Transfer Meets Hybrid: A Synthetic Approach for Cross-Domain Collaborative Filtering with Text
Hong Kong University of Science and Technology（香港科技大学）
协同过滤是推荐系统的关键技术。CF利用用户-项目行为交互（例如，点击），因此遭受数据稀疏问题。一个研究思路是整合产品评论和新闻标题等辅助信息，从而形成混合过滤方法。另一个思路是转移来自其他源域的知识，例如使用来自书籍域的知识来改进电影推荐，从而导致迁移学习方法。在现实生活中，没有一个单一的服务可以满足用户的所有信息需求。因此，这促使我们开发辅助和源信息的RS在本文中。我们提出了一种新的神经模型，以平稳地启用传输会议混合（TMH）方法跨域推荐与非结构化文本在一个端到端的方式。TMH通过记忆模块从非结构化文本中提取有用的内容，并通过传输网络选择性地传输来自源域的知识。在两个真实世界的数据集上，TMH在三个排名指标方面表现出更好的性能，通过与各种基线进行比较。我们进行了深入的分析，以了解文本内容和转移的知识如何帮助提出的模型。
2019-01-22 cs.AI cs.IR cs.LG
MOReGIn: Multi-Objective Recommendation at the Global and Individual Levels
Universitat de Barcelona（巴塞罗那大学）；Universidad Arturo Prat（阿图罗·普拉特大学）；University of Cagliari（卡利亚里大学）
针对多目标推荐系统难以同时满足全局与个体目标的问题，本文提出调节推荐列表的方法，兼顾类型校准与提供商公平性，并在两个公开真实数据集上验证有效性。
2024-01-23 cs.AI cs.IR
Active Learning Meets Optimized Item Selection
AI Center of Excellence（人工智能卓越中心）；Fidelity Investments（富达投资）
在有限或没有可用训练数据的情况下设计推荐系统仍然是一个挑战。为此，一个新的组合优化问题，制定产生优化的项目选择的实验与目标，以缩短收集随机训练数据的时间。我们首先介绍了优化的项目选择问题的概述和一个多层次的优化框架来解决它。该方法集成了离散优化，无监督聚类和潜在文本嵌入技术。然后，我们讨论如何将优化的项目选择与主动学习的一部分，随机探索在一个持续的时尚。
2021-11-22 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
HyperBandit: Contextual Bandit with Hypernewtork for Time-Varying User Preferences in Streaming Recommendation
Renmin University of China（中国人民大学）；Huazhong University of Science and Technology（华中科技大学）
本文提出 HyperBandit，用时间特征驱动的超网络动态生成奖励估计参数，并结合低秩分解与上下文 bandit 策略，实现流式推荐中对时变用户偏好的快速适应。
2023-08-14 cs.AI cs.IR
The Unfairness of Popularity Bias in Book Recommendation
University of Southern California（南加州大学）；University College London（伦敦大学学院）；Shahid Beheshti University（沙希德·贝赫什提大学）
最近的研究表明，推荐系统通常受到流行偏见。流行性偏见是指流行的项目（即，频繁评级的项目）被频繁地推荐，而不太受欢迎的项目很少被推荐或根本不被推荐。研究人员采用了两种方法来检查流行偏见：（i）从用户的角度来看，通过分析推荐系统在接收流行项目时偏离用户期望的程度，以及（ii）通过分析长尾项目接收的曝光量，以整体目录覆盖率和新颖性为衡量标准。在本文中，我们研究的第一个观点在图书领域，虽然研究结果可能适用于其他领域以及。为此，我们分析了著名的Book-Crossing数据集，并根据他们对热门项目的倾向定义了三个用户组（即，利基，多样化，以畅销为重点）。此外，我们评估了九种最先进的推荐算法和两种基线（即，随机，MostPop）从准确度（例如，NDCG，精确度，召回）和流行偏见的观点。我们的研究结果表明，大多数国家的最先进的推荐算法遭受流行偏见的书籍领域，并未能满足用户的期望与利基和多样化的口味，尽管有一个更大的配置文件大小。相反，专注于Bestseller的用户更有可能收到高质量的推荐，无论是在公平性还是个性化方面。此外，我们的研究表明，个性化和流行性偏见的不公平性之间的权衡推荐算法属于不同的和畅销书组的用户，即具有高个性化能力的算法遭受流行性偏见的不公平性。
