Black-Box Attacks on Sequential Recommenders via Data-Free Model Extraction
Technical University of Munich（慕尼黑工业大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
我们研究模型提取是否可以用来“窃取”顺序推荐系统的权重，以及这种攻击对受害者构成的潜在威胁。这种类型的风险在图像和文本分类中引起了关注，但据我们所知，在推荐系统中没有。我们认为，顺序推荐系统受到独特的漏洞，由于特定的自回归制度用于训练他们。与许多现有的推荐攻击者不同，这些攻击者假设用于训练受害者模型的数据集暴露给攻击者，我们考虑无数据设置，其中训练数据不可访问。在此背景下，我们提出了一种基于API的模型提取方法，通过有限预算的合成数据生成和知识蒸馏。我们研究了最先进的顺序推荐模型，并显示了它们在模型提取和下游攻击下的脆弱性。我们分两个阶段进行攻击。(1)模型提取：给定从黑盒推荐器检索的不同类型的合成数据和它们的标签，我们通过蒸馏将黑盒模型提取为白盒模型。(2)下游攻击：我们用白盒推荐器生成的对抗样本攻击黑盒模型。实验结果表明，我们的无数据模型提取和下游攻击的连续的病毒在两个配置文件污染和数据投毒设置的有效性。
2021-09-01 cs.AI cs.CR cs.IR
Beyond Offline A/B Testing: Context-Aware Agent Simulation for Recommender System Evaluation
Woven by Toyota（丰田织物）
针对推荐系统评估中离线指标与在线性能脱节的问题，提出基于大语言模型的上下文感知智能体框架ContextSim，通过生活模拟模块生成时间、地点和需求等上下文场景，并保持智能体行为一致，使模拟交互更贴近真实用户行为，且优化后的推荐系统参数能提升实际参与度。
2026-06-01 cs.AI cs.IR
A Survey of Recommender System Techniques and the Ecommerce Domain
Pioneer Alpha（先锋阿尔法）
在这个大数据时代，当代人很难从在线平台中包含的大量数据中找到正确的数据。在这种情况下，需要一个信息过滤系统，可以帮助他们找到他们正在寻找的信息。近年来，出现了一个被称为推荐系统的研究领域。推荐器已经变得很重要，因为它们有许多实际应用。本文综述了电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域中推荐系统的不同技术和发展。通过分析这一主题的最新工作，我们将能够提供一个详细的概述，目前的发展，并确定现有的困难，在推荐系统。最后的结果给从业者和研究人员必要的指导和见解的推荐系统及其应用。
2023-02-21 cs.AI cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）；Aalborg University（奥尔堡大学）
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征，并以结构化的形式提供它们的解释。众所周知，用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面，最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本，我们的目标是表明生成的文本可以成功地用于解释建议。在本文中，我们提出了一个框架，包括流行的审查为导向的生成模型，旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集，其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法，我们采用DeepCoNN，一种新的面向评论的推荐系统，使用深度神经网络，通过均方根误差（RMSE）来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知，这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
Sequential Nature of Recommender Systems Disrupts the Evaluation Process
University of California, Berkeley（加州大学伯克利分校）
数据集通常以顺序方式生成，其中先前的样本和中间决策或干预会影响后续样本。这在有重要的人类-人工智能交互的情况下尤其突出，例如在推荐系统中。为了表征这种关系在样本中的重要性，我们建议在流行的评估过程中使用对抗攻击。我们提出了序列感知的提升攻击，并提供了一个下界的额外信息的量，可以利用从一个机密的测试集只根据观察到的数据的顺序。我们使用真实和合成数据来测试我们的方法，并表明MovieLense-100 k数据集上的评估过程可能会受到$\sim1\%$的影响，这在考虑竞争激烈时非常重要。代码是公开的。
2022-05-26 cs.AI cs.IR
Random Graphs for Performance Evaluation of Recommender Systems
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
