Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping
University of Amsterdam（阿姆斯特丹大学）
提出下一个新篮子推荐任务及双向transformer模型BTBR，通过多种掩码与物品-篮子交换策略直接建模物品相关性，大幅提升仅含新物品篮子的推荐性能。
2023-08-02 cs.IR cs.LG
An empirical study of next-basket recommendations
针对下一购物篮推荐方法缺乏统一评估的问题，本文系统综述相关算法，并在统一数据集、实验配置和指标下进行实证比较，构建公平评估框架。
2023-12-05 cs.IR
A Next Basket Recommendation Reality Check
University of Amsterdam（阿姆斯特丹大学）
下一个购物篮推荐（NBR）系统的目标是根据用户先前购物篮的顺序为用户推荐下一个购物篮的物品。最近，已经提出了许多具有复杂模块的方法，这些方法声称具有最先进的性能。他们很少查看预测的篮子，只是为观察到的改进提供直观的原因，例如，更好的表示、捕获意图或关系等。我们提供了一个新的角度来评估下一个购物篮推荐方法，集中在重复和探索之间的区别上：下一个购物篮通常由先前消费的物品组成（即，重复项）和新项（即，探索项）。我们提出了一套衡量重复/探索比率和NBR模型性能的指标。使用这些新的指标，我们分析国家的最先进的NBR模型。我们的分析结果有助于澄清现有NBR方法所取得的实际进展程度以及改进的根本原因。总的来说，我们的工作揭示了NBR的评价问题，并为这项任务的模型设计提供了有用的见解。
2023-03-09 cs.AI cs.IR
T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
T-REX通过基于Transformer的类别序列生成方法，解决在线杂货推荐中重复购买模式和复杂物品关系的挑战，提升推荐准确性。
2026-02-23 cs.IR cs.LG
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
A Systematical Evaluation for Next-Basket Recommendation Algorithms
本文针对下一购物篮推荐（NBR）算法缺乏统一评估的问题，在相同数据集和实验设置下系统性地比较了多种代表性NBR算法的性能，为未来研究提供了统一的公平评估框架与参考。
2023-11-24 cs.IR
Efficiently Maintaining Next Basket Recommendations under Additions and Deletions of Baskets and Items
University of Amsterdam（阿姆斯特丹大学）；ABN AMRO Bank（荷兰银行）；AIRLab, University of Amsterdam（阿姆斯特丹大学AIR实验室）
在当今日益数字化的社会中，推荐系统在帮助人们查找信息和做出决策方面发挥着重要作用。然而，这种机器学习应用的广泛采用也引起了数据隐私方面的担忧。欧洲最近的“通用数据保护条例”（GDPR）解决了这些问题，该条例要求公司在用户行使其“被遗忘权”时，应要求删除个人用户数据。许多研究人员认为，这种删除义务不仅适用于存储在关系数据库等主数据存储中的数据，还需要更新机器学习模型，其训练集包括要删除的个人数据。我们探索这个方向的上下文中的顺序推荐任务称为下一个篮子推荐（NBR），其目标是推荐一组项目的基础上用户的购买历史。我们设计了有效的算法，递增和递减更新一个国家的最先进的下一个篮子推荐模型，以响应用户购物篮和项目的添加和删除。此外，我们讨论了一个有效的，数据并行实现我们的方法在火花结构化流系统。我们评估了我们在各种真实数据集上的实现，在那里我们调查了我们的更新技术对几个排名指标的影响，并测量了执行模型更新的时间。我们的研究结果表明，我们的方法提供了恒定的更新时间效率相对于一个额外的用户篮在增量的情况下，和线性效率在递减的情况下，我们删除现有的篮子。使用适度的计算资源，我们能够以大约0.2毫秒的延迟更新模型，无论增量情况下的历史大小如何，并且在递减情况下小于1毫秒。
2022-01-27 cs.AI cs.IR
Inferring Complementary Products from Baskets and Browsing Sessions
Yandex Market