2022-02-27 cs.AI cs.IR
EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation
Meituan（美团）
本文提出EXIT显式兴趣迁移框架，通过监督学习直接学习有益源域兴趣并排除不当信号，结合场景选择器网络建模细粒度场景下的迁移强度，有效解决跨域推荐中的负迁移问题，已部署于美团App首页主流量。
2024-07-29 cs.AI cs.IR
Learning to Fast Unrank in Collaborative Filtering Recommendation
针对推荐系统遗忘效率低的问题，本文提出L2UnRank方法，通过p跳传播识别影响范围、计算结构与语义影响并进行排序感知的参数更新，在保持推荐质量的同时实现50倍加速的取消排名。
2025-11-10 cs.AI cs.IR cs.LG
Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Renmin University of China（中国人民大学）；Meta AI
CARE通过级联推理框架提升生成推荐的多样性与效率，解决偏见放大问题。
2026-02-04 cs.IR
Machine Unlearning for Recommendation Systems: An Insight
Indira Gandhi Delhi Technical University for Women（英迪拉·甘地德里女子技术大学）；Jagiellonian University（雅盖隆大学）
本文综述推荐系统中的机器遗忘（MUL），分析其在适应性、个性化、隐私、偏见与算法透明度方面的应用、挑战及方法局限，并指出未来研究方向。
2024-01-17 cs.AI cs.IR cs.LG
DeepFair: Deep Learning for Improving Fairness in Recommender Systems
Universidad Politécnica de Madrid（马德里理工大学）
推荐系统中缺乏偏见管理导致少数群体收到不公平的推荐。此外，公平与精确之间的权衡使得很难获得同时符合这两项标准的建议。在这里，我们提出了一种基于深度学习的协同过滤算法，该算法在不知道用户的人口统计信息的情况下，提供了公平性和准确性之间的最佳平衡的推荐。实验结果表明，它是可能的，使公平的建议，而不会失去一个显着比例的准确性。
2020-06-09 cs.AI cs.LG stat.ML
A Survey on Federated Recommendation Systems
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR)（山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR））；Software School, Shandong University（山东大学软件学院）；Shandong University（山东大学）；Sino-Singapore International Joint Research Institute（中新国际联合研究院）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究学院）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）
联邦学习最近被应用于推荐系统以保护用户隐私。在联邦学习环境下，推荐系统只需要收集中间参数而不需要收集真实的用户数据就可以训练推荐模型，大大增强了用户隐私保护。此外，联合推荐系统能够与其他数据平台协作，以提高推荐模型的性能，同时满足监管和隐私约束。然而，联邦推荐系统面临着许多新的挑战，如隐私，安全性，异构性和通信成本。虽然在这些领域进行了大量研究，但调查文献中仍然存在空白。在本文中，我们-（1）总结了联邦推荐系统中常用的一些隐私机制，并讨论了每种机制的优点和局限性;（2）回顾了一些鲁棒的聚合策略和一些新的安全攻击;（3）总结了一些解决异构性和通信成本问题的方法;（4）介绍了一些可用于构建联邦推荐系统的开源平台;（5）提出了未来的研究方向。该调查可以指导研究者和实践者了解这些领域的研究进展。
2023-03-09 cs.AI cs.CR cs.IR
Collaborative Filtering Ensemble for Personalized Name Recommendation
