Green Recommender Systems: Optimizing Dataset Size for Energy-Efficient Algorithm Performance
University of Siegen(锡根大学)
本文研究通过下采样优化数据集规模以实现节能推荐,发现FunkSVD和BiasedMF在稀疏数据上减半训练数据仍保持近完整性能,从而降低计算与环境成本。
2024-11-05 cs.AI cs.IR
Diversified recommendations of cultural activities with personalized determinantal point processes
pass Culture Soda Team, Inria Saclay(pass文化Soda团队,Inria萨克利实验室)
本研究利用个性化行列式点过程(DPP)采样实现文化活动推荐多样化,通过相似性核分解加权用户偏好,结合离线与在线指标评估相关性与多样性的权衡,并开源完整代码。
2025-09-12 cs.AI cs.IR
Explanations for Temporal Recommendations
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
推荐系统是人工智能(AI)不可或缺的一部分,在人工智能商业化的时代变得越来越重要。用于推荐系统(RS)的深度学习(DL)技术为有效的推荐提供了强大的潜在特征模型,但是遭受不可解释的主要缺点。在本文中,我们描述了一个框架,可解释的时间建议在DL模型。我们考虑基于LSTM的递归神经网络(RNN)架构用于推荐,以及基于邻域的方案用于在模型中生成解释。我们通过在Netflix数据集上的实验,通过联合优化预测准确性和可解释性,证明了我们方法的有效性。
2018-07-17 cs.AI cs.HC cs.IR
RASTP: Representation-Aware Semantic Token Pruning for Generative Recommendation with Semantic Identifiers
Zhejiang University(浙江大学)
RASTP通过动态修剪低信息语义token,减少生成推荐系统的训练时间并保持推荐性能。
2026-01-26 cs.AI cs.IR
Offline Evaluation of Reward-Optimizing Recommender Systems: The Case of Simulation
Criteo(科亿多);University of Antwerp(安特卫普大学)
在学术和行业研究中,在线评估方法被视为推荐系统等交互式应用程序的黄金标准。当然,这样做的原因是我们可以直接测量依赖于干预的效用指标,即向用户显示的建议。尽管如此,在线评估方法由于多种原因而成本高昂,显然仍然需要可靠的离线评估程序。在工业中,离线指标通常被用作一线评估,以生成有希望的候选模型进行在线评估。在学术工作中,对在线系统的有限访问使得离线度量成为验证新方法的事实上的方法。存在两类离线度量:基于代理的方法和反事实方法。第一类通常与我们关心的在线指标相关性很差,后一类仅在现实环境中无法实现的假设下提供理论保证。在这里,我们提出了基于模拟的比较提供了超越离线指标的方法,并认为它们是一种更好的评估手段。
2022-09-18 cs.AI cs.IR cs.LG
Macro-optimization of email recommendation response rates harnessing individual activity levels and group affinity trends
CareerBuilder
推荐电子邮件是在客户离开网站后重新与他们互动的最佳方式之一。虽然现场推荐系统专注于为用户找到当前最相关的项目(正确的项目),但电子邮件推荐增加了两个关键的额外维度:向谁发送推荐(正确的人)和何时发送推荐(正确的时间)。重要的是,推荐电子邮件系统不要在太短的时间窗口内向太多的用户发送太多的电子邮件,因为如果用户接收到太多的电子邮件,他们可能会取消订阅未来的电子邮件或变得不敏感并忽略未来的电子邮件。此外,如果在短时间窗口内联系了太多的用户,电子邮件服务提供商可能会将此类电子邮件标记为垃圾邮件。因此,优化电子邮件推荐系统,使其能够以最少的电子邮件发送次数获得最大的响应率,对于此类系统的长期性能至关重要。在本文中,我们提出了一种新的推荐电子邮件系统,不仅生成建议,但它也利用了个人用户活动数据的组合,以及他们所属的组的行为,以确定每个用户的可能性,以响应任何给定的一组建议在给定的时间段内。在这样做的过程中,我们有效地创建了一个元推荐系统,它推荐一组推荐,以优化整个系统的总响应率。所提出的技术已成功应用于CareerBuilder的工作推荐电子邮件系统中,使总转换率增加了50%,同时也使发送的电子邮件减少了72%