互补产品推荐是电子商务中的一个重要问题。这样的建议增加了平均订单价格和篮子中的产品数量。互补产品通常是从篮子数据推断出来的。在这项研究中，我们提出了BB 2 vec模型。BB 2 vec模型通过联合分析两种类型的数据来学习产品的矢量表示-篮子和浏览会话（访问产品的网页）。这些向量表示用于进行互补产品推荐。该模型通过为很少或没有购买的产品提供更好的推荐来解决冷启动问题。我们发现，BB 2 vec模型具有更好的性能比其他模型，只使用篮子数据。
2018-09-25 cs.IR cs.LG stat.ML
CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
CASE通过分离物品级节奏学习与跨物品交互，实现显式日历时间建模，提升大规模下篮回购推荐的精度、召回和NDCG。
2026-04-24 cs.IR cs.LG
SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；T-Bank（T银行）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
针对下一购物篮推荐中物品组合复杂且深度学习表现不佳的问题，提出SAFERec算法，通过融合物品频率信息增强Transformer架构，在多个数据集上显著优于基线方法。
2024-12-20 cs.AI cs.IR
Modeling Dynamic Attributes for Next Basket Recommendation
Salesforce（赛富时）；UC San Diego（加州大学圣地亚哥分校）
传统的下一个商品和下一个购物篮推荐方法通常基于用户过去的交互和相关联的静态上下文信息（例如，用户id或商品类别）来提取用户的兴趣。然而，提取的利益可能是不准确的，并成为过时的。动态属性，如用户收入变化、物品价格变化等，随着时间的推移而改变。这种动态可以内在地反映用户兴趣的演变。我们认为，这样的动态属性建模可以提高推荐性能。然而，将它们适当地集成到用户兴趣模型中是具有挑战性的，因为属性动态可以是多样的，例如时间间隔感知的、周期性模式（等），它们从不同的角度代表用户的行为，这些行为可以与交互异步发生。除了动态属性之外，每个篮子中的项目还包含复杂的相互依赖关系，这可能是有益的，但对于有效捕获来说并不微不足道。为了应对这些挑战，我们提出了一种新的Attentive网络来建模动态属性（命名为Anda）。Anda分别编码动态属性和篮子项目序列。我们设计了一个周期性感知编码器，使模型能够从动态属性中捕获各种时间模式。为了有效地学习有用的项目关系，提出了篮内注意模块。在三个真实世界数据集上的实验结果表明，我们的方法始终优于最先进的。
2021-09-23 cs.AI cs.IR
BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Airbnb, Inc（爱彼迎公司）；UC San Diego（加州大学圣地亚哥分校）；Walmart Labs（沃尔玛实验室）
购物篮内推荐减少了用户的探索时间，其中用户对购物篮的意图很重要。购物篮的意图可以从用户-物品协同过滤信号和多物品相关性两者中检索。通过定义一个篮子实体来表示篮子意图，我们可以将此问题建模为User-Basket-Item~（UBI）图中的篮子项目链接预测任务。以前的工作解决了这个问题，同时利用用户的项目交互和项目的项目交互。然而，以往研究的总体性和异质性特征很少。集体定义了每个节点的语义，这些节点应该从直接和间接连接的邻居聚合。异质性来自UBI图中的多类型交互以及多类型节点。为此，我们提出了一个新的框架命名为\textbf{BasConv}，这是基于图卷积神经网络。我们的BasConv模型有三种类型的聚合器，专门为三种类型的节点设计。它们共同从邻域和高阶上下文学习节点嵌入。此外，聚合器中的交互层可以区分不同类型的交互。在两个真实数据集上的大量实验证明了BasConv的有效性。我们的代码可在https://github.com/JimLiu96/basConv上获得。
2020-05-08 cs.IR cs.LG
Basket Recommendation with Multi-Intent Translation Graph Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Walmart Labs（沃尔玛实验室）