Universitat Politècnica de Catalunya – BarcelonaTech（加泰罗尼亚理工大学-巴塞罗那理工）；Leibniz University Hannover（汉诺威莱布尼茨大学）
从成千上万的名字中选择，为您的孩子挑选合适的名字是一项艰巨的任务。在这项工作中，我们的目标是帮助父母在为孩子选择名字时做出明智的决定。我们遵循一个推荐系统的方法，并结合，在一个合奏，由简单的协同过滤算法产生的个人排名，以产生一个个性化的名单，以满足个别家长的口味。我们的实验是使用从“nameling”（nameling.net）的查询日志中收集的真实数据进行的，nameling是一个搜索和探索名称的在线门户网站，与ECML PKDD发现挑战2013中发布的数据集相对应。我们的方法直观，易于实现，并且具有快速的训练和预测步骤。
2014-07-16 cs.AI cs.IR cs.LG
Disentangled Cascaded Graph Convolution Networks for Multi-Behavior Recommendation
针对多行为推荐中偏好捕捉不准、因素纠缠及缺乏个性化的问题，提出Disen-CGCN模型，通过解耦表示、多行为元网络和注意力机制优化推荐，在基准数据集上较SOTA平均提升7.07%与9.00%。
2024-04-17 cs.IR
Personalized Prompt Learning for Explainable Recommendation
Hong Kong Baptist University（香港浸会大学）；Rutgers University（罗格斯大学）
提供用户可理解的解释来证明推荐可以帮助用户更好地理解推荐项目，增加系统的易用性，并获得用户的信任。一种典型的实现方法是自然语言生成。然而，以前的工作大多采用递归神经网络来满足目的，留下潜在的更有效的预训练Transformer模型未被探索。事实上，作为推荐系统中重要的标识符，用户ID和项目ID作为预先训练好的模型中的单词，本质上处于不同的语义空间，因此如何有效地将ID融合到这些模型中成为一个关键问题。受提示学习最新进展的启发，我们提出了两种解决方案：找到替代词来表示ID（称为离散提示学习），并直接将ID向量输入到预先训练的模型（称为连续提示学习）。在后一种情况下，ID向量是随机初始化的，但模型是在大型语料库上预先训练的，因此它们实际上处于不同的学习阶段。为了弥补这一差距，我们进一步提出了两种训练策略：顺序调优和推荐正则化。大量的实验表明，我们的持续提示学习方法配备的训练策略一致优于强基线上的三个数据集的可解释的建议。
2023-01-13 cs.AI cs.CL cs.IR
When Transformers Meet Recommenders: Integrating Self-Attentive Sequential Recommendation with Fine-Tuned LLMs
University of Exeter（埃克塞特大学）
本研究提出SASRecLLM框架，融合SASRec协同编码器与LoRA微调LLM，通过映射层对齐和三种训练策略，在冷热启动场景中显著提升推荐性能。
2025-07-08 cs.AI cs.IR
When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
针对搜索与推荐（S&R）用户意图差异被忽略的问题，提出SESRec框架，通过对比学习解耦S&R行为中的相似与不相似表示，并利用注意力机制提取用户兴趣，在多数据集上显著优于现有模型。
2023-05-18 cs.AI cs.IR
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出自适应集成学习（AEL）去噪推荐方法，利用稀疏门控网络动态选择专家，并通过组件堆叠构建多样性子推荐器，在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study
The University of Queensland（昆士兰大学）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）
本文提出将文本视为视觉信号，通过OCR技术提升生成推荐中语义ID学习的鲁棒性和效率。
2026-01-21 cs.AI cs.IR
DynLLM: When Large Language Models Meet Dynamic Graph Recommendation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
针对现有图增强方法难以应对动态图推荐的问题，提出DynLLM框架，利用LLM生成多维度用户画像并通过蒸馏注意力机制优化嵌入，与连续时间动态图嵌入融合，在电商数据集上取得优于基线的效果。
2024-05-13 cs.AI cs.IR