2016-09-20 cs.AI cs.IR
Multimodal Representation-disentangled Information Bottleneck for Multimodal Recommendation
针对多模态推荐中噪声和冗余信息问题,提出MRdIB框架,通过信息瓶颈压缩和独特、冗余、协同三部分解纠缠,提升表示质量,实验验证其有效性和通用性。
2025-09-24 cs.AI cs.IR
Exploring How Fair Model Representations Relate to Fair Recommendations
Norwegian University of Science and Technology(挪威科学与技术大学)
本文探讨了公平模型表示与公平推荐之间的关系,提出两种新方法衡量推荐中公平性,并通过实验表明优化公平表示能提升推荐公平性,但表示层面评估不适用于模型比较。
2026-03-25 cs.AI cs.IR cs.LG
Personalized Recommendation Models in Federated Settings: A Survey
College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);School of Computer Science and Technology, Beijing Jiaotong University(北京交通大学计算机科学与技术学院);Hong Kong University of Science and Technology(香港科技大学);WeBank(微众银行)
本文系统综述了联邦推荐系统中的个性化建模研究,梳理其从中心化到联邦范式的演进,定义联邦个性化概念,分析技术挑战并总结有前景的解决方法,为该领域提供首份整合性技术参考。
2025-03-10 cs.AI cs.IR
Optimizing Long-term Social Welfare in Recommender Systems: A Constrained Matching Approach
Google Research(谷歌研究院);University of Toronto(多伦多大学);Vector Institute(向量研究所);Technion(以色列理工学院)
大多数推荐系统(RS)研究假设用户的效用可以独立于其他代理的效用而被最大化(例如,其他用户、内容提供方)。在现实环境中,这往往是不正确的-RS生态系统的动态耦合所有代理的长期效用。在这项工作中,我们探索设置中,内容提供方不能保持可行的,除非他们收到一定程度的用户参与。我们制定的推荐问题在这种情况下作为一个均衡选择诱导动力系统,并表明它可以解决作为一个最佳的约束匹配问题。我们的模型确保系统达到一个平衡,最大的社会福利支持一个足够多样化的可行的供应商。我们证明,即使在一个简单的,程式化的动态RS模型,标准的近视推荐方法-总是匹配用户的最佳供应商-表现不佳。我们开发了几种可扩展的技术来解决匹配问题,并绘制连接到用户的遗憾和公平的各种概念,认为这些结果是公平的功利意义上。
2020-08-18 cs.AI cs.IR cs.LG
A Comprehensive Survey of Evaluation Techniques for Recommendation Systems
Juniper Networks(瞻博网络)
本文系统综述了推荐系统评估指标,涵盖相似性、候选生成、预测、排序和业务五类指标,并提出选择与解释框架以兼顾系统性能与商业目标。
2024-01-12 cs.AI cs.IR cs.LG
Breaking the Top-$K$ Barrier: Advancing Top-$K$ Ranking Metrics Optimization in Recommender Systems
Zhejiang University(浙江大学);Beijing Technology and Business University(北京科技与商业大学)
针对推荐系统中 NDCG@$K$ 优化难题,提出 SoftmaxLoss@$K$ 损失,结合分位数技术处理 Top-$K$ 截断并推导平滑上界,实验显示平均提升 6.03%。
2025-08-04 cs.AI cs.IR cs.LG
Optimizing generalized Gini indices for fairness in rankings