购物篮推荐（BR）的问题是向当前购物篮推荐一个物品的排名列表。现有的方法通过假设同一篮子中的项目由一个语义关系相关来解决这个问题，从而优化项目嵌入。然而，当一个篮子中存在多个意图时，这个假设就被打破了。例如，假设一个购物篮包含\{ \textit{bread, cereal, yogurt, soap, detergent} \}，其中\{ \textit{bread, cereal, yogurt} \}通过“早餐”意图相关，而\{ \textit{soap, detergent} \}具有“清洁”意图，忽略项目之间的多个关系会破坏模型学习嵌入的能力。为了解决这个问题，需要发现篮子中的意图。然而，检索多意图模式是相当具有挑战性的，因为意图是隐藏在篮子里的。另外，篮子内的意图也可以是相关的。此外，发现多意图模式需要对高阶交互进行建模，因为不同篮子中的意图也是相关的。为此，我们提出了一个新的框架--\textbf{M}多功能\textbf{I}功能\textbf{T}翻译\textbf{G}--\textbf{N}功能\textbf{N}网络~（{ \textbf{MITGNN} }）. MITGNN将$T$意图建模为通过$T$关系向量从一个对应的篮子嵌入转换的尾实体。通过多头聚合器学习关系向量来处理用户和项目信息。此外，MITGNN在我们定义的篮子图中传播多个意图，通过聚合邻居来学…
2020-10-22 cs.AI cs.IR
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications（北京邮电大学）；Renmin University of China（中国人民大学）
下一个购物篮推荐是市场购物篮分析中的一个重要环节，其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看，一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此，一个理想的推荐系统应该代表一个项目，考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示，其在所有事务之间是不变的，因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发，我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示（IERT）。在离线阶段，IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段，预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味，以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT的性能优于现有的基线方法，证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation
Sun Yat-Sen University（中山大学）；Wens Foodstuff Group Co., Ltd.（温氏食品集团股份有限公司）；Guangdong Polytechnic Normal University（广东技术师范大学）；University of Illinois（伊利诺伊大学）
针对下一篮子推荐中高阶物品关系与OOV物品编码难题，提出HEKP4NBR方法，利用知识树提示增强PLM，并通过超图卷积建模多物品相关性，实验验证其有效性。
2023-12-26 cs.AI cs.IR
Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation?
本文针对下一篮推荐中超越准确性指标优化不足的问题，提出即插即用的TREx框架，将重复物品与探索物品分开处理，在保持高准确性的同时提升公平性与多样性，并反思现有评估范式的局限性。
2024-05-02 cs.IR
Within-basket Recommendation via Neural Pattern Associator
Loblaw Digital（罗布劳数字公司）；Dalhousie University（达尔豪斯大学）
针对篮内推荐忽视用户多意图、多粒度及意图切换的问题，提出神经模式关联器（NPA），通过向量量化学习意图码本并注意力查找，在杂货与音乐数据集上显著优于现有方法。
2024-03-14 cs.IR cs.LG
Mitigating Frequency Bias in Next-Basket Recommendation via Deconfounders
Walmart Global Tech（沃尔玛全球科技）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Indeed
