Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
Kuaishou Technology(快手科技);Unaffiliated(无隶属)
提出Taiji框架,通过逆向工程推理和开放拒绝采样生成高质量CoT数据,并采用帕累托最优策略优化(POPO)自适应调整跨域奖励权重,实现LLM语义知识与推荐ID特征的帕累托最优权衡,在快手广告平台部署后服务超4亿日活用户。
2026-06-02 cs.AI cs.CL cs.IR
A Survey of Deep Reinforcement Learning in Recommender Systems: A Systematic Review and Future Directions
University of New South Wales(新南威尔士大学);University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Technology Sydney(悉尼科技大学)
鉴于深度强化学习(DRL)在推荐系统研究中的出现以及近年来取得的一些丰硕成果,本文旨在对深度强化学习在推荐系统中的最新发展趋势进行及时而全面的综述。我们首先介绍了在推荐系统中应用DRL的动机。然后,我们提供了一个分类目前基于DRL推荐系统和现有的方法的总结。我们讨论新出现的主题和开放的问题,并提供我们对推进该领域的观点。本调查作为学术界和工业界读者对这一主题的介绍材料,并确定了进一步研究的重要机会。
2021-09-09 cs.AI cs.IR
A Survey on LLM-based News Recommender Systems
IEEE(电气和电子工程师协会)
本综述系统梳理基于大语言模型的新闻推荐系统,涵盖判别式与生成式方法,从新闻、用户和预测三个维度建模,并分析挑战与未来方向。
2025-02-21 cs.AI cs.IR
Towards LLM-Enhanced Group Recommender Systems
Graz University of Technology(格拉茨技术大学)
本文探讨 LLM 如何支持群体动态理解、群体决策、成员适配及多层解释,以提升群体推荐系统的决策支持质量与适用性。
2025-07-25 cs.AI cs.IR
Recent Developments in Recommender Systems: A Survey
本文综述了推荐系统的最新进展,涵盖主要分类、基于知识的方法、鲁棒性与公平性问题及评价指标,并展望了未来研究方向。
2023-06-22 cs.AI cs.IR cs.LG
Multi-Behavior Recommender Systems: A Survey
Kim Jaechul Graduate School of AI, KAIST(金在哲人工智能研究生院(韩国科学技术院));School of Software, Soongsil University(崇实大学软件学院)
本文综述了利用多种用户行为提升推荐质量的多行为推荐系统,围绕数据建模、编码和训练三个关键步骤对现有方法进行系统分类,并展望未来研究方向。
2025-03-10 cs.AI cs.IR
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
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
Recommender Systems with Random Walks: A Survey
SUNY at Buffalo(纽约州立大学布法罗分校)
推荐引擎已经成为当今电子商务系统中不可或缺的组成部分。从在亚马逊推荐书籍,到在Facebook等社交网络中寻找朋友,它们已经变得无所不在。一般来说,推荐系统可以分为两大类:基于内容的模型和基于协同过滤的模型。这两种模型都在用户和项目之间建立关系,以提供推荐。基于内容的系统通过利用从上下文中提取的特征来实现这一任务,而协作系统使用用户项目子集之间的共享兴趣。还有另一种相对未开发的方法用于提供推荐,该方法利用称为随机游走的随机过程。这项研究是一项调查,探索随机游走在推荐系统中的使用情况,并试图对它们进行分类。
2017-11-11 cs.AI cs.IR cs.SI
A Survey on LLM-powered Agents for Recommender Systems
School of New Media and Communication, Tianjin University(天津大学新媒体与传播学院);Du Xiaoman Financial Technology(度小满金融科技)
本综述系统回顾了 LLM 驱动智能体在推荐系统中的应用,归纳出面向推荐、交互和模拟的三大范式,剖析了智能体架构基础,并全面分析了基准数据集与评估框架,指出了关键挑战与未来方向。
2025-02-14 cs.AI cs.IR
NCBO Ontology Recommender 2.0: An Enhanced Approach for Biomedical Ontology Recommendation
University of A Coruña(拉科鲁尼亚大学);University of Montpellier(蒙彼利埃大学)
