cross Domain Recommendation
随着信息系统的广泛采用,推荐系统被广泛用于更好的用户体验。协同过滤是实现推荐系统的一种常用方法。然而,协同过滤方法高度依赖于用户的反馈,这往往是非常稀疏和难以获得。然而,如果可以使用来自密集得多的相关次级域的知识来增强稀疏目标域中的推荐准确性,则可以缓解这些问题。在这篇文章中,我们提出了一种跨域推荐系统的深度学习方法,通过链接跨域用户潜在表示作为跨域知识转移的一种形式。我们假设,跨域的用户口味和行为的相似性是清楚地观察到的低维用户的潜在表示。这些用户相似性用于链接域。因此,我们提出了一个基于变分自编码器的网络模型,用于跨域链接,并增加了上下文来处理稀疏数据和更好地传输跨域知识。我们进一步扩展该模型,使其更适合冷启动场景,并利用辅助用户信息来获得推荐准确性的额外收益。使用多个数据集的经验评估所提出的模型的有效性。实验证明,该模型优于最先进的技术。
2019-08-19 cs.IR
Generation Meets Recommendation: Proposing Novel Items for Groups of Users
National University of Singapore(新加坡国立大学)
考虑一个电影制片厂,它的目标是制作一套夏季上映的新电影:它应该制作什么类型的电影?电影会吸引谁?它应该拍多少部电影?各种组织都遇到了类似的问题,例如,移动电话制造商和在线杂志,他们必须创造新的(不存在的)项目,以满足不同偏好的用户群体。在本文中,我们提出了一个联合问题的形式化这些相互关联的问题,并提出生成方法,同时解决这些问题。具体来说,我们利用通过训练深度生成模型-变分自编码器(VAE)-获得的潜在空间,通过一个损失函数,该函数包含评级性能和项目重建项。然后,我们应用一个贪婪的搜索算法,利用这个学习的潜在空间,共同获得K个合理的新项目,和用户组,会发现项目的吸引力。在合成数据集上对我们的方法进行的评估表明,我们的方法能够生成类似于高度期望的未观察到的项目的新项目。作为对真实世界数据的案例研究,我们将我们的方法应用于MART抽象艺术和Movielens Tag Genome数据集,这产生了有希望的结果:小而多样的新项目集。
2018-08-02 cs.IR cs.LG stat.ML
Automated Prompting for Non-overlapping Cross-domain Sequential Recommendation
针对非重叠跨域序列推荐(NCSR)中缺乏重叠实体和内容信息的挑战,提出了基于提示学习的跨域推荐框架PLPCR,通过学习领域不变与特定表示、预训练序列编码器及双学习目标,有效提升了双目标推荐性能。
2023-04-09 cs.IR
CCFormer: Efficient Cross-Field Interaction and Hierarchical Sequence Compression for Industrial Recommendation at Tencent
Platform and Content Group, Tencent(腾讯平台与内容事业群)
CCFormer是腾讯提出的高效Transformer骨干网络,通过跨域交互与分层序列压缩技术,在工业推荐场景中取得显著性能提升,已部署于腾讯生产系统服务核心流量。
2026-10-30 cs.IR
Explicit Feedbacks Meet with Implicit Feedbacks : A Combined Approach for Recommendation System
Indian Institute of Technology Patna(印度理工学院巴特那分校)
推荐系统通过分析用户对不同品牌商品的潜在兴趣,更准确地推荐商品。结合用户的评分相似性,用户的隐式反馈的存在,如点击项目,查看项目规格,观看视频等已被证明有助于学习用户的嵌入,这有助于更好地预测用户的评分。现有的推荐系统大多集中于对用户的评价和隐式反馈进行建模,而忽略了用户的显式反馈。显式反馈可以用于验证特定用户的可靠性,并且可以用于了解用户的特性。用户特征是指用户是什么类型的审稿人。在本文中,我们探讨了三种不同的模型,以更准确地侧重于用户的显式反馈和隐式反馈的推荐。第一种是RHC-PMF,它基于用户的三个显式反馈(评级,有用性得分和中心性)更准确地预测用户的评级;第二种是RV-PMF,其中考虑了用户的隐式反馈(视图关系)。最后一个是RHCV-PMF,其中考虑了两种类型的反馈。在该模型中,用户外显反馈的相似性反映了用户反馈的可靠性和特征的相似性,而用户内隐反馈的相似性反映了用户反馈偏好的相似性。在真实世界数据集上的大量实验表明,与基线模型相比,我们的模型在用户评级预测方面表现更好。Amazon.com与基线模型相比,RHCV-PMF模型对冷启动用户和冷启动项目的评分预测效果更好。