Meta AI Research(元人工智能研究院);LAMSADE, Université Paris Dauphine-PSL(巴黎多芬大学-PSL LAMSADE实验室)
人们越来越感兴趣的是设计推荐系统,旨在公平对待项目生产者或他们最不满意的用户。受经济学中不平等度量领域的启发,本文探讨了使用广义基尼福利函数(GGF)作为一种手段来指定推荐系统应该优化的规范标准。GGF根据个人在人口中的地位来衡量个人的权重,给予境况更差的个人更大的权重,以促进平等。根据这些权重,GGF最小化项目暴露的基尼指数,以促进项目之间的平等,或专注于最不满意的用户的特定分位数的性能。用于排名的GGF具有挑战性,因为它们是不可微的。我们解决这个挑战,利用工具,从非光滑优化和投影算子中使用的微分排序。我们使用真实数据集进行了实验,其中包含多达15k个用户和项目,这表明我们的方法在各种推荐任务和公平性标准上获得了比基线更好的权衡。
2023-03-28 cs.AI cs.CY cs.IR
Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation
Kuaishou Technology(快手科技)
针对短视频推荐中现有平均观看时长预测方法无法捕捉用户行为不确定性的问题,提出条件分位数估计方法建模完整观看时长分布并设计多策略融合方案,经离线实验和亿级用户平台在线测试显著提升了多项核心指标。
2025-05-18 cs.AI cs.LG
Towards Decentralization of Social Media
Pune Institute of Computer Technology(浦那计算机技术学院)
Facebook使用人工智能根据用户参与的事件(如分享、点赞、发表评论、朋友发帖、创建群组等)向用户投放广告。每个用户都以不同的方式与这些事件进行交互,从而收到Facebook智能系统策划的不同推荐。Facebook将其用户隔离在不同的房间里,将他们分割成不同的社区。这项技术彻底改变了营销领域。然而,它陷入了一场争夺我们有限注意力的竞赛,动机是赚越来越多的钱。Facebook不是一个中立的产品。它被编程为让用户沉迷于它,目的是获得有关用户的附加信息,并根据用户的偏好优化提供给用户的推荐。本文描述了Facebook的推荐系统是如何工作的,并提出了三种方法来保护Facebook和其他公司利用的人类漏洞。
2018-11-28 cs.AI cs.SI
Principled Synthetic Data Enables the First Scaling Laws for LLMs in Recommendation
Meta
本文提出一种分层框架生成高质量合成数据,通过避免原始数据噪声,首次在推荐领域实现LLM的稳健幂律缩放,并显著提升下游排序任务性能。
2026-06-01 cs.AI cs.IR
CLIP-Actor: Text-Driven Recommendation and Stylization for Animating Human Meshes
POSTECH(浦项科技大学);Yonsei University(延世大学)
我们提出了CLIP-Actor,一个文本驱动的运动推荐和神经网格风格化系统,用于人体网格动画。CLIP-Actor通过推荐运动序列和优化网格样式属性,使3D人体网格动画符合文本提示。我们建立了一个文本驱动的人体运动推荐系统,利用大规模的人体运动数据集的语言标签。给定自然语言提示,CLIP-Actor以由粗到细的方式建议符合文本的人体运动。然后,我们的新的zero-shot神经风格优化详细化和纹理化推荐的网格序列,以符合时间一致和姿态不可知的方式提示。这是独特的,因为先前的工作未能生成合理的结果时,艺术家设计的网格的姿势不符合从一开始的文本。我们进一步提出了时空视图增强和掩码加权嵌入注意力,通过利用多帧人体运动和拒绝渲染不良的视图来稳定优化过程。我们证明了CLIP-Actor仅从自然语言提示中产生具有详细几何形状和纹理的运动中的合理的和人类可识别的风格的3D人体网格。
2022-07-21 cs.AI cs.CV cs.GR
Right-Sizing Communication and Recommendation Set Size in AI-Assisted Search
Columbia Business School, Columbia University(哥伦比亚大学商学院);Amazon.com Inc.(亚马逊公司)
通过建模用户与AI推荐系统的交互,研究在考虑通信成本和搜索成本时,如何优化消息精度和推荐集大小以最大化用户期望收益。
2026-05-02 cs.AI math.PR
Impatient Bandits: Optimizing for the Long-Term Without Delay
