Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题，提出DP2Rec模型，通过双阶段模块联合优化准确性与多样性，在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
Bridging Domain Gaps between Pretrained Multimodal Models and Recommendations
University of Science and Technology of China（中国科学技术大学）；Singapore Management University（新加坡管理大学）
针对预训练视觉-语言模型与多模态推荐间的领域鸿沟导致联合训练性能下降、现有方法难平衡效果与效率的问题，提出双阶段参数高效调优框架PTMRec，无需额外预训练且适配多种调优方法。
2025-02-21 cs.AI cs.IR
MultiHead MultiModal Deep Interest Recommendation Network
Guizhou University（贵州大学）
随着信息技术的发展，人类每时每刻都在不断产生大量的信息。如何从海量的信息中获取用户感兴趣的信息，成为用户乃至企业管理者非常关心的问题。为了解决这一问题，从传统的机器学习到深度学习推荐系统，研究人员不断改进优化模型，探索解决方案。由于研究者对推荐模型网络结构的优化较多，对丰富推荐模型特征的研究较少，推荐模型的深入优化仍有空间。本文在DIN \cite{Authors01}模型的基础上，增加了多头和多模态模块，丰富了模型可以使用的特征集，同时加强了模型的交叉组合和拟合能力。实验表明，多头多模态DIN提高了推荐预测效果，在各项综合指标上均优于当前最先进的方法。
2021-10-19 cs.AI cs.IR
PRSI: Privacy-Preserving Recommendation Model Based on Vector Splitting and Interactive Protocols
School of computer Science and Engineering Sun Yat-sen University（中山大学计算机科学与工程学院）
针对联邦推荐系统（FedRec）的隐私泄露问题及单用户交互数据下的训练挑战，本文提出PRSI隐私保护推荐系统，通过预处理模块、两阶段交互协议实现隐私保护，并验证其安全性、准确性和通信成本。
2024-11-27 cs.AI cs.CR
Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption
Independent Researcher（独立研究者）；Illinois Institute of Technology（伊利诺伊理工学院）
针对推荐系统依赖敏感数据存隐私风险、全同态加密处理稀疏评分矩阵计算与通信成本高的问题，提出结合CSR表示与FHE矩阵分解的方法，实现加密域高效稀疏处理与低通信开销，兼顾推荐准确率与隐私保护。
2025-09-03 cs.AI cs.CR cs.LG
Graph Federated Learning for Personalized Privacy Recommendation
Yangzhou University（扬州大学）；Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）；Nanjing University（南京大学）
本文提出GFed-PP框架，通过构建用户-项目交互图和用户关系图，利用公开用户数据并保护私有用户隐私，在适应不同隐私需求的同时显著提升了联邦推荐系统的准确性。
2025-08-08 cs.AI cs.LG
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz（约翰开普勒林茨大学计算感知研究所）；Human-centered AI Group, AI Lab, Linz Institute of Technology（林茨理工大学人工智能实验室以人为中心的人工智能组）
本文提出多模态单分支嵌入网络SiBraR，通过权重共享编码交互数据与多模态辅助信息，有效解决冷启动与缺失模态场景下的推荐问题，显著优于现有方法。
2024-09-26 cs.AI cs.IR cs.LG
Multimodal Quantitative Language for Generative Recommendation
Sun Yat-sen University（中山大学）；Pengcheng Laboratory（鹏城实验室）；Xiamen University（厦门大学）；Peking University（北京大学）
本文提出MQL4GRec方法，通过将多领域多模态物品统一转换为共享词汇的量化语言，并借助预训练与微调实现推荐知识迁移，在三个数据集上显著提升生成式推荐性能。
2025-02-20 cs.AI cs.CL cs.IR
Multimodal Music Recommendation System using LLMs
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Dolby Laboratories（Dolby实验室）；Adobe Research（Adobe研究）；Cisco Research（Cisco研究）