最近的下一个购物篮推荐（NBR）的研究取得了很大的进展，利用个性化的项目频率（PIF）的主要特征之一，它衡量用户的互动与项目的频率。然而，将PIF作为显式特征会导致对频繁项的偏见。用户频繁购买的项目在基于PIF的推荐系统中被分配更高的权重，并且更频繁地出现在个性化推荐列表中。结果，系统将失去用户频繁购买的物品和用户从不购买的物品之间的公平和平衡。我们将这种个性化推荐列表的系统偏差称为频率偏差，它缩小了用户的浏览范围，降低了系统的效用。我们采用因果推理理论来解决这个问题。考虑到历史购买对用户未来兴趣的影响，用户和物品表示可以被视为因果图中的未观察到的混杂因素。在本文中，我们提出了一个deconfounder模型命名为FENDER（频率感知Deconfounder下一个篮子推荐），以减轻频率偏差。利用我们提出的去混淆理论和因果图，FENDER用神经张量层分解PIF，以获得用户和项目的替代混淆因素。然后，FENDER考虑这些替代混杂因素的影响，执行无偏倚的建议。实验结果表明，与三个数据集上的十个基线模型相比，FENDER获得了多样化和公平的结果，同时实现了具有竞争力的性能。进一步的实验说明了FENDER如何平衡用户的历史购买和潜在兴趣。
2022-11-16 cs.IR cs.LG
Beyond Ranking Accuracy: Evaluating LLM-Cited Feature Rationales for Next Basket Repurchase Recommendation
Walmart Global Tech（沃尔玛全球技术）
该研究针对下一个购物篮回购推荐，探究LLM作为独立推荐器的可行性，发现其排序能力不及监督排序器，但可作为经验证的解释组件，且理由质量需与排序准确率分开评估。
2026-09-01 cs.AI cs.IR
RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation
递归神经网络用于基于会话的推荐，由于其良好的性能，近年来引起了广泛的关注。重复消费是许多推荐场景中的常见现象（例如，电子商务、音乐和电视节目推荐），其中随着时间的推移重复地重新消费相同的项目。然而，没有以前的研究强调重复消费与神经网络。需要一种有效的神经方法来决定何时执行重复推荐。在本文中，我们将重复探索机制到神经网络，并提出了一个新的模型，称为RepeatNet，与编码器-解码器结构。RepeatNet在解码器中集成了一种常规的神经推荐方法和一种新的重复推荐机制，该机制可以从用户的历史记录中选择项目，并在正确的时间推荐它们。我们在三个基准数据集上进行了广泛的实验。RepeatNet在所有三个数据集的MRR和Recall方面都优于最先进的基线。此外，随着数据集大小和重复率的增加，RepeatNet在基线上的改进也会增加，这表明了它在处理重复推荐场景方面的优势。
2018-12-06 cs.IR
TSRec: Enhancing Repeat-Aware Recommendation from a Temporal-Sequential Perspective
本文提出TSRec模型，通过用户与商品时间表示模块及序列重复感知模块建模时间间隔和序列模式，以增强重复消费推荐，并在三个基准上验证其优于现有方法。
2025-06-10 cs.IR
Recommender for Its Purpose: Repeat and Exploration in Food Delivery Recommendations
本文针对外卖推荐中复购与探索行为的独特特征，提出 ReRec 和 ExpRec 两个独立模型，并在三个真实数据集上验证其在复购、探索及组合推荐任务中优于现有基线。
2024-02-22 cs.IR
Modeling User Repeat Consumption Behavior for Online Novel Recommendation
给定用户的历史交互序列，在线小说推荐建议用户可能感兴趣的下一部小说。在线小说推荐很重要，但尚未得到充分研究。在本文中，我们专注于推荐网络小说的新用户的在线小说阅读平台，其首次访问该平台发生在过去的七天。对于新用户的在线小说推荐，我们有两点看法。一是新用户重复新奇消费是普遍现象。其次，用户与小说之间的互动是信息性的。为了准确预测用户是否会重新消费小说，在细粒度级别上描述每个交互至关重要。基于这两个观察，我们提出了一个神经网络的在线小说推荐，称为NovelNet。NovelNet可以同时从用户消费的小说和新小说中推荐下一部小说。具体来说，一个互动编码器被用来获得准确的互动表示考虑细粒度的属性的互动，和指针网络与逐点损失被纳入NovelNet推荐以前消费的小说。此外，从知名网络小说阅读平台构建了网络小说推荐数据集，并作为基准发布供公众使用。在数据集上的实验结果证明了NovelNet的有效性。
2022-09-05 cs.IR
Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems
本文指出现有推荐系统去学习基准脱离实际，提出涵盖多任务和真实场景的新基准设计期望，并通过初步实验验证定制去学习算法在序列推荐中显著优于通用算法且延迟极低。