本文的目的是介绍一个新的分析框架，致力于衡量推荐系统的性能。标准的方法是通过与准确性相关的统计数据来评估系统的质量。然而，推荐系统部署的环境的特殊性需要非常注意算法的速度和内存要求。不幸的是，它是难以置信的准确评估各种算法的复杂性与正式的工具。这可以归因于这样的事实，即这样的分析通常基于底层数据结构的密集表示的假设。然而，在现实生活中，这些算法在稀疏数据上运行，并使用专用于它们的集合来实现。因此，我们建议用人工数据集来衡量推荐系统的复杂性。我们利用最近开发的二分图生成器来评估如何通过生成的数据集的拓扑属性来确定和多样化最先进的推荐系统的行为。
2010-10-28 cs.AI cs.SI physics.soc-ph
A Survey on Fairness-aware Recommender Systems
Tianjin University（天津大学）；Monash University（莫纳什大学）；Nantong University（南通大学）；RMIT University（皇家墨尔本理工大学）；Griffith University（格里菲斯大学）
本文综述公平性感知推荐系统，梳理不同场景下的公平性概念、方法、数据集、指标、工业应用及与可信性原则的联系，并指出未来研究方向。
2023-06-01 cs.AI cs.IR
AlignUSER: Human-Aligned LLM Agents via World Models for Recommender System Evaluation
Woven by Toyota（丰田织物）
AlignUSER通过世界模型驱动的代理学习，利用人类交互数据提升推荐系统评估的准确性与真实用户行为的对齐程度。
2026-01-02 cs.AI cs.IR
Multi-Resolution Diffusion for Privacy-Sensitive Recommender Systems
San Jose State University（圣何塞州立大学）
针对推荐系统依赖用户数据引发的隐私问题，提出基于分数的扩散推荐模块SDRM，可生成或增强合成数据保护隐私，其性能优于多种基线模型。
2024-06-19 cs.AI cs.CR cs.IR
Feature Decomposition for Reducing Negative Transfer: A Novel Multi-task Learning Method for Recommender System
School of Software, Beihang University（北京航空航天大学软件学院）
近年来，由于深度学习（DL）的快速发展，基于DL的多任务学习（MTL）取得了重大进展，并成功应用于推荐系统（RS）。然而，在推荐系统中，所涉及的任务之间的相关性是复杂的。因此，现有的为RS设计的MTL模型都存在不同程度的负迁移现象，不利于MTL的优化。我们发现，负迁移的根本原因是特征冗余，即为不同任务学习的特征相互干扰。为了缓解负迁移问题，我们提出了一种新的多任务学习方法，称为特征分解网络（FDN）。FDN的核心思想是通过明确地将特征分解为特定于任务的特征和具有精心设计的约束的任务共享特征来减少特征冗余现象。我们在两个数据集上证明了所提出的方法的有效性，一个合成数据集和一个公共数据集（即，Ali-CCP）。实验结果表明，我们提出的FDN可以优于国家的最先进的（SOTA）方法的一个显着的利润。
2023-02-10 cs.AI cs.IR
Evaluating Online Bandit Exploration In Large-Scale Recommender System
Meta AI
针对Bandit学习算法在A/B测试中因探索特性导致评估不公平的问题，将UCB应用于大规模短视频推荐系统，提出一种生产级测试框架及新指标，实现公平评估。
2023-07-30 cs.AI cs.IR cs.LG
Towards a Theoretical Understanding of Two Tower Recommendation Models
Indian Institute of Technology (BHU) Varanasi（印度理工学院（瓦拉纳西））
本研究针对双塔推荐模型，分析其渐近行为、收敛特性，证明其收敛更快，且在合成与真实数据实验中性能优于现有方法，建立了其理论特性与统计保证。
2026-08-10 cs.AI cs.IR
Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay
Google LLC（谷歌公司）
该研究针对推荐系统的内容陈旧问题，提出双过滤器框架SDF，通过替代模型和PTR模型分别处理替代与衰减机制，在Google Discover部署后使用户陈旧性报告降54.9%，同时降低服务成本并提升用户参与度。
2026-08-18 cs.AI cs.IR
Context Uncertainty in Contextual Bandits with Applications to Recommender Systems
AWS AI Labs（亚马逊云科技人工智能实验室）
