Topic-Level Bayesian Surprise and Serendipity for Recommender Systems
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
该论文提出基于内容的的公式化(即根于内容的利用用户历史中相似用户的消费历史,实现协同过滤,从而识别用户能够体验来自新颖、未见类别的的内容。一种缓解这种不良行为的方法,推荐具有高奇遇性潜力的即基于高潜在被高度为奇遇性的的物品。
2023-10-18 cs.AI cs.IR cs.LG
Towards Topic-Guided Conversational Recommender System
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Beijing Key Laboratory of Big Data Management and Analysis Methods(北京市大数据管理与分析方法重点实验室);School of Information, Renmin University of China(中国人民大学信息学院);Renmin University of China(中国人民大学)
会话式推荐系统(CRS)旨在通过交互式会话向用户推荐高质量的项目。为了开发有效的CRS,高质量数据集的支持至关重要。现有的CRS数据集主要关注用户的即时请求,而缺乏对推荐场景的主动指导。在本文中,我们提出了一个新的CRS数据集命名为\textbf{TG-ReDial}(\textbf{Re}推荐通过\textbf{T} \textbf{G} uided \textbf{Dial} og)。我们的数据集有两个主要特征。首先,它结合了主题线程,以实现向推荐场景的自然语义转换。其次,它是以半自动的方式创建的,因此人工注释更合理和可控。基于TG-ReDial,提出了基于主题的会话推荐任务,并提出了一种有效的会话推荐方法。大量的实验表明,我们的方法的有效性的三个子任务,即主题预测,项目推荐和响应生成。TG-ReDial可在https://github.com/RUCAIBox/TG-ReDial上获得。
2020-11-02 cs.CL cs.HC cs.IR
Mitigating Position Bias with Regularization for Recommender Systems
针对推荐系统中常见的位置偏差问题,提出采用正则化技术降低偏差影响,实验验证该方法效果优于其他主流现代算法,为推荐系统去偏差提供了有效方案。
2024-01-18 cs.IR
Are topic-specific search term, journal name and author name recommendations relevant for researchers?
在本文中,我们描述了一项案例研究,其中社会科学研究人员(n=19)评估受控搜索词、期刊名称和作者姓名的主题相关性,这些搜索词、期刊名称和作者姓名已由文献计量增强信息检索(IR)服务自动编译。本文将这些基于文献计量学的信息检索服务分别称为检索词推荐服务(STR)、期刊名推荐服务(JNR)和作者名推荐服务(ANR)。在我们的研究中,研究人员(从业者,博士生和博士后)被要求评估每个推荐者对特定研究主题的前n个预处理推荐,这些主题是他们在实验前的采访中命名的。我们的研究结果清楚地表明,提出的检索词,期刊名称和作者姓名建议是高度相关的研究人员的主题,可以很容易地集成在数字图书馆的搜索。排名靠前的推荐的平均精度是作者姓名0.75,搜索词0.74,期刊名称0.73。相关性分布在不同的主题和研究人员类型之间存在很大差异。从业者似乎更喜欢推荐作者姓名,而博士后对作者姓名推荐的评价最低。在实验中,小博士后组(n=3)青睐期刊名称的建议。
2014-08-31 cs.DL cs.IR
DataRec: A Python Library for Standardized and Reproducible Data Management in Recommender Systems
本文提出了开源Python库DataRec,通过提供统一的数据集准备、版本控制和框架集成例程,解决推荐系统研究中数据管理分散导致不可复现的问题,促进方法论标准化与公平基准测试。
2025-04-06 cs.IR
Review of Explainable Graph-Based Recommender Systems
University of Reading(雷丁大学);Newcastle University(纽卡斯尔大学)