2025-09-18 cs.IR
Neural Network Based Next-Song Recommendation
National Chiao Tung University（台湾交通大学）；Academia Sinica（中央研究院）
最近，考虑购买物品之间的顺序关系的下一个物品/购物篮推荐系统引起了研究者的关注。序列模式的使用已经提高了几种推荐任务的性能。受自然语言处理（NLP）技术的启发，本文提出了一种基于神经网络（NN）的下一首歌曲推荐系统CNN-rec。然后，我们比较了所提出的系统与几个神经网络为基础的和经典的推荐系统的下一首歌曲推荐任务。验证结果表明，所提出的系统优于经典系统，并具有可比的性能与国家的最先进的系统。
2016-06-24 cs.AI cs.IR cs.LG
Signed Distance-based Deep Memory Recommender
Worcester Polytechnic Institute（伍斯特理工学院）
个性化推荐算法通过测量它们之间的距离/相似性来学习用户对项目的偏好。然而，一些现有的推荐模型（例如，矩阵分解）假设用户和项目之间的线性关系。这种方法限制了推荐系统的容量，因为在现实世界的应用程序中，用户和项目之间的交互要比线性关系复杂得多。为了克服这一局限性，本文设计并提出了一个基于符号距离的深度学习框架--基于深度记忆的推荐器（Signed Distance-based Deep Memory Recommender），该框架能够显式和隐式地捕捉用户和物品之间的非线性关系，在一般推荐任务和基于购物篮的推荐任务中都能很好地工作。通过对六个真实数据集的两个推荐任务的广泛实证研究，我们提出的方法取得了显着的改进，超过了十个国家的最先进的推荐模型。
2019-05-01 cs.AI cs.IR
MARS: Multi-Agent Re-ranking for Repeat-Order Food Delivery Recommendation
Georgia Institute of Technology（佐治亚理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究针对重复订单食品配送推荐，提出MARS模块化多智能体重排框架，分两阶段推荐，结合多种信号与推理。通过实验评估，贡献包括给出集成框架、证明预训练主干结合轻量级检索有竞争力、建立可重现评估设置。
2026-07-29 cs.AI cs.IR
Variational Bayesian Context-aware Representation for Grocery Recommendation
University of Glasgow（格拉斯哥大学）
杂货推荐是一种重要的推荐用例，其目的是根据用户的购物历史来预测用户将来可能选择购买哪些物品。然而，现有的方法只表示每个用户和项目的单确定性点在一个低维连续空间。此外，这些方法中的大多数都是通过使用简单的基于Skip-gram的公式最大化同现可能性来训练的，这限制了它们嵌入的表达能力和由此产生的推荐性能。在本文中，我们提出了变分贝叶斯上下文感知表示（VBCAR）模型的杂货店推荐，这是一种新的变分贝叶斯模型，学习用户和项目的潜在向量，利用购物篮上下文信息，从过去的用户-项目交互。我们训练我们的VBCAR模型的基础上的贝叶斯Skip-gram框架加上摊销变分推理，使它可以学习更多的表达潜在的表示，集成了非线性和贝叶斯行为。在一个大型的真实世界杂货推荐数据集上进行的实验表明，我们提出的VBCAR模型可以显着优于现有的最先进的杂货推荐方法。
2019-10-29 cs.IR cs.LG
Exploring Longitudinal Effects of Session-based Recommendations
基于会话的推荐是一种问题设置，其中推荐系统的任务是仅基于正在进行的会话中的少数观察到的用户交互来做出合适的项目建议。在这样的设置中缺乏关于个体用户的长期偏好信息通常导致有限的个性化水平，其中可能向许多用户推荐一小组流行项目。通过推荐的这种项目子集的这种重复暴露又可能导致随着时间的推移的强化效应，并且导致系统不再能够在期望的程度上帮助用户发现新内容。在这项工作中，我们调查这种潜在的纵向影响，基于会话的建议，在一个基于模拟的方法。具体来说，我们分析了不同类型的算法在多大程度上可能导致随着时间的推移的集中效应。我们在音乐领域的实验表明，所有研究的算法-神经和启发式的-可能会导致较低的项目覆盖率和更高的浓度上的一个子集的项目。然而，额外的模拟实验也表明，相对简单的重新排序策略，例如，通过避免在音乐领域有太多的重复推荐，可能有助于解决这个问题。
2020-08-17 cs.IR