递归神经网络已被证明是有效的建模推荐系统的顺序用户反馈。然而，它们通常只关注项目的相关性，而不能有效地为用户探索不同的项目，因此从长远来看损害了系统的性能。为了解决这个问题，我们提出了一种新型的递归神经网络，称为递归探索网络（REN），共同执行表示学习和有效的探索在潜在的空间。REN试图平衡相关性和探索性，同时考虑到表征中的不确定性。我们的理论分析表明，REN可以保持率最优的次线性遗憾，即使在学习表示存在不确定性。我们的实证研究表明，REN可以在合成和真实世界的推荐数据集上获得令人满意的长期回报，优于最先进的模型。
2022-02-16 cs.AI cs.IR cs.LG
Deep recommender engine based on efficient product embeddings neural pipeline
预测分析系统目前是人工智能领域，特别是机器学习领域最重要的研究和开发领域之一。预测分析的“圣杯”之一是“完美”推荐系统的研究和开发。在我们的论文中，我们提出了一种先进的管道模型，用于确定产品互补性，相似性和销售预测的多任务目标，使用应用于大数据顺序事务系统的深度神经模型。我们高度并行化的混合模型管道由无监督和有监督模型组成，分别用于生成语义产品嵌入和预测销售。我们的实验和基准测试流程是使用制药行业零售现实生活中的交易大数据流完成的。
2019-07-22 cs.AI cs.CL cs.IR
Research on restaurant recommendation using machine learning
推荐系统是一个帮助用户过滤无关信息并根据用户的历史记录建立用户兴趣模型的系统。随着互联网信息的不断发展，推荐系统受到了业界的广泛关注。在这个数据和信息无处不在的时代，如何获取和分析这些数据已经成为许多人的研究课题。针对这种情况，本文对与机器学习相关的推荐系统做了一些简要的综述。通过分析机器学习在推荐系统中使用的一些技术和思想，让更多的人了解什么是大数据，什么是机器学习。最重要的一点是让大家了解机器学习对我们日常生活的深刻影响。
2022-08-10 cs.AI cs.IR
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
Agentic Recommender System with Hierarchical Belief-State Memory
Meta Recommendation Systems (MRS)（Meta推荐系统）
本文提出MARS框架，通过分层信念状态记忆提升推荐系统，采用LLM规划器动态调度六种操作，实验显示在四个基准领域中实现SOTA性能。
2026-05-15 cs.AI cs.CL
Prompt Optimization for User Simulation in Conversational Recommender Systems: A Multi-Objective Framework
Monash University（莫纳什大学）
提出多目标框架自动优化LLM提示，以生成更真实、多样化的用户模拟行为，缓解对话推荐系统中的评估与数据获取难题。
2026-07-02 cs.AI cs.CL cs.IR
Modeling Online Behavior in Recommender Systems: The Importance of Temporal Context
Swisscom（瑞士电信）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Symphony
推荐系统的研究倾向于离线和随机采样目标上评估模型性能，但相同的系统后来被用来从固定的时间点顺序预测用户行为。模拟在线推荐系统的性能是出了名的困难，在线和离线行为之间的差异通常不占离线评估。这种差异使得在模型部署到生产环境中之前，这些弱点不会被注意到。在本文中，我们首先演示了如何忽略时间上下文时，评估推荐系统的性能导致虚假的信心。为了克服这一点，我们假设离线评估协议只能在考虑时间上下文的情况下对现实生活中的用例进行建模。接下来，我们提出了一个训练过程，以进一步将时间上下文嵌入现有模型中。我们使用一个多目标的方法来引入时间上下文到传统的时间不知道的推荐系统，并确认其优势，通过建议的评估协议。最后，我们验证了增加的目标获得的帕累托前沿占主导地位的国家的最先进的模型，只优化了三个真实世界的公开可用的数据集的准确性。结果表明，包括我们的时间目标可以将recall@20提高20%。
2021-09-05 cs.AI cs.IR cs.LG
JDRec: Practical Actor-Critic Framework for Online Combinatorial Recommender System
Tsinghua University（清华大学）
组合推荐（CR）系统在结果页面中每次向用户馈送项目列表，其中用户行为受到上下文信息和项目两者的影响。CR被公式化为一个组合优化问题，目标是最大化整个列表的推荐奖励。尽管它的重要性，它仍然是一个挑战，建立一个实用的CR系统，由于在网上环境的效率，动态，个性化的要求。特别是，我们撕裂的问题分为两个子问题，列表生成和列表评估。针对这些子问题设计了新颖实用的模型架构，旨在共同优化有效性和效率。为了适应在线情况，给出了一种自举算法，形成了一个演员-评论家强化框架，以探索更好的推荐模式，在长期的用户交互。离线和在线实验结果证明了JDRec框架的有效性。JDRec已应用于在线JD推荐，点击率提高2.6%，平台综合价值提高5.03%。我们将发布本研究中使用的大规模数据集，以贡献给研究界。
2022-07-27 cs.AI cs.IR cs.LG
Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System
University of Louisville（路易斯维尔大学）
推荐系统中的闭环反馈是一种常见的设置，可能会导致不同类型的偏见。一些研究已经通过设计方法来减轻这些偏见对建议的影响来处理这些偏见。然而，大多数现有的研究没有考虑系统的迭代行为，其中闭环反馈回路在将不同的偏差纳入推荐步骤的几个部分中起着至关重要的作用。我们提出了一个理论框架来模拟渐进演化的不同组成部分的推荐系统内的反馈回路设置，并推导出理论界和收敛性能的量化措施的用户发现和盲点。我们还使用现实生活中的数据集验证了我们的理论研究结果，并在我们的理论框架内实证测试了基本探索策略的效率。我们的研究结果奠定了理论基础，量化反馈回路的影响和设计人工智能和机器学习算法，明确纳入反馈回路的迭代性质在机器学习和推荐过程。
2020-08-21 cs.AI cs.HC cs.IR
Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences
University of Calabria（卡拉布里亚大学）；ICAR-CNR（意大利国家研究委员会ICAR研究所）；Revelis s.r.l.（Revelis有限责任公司）；University of Udine（乌迪内大学）；Spotify（Spotify公司）；University of Pisa（比萨大学）；CENTAI（CENTAI研究院）
本文提出了一个随机仿真框架，通过形式化包含用户抵抗力和依赖惯性的用户模型，模拟长期用户与推荐系统交互，并引入两个新指标量化算法对用户偏好随时间漂移的影响，为部署前评估推荐算法提供了受控环境。
2024-09-24 cs.AI cs.IR cs.SI
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors
Amazon（亚马逊）；Google Research（谷歌研究院）；Anthropic（Anthropic公司）；Meta AI
本文提出基于概念激活向量（CAV）的推荐框架，用于学习软属性的个性化语义、区分主客观属性，并通过交互式物品批评提升推荐效果。
2023-06-03 cs.AI cs.IR cs.LG
SimInter: Evidence-Grounded User Simulation with Interview-Based Profile Enrichment for Conversational Recommender Systems
University of Tehran（德黑兰大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
本研究提出SimInter，一种基于LLM智能体合成访谈的用户模拟流水线，用于丰富对话式推荐系统的用户画像，在电影推荐实验中显著提升了偏好维度多样性，且人工评估验证了其有效性。
2026-10-14 cs.AI cs.CL cs.IR
FairRec: Fairness Testing for Deep Recommender Systems
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
本文提出FairRec统一框架和DPSO搜索算法，从模型效用、物品多样性等视角高效测试深度推荐系统中的隐藏公平性问题，并通过重排序缓解策略显著提升公平性。
2023-04-14 cs.AI
From Models to Systems: A Comprehensive Fairness Framework for Compositional Recommender Systems
LinkedIn Corporation（领英公司）；Harvard University（哈佛大学）；Columbia Business School（哥伦比亚商学院）
本文针对多模型多阶段推荐系统提出系统级公平性建模框架，揭示仅做模型级公平审计的局限，并利用 BayesOpt 联合优化效用与公平，在合成和真实数据上验证其有效性。
2025-01-02 cs.AI
Simulating News Recommendation Ecosystem for Fun and Profit
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
针对新闻推荐系统对社区演变影响的研究局限，提出基于智能体建模的仿真平台 SimuLine，通过构建潜在空间模拟新闻推荐生态系统的演变过程，并分析生命周期各阶段特征及设计策略的影响，为推荐系统设计提供新见解。
2023-05-23 cs.AI cs.HC cs.IR
Textual User Taste: Natural-Language User Context for Foundation-Model Recommender System at Scale
Spotify
本文提出文本化用户品味系统，从收听行为生成自然语言品味画像并部署于Spotify，集成行为嵌入后提升MRR 0.6%和NDCG@7 2.2%，作为可解释、可引导的用户上下文接口。
2026-09-29 cs.AI
Partially Synthetic Data for Recommender Systems: Prediction Performance and Preference Hiding