生物医学研究人员使用本体来用本体术语注释他们的数据,从而实现更好的数据集成和互操作性。然而,当前生物医学本体的数量、种类和复杂性使得研究人员难以确定哪些本体可以重新用于他们的特定需求。为了克服这个问题,2010年,国家生物医学本体中心(NCBO)发布了本体推荐器,这是一种接收生物医学文本语料库或关键字列表并建议适合引用指定术语的本体的服务。我们开发了一个新版本的NCBO本体推荐。该系统采用了一种新的推荐方法,根据以下四个标准来评估本体与生物医学文本数据的相关性:(1)本体覆盖输入数据的程度;(2)本体在生物医学界的接受程度;(3)本体类覆盖输入数据的详细程度;(4)本体类在生物医学领域的应用程度。以及(4)本体到输入数据的域的专门化。我们的评估表明,增强的推荐提供了更高质量的建议比原来的方法,提供更好的覆盖范围的输入数据,更详细的信息,他们的概念,增加专业化的领域的输入数据,并在社区中更大的接受和使用。此外,它还为用户提供了更多的解释性信息,以及不仅是单个本体,而且是本体组的建议。它还可以定制以适应不同场景的需求。Ontology Recommender 2.0结合了其前身的优势,并进行了一系列调整和新功能,以提高其可靠性和实用性。Ontology Recommender 2.0从NCBO BioPortal平台推荐了500多个生物医学本体,在那里它是公开的。
2017-05-25 cs.AI cs.IR
A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice
Vector Institute(向量研究所);Independent Researcher(独立研究者)
本综述系统梳理2017至2024年推荐系统从传统技术到深度学习、图模型、强化学习及大语言模型的演进,连接理论与实践,并探讨各行业挑战与未来方向。
2025-10-16 cs.AI cs.IR
Embedding in Recommender Systems: A Survey
City University of Hong Kong(香港城市大学);Baidu Inc.(百度公司);Hong Kong Polytechnic University(香港理工大学);Unaffiliated Researcher(无隶属机构)
该综述全面梳理推荐系统中矩阵、序列、图结构下的嵌入技术,探讨可扩展性挑战,介绍AutoML、哈希、量化及LLMs增强等新兴方向,指明研究挑战与未来方向。
2025-10-22 cs.AI cs.IR
Semantic-Enhanced Relational Metric Learning for Recommender Systems
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);School of Computer Science and Engineering, The University of New South Wales(新南威尔士大学计算机科学与工程学院)
针对推荐系统中隐式关系缺乏语义的问题,提出SERML框架,从评论提取语义信号并构建回归模型增强关系度量训练,在四个公开数据集上表现优于或可比现有方法。
2024-06-07 cs.AI cs.IR
RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender
Department of Mathematics and Computer Science, University of Catania, Italy(卡塔尼亚大学数学与计算机科学系,意大利);Institute for Cognitive Science and Technology, National Research Council, Italy(意大利国家研究委员会认知科学与技术研究所)
提出RAGEAR,一种神经符号推荐系统,结合密集检索和知识图谱,通过图感知聚合函数将片段级证据传播到课程级推荐,在学术课程推荐中优于元数据基线。
2026-05-26 cs.AI cs.IR
Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所)
现有推荐系统的一个重要挑战是用户可能不信任推荐系统,因为缺乏解释或推荐结果不准确。因此,拥有一个值得信赖的推荐系统变得至关重要。该调查提供了三种类型的信任感知推荐系统的系统总结:利用用户的社会关系的社会感知推荐系统;过滤不真实噪音的鲁棒推荐系统(例如,垃圾邮件发送者和虚假信息)或增强攻击抵抗力;提供推荐项目解释的可解释推荐系统。我们专注于基于深度学习技术的工作,这是推荐研究中的一个新兴领域。
2020-10-06 cs.IR cs.LG
Whom do Explanations Serve? A Systematic Literature Survey of User Characteristics in Explainable Recommender Systems Evaluation
University of Zurich(苏黎世大学);Dublin City University(都柏林城市大学)
本文调查了124篇在用户研究中评估推荐系统解释的论文,发现当前研究主要涵盖特定用户,缺乏代表性,且数据报告存在不一致性,建议采取行动迈向更具包容性和可重复性的评估。
2025-02-03 cs.AI cs.HC cs.IR
Knowledge Graph-enhanced Sampling for Conversational Recommender System