该综述聚焦基于图的可解释推荐系统,梳理前沿方法并从学习、解释方法及解释类型三方面分类,同时介绍常用数据集、评估方法与未来方向,为开发新型相关系统提供参考。
2025-10-21 cs.AI cs.IR cs.LG
Using Wikipedia Editor Information to Build High-performance Recommender Systems
本研究提出利用Wikipedia编辑者信息构建多领域推荐系统的方法,该方法性能优于传统基于内容的推荐系统,为推荐系统构建提供了新的信息来源思路。
2023-06-14 cs.IR cs.SI
TriMat: Context-aware Recommendation by Tri-Matrix Factorization
本文提出TriMat方法,利用三矩阵分解将上下文信息融入推荐系统,实验证明能同时提升准确性与公平性。
2025-09-30 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
Sequential Recommender Systems: Challenges, Progress and Prospects
Macquarie University(麦考瑞大学);University of Technology Sydney(悉尼科技大学)
序列推荐系统是近年来兴起的一个研究热点,不同于传统的协同过滤和基于内容的过滤推荐系统,它试图理解和建模用户的序列行为、用户与项目之间的交互以及用户偏好和项目流行度随时间的变化。本文首先介绍了SRS的特点,然后对SRS的研究现状进行了总结,并对SRS研究中存在的主要问题进行了归纳和分类,最后对SRS的发展趋势进行了展望。然后介绍了该领域的最新研究进展,包括最新的、有代表性的研究进展,最后讨论了该领域的重要研究方向。
2019-12-28 cs.IR cs.LG
Towards Analyzing the Bias of News Recommender Systems Using Sentiment and Stance Detection
在线新闻提供商使用新闻推荐系统来减轻信息过载并向用户提供个性化内容。然而,算法新闻策展被假设为创造过滤泡沫并加强用户的选择性曝光,可能会增加他们对两极分化的意见和假新闻的脆弱性。在本文中,我们展示了如何利用新闻项目的立场和情感信息来分析和量化推荐系统遭受偏见的程度。为此,我们已经注释了德国新闻语料库的主题,使用立场检测和情感分析的移民。在四个不同的推荐系统的实验评估中,我们的结果显示,所有四个模型都有轻微的倾向,推荐文章的负面情绪和立场对难民和移民的话题。此外,我们观察到基于文本的评论者的情感和立场偏见与预先存在的用户偏见之间存在正相关关系,这表明这些系统放大了用户的意见,降低了推荐新闻的多样性。知识感知模型似乎是最不容易出现这种偏差的模型,其代价是预测准确性。
2022-03-11 cs.IR
Deep Conversational Recommender in Travel
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学)
当前往外国旅行时,我们经常迫切需要一个智能会话代理,为我们的各种查询提供即时和信息性的响应。然而,建立这样一个旅行社是不平凡的。首先,旅行自然涉及几个子任务,如酒店预订,餐厅推荐和出租车预订等,这就需要全局主题控制。其次,代理应考虑各种限制,如价格或距离由用户推荐一个合适的地点。在本文中,我们提出了一个深度会话推荐(DCR),并应用于旅游。它使用神经潜在主题组件增强了序列到序列(seq2seq)模型,以更好地指导响应生成并使训练更容易。为了考虑场地推荐的各种约束,我们利用基于图卷积网络(GCN)的方法来捕获不同场地之间的关系以及场地和对话上下文之间的匹配。对于响应生成,我们结合了基于主题的组件与指针网络的想法,这使我们能够有效地将推荐结果。我们进行了广泛的评估多轮任务导向的对话数据集在旅游领域和结果表明,我们的方法实现了优越的性能相比,广泛的基线。
2019-06-25 cs.AI cs.CL cs.IR
A Semantic VSM-Based Recommender System