Fairness of Exposure in Dynamic Recommendation
本文研究动态推荐中的曝光偏差，指出现有静态缓解方法无法实现长期公平，并提出一种适应动态环境的方法，在真实数据上验证了其长期公平性与准确性优势。
2023-09-05 cs.IR
A Universal Sets-level Optimization Framework for Next Set Recommendation
针对下一个集合推荐现有方法目标函数局限于单物品比较、忽略集合依赖与多样性的问题，提出基于SDPP的通用集合级优化框架SNSRec，在真实数据集上的相关性与多样性表现均优于现有方法。
2024-10-30 cs.IR
Unbiased Cascade Bandits: Mitigating Exposure Bias in Online Learning to Rank Recommendation
曝光偏差是推荐系统中的一个众所周知的问题，其中物品和供应商在推荐结果中的代表性不相等。当偏见随着时间的推移而放大时，这是特别有问题的，因为一些受欢迎的项目在推荐列表中反复过度代表。这种现象可以被看作是一个推荐反馈循环：系统在不同的时间点重复推荐某些项目，用户与这些项目的交互会随着时间的推移放大对这些项目的偏见。这个问题已经被广泛研究的文献中基于模型或基于邻域的推荐算法，但较少的工作已经做了在线推荐模型，如那些基于多臂Bandit算法。在本文中，我们研究了一类著名的土匪算法称为线性级联土匪曝光偏差。我们分析了这些算法处理曝光偏差的能力，并在推荐结果中为项目和供应商提供了公平的代表性。我们的分析表明，这些算法未能公平对待物品和供应商，也没有充分探索每个用户的物品空间。为了减轻这种偏见，我们提出了一个折扣因子，并将其纳入这些算法，控制在每个时间步的项目的曝光。为了证明所提出的折扣因子在减轻曝光偏差方面的有效性，我们使用三种级联强盗算法在两个数据集上进行了实验，我们的实验结果表明，所提出的方法提高了物品和供应商的曝光公平性。
2021-08-07 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet（圣菲-锥形研究所）
本文提出一种新颖的价值感知推荐方法，同时解决用户-物品数据的高维性和稀疏性问题，并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中，并基于此计算客户相似性，支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
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
Ex2Vec: Characterizing Users and Items from the Mere Exposure Effect
提出Ex2Vec模型，利用单纯曝光效应刻画用户与物品特征，通过预测重复音乐消费验证，以追踪兴趣演变并改进重复推荐场景。
2023-11-17 cs.IR
Sequence-aware item recommendations for multiply repeated user-item interactions
针对多次重复交互和偏好变化导致传统推荐方法受限的问题，受NLP处理文本序列启发，设计了引入时间维度并考虑用户项目交互序列的推荐系统，在零售环境中实现高精度预测，A/B测试中总销售额增5%、个人支出超50%。
2023-04-02 cs.IR stat.ML
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练，比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响，发现重排序策略的作用更大。
2024-08-22 cs.IR
Combining Aspects of Genetic Algorithms with Weighted Recommender Hybridization
推荐系统是用来激励用户观看有趣的电影、发现婴儿名字或阅读书籍的既定手段。通过使用混合方法组合多个推荐算法的结果，推荐质量进一步提高。在本文中，我们专注于将未评分的建议组合成一个单一的合奏的任务。我们所提出的方法的灵感来自遗传算法。它重复地从推荐中选择项目，以创建将用于最终集成的项目群体。我们比较我们的方法与加权投票方法和测试的性能都在电影和名字推荐的情况下。我们在两个数据集上的表现都优于加权方法20.3%和31.1%，并将整体执行时间减少了19.9%。我们的研究结果不仅提出了一种新的杂交方法，但引入领域的推荐杂交进一步工作与遗传算法。
2017-10-27 cs.IR
LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