本文展示了潜在的统计披露控制，用于保护数据的训练推荐系统。具体来说，我们使用一种合成数据生成方法来隐藏用户项矩阵中的特定信息。我们对原始数据应用一个转换，它改变了一些值，但保留了其他值。其结果是一个部分合成数据集，可用于推荐，但包含有关个人用户偏好的较少具体信息。合成数据具有对公司有用的潜力，这些公司有兴趣发布数据以允许外部方开发新的推荐算法，即，在推荐系统挑战的情况下，还降低了与数据盗用相关联的风险。我们的实验运行一组推荐系统算法对我们的部分合成数据集以及原始数据。结果表明，算法在部分合成数据上的相对性能反映了在原始数据上的相对性能。进一步的分析表明，原始数据的属性在合成下被保留，但对于某些示例，原始数据中可访问的属性隐藏在合成数据中。
2020-08-09 cs.IR
Effects of Using Synthetic Data on Deep Recommender Models' Performance
本研究探讨合成数据生成对解决推荐系统数据不平衡问题的有效性，通过六种方法生成合成数据并整合到原始数据集中，实验表明加入生成的负样本能持续提升AUC分数，证明数据增强策略可改善推荐系统性能。
2024-06-26 cs.IR
Synthetic sequence generator for recommender systems - memory biased random walk on sequence multilayer network
个性化推荐系统依赖于系统中每个用户的个人使用数据，以便辅助决策。然而，保护用户权利的隐私政策阻止了这些高度个人化的数据向更广泛的研究人员受众公开。在这项工作中，我们提出了一个记忆偏置随机游走模型的多层序列网络，作为一个生成器的合成序列数据的推荐系统。我们证明了合成数据在训练推荐系统模型的情况下，隐私政策限制点击流发布的适用性。
2014-07-15 cs.CY cs.IR
Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems
针对推荐系统中特征交互选择问题，提出认知进化学习（CELL）框架，通过模拟自然选择自适应进化模型以选择操作、特征和交互，在四个真实数据集上显著优于现有方法。
2024-05-29 cs.AI cs.IR cs.NE
Utilizing Speech Emotion Recognition and Recommender Systems for Negative Emotion Handling in Therapy Chatbots
Islamic Azad University, South Tehran Branch（伊斯兰阿扎德大学南德黑兰分校）
本文提出结合语音情感识别（SER）和推荐系统增强治疗聊天机器人，使用CNN和ShEMO数据集识别负面情绪，并通过GloVe与LSTM模型生成个性化情绪管理建议，集成GlowTTS实现英波双语语音交互，显著提升心理健康支持效果。
2023-11-18 cs.AI cs.CL
RecToM: A Benchmark for Evaluating Machine Theory of Mind in LLM-based Conversational Recommender Systems
SMU（德克萨斯南方大学）
RecToM是一个用于评估基于LLM的对话推荐系统中机器理论 of mind 能力的新基准，重点关注认知推理和行为预测两个维度。
2025-11-27 cs.AI
Doing Data Right: How Lessons Learned Working with Conventional Data should Inform the Future of Synthetic Data for Recommender Systems
我们提出的情况下，新出现的领域的合成数据在该地区的推荐系统应优先考虑“做正确的数据”。我们认为这个口号有两个方面：第一，我们不应该重复过去的错误，第二，我们应该探索合成数据在我们走向未来时所带来的全部机会。我们认为，明确关注数据集的设计和描述将有助于避免过去的错误与数据集的偏见和评估。为了充分利用合成数据的机会，我们指出，研究人员可以研究新的领域，如使用数据合成，以支持可重复性，使数据开放，以及公平，并推动我们的理解数据最小化。
2021-10-07 cs.IR
A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems
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）
针对现有对话推荐系统用户模拟器的局限性，提出基于LLM的CSHI可控可扩展人机协同模拟器框架，通过插件管理器管控模拟行为，适配多场景并生成高拟真用户反馈，助力CRS评估与数据集构建。
2024-05-13 cs.AI cs.HC
Synthetic Dialogue Generation for Interactive Conversational Elicitation & Recommendation (ICER)
Google Research（谷歌研究）；Amazon AGI（亚马逊人工智能）
针对对话推荐系统公开数据不足、现有LM生成对话行为一致性差的问题，提出结合行为模拟器与LM提示生成符合用户状态的自然对话的方法，生成了兼具偏好引导与示例评论的大型开源CRS数据集，验证了对话的一致性、事实性与自然度。