在线论坛使用户能够围绕各种主题进行讨论。这些环境的严重问题之一是大量的讨论,因此信息过载问题。传统的信息检索技术没有考虑到用户的兴趣,无法很好地解决这一问题。因此,使用一个推荐系统(RS),可以根据用户的喜好来推荐用户最喜欢的主题,可以增加论坛的活力,防止用户重复发帖。此外,考虑语义可以是有用的,以提高基于IR的RS的性能。我们的目标是研究本体和数据采掘技术对改进基于内容的RS的影响。为了这个目的,首先,三种类型的本体将被构建从领域语料库利用文本挖掘,自然语言处理(NLP)和Wordnet,然后他们将被用作输入两种RS:一个,完全基于本体和一个丰富的用户简档矢量与本体在向量空间模型(VSM)(建议的方法)。然后将结果与基于简单VSM的RS进行比较。给出的结果表明,建议的RS呈现出最高的性能。
2014-06-12 cs.IR
Fairness Attacks on Recommender Systems
Department of Information Systems and Operations Management, College of Business, The University of Texas at Arlington(信息系统与运营管理系,商学院,德克萨斯大学阿灵顿分校);Department of Management Information Systems, Eller College of Management, the University of Arizona(管理信息系,埃勒管理学院,亚利桑那大学)
提出一种基于结构感知强化学习的公平性攻击方法,通过图编码和循环神经网络生成虚假交互,联合学习物品选择和性别选择策略,以加剧推荐系统的不公平性。
2026-06-27 cs.AI cs.IR
A Unified Multi-task Learning Framework for Multi-goal Conversational Recommender Systems
The Chinese University of Hong Kong(香港中文大学);Sichuan University(四川大学);National University of Singapore(新加坡国立大学)
近年来,在开发多目标会话推荐系统(MG-CRS)方面取得了一些进展,这些系统可以主动吸引用户的兴趣,并自然地引导具有多个会话目标和不同主题的用户参与对话。MG-CRS通常涉及四个任务,包括目标规划、主题预测、项目推荐和响应生成。大多数现有的研究只涉及其中的一些任务。为了处理整个问题的MG-CRS,采用模块化的框架,其中每个任务独立处理,而不考虑它们的相互依赖性。在这项工作中,我们提出了一种新的统一多目标会话推荐系统,即UniMIND。具体来说,我们将这四个任务与不同的配方统一到相同的序列到序列(Seq 2Seq)范式。为了使统一模型具有多任务学习的能力,研究了基于任务的学习策略。最后,整个学习和推理过程包括三个阶段,包括多任务学习,基于任务的调整和推理。在两个MG-CRS基准测试(DuRecDial和TG-ReDial)上的实验结果表明,UniMIND在统一模型下的所有任务上都达到了最先进的性能。对MG-CRS进行了广泛的分析和讨论,为MG-CRS提供了一些新的视角。
2022-04-14 cs.CL cs.IR
Tag-Aware Recommender Systems: A State-of-the-art Survey
在过去的十年中,社会标签系统已经吸引了越来越多的关注,从物理和计算机科学社区。除了标签系统的底层结构和动态性之外,人们还致力于统一标签信息,以揭示用户行为和偏好,提取项目之间的潜在语义关系,进行推荐等。本文综述了标签感知推荐系统的最新进展,着重介绍了三种主流的观点和方法:基于网络的方法、基于张量的方法和基于主题的方法。最后,我们概述了其他一些标签相关的工作和标签感知推荐算法的未来挑战。
2012-02-27 cs.IR cs.SI
From PARIS to LE-PARIS: Toward Patent Response Automation with Recommender Systems and Collaborative Large Language Models
JCIPRNET;National Taiwan University(台湾大学)
本研究针对专利审查意见答复自动化研究空白,提出PARIS及LLM增强的LE-PARIS系统,融合主题数据库、模板、推荐系统与LLM生成功能,经多范式验证可有效提升专利律师工作绩效。
2024-03-05 cs.CL cs.HC cs.IR
Personalized, Health-Aware Recipe Recommendation: An Ensemble Topic Modeling Based Approach
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院)