Alibaba Group（阿里巴巴集团）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
该研究针对生成式推荐中系统侧记忆缺失的问题，提出LoopMemGR框架，通过维护推荐体验日志并提取多视图信号，在淘宝数据集上验证了方法的有效性。
2026-09-10 cs.IR
Exposure-Aware Recommendation using Contextual Bandits
曝光偏差是推荐系统中的一个众所周知的问题，其中物品和供应商在推荐结果中的代表性不相等。当偏差随着时间的推移被放大为几个项目（例如，受欢迎的项目）在推荐列表中被反复过度表示，并且用户与这些项目的交互将随着时间的推移放大对这些项目的偏见，从而导致反馈循环。这个问题已经在基于模型或基于邻域的推荐算法的文献中得到了广泛的研究，但是在在线推荐模型上做的工作较少，例如基于top-K上下文强盗的推荐模型，其中推荐模型根据用户反馈动态更新。在本文中，我们研究了一类著名的上下文强盗算法称为线性级联强盗曝光偏差。我们分析了这些算法处理曝光偏差的能力，并为推荐结果中的项目提供了公平的表示。我们的分析表明，这些算法往往会随着时间的推移放大项目之间的暴露差异。特别是，我们观察到，这些算法不能正确地适应用户提供的反馈，并经常推荐某些项目，即使这些项目没有被用户选择。为了减轻这种偏差，我们提出了一种曝光感知（EA）奖励模型，该模型基于两个因素更新模型参数：1）用户反馈（即，点击与否），以及2）项目在推荐列表中的位置。这样，所提出的模型基于项目在推荐列表中的曝光度来控制分配给项目的效用。实验结果表明，该奖励模型在保持推荐准确率的同时，降低了曝光偏差的长期放大.
2022-09-04 cs.IR
Multi-intent-aware Session-based Recommendation
针对现有会话推荐模型忽视会话内多样化用户意图的问题，本文提出MiaSRec模型，利用频率嵌入和以项目为中心的多会话表示动态选择重要意图，在多个数据集上显著优于现有方法。
2024-05-02 cs.IR
Mitigating Exposure Bias in Online Learning to Rank Recommendation: A Novel Reward Model for Cascading Bandits
本文针对在线推荐中线性级联赌博机的曝光偏差问题，提出曝光感知奖励模型，结合隐式反馈和物品位置更新参数，在保持推荐准确性的同时提升曝光公平性，并给出理论遗憾界证明。
2024-08-08 cs.IR
Enhancing Learning Path Recommendation via Multi-task Learning
Department of Electrical；Computer Engineering Roy G. Perry College of Engineering Prairie View A\&M University Prairie View, TX 77446, USA Email
本文提出多任务LSTM模型，将学习路径推荐视为Seq2Seq问题，共享特征并加入非重复损失，在ASSIST09数据集上显著优于基线。
2025-07-05 cs.AI cs.CY cs.IR
Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro
NVIDIA（英伟达）
本文提出部署于Allegro平台的AlleCompanion检索框架，结合类别约束双塔架构与多源互补类别映射ComCat，过滤共购噪声，提升互补推荐效果，服务超2000万活跃用户并带动GMV增长。
2026-09-07 cs.AI cs.IR cs.LG
Personalized Category Frequency prediction for Buy It Again recommendations
Target Corporation（塔吉特公司）
提出分层PCIC模型，通过结合生存模型、时间序列模型与神经网络，在类别和商品粒度上预测用户的重复购买行为，在多个数据集和实际AB测试中显著提升了推荐效果。
2023-07-24 cs.AI cs.IR cs.LG
Characterizing and Predicting Repeat Food Consumption Behavior for Just-in-Time Interventions
Singapore Management University（新加坡管理大学）；National Taiwan University（台湾大学）