When Relevance Meets Novelty: Dual-Stable Periodic Optimization for Serendipitous Recommendation
Tsinghua University（清华大学）
本文提出CoEA方法，通过双稳定周期优化解决推荐系统中相关性与新颖性的平衡问题，提升偶然推荐效果。
2026-03-04 cs.AI cs.IR
Cross-Domain Recommendation Meets Large Language Models
针对现有跨域推荐（CDR）模型在数据稀缺场景效果差的问题，本研究利用大型语言模型（LLMs）推理能力，提出两种CDR专用提示设计，证明有效提示的LLMs在评分预测和排序任务中优于现有CDR基准模型。
2024-11-29 cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining
Carnegie Mellon University（卡内基梅隆大学）；Southwest Jiaotong University（西南交通大学）；Washington University in St. Louis（华盛顿大学圣路易斯分校）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出一种基于分离嵌入交叉网络的推荐模型，通过嵌入层将稀疏特征转为稠密向量并在不同维度独立进行特征交叉，以提升特征挖掘精度，实验证明其在复杂数据集上具有更强适应性和更高预测精度。
2024-10-19 cs.AI cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Integrated Expert Recommendation Model for Online Communities
在线社区已成为Web 2.0用户分享知识和经验的重要场所。近年来，在社区中寻找专家用户已成为一个重要的研究课题。本文提出了一种新的级联模型的专家推荐使用聚合知识提取的巨大的内容和社会网络的功能。向量空间模型用于计算发布内容与特定查询的相关性，PageRank算法用于对候选专家进行排序。实验结果表明，该模型能够保证大多数候选专家既与特定查询高度相关，又在相应领域具有高度影响力，是一种有效的推荐方法。
2013-11-14 cs.IR cs.SI
Multi-modality Meets Re-learning: Mitigating Negative Transfer in Sequential Recommendation
本文提出ANT方法，通过融合多模态物品信息和基于重学习的适配策略，有效缓解序列推荐中的负迁移问题，在五个目标任务上显著优于八种基线方法，提升最高达15.2%。
2023-09-20 cs.IR
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
顺序推荐的目的是根据用户的行为历史来确定用户偏好的下一个项目。与利用注意力机制和RNN的传统顺序模型相比，最近的努力主要遵循两个改进方向：多兴趣学习和图卷积聚合。具体地，多兴趣方法（诸如ComiRec和MIMN）专注于通过执行历史项目聚类来提取用户的不同兴趣，而图卷积方法（包括TGSRec和SURGE）选择基于历史项目之间的多级相关性来细化用户偏好。不幸的是，他们都没有意识到，这两种类型的解决方案可以相互补充，通过聚合多层次的用户偏好，以实现更精确的多兴趣提取更好的推荐。为此，在本文中，我们通过多兴趣学习和图卷积聚合的组合提出了一个统一的多粒度神经模型（名为MGNM）。具体地，MGNM首先学习用户的历史项目的图结构和信息聚合路径。然后，它执行图卷积，以迭代的方式导出项目表示，其中可以很好地捕获不同级别的复杂偏好。然后，提出了一种新的顺序胶囊网络，将顺序模式注入到多兴趣提取过程中，从而以多粒度的方式实现更精确的兴趣学习。
2022-05-03 cs.IR
When Box Meets Graph Neural Network in Tag-aware Recommendation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Army Engineering University of PLA（中国人民解放军陆军工程大学）
针对标签感知推荐中现有方法难捕捉用户偏好多样性及三分图高阶信号的问题，提出BoxGNN算法，用超盒嵌入结合逻辑运算的消息聚合与体积学习目标，在多数据集上优于现有基线。
2024-06-17 cs.AI cs.IR
When Collaborative Filtering Meets Reinforcement Learning
The Hong Kong Polytechnic University（香港理工大学）