食物选择是个人的和复杂的,对我们的长期健康和生活质量有重大影响。通过帮助用户做出明智和满意的决定,推荐系统(RS)有可能支持用户做出更健康的食物选择。智能用户建模是实现这一潜力的关键挑战。本文研究了基于Ensemble Topic Modeling(EnsTM)的特征识别技术,用于高效的用户建模和食谱推荐。它基于EnsTM的研究结果,提出了一种简化的数据表示格式和智能用户建模策略,使捕获用户偏好快速,高效和交互。这种方法支持个性化,即使在冷启动场景中也是如此。本文提出了两种不同的EnsTM为基础的和一个混合EnsTM为基础的嵌入式系统。我们通过一项有48名参与者的用户研究,使用230,876个食谱的大规模真实语料库,比较了所有三种基于EnsTM的变体,并与传统的基于内容(CB)的方法进行比较。基于EnsTM的神经网络的性能明显优于CB方法。除了承认多领域的内容,如口味,人口统计和成本,我们提出的方法还考虑到用户的营养偏好,并帮助他们找到不同的营养类别下的食谱。此外,它提供了出色的覆盖范围,并使用户的饮食习惯的隐式理解。随后的分析也揭示了某些特征与更健康的生活方式之间的相关性。
2019-07-31 cs.IR cs.LG
Use of topical and temporal profiles and their hybridisation for content-based recommendation
本文研究基于内容的推荐中如何结合时间性与主题性构建用户画像,提出两种混合方式并与替代方案评估比较。
2024-01-19 cs.IR
Digital Nudging with Recommender Systems: Survey and Future Directions
推荐系统如今是我们在线用户体验中普遍存在的一部分,它们要么充当信息过滤器,要么为我们提供额外相关内容的建议。因此,这些系统会影响我们容易访问哪些信息,从而通过对所呈现内容的自动选择和排名来影响我们的决策过程。因此,自动推荐可以被视为数字推动,因为它们决定了用户选择架构的不同方面。在这项工作中,我们研究了数字轻推和推荐系统之间的关系,主题,到目前为止,大多是孤立的研究。通过系统的文献检索,我们首先确定了87轻推机制,我们在一个新的分类法进行分类。随后的分析表明,只有一小部分,这些轻推机制,以前调查的背景下,推荐系统。这表明,有一个巨大的潜力,开发未来的推荐系统,利用数字轻推的力量,以影响用户的决策。因此,在这项工作中,我们概述了潜在的方法,将推动机制到推荐系统。
2021-01-13 cs.HC cs.IR
Graph Learning Approaches to Recommender Systems: A Review
近年来,基于图学习的推荐系统(GLRS)得到了迅速的发展。GLRS主要采用先进的图学习方法来建模用户的偏好和意图,以及项目的特征和流行度的推荐系统(RS)。与包括基于内容的过滤和协同过滤的传统RS不同,GLRS建立在简单或复杂的图上,其中各种对象,例如,用户、项目和属性是显式或隐式连接的。随着图学习的迅速发展,探索和利用图中的同构或异构关系是构建高级RS的一个很有前途的方向。在本文中,我们提供了一个系统的审查GLRS,他们如何从图中获取知识,以提高推荐的准确性,可靠性和可解释性。首先,我们的特点和形式化的GLRS,然后总结和分类的关键挑战,在这个新的研究领域。然后,我们调查了该地区最近和重要的发展。最后,我们分享了这个充满活力的领域的一些新的研究方向。
2020-04-22 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
Point-of-Interest Recommender Systems based on Location-Based Social Networks: A Survey from an Experimental Perspective
兴趣点推荐是被广泛采用的称为推荐系统的技术中的一个日益增长的研究和开发领域。其中,那些利用来自基于位置的社交网络(LBSNs)的信息是非常流行的,现在可以与不同的信息源,这对整个社区提出了一些挑战和研究问题。我们提出了一个系统的审查,重点是在过去10年中所做的研究,这一主题。我们讨论和分类的算法和评估方法在这些作品中使用,并指出在该领域仍然开放的机遇和挑战。更具体地说,我们报告了领先的推荐技术和更经常被利用的信息源(例如地理信号和深度学习方法),同时我们还警告说,该领域缺乏可重复性,这可能会阻碍真正的性能改进。
2022-01-27 cs.IR