人类是习惯的动物。在日常生活中，人们倾向于在几天内重复食用类似类型的食物，并且当消费变得过于单调时偶尔切换到食用不同类型的食物。然而，新的和重复的消费行为还没有被研究在食品推荐的研究。更重要的是，预测个人日常饮食习惯的能力对于提高食物推荐系统在促进健康生活方式改变方面的有效性至关重要。在这项研究中，我们使用来自一个名为MyFitnessandum（MFP）的流行在线健身社区的大规模消费数据来分析重复食物消费的模式，对各种最先进的算法进行离线评估预测第二天的食物消费，并分析它们在不同人口统计群体和背景下的表现。实验结果表明，结合探索和开发和时间动态的算法是更有效的第二天推荐任务比大多数国家的最先进的算法。
2019-09-17 cs.CY cs.IR cs.LG
ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing
Central South University（中南大学）；Beihang University（北京航空航天大学）；South China University of Technology（华南理工大学）
针对推荐系统中用户行为异质导致的鲁棒性问题，提出ReliGRec框架，利用双视图弱风险估计器融合行为与图令牌，在推理时路由选择简单或谨慎提示，将弱风险信号转化为生成控制信号，提升推荐质量与鲁棒性。
2026-09-16 cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题，提出将媒体框架作为可控维度的推荐多样化方法，首次用三类规范性指标评估，实现未接触框架曝光度最高提升50%，同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
What Price Fairness? Evaluating Energy - Fairness - Accuracy Trade-off in Recommender Systems
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；ISISTAN, CONICET-UNCPBA（ISISTAN，阿根廷国家科学研究委员会-内乌肯国立大学）
本研究评估推荐系统中公平性干预的能耗成本，比较多种方法，发现公平性的绿色成本不统一，呼吁以准确性、公平性和计算成本三方权衡来评估公平感知推荐。
2026-09-09 cs.IR
Causally-Informed Reinforcement Learning for Adaptive Emotion-Aware Social Media Recommendation
Pennsylvania State University（宾夕法尼亚州立大学）
针对现有社交媒体推荐仅优化参与度、损害用户情绪健康的问题，提出ESMR框架，融合Transformer情绪预测与混合推荐策略，兼顾用户情绪健康与平台参与度表现。
2025-10-01 cs.AI cs.IR
Optimizing Effective Training Time for Large-Scale Recommendation Systems
Meta Platforms, Inc.（Meta平台公司）
针对大规模推荐训练中生命周期开销浪费加速器容量的问题，提出基于有效训练时间（ETT%）框架的系列优化，涵盖通信消除、缓存复用等，使ETT%平均提升15.5%，集群范围从80%提升至90%以上。
2026-10-30 cs.IR
Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context
Walmart Global Tech（沃尔玛全球技术）
针对食品杂货顾客的跨品类一般商品推荐问题，提出融合 LLM 检索、购物篮分析与实时购物车上下文排序的 XP 两阶段框架，在线 A/B 测试中显著提升加购率。
2025-09-29 cs.AI cs.IR
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）；Yonsei University（延世大学）
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目，例如，电子商务或多媒体流服务。具体来说，会话数据表现出一些独特的特征，即，会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中，我们提出了简单而有效的线性模型，考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是，它提供了一个通用框架来反映会话数据的不同视角。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