Beijing Jiaotong University(北京交通大学)
传统的推荐系统主要利用离线用户数据对离线模型进行训练,然后向在线用户推荐商品,存在基于稀疏和噪声的历史数据的用户偏好估计不可靠的问题。会话式推荐系统(CRS)利用对话系统的交互形式来解决传统推荐系统固有的问题。然而,由于缺乏上下文信息建模,现有的CRS模型不能很好地处理资源的开发和探索(Exploitation and Exploration,E&E)问题,给用户带来了沉重的负担。为了解决上述问题,这项工作提出了一个上下文信息增强模型定制的CRS,称为知识图谱增强采样(KGenSam)。KGenSam将用户交互数据的动态图与外部知识集成为一个异构的知识图谱(KG)作为上下文信息环境。然后,设计了两个采样器,通过采样高不确定性的模糊样本获取用户偏好和可靠的负样本更新推荐器来增强知识,实现了用户偏好的高效获取和模型更新,从而为CRS处理E&E问题提供了有力的解决方案。在两个真实世界数据集上的实验结果证明了KGenSam的优越性,与最先进的方法相比有显着的改进。
2021-10-13 cs.AI cs.IR
Multimodal Recommender Systems: A Survey
City University of Hong Kong(香港城市大学);The Hong Kong Polytechnic University(香港理工大学);Michigan State University(密歇根州立大学)
本文综述多模态推荐系统,梳理其流程、挑战、四类技术模型及数据集与代码资源,并指出未来方向、开源相关仓库。
2024-09-04 cs.AI cs.IR
A Survey of Latent Factor Models in Recommender Systems
King Saud University(沙特国王大学)
本文系统综述了推荐系统中的隐因子模型,从学习数据、模型架构、学习策略和优化技术四个维度梳理核心方法与最新进展,并指出未来研究方向。
2024-05-28 cs.AI cs.IR cs.LG
Embedding Compression in Recommender Systems: A Survey
本文系统综述了推荐系统中嵌入表的压缩方法,将其划分为低精度、混合维度和权重共享三类,并给出建议与未来展望。
2024-08-05 cs.IR
A Survey on Incremental Update for Neural Recommender Systems
推荐系统(RS)旨在为用户提供个性化的商品推荐,以防止消费者的过度选择。虽然已经进行了广泛的研究,以解决RS的不同方面和挑战,学术研究和工业应用之间仍然存在差距。具体而言,大多数现有的模型仍然以离线方式工作,其中推荐器在大型静态训练集上进行训练,并在非常严格的测试集上进行一次性评估。RS将保持不变,直到进行下一批再培训。我们框架,如批量更新推荐系统(BURS)的RS。在现实中,他们必须面对的挑战是,RS预计将立即更新新的数据流,并根据新到达的数据为当前用户活动生成更新的建议。我们框架,如增量更新推荐系统(IURS)的RS。在这篇文章中,我们提供了一个系统的调查神经推荐系统的增量更新。我们首先介绍的主要概念和制定IURS的任务的调查。然后,我们说明了IURS的挑战相比,传统的BURS。之后,我们详细介绍了现有的文献和评价问题。最后,我们概述了一些突出的开放式研究问题,在这方面的调查。
2023-03-06 cs.IR
A Survey on Diffusion Models for Recommender Systems
Shanghai Jiao Tong University(上海交通大学);Texas A&M University(德克萨斯农工大学);Yale University(耶鲁大学)
本文是首篇推荐系统领域扩散模型的全面综述,按全流程将相关研究分为数据工程、推荐模型、内容呈现三类,总结核心特征与未来方向,并维护了相关资源仓库。
2024-09-15 cs.AI cs.IR
Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems
Declic AI Research(Declic人工智能研究院);CESI LINEACT Laboratory(CESI LINEACT实验室);Université Paris-Est(巴黎东部大学);UPEC(巴黎第十二大学)
本文提出一种集成生成式自监督学习(SSL)与残差图Transformer的前沿方法,通过理性感知SSL自动化数据增强、拓扑感知Transformer捕捉全局上下文及自动蒸馏优化信号,在多数据集上持续优于基线方法,增强推荐系统性能。
2025-04-08 cs.AI cs.IR cs.LG
AutoML for Deep Recommender Systems: A Survey
推荐系统在信息过滤中发挥着重要作用,并已被用于不同的场景,如电子商务和社交媒体。随着深度学习的兴起,深度推荐系统通过捕捉非线性信息和项目-用户关系表现出了优越的性能。然而,深度推荐系统的设计严重依赖于人类经验和专家知识。为了解决这个问题,引入了自动机器学习(AutoML)来自动搜索深度推荐系统不同部分的合适候选人。本调查对这一领域的文献进行了全面的回顾。首先,我们提出了AutoML深度推荐系统(AutoRecSys)的抽象概念,描述了它的构建块,并将其与传统的AutoML技术和推荐系统区分开来。其次,我们提出了一个分类法作为一个分类框架,包含特征选择搜索,嵌入维搜索,特征交互搜索,模型架构搜索,和其他组件搜索。此外,我们特别强调了搜索空间和搜索策略,因为它们是连接每个类别中所有方法的共同线索,使从业者能够分析和比较各种方法。最后,我们提出了四个未来有前途的研究方向,将导致这条研究线。