NeMig -- A Bilingual News Collection and Knowledge Graph about Migration
NeMig是一个关于移民主题的双语新闻集,包含丰富用户数据,用于分析推荐偏差和过滤气泡,并通过知识图谱和实验验证其效用。
2023-09-01 cs.IR
A Troubling Analysis of Reproducibility and Progress in Recommender Systems Research
Politecnico di Milano(米兰理工大学);University of Klagenfurt(克拉根福大学)
设计产生个性化排序项目列表的算法是推荐系统领域的一个中心研究课题。特别是在过去的几年中,基于深度学习(神经)技术的方法在文献中已经占据主导地位。所有这些都声称在最新技术水平上取得了实质性进展。然而,在今天的研究实践中存在着某些问题,例如,关于用于比较的基线的选择和优化,对已发表的主张提出了问题。为了更好地了解实际进展,我们试图重现最近的结果在该地区的神经推荐方法的基础上协同过滤。对这些最近的工作进行分析的令人担忧的结果-所有这些工作都发表在2015年至2018年之间的着名科学会议上-是12种可重复的神经方法中有11种可以被概念上简单的方法所超越,例如,基于最近邻算法。没有一种计算复杂的神经方法实际上始终优于现有的基于学习的技术,例如,使用矩阵分解或线性模型。在我们的分析中,我们讨论了当今研究实践中的常见问题,尽管发表了许多关于该主题的论文,但这些论文显然导致了该领域的某种程度的停滞。
2021-01-07 cs.IR cs.LG cs.NE
A Connection-Centric Survey of Recommender Systems Research
推荐系统试图通过基于用户偏好从通用集合中选择项目的子集来减少信息过载并留住客户。虽然推荐系统的研究是从信息检索和过滤中发展起来的,但这个主题已经稳步发展成为一个合法而具有挑战性的研究领域。推荐系统传统上是从基于内容的过滤与协同设计的角度来研究的。然而,建议不是在真空中提出的,而是在非正式的用户社区和社会环境中提出的。因此,所有的推荐系统最终都是建立在人与人之间的联系上的,因此应该从这样一个角度来审视。这个观点在推荐系统的文献中被低估了。因此,我们采取连接导向的观点对推荐系统的研究。我们认为,推荐有一个固有的社会元素,并最终旨在连接人直接作为明确的用户建模的结果,或间接通过发现隐含在现有数据中的关系。因此,推荐系统的特征在于它们如何对用户进行建模以将人们聚集在一起:显式或隐式。最后,用户建模和以连接为中心的观点提出了更广泛的社会问题-例如评估,定位,隐私和信任-我们也简要地解决了这些问题。
2003-07-30 cs.HC cs.IR
Graph Learning based Recommender Systems: A Review
Macquarie University(麦考瑞大学);DeepBlue Academy of Sciences(深蓝科学院);Tongji University(同济大学);University of Science and Technology of China(中国科学技术大学);University of Technology Sydney(悉尼科技大学);Free University of Bozen-Bolzano(博岑-博尔扎诺自由大学);University of Illinons at Chicago(伊利诺伊大学芝加哥分校)
近年来,基于图学习的推荐系统(GLRS)得到了迅速的发展。GLRS采用先进的图形学习方法来建模用户的偏好和意图以及项目的特征以进行推荐。不同于其他RS方法,包括基于内容的过滤和协同过滤,GLRS是建立在图上的,其中重要对象,例如,用户、项目和属性可以显式或隐式连接。随着图学习技术的快速发展,探索和利用图中的同构或异构关系是构建更有效的RS的一个很有前途的方向。在本文中,我们提供了一个系统的审查GLRS,通过讨论他们如何提取重要的知识,基于图形的表示,以提高准确性,可靠性和可解释性的建议。首先,我们描述和形式化的GLRS,然后总结和分类的关键挑战和主要进展,在这个新的研究领域。最后,我们分享了这个充满活力的领域的一些新的研究方向。
2021-05-13 cs.AI cs.IR cs.LG
MIC: Model-agnostic Integrated Cross-channel Recommenders