2018-10-29 cs.IR cs.LG stat.ML
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战,提出DIDA-CDR框架,采用可插值数据增强和解耦模块,在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions
Shanghai Jiao Tong University(上海交通大学)
传统的推荐系统面临着数据稀疏和冷启动两个长期存在的障碍,这两个问题促进了跨域推荐(Cross-Domain Recommendation,CDR)的产生和发展。CDR的核心思想是利用从其他领域收集的信息来缓解一个领域中的两个问题。在过去的十年中,许多努力已经从事跨域推荐。最近,随着深度学习和神经网络的发展,涌现出了大量的方法。然而,关于CDR的系统调查数量有限,特别是关于最新提出的方法以及它们所解决的建议场景和建议任务。在这篇调查论文中,我们首先提出了一个两级分类的跨域推荐分类不同的推荐场景和推荐任务。然后,我们介绍和总结现有的跨域推荐方法在不同的推荐场景下,以结构化的方式。我们还组织了常用的数据集。最后,我们提供了几个潜在的研究方向,这一领域的调查。
2022-07-24 cs.IR cs.LG
Uncovering Cross-Domain Recommendation Ability of Large Language Models
本文提出LLM4CDR流程,利用源域购买历史和共享特征构建提示,通过大语言模型实现跨域推荐,实验表明其在域差距小、模型规模大时性能最佳。
2025-03-10 cs.IR
The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective
本文提出CoTrans框架,基于图信息瓶颈压缩源域知识并迁移纯净信息到目标域,结合知识增强编码器解决跨域推荐中的无关信息干扰问题,在三个数据集上显著优于现有方法。
2024-09-29 cs.IR
Understanding the Role of Cross-Entropy Loss in Fairly Evaluating Large Language Model-based Recommendation
本文从理论和实验两方面论证交叉熵损失在基于大语言模型的推荐评估中被高估,指出传统方法因损失函数替换而被低估,并呼吁建立更客观的评估体系。
2024-02-22 cs.IR
A Unified Framework for Adaptive Representation Enhancement and Inversed Learning in Cross-Domain Recommendation
针对跨域推荐中表示增强不足和解耦约束不严格的问题,提出统一框架AREIL,通过图卷积与自注意力实现自适应表示增强,并结合梯度反转进行逆向学习,在多个数据集上显著提升推荐性能。
2024-03-30 cs.IR
One for All, All for One: Learning and Transferring User Embeddings for Cross-Domain Recommendation
跨领域推荐是提高推荐系统性能的重要方法,特别是在目标领域的观测值稀疏的情况下。然而,现有的技术大多集中在单目标或双目标的跨域推荐(CDR),很难推广到多目标域的CDR。此外,负迁移问题在CDR中普遍存在,其中目标域中的推荐性能可能并不总是通过从源域学习的知识来增强,特别是当源域具有稀疏数据时。在这项研究中,我们提出了CAT-ART,一个多目标CDR方法,通过表示学习和嵌入迁移来学习改善所有参与领域的推荐。我们的方法由两部分组成:一个自我监督的对比自动编码器(CAT)框架,根据来自所有参与域的信息生成全局用户嵌入,和一个基于注意力的表示转移(ART)框架,从其他域转移特定于域的用户嵌入,以协助目标域推荐。CAT-ART通过结合使用学习到的全局用户表示和从其他领域转移的知识,除了在目标域中嵌入原始用户之外,还可以提高任何目标域中的推荐性能。我们对收集的真实世界CDR数据集进行了广泛的实验,该数据集跨越5个域,涉及100万用户。实验结果表明,所提出的方法优于现有技术的范围。我们进一步进行了消融研究,以验证所提出的组件的有效性。我们收集的数据集将是开源的,以促进多域推荐系统和用户建模领域的未来研究。
2022-11-22 cs.IR