2023-01-02 cs.IR
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University(罗格斯大学);Renmin University of China(中国人民大学)
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中,提出了各种评价战略。但是,它们散见于不同的论文中,缺乏系统而详细的比较。为了弥补这一差距,本文全面回顾了前人的工作,并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作,我们还分析了现有的评估方法的优点(缺点),并提供了一系列的指导方针,如何选择他们。本调查的内容基于来自顶级会议(如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI)的100多篇论文,其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查,我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions
推荐系统是当今互联网上最重要的信息服务之一。最近,图神经网络已经成为推荐系统的新的最先进的方法。在这项调查中,我们进行了全面的文献综述图神经网络为基础的推荐系统。本文首先介绍了推荐系统和图神经网络的发展背景和历史。对于推荐系统,一般来说,有四个方面来分类现有的作品:阶段,场景,目标和应用。对于图神经网络,现有的方法包括两大类,光谱模型和空间模型。然后讨论了将图神经网络应用于推荐系统的动机,主要包括高阶连通性、数据的结构特性和增强的监督信号。然后,我们系统地分析了图的构建,嵌入传播/聚合,模型优化和计算效率的挑战。之后,主要是,我们提供了一个全面的概述了大量现有的工作图神经网络为基础的推荐系统,按照上述分类。最后,我们提出了在这一领域的开放性问题和有前途的未来方向的讨论。我们在\url{https://github.com/tsinghua-fib-lab/GNN-Recommender-Systems}中总结了代表性论文及其代码库。
2023-01-12 cs.IR
Advances and Challenges of Multi-task Learning Method in Recommender System: A Survey
Beijing University of Technology(北京工业大学)
该综述针对多任务学习推荐系统研究的空白,系统性总结其进展,涵盖分类与未来方向,助力相关研究者与从业者快速掌握该领域现状。
2026-09-01 cs.IR
Light-FMP: Lightweight Feature and Model Pruning for Enhanced Deep Recommender Systems
New Jersey Institute of Technology(新泽西理工学院);Stevens Institute of Technology(史蒂文斯理工学院)
Light-FMP通过预训练、剪枝和继续训练三个阶段,提升深度推荐系统在计算效率与模型准确性的平衡,实现更高效的性能。
2026-05-07 cs.IR
A Survey on Data-Centric Recommender Systems
本文首次系统综述数据驱动的推荐系统,涵盖基础概念、数据三大问题、现有研究及未来方向,强调从模型中心向数据中心的范式转变。
2024-05-28 cs.IR
A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
本综述系统对比工业与学术推荐系统,提出基于物品特征的新分类,并强调用户决策及跨学科理论以弥合实践差距。
2025-09-07 cs.IR
Causal Inference in Recommender Systems: A Survey and Future Directions
本综述针对传统推荐系统仅依赖相关性、缺乏因果性的问题,梳理因果推断在推荐系统领域的应用研究,介绍基础概念、现存问题、现有工作分类,并提出开放问题与未来方向。
2023-12-15 cs.IR
Deep Learning on Knowledge Graph for Recommender System: A Survey
University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
最近的研究进展已经证明了知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面的有效性。知识图谱能够对连接具有一个或多个相关属性的两个对象的高阶关系进行编码。借助新兴的图神经网络(GNN),可以从KG中提取对象特征和关系,这是成功推荐的重要因素。在本文中,我们对基于GNN的知识感知深度推荐系统进行了全面的调查。具体来说,我们讨论了最先进的框架,重点是它们的核心组件,即,图嵌入模块,以及它们如何解决可扩展性、冷启动等实际推荐问题,并进一步总结了常用的基准测试数据集、评估指标以及开源代码。最后,我们总结了调查,并提出了潜在的研究方向,在这个快速增长的领域。