在工业推荐系统的匹配阶段,用户和项目的语义连接是一个基本问题。在这个主题的最新进展是基于多通道检索,以有效地衡量用户的兴趣项目从庞大的候选池。然而,现有的工作主要是建立在预定义的检索渠道,包括用户CF(U2 U),项目CF(I2 I),嵌入式检索(U2 I),从而访问用户和项目之间的有限的相关性,这仅仅需要从潜在的交互的部分信息。在本文中,我们提出了一个模型无关的综合跨渠道(MIC)的方法,最大限度地利用固有的多渠道互信息,以提高匹配性能的大规模推荐。具体来说,MIC鲁棒模型内的用户-项目,用户-用户,项目-项目从潜在的相互作用在一个通用的模式。对于每个通道,MIC自然地将对与语义相似性对齐,并以更均匀的各向异性表示空间区分它们。虽然最先进的方法需要特定的架构设计,但MIC直观地将其视为一个整体,使用户和项目之间的完整信息流。因此,MIC可以很容易地插入到其他检索推荐系统。大量的实验表明,我们的MIC帮助几个国家的最先进的模型,提高他们的性能在两个现实世界的基准。工业在线服务上的MIC部署经验证明了其可扩展性和灵活性。
2022-02-14 cs.IR
Recommender System for News Articles using Supervised Learning
Vodafone Portugal(沃达丰葡萄牙公司);Universitat Pompeu Fabra(庞培法布拉大学)
在过去的十年中,我们观察到信息的大量增加,特别是通过智能手机共享的信息。因此,可用的信息量不允许普通用户知道他的所有选项。在这种情况下,推荐系统使用许多技术来帮助用户找到所需的产品。因此,如今推荐系统发挥着重要作用。推荐系统的目标是确定最适合用户偏好的产品。这些技术对用户和供应商都是有利的,因为它使用户能够快速找到他需要的东西,并使供应商能够促进他们的产品和销售。随着业界开始意识到使用这些算法可以实现的收益,对于许多研究人员来说也是一个非常有趣的问题,推荐系统自90年代中期以来成为一个非常活跃的领域。考虑到这是一个持续的问题,本论文打算观察使用推荐算法的价值,发现用户喜欢通过观察她的域偏好。在一个平衡的概率方法中,本文将展示如何利用新闻主题来推荐新闻文章。在这篇论文中,我们使用不同的机器学习方法来确定用户对一篇文章的评分。为了解决这个问题,监督学习方法,如线性回归,朴素贝叶斯和逻辑回归。所有上述模型都具有不同的性质,这对给定问题的解决方案产生了影响。此外,一些实验,并讨论,以确定最适合的问题的功能集。
2017-07-03 cs.IR cs.LG
Contextual Document Similarity for Content-based Literature Recommender Systems
为了应对日益增长的信息过载,越来越多的数字图书馆采用基于内容的推荐系统。这些系统传统上推荐相关的文件的帮助下,相似性的措施。然而,当前的文档相似性度量仅仅区分相似和不相似的文档。这种简化对于大量的文件尤其重要,因为这些文件涵盖了一个主题的各个方面,并且经常在数字图书馆中找到。然而,这些相似性度量忽略了相似性涉及的方面。因此,相似性的背景仍然不明确。在这篇博士论文中,我们探讨了上下文文档相似性度量,即,将文档相似性确定为两个文档及其相似性上下文的三元组的方法。在这里,上下文是相似性的进一步说明。例如,在科学领域,研究论文可以在背景、方法或发现方面相似。关于一个或多个给定上下文的相似性的度量将增强推荐系统。也就是说,用户将能够通过制定查询的文件及其上下文的相似性来探索文档集合。因此,我们的研究目标是开发和评估的推荐系统的基础上上下文相似性。底层技术将应用已建立的相似性度量以及神经方法,同时利用从文档及其文本之间的链接中获得的语义特征。
2020-08-01 cs.DL cs.IR
User Profile Based Research Paper Recommendation
我们设计了一个基于主题模型的科研论文推荐系统。用户对结果的反馈用于使结果在他们下次触发查询时更相关。通过观察用户随时间表现出偏好的主题的变化来理解用户的需求。
2017-04-25 cs.IR
Collaborative Deep Learning for Recommender Systems
Hong Kong University of Science and Technology(香港科技大学)
协同过滤(CF)是一个成功的方法,通常被许多推荐系统使用。传统的基于CF的方法使用用户对项目的评分作为学习进行推荐的唯一信息来源。然而,在许多应用中,评级通常非常稀疏,导致基于CF的方法在其推荐性能方面显着下降。为了解决该稀疏性问题,可以利用诸如项目内容信息的辅助信息。协作主题回归(CTR)是一个有吸引力的最近的方法,采用这种方法,紧密耦合的两个组件,从两个不同的信息源学习。然而,当辅助信息非常稀疏时,CTR学习的潜在表示可能不是很有效。为了解决这个问题,我们从i.i.d.中概括了深度学习的最新进展。输入到非i.i.d.(基于CF的)输入,并提出了一种称为协作深度学习(CDL)的分层贝叶斯模型,该模型联合执行内容信息的深度表示学习和评级(反馈)矩阵的协作过滤。在来自不同领域的三个真实世界数据集上进行的大量实验表明,CDL可以显着提高最先进的技术水平。