本文研究了一个多步交互式推荐问题，其中当前推荐的项目可能会影响未来推荐的质量。为了解决这个问题，我们开发了一种新颖而有效的方法，命名为CFRL，它无缝集成了协同过滤（CF）和强化学习（RL）的想法。更具体地说，我们首先将推荐者-用户交互式推荐问题建模为代理-环境RL任务，该任务在数学上由马尔可夫决策过程（MDP）描述。此外，为了实现整个用户社区的协作推荐，我们提出了一种新的CF为基础的MDP编码到一个共享的潜在向量空间的所有用户的状态。最后，我们提出了一种有效的Q-网络学习方法来学习基于CF的MDP的代理的最优策略。CFRL的能力是通过比较其性能对各种现有的方法在现实世界的数据集。
2019-04-02 cs.IR cs.LG stat.ML
Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Tencent（腾讯）；Shandong University（山东大学）；City, University London（伦敦城市大学）
针对LLM赋能推荐中通用语言表示与领域偏好不匹配、多领域适应性有限的问题，提出全领域持续预训练框架CPRec，通过统一提示模板和定制学习率调度对齐LLM与通用用户行为，提升推荐性能。
2025-04-11 cs.CL cs.IR
Semantics Meet Signals: Dual Codebook Representationl Learning for Generative Recommendation
University of Cambridge（剑桥大学）；Roblox Corporation（Roblox公司）；University of Maryland（马里兰大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出FlexCode，一种用于生成推荐的双代码本学习框架，通过自适应分配token预算提升流行物品与长尾物品的表示效率和泛化能力。
2025-11-15 cs.CL cs.IR
Divergence Meets Consensus: A Multi-Source Negative Sampling Framework for Sequential Recommendation
Renmin University of China（中国人民大学）；Shandong University（山东大学）；Peking University（北京大学）
本文提出了一种多源分歧-共识负采样框架MDCNS，通过引入教师-同伴-自我框架，解决传统自引导硬负采样在循环依赖、采样区域狭窄和计算开销大等问题，从而提升序列推荐模型的多样性与泛化能力。
2026-05-19 cs.IR
CSMF: Cascaded Selective Mask Fine-Tuning for Multi-Objective Embedding-Based Retrieval
针对多目标基于嵌入的检索中模型参数多、检索延迟高及目标间因果关系建模难的问题，提出CSMF方法，通过级联选择性掩码微调提升检索效率与服务性能，且不增加参数与检索开销。
2025-04-17 cs.IR
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
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
本文通过分析去噪权重导致的头尾信号比变化，揭示小损失去噪会抑制干净但难拟合的长尾信号，提出流行度感知去噪（PAD）框架，根据物品流行度调节去噪强度，在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
On the Equivalence Between Auto-Regressive Next Token Prediction and Full-Item-Vocabulary Maximum Likelihood Estimation in Generative Recommendation--A Short Note
Kuaishou Technology（快手科技）
本文证明自回归下一个token预测与完整物品词汇最大似然估计在生成推荐中严格等价，为工业级推荐系统提供理论基础。
2026-04-17 cs.IR
Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation
University of Cagliari（卡利亚里大学）；Polytechnic University of Turin（都灵理工大学）