Imperial College London(帝国理工学院伦敦分校);University of Manchester(曼彻斯特大学);Spotify;Reflection AI;Columbia University(哥伦比亚大学)
针对推荐系统中长期用户满意度优化问题,提出一种结合贝叶斯滤波的延迟奖励预测模型和赌博机算法,利用短期代理信号加速学习,理论证明遗憾界依赖于渐进反馈价值,在播客推荐A/B测试中显著优于基线方法。
2026-06-24 cs.AI cs.LG stat.ML
Optimizing Recommendations using Fine-Tuned LLMs
Whiting School of Engineering EP Program(韦廷工程学院EP项目);John Hopkins University(约翰霍普金斯大学)
本文通过建模真实用户交互生成复杂聊天风格合成数据集,使推荐系统支持情绪、情节和主题等自然偏好查询,并验证其在模型训练与基准测试中的有效性。
2025-05-11 cs.AI cs.IR cs.LG
Optimizing Long-term Value for Auction-Based Recommender Systems via On-Policy Reinforcement Learning
Meta AI
本研究采用时序差分学习实现单步策略改进,使基于拍卖的推荐系统在保持与拍卖框架兼容的同时优化长期用户参与度指标,并在大规模在线A/B测试中验证了其优于现有生产系统。
2023-07-30 cs.AI cs.IR
Optimizing Audio Recommendations for the Long-Term: A Reinforcement Learning Perspective
Spotify(Spotify( Spotify 公司));Columbia University(哥伦比亚大学)
本文提出一种工业级播客推荐系统,基于强化学习框架优化数亿用户的长期收听体验,通过定制价值函数与用户状态表示,在A/B测试中显著提升长期性能,且大幅降低数据需求。
2024-07-27 cs.AI cs.IR cs.LG
Diversity-Promoting Deep Reinforcement Learning for Interactive Recommendation
Nanyang Technological University(南洋理工大学);Shandong University(山东大学);Alibaba Group(阿里巴巴集团)
交互式推荐是对用户与推荐系统之间的显式交互进行建模的一种方法,近年来受到了广泛的关注。以往的交互式推荐系统大多只关注推荐准确率的优化,而忽略了推荐质量的其他重要方面,如推荐结果的多样性。本文提出了一种新的推荐模型,称为\underline{D}多样性促进\underline{D} eep \underline{R} \underline{L} earning(D $^2$ RL),它鼓励交互推荐中推荐结果的多样性.更具体地说,我们采用了一个决定性点过程(DPP)模型来生成不同的,而相关的项目建议。为每个用户维护个性化的DPP核矩阵,该矩阵由两部分构成:固定的相似度矩阵,捕获项目之间的相似性,以及通过演员-评论家强化学习框架动态学习的项目的相关性。我们进行了大量的离线实验以及模拟在线实验与现实世界的数据集,以证明所提出的模型的有效性。
2019-03-19 cs.AI cs.IR
Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance
Fudan University(复旦大学);Shanghai AI Laboratory(上海人工智能实验室)
该研究提出数据混合定律,可通过拟合样本混合数据的函数预测不同数据混合比例下的语言模型性能,结合缩放定律仅用小规模训练就能预测大模型表现,还能优化训练数据混合、避免持续训练中的灾难性遗忘。
2025-03-20 cs.AI cs.CL cs.LG
Optimizing Group Utility in Itinerary Planning: A Strategic and Crowd-Aware Approach
本文提出策略性与人群感知行程推荐算法SCAIR,通过将路线推荐建模为马尔可夫决策过程并设计状态编码机制,实现线性时间内的实时规划与分配,有效解决自私路由问题并优化群体效用。
2023-09-10 cs.AI cs.MA
SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation
Meituan(美团);Beihang University(北京航空航天大学)
提出 SessionRec 下一会话预测范式,以层次化会话聚合和会话内排序损失替代物品级自回归推荐,并在公开数据集与美团在线 A/B 测试中验证其效果及幂律缩放规律。
2025-02-18 cs.AI cs.IR
Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information
Beijing Institute of Technology(北京理工大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出Laser框架,通过前缀和后缀双向插入可训练虚拟令牌实现参数高效的大语言模型序列推荐,并引入M-Former融合多样化用户协同信息,显著提升推荐准确性。
2024-09-03 cs.AI cs.IR
Wukong: Towards a Scaling Law for Large-Scale Recommendation
Meta AI
针对推荐模型缺乏缩放定律的问题,提出完全基于堆叠因子分解机的架构Wukong及协同扩展策略,在多个数据集上质量优于SOTA并实现跨越两个数量级的缩放定律。
2024-06-04 cs.AI cs.LG
Optimizing Medical Treatment for Sepsis in Intensive Care: from Reinforcement Learning to Pre-Trial Evaluation
Imperial College London(帝国理工学院)
我们的目标是建立一个框架,其中强化学习(RL)的优化干预措施回顾性地允许我们的监管合规的途径,在临床部署的前瞻性临床测试的学习政策。我们专注于重症监护病房的感染,这是死亡的主要原因之一,由于复杂和不透明的患者动态,以及临床上有争议的,每个患者所需的高度分歧的干预政策,而重症监护病房自然数据丰富。在我们的工作中,我们建立在医疗保健中的RL方法(“AI临床医生”)的基础上,并使用部分可观察MDP(POMDP)下的历史重症监护数据来学习用于脓毒症治疗的药物的政策外连续给药政策。POMPD通过吸收所有历史信息更好地捕捉患者状态的不确定性,从而产生有效的表示,我们通过消融进行调查。我们弥补了缺乏探索,在我们的回顾性数据,评估每个遇到的状态,最好的优先树搜索。我们减轻状态分布的转变,优化我们的政策在附近的临床医生的复合政策。至关重要的是,我们不仅使用传统的政策评估来评估我们的模型建议,而且还使用了一个新的框架,该框架包含了人类专家:一种与模型无关的临床前评估方法,用于评估临床医生的决策与我们的系统建议的准确性和不确定性,当面对相同的个体患者病史时(“阴影模式”)。
2020-03-18 cs.AI cs.LG
Scaling Laws for Precision in High-Dimensional Linear Regression
The University of Hong Kong(香港大学)
本文研究了高维线性回归中低精度训练的缩放规律,揭示了乘法和加法量化对模型和数据容量的不同影响,为优化训练协议提供了理论依据。
2026-02-26 cs.AI cs.LG stat.ML
Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks
Autodesk(欧特克);Innovyze(Innovyze公司);Autodesk Research(欧特克研究院)
本文提出混合强化学习方法,结合历史数据与强化学习优化供水管网泵调度,降低能耗和成本,增强可解释性和鲁棒性,提升可持续性与运行效率。
2023-10-13 cs.AI cs.LG
Scaling Laws for Task-Specific LLM Distillation
NVIDIA(英伟达)
本文推导了领域特定LLM压缩的经验缩放定律,通过定量金融领域的实验,比较了基于logit和LoRA的蒸馏方法,并引入混合思维链监督损失,揭示了监督格式对领域知识与通用知识权衡的关键作用。
2026-08-25 cs.AI cs.CE
Using Scaling Laws for Data Source Utility Estimation in Domain-Specific Pre-Training
ServiceNow Research(ServiceNow 研究所);Mila — Quebec AI Institute(魁北克人工智能研究所)
该研究提出一种基于缩放定律的数据源效用估计框架,通过多计算量的退火运行替代传统点估计,解决跨计算规模秩不变性缺失问题,为领域特定预训练的资源分配提供数据驱动决策支持。
2025-07-29 cs.AI cs.LG