2015-06-18 cs.CL cs.IR cs.LG
CONDITOR1: Topic Maps and DITA labelling tool for textual documents with historical information
Universidad de Zaragoza(萨拉戈萨大学)
Conditor是一个处理包含历史信息的文本文档的软件工具。这项工作的目的是双重的:首先,以显示开发的引擎的有效性,正确地识别和标记的实体的宇宙的话语与标记组合的XTM-DITA模型。其次,解释了由于使用面向对象的数据库(JPOX)以及将其集成到Lucene类型的数据库搜索过程中,从而不仅实现更准确的搜索,而且还有助于推荐系统的未来发展,从而在信息检索过程中实现的改进。最后,我们以上述搜索结果的3D图中的简短演示结束。
2016-03-23 cs.CL cs.DL cs.IR
Reproducibility and Artifact Consistency of the SIGIR 2022 Recommender Systems Papers Based on Message Passing
Politecnico di Milano(米兰理工大学)
本文分析了SIGIR 2022的10篇基于图的推荐系统论文,发现存在数据分割错误、人工制品与描述不一致及基线选择偏差等问题,影响了结果的可重复性与有效性。
2026-03-27 cs.DL cs.IR cs.LG
Collaborative Filtering with Topic and Social Latent Factors Incorporating Implicit Feedback
Nanjing University(南京大学);Nanjing University of Science and Technology(南京理工大学);Nanjing University of Posts and Telecommunications(南京邮电大学);Florida International University(佛罗里达国际大学)
推荐系统通过为不同的用户选择个性化的项目,为缓解信息过载问题提供了一种有效的方法。基于潜在因素的协同过滤(CF)由于其准确性和可扩展性而成为RS的流行方法。近来,在线社交网络和用户生成的内容提供了用于评级之外的推荐的多样化来源。虽然{ \em社会矩阵分解}(社会MF)和{ \em主题矩阵分解}(主题MF)分别成功地利用了社会关系和项目评论,但它们都忽略了一些有用的信息。在本文中,我们研究了有效的数据融合结合上述方法。首先,我们提出了一种新的模型{ \em \mbox{MR3} }来联合建模三个信息源(即,评级、项目评论和社会关系),通过对齐潜在因素和隐藏主题来有效地进行评级预测。其次,我们将评级的隐式反馈纳入到所提出的模型中,以增强其能力并展示其灵活性。我们通过各种最先进的方法在现实生活中的数据集上实现了更准确的评级预测。此外,我们衡量的贡献,从三个数据源和评级的隐式反馈的影响,其次是超参数的敏感性分析。实证研究表明,我们提出的模型及其扩展的有效性和功效。
2018-03-26 cs.AI cs.CL cs.IR
SteerEval: A Framework for Evaluating Steerability with Natural Language Profiles for Recommendation
Cornell University(康奈尔大学);Ithaca College(伊萨卡学院)
SteerEval通过自然语言配置文件评估推荐系统的可操控性,分析不同干预措施对操控效果的影响,并提出设计建议。
2026-01-28 cs.AI cs.CL cs.HC
Bypassing the Popularity Bias: Repurposing Models for Better Long-Tail Recommendation
Seznam.cz, a.s.(塞兹纳姆股份公司)
针对推荐系统中长尾内容发布者曝光不足的流行度偏差问题,提出重新利用工业推荐系统现有组件的方法,在保障推荐质量的同时提升弱势发布者曝光,经大规模AB实验验证有效并分享了生产应用洞见。