路径推理是基于知识图谱（KG）对高阶用户-产品关系建模的著名推荐方法。这种方法可以提取推荐产品和已经体验过的产品之间的推理路径，然后将这些路径转化为用户的文本解释。不幸的是，在这一领域的评估协议出现异构和有限的，很难上下文的影响，现有的方法。在本文中，我们复制了三个国家的最先进的相关路径推理推荐方法提出的顶级会议。在一个共同的评估协议下，基于两个公共数据集，并与其他知识感知的方法相比，我们研究了它们在多大程度上满足推荐效用和超越目标，解释质量，消费者和提供者的公平性。我们的研究提供了在这一领域的进展情况，突出开放的问题和未来的方向。源代码：\url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}。
2023-01-14 cs.AI cs.IR
Low-Precision Hardware Architectures Meet Recommendation Model Inference at Scale
Facebook（脸书）
机器学习（ML）的巨大成功和ML模型复杂性的持续增长，促使CPU和加速器架构中的许多ML特定设计加快模型推理。虽然这些架构多种多样，但高度优化的低精度算法是大多数架构共享的组件。这些架构在基准ML模型上确实经常表现出令人印象深刻的计算吞吐量。然而，对Facebook的个性化服务很重要的推荐系统等生产模型要求很高，也很复杂：这些系统必须每月以低延迟响应数十亿用户，同时保持高预测准确性，尽管每个推理需要数百亿个参数进行计算。这些低精度架构是否与我们的生产推荐系统配合良好？他们会去的而且但不是没有重大的努力。我们在本文中分享了我们的搜索策略，以适应参考推荐模型低精度的硬件，我们的低精度计算内核的优化，以及工具链的设计和开发，以保持我们的模型的准确性在其整个生命周期期间，主题趋势和用户的兴趣不可避免地演变。实践这些低精度技术帮助我们节省了数据中心容量，同时部署了复杂度高达5倍的模型，这些模型原本不会部署在传统的通用CPU上。我们相信，这些来自战壕的经验教训促进了硬件架构和软件工程之间更好的协同设计，并推动了ML在工业中的发展。
2021-05-26 cs.AR cs.IR cs.LG
Generation Meets Recommendation: Proposing Novel Items for Groups of Users
National University of Singapore（新加坡国立大学）
考虑一个电影制片厂，它的目标是制作一套夏季上映的新电影：它应该制作什么类型的电影？电影会吸引谁？它应该拍多少部电影？各种组织都遇到了类似的问题，例如，移动电话制造商和在线杂志，他们必须创造新的（不存在的）项目，以满足不同偏好的用户群体。在本文中，我们提出了一个联合问题的形式化这些相互关联的问题，并提出生成方法，同时解决这些问题。具体来说，我们利用通过训练深度生成模型-变分自编码器（VAE）-获得的潜在空间，通过一个损失函数，该函数包含评级性能和项目重建项。然后，我们应用一个贪婪的搜索算法，利用这个学习的潜在空间，共同获得K个合理的新项目，和用户组，会发现项目的吸引力。在合成数据集上对我们的方法进行的评估表明，我们的方法能够生成类似于高度期望的未观察到的项目的新项目。作为对真实世界数据的案例研究，我们将我们的方法应用于MART抽象艺术和Movielens Tag Genome数据集，这产生了有希望的结果：小而多样的新项目集。
2018-08-02 cs.IR cs.LG stat.ML
E-commerce Webpage Recommendation Scheme Base on Semantic Mining and Neural Networks
University of Science and Technology of China（中国科学技术大学）；Arizona State University（亚利桑那州立大学）；The University of Chicago（芝加哥大学）；Georgia Institute of Technology（佐治亚理工学院）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对电商网页推荐方案难以满足网购用户需求的问题，提出结合语义网挖掘与BP神经网络的推荐方案，提取5类日志特征训练网络实现优先级排序，经图书销售网页实验验证可快速准确识别用户所需网页。
2024-09-11 cs.AI cs.IR
Explicit Feedbacks Meet with Implicit Feedbacks : A Combined Approach for Recommendation System
Indian Institute of Technology Patna（印度理工学院巴特那分校）