2025-09-26 cs.AI cs.CL
FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems
Pinterest（Pinterest公司）
本文提出与模型无关的生产级框架FORTE，用于工业推荐系统的特征评估与弃用，通过分组消融、谱系追踪等方法在两个大规模推荐系统上验证，成功移除大量特征并提升效率、降低成本且无性能下降。
2026-10-12 cs.AI cs.LG
Privacy Preserving Recommender Systems Balancing Personalization with Privacy
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究个性化推荐系统中隐私保护问题，提出结合联邦学习、差分隐私等的框架，在合成零售数据集上实验，评估推荐质量指标，结果显示该框架在适度隐私预算下能保持竞争力，为隐私保护推荐系统提供实用框架。
2026-07-16 cs.AI cs.CR cs.LG
A Semi-Synthetic Dataset Generation Framework for Causal Inference in Recommender Systems
准确的推荐和可靠的解释是现代推荐系统的两个关键问题。然而，大多数推荐基准只关注用户项目评分的预测，而忽略了评分背后的潜在原因。例如，广泛使用的Yahoo！R3数据集包含的关于用户电影评级原因的信息很少。一个解决办法是进行调查，并要求用户提供这类信息。在实践中，用户调查很难避免遵从性问题和稀疏的用户响应，这极大地阻碍了基于感知的推荐的探索。为了更好地支持推荐系统中的因果推理和进一步解释的研究，我们提出了一种新的推荐系统半合成数据生成框架，该框架采用带有缺失的因果图模型来描述实际推荐场景的因果机制.为了说明我们的框架的使用，我们构建了一个半合成的数据集与因果标签和评级（CTAR）的基础上，电影以及他们的描述性标签和评级信息收集从一个著名的电影评级网站。使用所收集的数据和因果图，自动生成用户项目评级及其对应的用户项目标签，其提供用户对项目进行评级的原因（所选标签）。还报告了关于CTAR数据集的描述性统计量和基线结果。建议的数据生成框架不仅限于推荐，而且发布的API可以用于生成其他研究任务的自定义数据集。
2022-02-23 cs.IR
Testing Deep Learning Recommender Systems Models on Synthetic GAN-Generated Datasets
该研究用三个真实数据集生成多种 GANRS 合成数据，并通过六个协同过滤深度学习模型验证其在精确率、召回率及模型性能趋势上与真实数据的一致性。
2024-10-24 cs.IR
Synthetic Data-Based Simulators for Recommender Systems: A Survey
ITMO University（圣彼得堡国立信息技术机械与光学大学）；Sber AI Lab（俄罗斯联邦储蓄银行人工智能实验室）；AIRI（人工智能研究所）；Sber（俄罗斯联邦储蓄银行）
本次调查的目的是提供一个全面的概述，在该领域的建模和仿真（M &S）的用户和推荐系统之间的交互和应用程序的M&S的工业推荐引擎的性能改进的最新趋势。我们从开发实现模拟的框架（模拟器）背后的动机开始，以及将它们用于训练和测试不同类型的推荐系统（包括强化学习系统）。此外，我们提供了一个新的一致的分类现有的模拟器的基础上，他们的功能，认可，和工业的有效性，而且使研究文献中发现的模拟器的总结。除此之外，我们还讨论了模拟器的构建模块：合成数据（用户，项目，用户-项目响应）生成方法，假设实验分析方法，用于模拟质量评估的方法和数据集（包括监控和/或关闭可能的模拟与现实差距的方法），以及总结实验模拟结果的方法。最后，本调查认为，在该领域的新出现的主题和开放的问题。
2022-06-22 cs.IR cs.LG cs.PF
SynthTRIPs: A Knowledge-Grounded Framework for Benchmark Query Generation for Personalized Tourism Recommenders
Technical University of Munich（慕尼黑工业大学）；Polytechnic University of Bari（巴里理工大学）
针对现有旅游数据集难以支持高级个性化策略的问题，提出基于知识库的SynthTRIPs框架，用LLMs生成含用户角色和结构化过滤器的合成查询，经评估有效，方法可推广至其他推荐领域。
2025-04-12 cs.AI cs.IR
An Empirical Study on Zero-Data Bootstrapping for Conversational Recommender Systems
University of California, San Diego（加利福尼亚大学圣地亚哥分校）；Netflix Inc.（网飞公司）；Cornell University（康奈尔大学）
本研究针对对话式推荐系统需领域对话数据的痛点，开展零数据引导实证，用非对话信号生成合成数据，证实其效果优于基线，为无对话训练数据构建CRS提供可行方案。
2026-08-31 cs.IR