2024-09-17 cs.IR cs.LG
Trinity: Syncretizing Multi-/Long-tail/Long-term Interests All in One
ByteDance(字节跳动)
针对推荐系统中多兴趣、长尾兴趣和长期兴趣建模的“兴趣遗忘”问题,提出统一框架Trinity,利用实时聚类和统计兴趣直方图同时缓解该问题,并在抖音部署显著提升用户体验与留存。
2024-02-05 cs.IR cs.LG
RecPrompt: A Self-tuning Prompting Framework for News Recommendation Using Large Language Models
本文提出首个面向新闻推荐的自调优提示框架 RecPrompt,结合提示优化器迭代改进推荐,并引入 TopicScore 评估可解释性,实验证明其多项指标优于深度神经模型。
2024-10-22 cs.IR
RADio -- Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
University of Amsterdam(阿姆斯特丹大学);RTL Nederland B.V.(RTL荷兰有限公司)
在传统的推荐系统文献中,多样性通常被视为相似性的对立面,通常被定义为所识别的主题、类别或词模型之间的距离。然而,这并不能表达社会科学对多样性的解释,多样性解释了新闻机构的规范和价值观,我们在这里称之为规范多样性。我们介绍RADio,一个多功能的指标框架,以评估建议,根据这些规范的目标。RADio引入了秩感知的Jensen Shannon(JS)发散。这种组合说明了(i)用户观察列表中更下方的项目的倾向降低,以及(ii)与点估计相反的完全分布偏移。我们评估RADio的能力,以反映五个规范的概念,在微软新闻数据集和六个(神经)推荐算法的新闻推荐,我们的元数据丰富管道的帮助下。我们发现,RADio提供了有见地的估计,可以潜在地用于通知新闻推荐系统的设计。
2022-10-13 cs.IR cs.LG
Semantic TrueLearn: Using Semantic Knowledge Graphs in Recommendation Systems
Centre for Artificial Intelligence, University College London(伦敦大学学院人工智能中心)
在信息领域,许多挑战来自于需要处理知识领域之间的语义和层次结构。这项工作的目的是推进对建立一个状态感知的教育推荐系统,结合知识主题之间的语义相关性,传播潜在的信息在语义相关的主题。我们引入了一种新的学习者模型,利用这种语义之间的相关性知识组件的学习资源使用维基百科链接图,目的是更好地预测学习者的参与和潜在的知识在终身学习的情况下。从这个意义上说,Semantic TrueLearn构建了一个人性化的直观知识表示,同时利用贝叶斯机器学习来提高教育参与的预测性能。我们对大型数据集的实验表明,这种新的语义版本的TrueLearn算法在预测性能方面实现了统计上的显着改进,并通过简单的扩展为模型添加了语义感知。
2021-12-08 cs.AI cs.CY cs.IR
The Long Tail of Context: Does it Exist and Matter?
Temple University(天普大学);Sber(俄罗斯联邦储蓄银行);New York University(纽约大学)
背景在过去的二十年里一直是推荐系统中的一个重要课题。上下文的标准表示方法假设上下文变量及其结构在应用程序中是已知的。大多数先前的CARS论文遵循代表性方法,手动选择并考虑应用程序中的几个关键上下文变量,例如时间,位置和人的公司。当各种基于CARS的方法被部署在许多应用中时,这项先前的工作证明了显着的推荐性能改进。然而,一些推荐系统应用程序处理更大和更广泛类型的上下文,并且手动识别和捕获一些上下文变量在这种情况下是不够的。在本文中,我们研究这种“上下文丰富”的应用程序处理大量不同类型的上下文。我们证明,只支持几个最重要的上下文变量,虽然有用,是不够的。在我们的研究中,我们专注于应用程序,建议各种银行产品的商业客户的背景下,客户服务代表发起的对话。在这个应用程序中,我们设法识别了200多种上下文变量。根据重要性对这些变量进行排序形成了上下文长尾(Long Tail of Context,LTC)。在本文中,我们经验证明,LTC的事项,并使用所有这些上下文变量从长尾导致显着改善推荐性能。
2022-10-03 cs.IR cs.LG