2020-03-25 cs.AI cs.IR cs.LG
A Comprehensive Survey on Trustworthy Recommender Systems
The Hong Kong Polytechnic University(香港理工大学);City University of Hong Kong(香港城市大学);Michigan State University(密歇根州立大学);The Hong Kong University of Science and Technology(香港科技大学)
作为最成功的人工智能应用之一,推荐系统旨在帮助人们以有效和高效的方式做出适当的决策,通过在我们生活的许多方面提供个性化的建议,特别是针对各种以人为本的在线服务,如电子商务平台和社交媒体网站。在过去的几十年里,推荐系统的快速发展为人类创造了巨大的经济价值,节省了时间和精力,促进了社会公益。然而,最近的研究发现,数据驱动的推荐系统可能会对用户和社会构成严重威胁,例如在社交媒体网站上传播假新闻以操纵舆论,在工作匹配服务中放大对代表性不足的群体或个人的不公平,或者从推荐结果中推断隐私信息。因此,系统的可信度越来越受到各方面的关注,以减轻推荐系统带来的负面影响,从而提高公众对推荐系统技术的信任度。在这项调查中,我们提供了一个全面的概述值得信赖的推荐系统(TRec),特别关注六个最重要的方面;即,安全性和鲁棒性,非歧视性和公平性,可解释性,隐私,环境福祉以及问责制和可审计性。对于每个方面,我们总结了最近的相关技术,并讨论了潜在的研究方向,以帮助实现值得信赖的推荐系统在未来。
2022-09-21 cs.AI cs.CR cs.IR
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具,在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配(例如,工作推荐),一个重要的问题是推荐是否公平。不公正的推荐不仅不道德,而且损害了推荐人制度本身的长远利益。因此,推荐系统中的公平性问题最近引起了越来越多的关注。然而,由于多个复杂的资源分配过程和各种各样的公平性定义,对推荐中公平性的研究比较分散。为了填补这一空白,我们回顾了在顶级会议/期刊上发表的60多篇论文,包括TOIS,SIGIR和WWW。首先,我们总结了建议中的公平性定义,并提供了几种观点来分类公平性问题。然后,我们回顾了公平性研究中的推荐数据集和测量,并提供了一个详细的分类公平性方法的建议。最后,我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
A survey of food recommenders
每个人都吃。然而,人们并不总是知道该吃什么。他们需要一点帮助和灵感。因此,许多应用程序、服务和程序都围绕食物开发了广告。这些包括食物,膳食,食谱和餐厅推荐,这是最常见的用例,但也包括其他领域,如替代成分,菜单和饮食。后者在健康和保健领域尤其重要,因为用户有更具体的饮食需求和目标。在本调查中,我们回顾了食品推荐文献。我们涵盖了系统的类型,包括它们的目标和它们推荐的内容,它们用于训练模型的数据集和信号,使用的技术方法和模型类型,以及一些系统约束。
2018-09-15 cs.CY cs.IR
Rethinking Fairness in LLM-Based Recommender Systems: A Survey
National Taiwan University(国立台湾大学)
本文系统综述了基于大语言模型的推荐系统中的公平性问题,从偏见机制和公平目标两个维度组织现有研究,并探讨了评估与缓解策略,旨在为未来研究提供结构化基础。
2026-08-31 cs.IR
A Survey on Intent-aware Recommender Systems
本文综述了意图感知推荐系统的现有方法并对其进行分类,分析了当前评估实践,指出未来应结合更多交互信号和上下文信息以提升推荐效果。
2024-10-19 cs.IR
Deep Learning based Recommender System: A Survey and New Perspectives
随着网络信息量的不断增长,推荐系统已经成为克服信息过载的有效策略。推荐系统的效用不能被夸大,因为它在许多网络应用程序中被广泛采用,以及它对改善与过度选择相关的许多问题的潜在影响。近年来,深度学习在计算机视觉和自然语言处理等许多研究领域引起了相当大的兴趣,这不仅是因为它具有出色的性能,而且还因为它从头开始学习特征表示的吸引力。深度学习的影响也很普遍,最近证明了它在应用于信息检索和推荐系统研究时的有效性。显然,推荐系统中的深度学习领域正在蓬勃发展。本文旨在对基于深度学习的推荐系统的最新研究成果进行全面综述。更具体地说,我们提供并设计了一个基于深度学习的推荐模型的分类,并提供了一个最先进的综合总结。最后,我们扩展了当前的趋势,并提供了与该领域这一令人兴奋的新发展有关的新观点。
2019-07-10 cs.IR
Consumer-side Fairness in Recommender Systems: A Systematic Survey of Methods and Evaluation
Norwegian University of Science and Technology(挪威科技大学)