推荐系统通过分析用户对不同品牌商品的潜在兴趣，更准确地推荐商品。结合用户的评分相似性，用户的隐式反馈的存在，如点击项目，查看项目规格，观看视频等已被证明有助于学习用户的嵌入，这有助于更好地预测用户的评分。现有的推荐系统大多集中于对用户的评价和隐式反馈进行建模，而忽略了用户的显式反馈。显式反馈可以用于验证特定用户的可靠性，并且可以用于了解用户的特性。用户特征是指用户是什么类型的审稿人。在本文中，我们探讨了三种不同的模型，以更准确地侧重于用户的显式反馈和隐式反馈的推荐。第一种是RHC-PMF，它基于用户的三个显式反馈（评级，有用性得分和中心性）更准确地预测用户的评级;第二种是RV-PMF，其中考虑了用户的隐式反馈（视图关系）。最后一个是RHCV-PMF，其中考虑了两种类型的反馈。在该模型中，用户外显反馈的相似性反映了用户反馈的可靠性和特征的相似性，而用户内隐反馈的相似性反映了用户反馈偏好的相似性。在真实世界数据集上的大量实验表明，与基线模型相比，我们的模型在用户评级预测方面表现更好。Amazon.com与基线模型相比，RHCV-PMF模型对冷启动用户和冷启动项目的评分预测效果更好。
2018-10-29 cs.IR cs.LG stat.ML
GEVR: An Event Venue Recommendation System for Groups of Mobile Users
在本文中，我们提出了GEVR，第一组活动场所推荐系统，通过个人的位置跟踪和上下文信息的移动性纳入一个“基于社会”的群体决策模型，为移动用户群体提供场地建议。我们的研究利用了一个真实世界的数据集，该数据集是使用OutWithWeiz移动应用程序收集的，用于群体活动规划，其中包含625个用户和500多个群体活动。我们首先开发了一种新型的“基于社交”的群体位置预测模型，该模型自适应地将不同的群体决策策略应用于具有不同社交关系强度的群体，以汇总每个群体成员的位置偏好，来预测群体将在哪里见面。评估结果表明，我们的预测模型不仅优于常用的和国家的最先进的群体决策策略，预测群体的最终会议地点集群的准确率超过80%，而且还提供了有前途的质量在冷启动场景。然后，我们将我们的预测模型与Foursquare场地推荐API相结合，为移动用户群体构建活动场地推荐框架。评估结果表明，GEVR优于比较模型的显着保证金。
2019-03-25 cs.HC cs.IR cs.SI
Hybrid Recommendation System using Graph Neural Network and BERT Embeddings
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究提出结合图神经网络与句子转换器嵌入的混合动漫推荐模型，兼顾动漫特征与用户交互，可同时实现推荐与评分预测，提升推荐准确性并可跨领域扩展。
2023-10-07 cs.AI cs.IR cs.LG
Smart E-commerce Recommendations with Semantic AI
针对电商页面推荐难以满足用户需求的问题，提出结合语义网络挖掘与BP神经网络的方案，提取五类用户特征实现页面排序推荐，提升了推荐准确率与效率，可扩展应对现代电商挑战。
2024-09-11 cs.AI cs.IR cs.LG
OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
Tencent Inc.（腾讯公司）
OneRanker通过统一生成与排序架构，解决广告推荐中生成与排序的脱节问题，提升业务指标表现。
2026-11-06 cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而，维护多个模型导致高计算成本，并提出了很大的挑战，以满足新闻推荐系统的在线延迟要求。为了解决这个问题，本文提出了UniRec，一个统一的方法召回和排名的新闻推荐。在我们的方法中，我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后，我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明，该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
Recent Advances in Heterogeneous Relation Learning for Recommendation
University of Hong Kong（香港大学）
推荐系统在许多Web应用中扮演着重要的角色，以满足用户的个性化兴趣和减轻信息过载。在这项调查中，我们回顾了开发的建议框架，重点是异构关系学习，其中包括不同类型的依赖关系之间的用户和项目。该任务的目标是将异构的关系数据映射到潜在的表示空间中，这样可以很好地保留来自用户域和项目域的结构和关系属性。为了解决这个问题，最近的研究进展可以分为三个主要路线：社会推荐，知识图谱增强的推荐系统，和多行为推荐。我们讨论了每一类的学习方法，如矩阵分解，注意力机制和图神经网络，有效地提取异构上下文信息。最后，我们提出了一个探索性的前景，突出几个有前途的方向和机会，在异构关系学习框架的建议。