Creating Synthetic Datasets for Collaborative Filtering Recommender Systems using Generative Adversarial Networks
Universidad Politécnica de Madrid（马德里理工大学）；Universidad de Jaén（哈恩大学）；Universidad de Ciego de Ávila（谢戈德阿维拉大学）
机器学习的研究和教育需要多样化、代表性和开放的数据集，这些数据集包含足够的样本来处理必要的训练、验证和测试任务。目前，推荐系统领域包括大量的子领域，在这些子领域中，准确性和超越准确性的质量度量不断得到改进。为了满足这种研究的多样性，用合成数据集来加强现有的数据集是必要的，也是方便的。本文提出了一种基于生成对抗网络（GAN）的方法，通过选择用户、项目、样本和随机变量的首选数量，以参数化的方式生成协同过滤数据集。无法使用常规GANs进行此参数化。我们的GAN模型是由密集的，短的，和连续的项目和用户的嵌入表示，而不是稀疏的，大的，和离散的向量，使一个准确和快速的学习，相比传统的方法，基于大的和稀疏的输入向量。所提出的架构包括一个DeepMF模型来提取密集的用户和项目嵌入，以及一个聚类过程来从密集的GAN生成的样本转换为离散和稀疏的样本，这是创建每个所需的合成数据集所必需的。三个不同的源数据集的结果显示了足够的分布和预期的质量值和生成的数据集相比，源的演变。合成数据集和源代码可供研究人员使用。
2023-03-02 cs.IR cs.LG
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures
本文提出一种无需先验知识的合成恶意用户投毒攻击，可高效操纵联邦推荐系统中目标物品的曝光率，并设计分层梯度裁剪与稀疏化更新防御机制以提升系统鲁棒性。
2023-04-15 cs.IR
SimUSER: Simulating User Behavior with Large Language Models for Recommender System Evaluation
Woven by Toyota（丰田编织）
针对推荐系统离线评估与在线行为脱节及真实用户数据受限问题，提出SimUSER智能体框架，通过生成自洽用户画像并结合记忆等模块模拟用户交互，其模拟效果优于现有工作，还可支持相关因素分析及系统参数优化以提升真实用户参与度。
2025-04-17 cs.AI cs.IR
Who is Really Affected by Fraudulent Reviews? An analysis of shilling attacks on recommender systems in real-world scenarios
我们提出了一个初步的分析结果进行了现实生活中的设置，以量化的影响，先令攻击的推荐系统。我们专注于算法性能以及受这些攻击影响最大的用户类型。
2018-08-21 cs.IR cs.SI
All You Need is Ratings: A Clustering Approach to Synthetic Rating Datasets Generation
包含用户偏好的集合的公开可用性对于在推荐系统领域中执行离线评估是至关重要的。然而，评级数据集的数量是有限的，因为它们的创建所需的成本和担心通过共享它们侵犯用户的隐私。出于这个原因，许多研究尝试调查使用生成方法创建综合评级集合。然而，这些数据集通常不够可靠，无法开展评价活动。在本文中，我们提出了一种方法来创建合成数据集与可配置的用户数量，模仿现有的特征。我们经验验证了所提出的方法，利用合成数据集评估不同的生物，并通过比较使用真实数据集获得的结果。
2019-09-02 cs.IR
SUBER: An RL Environment with Simulated Human Behavior for Recommender Systems
ETH Zurich（苏黎世联邦理工学院）；National University of Singapore（新加坡国立大学）；A*STAR Singapore（新加坡科技研究局）
本文提出SUBER，一个利用大型语言模型模拟人类行为的合成环境框架，用于训练和评估基于强化学习的推荐系统，并在电影和图书推荐实验中验证其有效性。
2024-08-20 cs.IR cs.LG
On the challenges of studying bias in Recommender Systems: A UserKNN case study
该研究以UserKNN为案例，通过合成数据与不同算法配置的对比实验，揭示了数据属性和实现配置会影响推荐系统流行度偏差的测量结论，强调偏差研究需明确说明算法配置与数据特性。
2024-09-12 cs.IR
PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation
本文提出基于LLM和大五人格的PUB模拟器，从行为日志与物品元数据中推断人格并生成高保真合成交互，为推荐系统评估提供可扩展、可控的替代方案。
2025-06-05 cs.IR
Data Generation via Latent Factor Simulation for Fairness-aware Re-ranking
本文提出了一种用于公平性感知推荐的新型合成数据，即通过潜在因子模拟生成的推荐系统输出，以支持对重新排序算法的研究，同时避免依赖需隐私保护的敏感数据。
2024-09-21 cs.IR