本文系统综述了推荐系统中消费者侧公平性的研究,提出基于高层次公平性解释的新型分类法,对现有方法和评估指标进行分类,并展望未来研究方向。
2023-05-16 cs.AI cs.CY cs.IR
Fairness and Diversity in Recommender Systems: A Survey
该综述系统梳理推荐系统中的公平性与多样性研究,提出用户级与物品级多样性视角,并从多样性角度重新解读公平性,揭示二者联系及未来方向。
2024-03-01 cs.IR
A Survey of Foundation Model-Powered Recommender Systems: From Feature-Based, Generative to Agentic Paradigms
School of Computer Science and Engineering, The University of New South Wales(计算机科学与工程学院,新南威尔士大学);Adobe Research(Adobe研究);School of Computer Science, Georgia Institute of Technology(计算机科学学院,佐治亚理工学院);University of California, San Diego(加州大学圣地亚哥分校);ETH Zurich(苏黎世联邦理工学院);University of Klagenfurt(克雷格弗特大学);The University of New South Wales and CSIRO’s Data61(新南威尔士大学和CSIRO的数据61)
本综述系统梳理基础模型在推荐系统中的三种整合范式(特征增强、生成式、智能体),分析其数据基础、应用场景及权衡,并指出开放挑战与未来方向。
2025-04-23 cs.AI cs.IR
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen(杜伊斯堡-埃森大学);National University of Sciences and Technology(国家科技大学)
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究,提出了设计指导原则,并指出了未来研究方向,以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
A Survey on Reinforcement Learning for Recommender Systems
本文针对基于强化学习的推荐系统领域,梳理四类典型场景下的强化学习方法,分析现存挑战与解决方案,并提出未来潜在研究方向,为相关研究者与从业者提供参考。
2023-06-11 cs.IR
Recent Advances and Trends in Research Paper Recommender Systems: A Comprehensive Survey
University of the Basque Country UPV/EHU(巴斯克大学)
本文综述了2021年至2024年间科研论文推荐系统的研究进展,分析了其技术、数据集、评估方法及挑战,旨在为研究者提供决策支持和未来研究方向指导。
2026-09-09 cs.DL cs.IR
A Comprehensive Survey on Self-Supervised Learning for Recommendation
The University of Hong Kong(香港大学)
本文综述了推荐系统中自监督学习的多种方法,分析了对比学习、生成学习和对抗学习等范式,以提升推荐系统的性能。
2025-12-13 cs.AI cs.IR
Tricolore: Multi-Behavior User Profiling for Enhanced Candidate Generation in Recommender Systems
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);WeChat Business Group, Tencent Inc.(腾讯公司)
Tricolore提出多向量多行为学习框架,通过行为关联建模、多视图融合和流行度均衡策略增强候选生成,并在多场景及冷启动用户上验证有效性。
2025-05-04 cs.AI cs.IR
Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems
推荐系统由于能够帮助用户缓解信息过载问题而受到广泛关注。矩阵分解技术是协同过滤推荐系统研究中应用最广泛的技术之一,因为它可以有效地处理非常大的用户-项目评分矩阵。最近,基于直觉,额外的信息提供了有用的见解矩阵分解技术,一些推荐算法已经利用额外的信息,以提高矩阵分解方法的性能。然而,大多数的研究都集中在处理冷启动用户的问题上,而忽略了冷启动项目的问题。此外,这些内容增强的矩阵分解方法来计算分类项目之间的相似性,有几个合适的相似性措施。本文提出了一种基于属性耦合的项目增强矩阵分解方法,该方法将项目属性信息融入矩阵分解技术中,并采用耦合对象相似度来捕捉项目之间的关系。将项目属性信息作为项目关系正则项,对矩阵分解过程进行正则化。具体地,通过考虑项目之间的耦合的耦合对象相似性来测量项目之间的相似性。在两个真实数据集上的实验结果表明,该方法的推荐性能优于现有的推荐算法,并且在项目属性信息较多的情况下,能够有效地解决项目冷启动问题.