2021-10-07 cs.IR cs.LG
Enhancing CTR Prediction in Recommendation Domain with Search Query Representation
McGill University（麦吉尔大学）
针对推荐领域现有方法未充分利用搜索域用户偏好、忽略跨域意图偏移的问题，提出融合搜索查询嵌入、对比学习与扩散模型的CTR预测框架，实验效果优于当前最优模型。
2024-10-28 cs.AI cs.IR cs.LG
UniGRec: Unified Generative Recommendation with Soft Identifiers for End-to-End Optimization
University of Science and Technology of China（科学技术大学）；National University of Singapore（国立新加坡大学）；The Chinese University of Hong Kong（香港中文大学）
UniGRec通过统一生成推荐框架解决端到端优化中的软标识符问题，提出退火推理对齐、码字均匀性正则化和双协作蒸馏机制，提升推荐性能。
2026-01-24 cs.IR cs.LG
User Long-Term Multi-Interest Retrieval Model for Recommendation
针对检索模型难以处理超长行为序列的问题，提出ULIM框架，通过类别感知分层双兴趣学习和指针增强级联检索实现千级行为建模，显著提升淘宝小程序的点击量、订单量和GMV。
2025-07-14 cs.IR
HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation
提出HEC-GCN方法，通过级联建模交互图与超图以捕捉细/粗粒度相关性，并利用行为一致性对齐策略，有效缓解数据稀疏性并保持行为内外一致性，在多行为推荐任务上优于现有方法。
2024-12-19 cs.IR
Revisiting Popularity and Demographic Biases in Recommender Evaluation and Effectiveness
The University of Manchester（曼彻斯特大学）；Microsoft（微软公司）
推荐算法容易受到流行偏见的影响：即使不能满足用户需求，也倾向于推荐流行的项目。一个相关的问题是，推荐质量可能因人口统计组而异。边缘化的组或在训练数据中代表不足的组可能从这些算法接收到与其他算法相比不太相关的推荐。在最近的一项研究中，Ekstrand等人调查了推荐器的性能如何根据流行度和人口统计数据而变化，并发现两个数据集上的二元性别之间的推荐效用存在统计学显著差异，并且基于年龄对一个数据集产生显著影响。在这里，我们重现这些结果，并扩展他们与其他分析。我们发现，年龄和性别的推荐性能的统计显着差异。我们观察到，老年用户的推荐效用稳步下降，女性的推荐效用低于男性。我们还发现，对于来自数据集中具有更多代表性的国家的用户，效用更高。此外，我们发现，消费内容的总使用量和受欢迎程度是推荐性能的强预测因子，并且在不同的人口统计群体中也有显着差异。
2021-10-15 cs.AI cs.IR cs.LG
A Long-Short Demands-Aware Model for Next-Item Recommendation
Renmin University of China（中国人民大学）；University of Montreal（蒙特利尔大学）
推荐合适的产品是推荐系统的核心问题，但同时也要在合适的时间推荐合适的产品，以满足用户的需求，使其价值最大化。用户需求蕴含着强烈的购买意愿，如果利用得当，可以成为促进产品销售的最有效途径。以往的推荐模型主要关注用户的一般兴趣，以找到合适的产品。然而，在适时满足用户需求方面，探索得少得多。为了解决这个问题，我们提出了一种新的长短需求感知模型（LSDM），其中用户对项目的兴趣和用户的需求随着时间的推移。我们总结了两个方面：称为长期需求（例如，反复购买相同的产品表现出长期持续的兴趣）和短期需求（例如，共同购买就像买颜料后买画笔）。为了利用用户的这种长短期需求，我们创建不同的集群，根据不同的时间跨度将连续的产品购买分组在一起，并使用递归神经网络在时间尺度上对每个集群序列进行建模。最后通过联合学习策略对多时间尺度的长短期采购需求进行集结。在三个真实商业数据集上的实验结果证明了该模型的有效性，表明该模型可以有效地模拟用户在多时间尺度上对商品的长短期购买需求。
2019-02-12 cs.IR cs.LG stat.ML