2014-05-05 cs.IR
Recommender Systems for the Internet of Things: A Survey
The University of New South Wales(新南威尔士大学);University of Technology, Sydney(悉尼科技大学);Macquarie University(麦考瑞大学)
该建议代表了开发和促进物联网(IoT)利益的重要阶段。传统的推荐系统无法利用不断增长的、动态的和异构的物联网数据。本文全面回顾了最先进的推荐系统,以及相关技术和应用在充满活力的物联网领域。我们讨论了将推荐系统应用于物联网的几个局限性,并提出了一个参考框架,用于比较现有的研究,以指导未来的研究和实践。
2020-07-14 cs.IR cs.LG stat.ML
Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems
Griffith University(格里菲斯大学);School of Information and Communication Technology(信息与通信技术学院)
本文提出KERL框架,融合知识图谱与预训练语言模型增强对话推荐系统中的实体表示,并构建WikiMKG知识图谱,在推荐和回复生成任务上达到最优性能。
2024-05-01 cs.AI cs.CL cs.IR
A Survey on Conversational Recommender Systems
University of Klagenfurt(克拉根福大学);Hong Kong Baptist University(香港浸会大学)
推荐系统是在信息过载的情况下帮助用户找到感兴趣的项目的软件应用。当前的研究通常假设一次交互范例,其中用户的偏好基于过去观察到的行为来估计,并且其中排名的建议列表的呈现是用户交互的主要单向形式。会话式推荐系统(CRS)采用不同的方法,支持更丰富的交互。例如,这些交互可以帮助改进偏好获取过程,或者允许用户询问关于推荐的问题并给出反馈。在过去几年中,对CRS的兴趣显著增加。这一发展主要是由于自然语言处理领域的重大进展、新的语音控制家庭助理的出现以及聊天机器人技术的使用增加。在本文中,我们提供了一个详细的调查现有的方法会话推荐。我们将这些方法分为不同的维度,例如,根据支持的用户意图或他们在后台使用的知识。此外,我们还讨论了技术方法,回顾了如何评估CRS,并最终确定了一些差距,值得在未来进行更多的研究。
2021-05-31 cs.AI cs.HC cs.IR
A survey of recommender systems for energy efficiency in buildings: Principles, challenges and prospects
近年来,随着物联网(IoT)和人工智能(AI)技术的发展,推荐系统得到了显着发展。因此,作为物联网和人工智能的结果,这些系统中包含多种形式的数据,例如社交,隐式,本地和个人信息,这可以帮助提高推荐系统的性能并扩大其适用性以跨越不同的学科。另一方面,建筑领域的节能正在成为一个热门的研究课题,其中推荐系统在促进节能行为和减少碳排放方面发挥着重要作用。然而,在建筑物中部署建议框架仍然需要更多的调查,以确定当前的挑战和问题,其中他们的解决方案是使研究结果普及的关键,因此,确保大规模采用这项技术。因此,本文提出,尽作者所知,第一次及时和全面的参考能源效率推荐系统,通过(i)调查现有的推荐系统,节能建筑,(ii)讨论他们的演变,(iii)基于指定的标准提供这些系统的原始分类,包括推荐引擎的性质、其目标、计算平台,评价指标和激励措施;以及㈣进行深入的批判性分析,以确定其局限性和未解决的问题。由此产生的挑战和未来的实施领域可以有效地指导能源研究界,以提高建筑物的能源效率,并降低开发的基于推荐系统的解决方案的成本。
2021-02-09 cs.IR
Robust Recommender System: A Survey and Future Directions
本综述系统回顾了推荐系统鲁棒性研究,提出分类法组织抵御恶意攻击与自然噪声的技术,探讨前沿方法、评估指标及未来方向,并维护相关GitHub项目。
2025-04-01 cs.IR
A Comprehensive Survey on Retrieval Methods in Recommender Systems
Shanghai Jiao Tong University(上海交通大学);China Merchants Bank Credit Card Center(招商银行信用卡中心)
本综述全面探讨了推荐系统中常被忽视的检索阶段,总结了改进相似度计算、增强索引机制和优化训练方法三大关键领域的现有工作,并通过公开数据集基准实验和工业案例研究,为级联推荐系统检索优化提供了基石。
2025-10-11 cs.IR