提出一个多模态框架，通过融合音频、歌词、LLM生成的语义元数据和收听完成率，在基于会话的音乐推荐中显著提升Recall和NDCG。
2026-05-28 cs.AI cs.IR cs.LG
PrivNet: Safeguarding Private Attributes in Transfer Learning for Recommendation
HKUST（香港科技大学）
迁移学习是利用源领域知识改进目标推荐系统的一种有效方法。现有的研究主要关注目标域的推荐性能，而忽略了源域的隐私泄露问题。然而，转移的知识可能会无意中泄露源域的私有信息。例如，攻击者可以从源域数据所有者提供的用户历史购买中准确地推断出用户人口统计信息。本文通过学习一种隐私感知神经表示，在保护源隐私的同时提高目标性能，解决了上述隐私保护问题。其核心思想是在训练过程中模拟攻击，以保护未来未见过用户的隐私，通过对抗游戏建模，使迁移学习模型对攻击具有鲁棒性。实验结果表明，该模型能够有效地分离出有利于知识传输的知识和泄露的隐私。
2020-10-16 cs.AI cs.CL cs.IR
Beyond Unimodal Boundaries: Generative Recommendation with Multimodal Semantics
University of Michigan（密歇根大学）；Snap（Snap公司）
针对生成式推荐中孤立处理单模态的局限，本文探索多模态生成式推荐（MGR）问题，提出增强的后期融合框架MGR-LF++，通过对比模态对齐和特殊标记有效整合多模态，性能提升超20%。
2025-03-30 cs.AI cs.CL cs.CV
Training-free Adjustable Polynomial Graph Filtering for Ultra-fast Multimodal Recommendation
Yonsei University（延世大学）；Seoul National University（首尔国立大学）；NAVER Corporations（NAVER公司）
本文提出无需训练的多模态推荐方法，通过构建相似性图并利用多项式图滤波器融合多模态信号，提升推荐准确率并降低计算成本。
2026-03-24 cs.AI cs.IR cs.IT
Federated Latent Factor Model for Bias-Aware Recommendation with Privacy-Preserving
College of Computer and Information Science, Southwest University, Chongqing 400715, China（西南大学计算机与信息科学学院）；School of Engineering, University of Western Australia, Australia（西澳大学工程学院）；School of Cyber Science and Technology, Beihang University, Beijing 100191, China（北航信息科学与技术学院）
针对联邦推荐系统中因隐私保护而无法访问原始数据导致的评分偏差问题，提出联邦偏差感知潜在因子模型，将训练偏差纳入本地损失函数，在不损害隐私的前提下消除偏差，并在三个真实数据集上显著提升推荐准确性。
2025-04-21 cs.AI cs.LG
A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼技术大学）；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）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文综述了面向隐私保护推荐的个性化联邦基础模型，分析了联邦环境下有效的个性化技术，并讨论了基础模型在联邦架构中的适应性，以平衡泛化能力与用户特定需求。
2026-05-06 cs.AI cs.LG
A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations
Tencent Inc（腾讯公司）；Cornell University（康奈尔大学）
隐私保护推荐最近获得了发展势头，因为分散的用户数据越来越难以被推荐服务提供商收集，由于对用户隐私和数据安全的严重关注。严格的政府法规，如欧洲的通用数据隐私条例（GDPR），进一步加剧了这种情况。联邦学习（FL）是一种新开发的隐私保护机器学习范式，用于在不损害数据安全和隐私的情况下桥接数据存储库。因此，人们提出了许多联邦推荐（FedRec）算法来实现个性化的隐私保护推荐。然而，现有的FedRec算法大多是从传统的协同过滤（CF）方法扩展而来，不能很好地解决冷启动问题。此外，它们的性能开销w.r.t.与集中式推荐相比，在联合设置中训练的模型准确性通常是不可忽略的。本文研究了这个问题，并提出了FL-MV-DSSM，一个通用的基于内容的联邦多视图推荐框架，不仅解决了冷启动问题，但也显着提高推荐性能，通过学习联邦模型从多个数据源捕获更丰富的用户级功能。FL-MV-DSSM提出的新的联合多视图设置打开了新的使用模型，并在推荐场景中为FL带来了新的安全挑战。我们证明了\xxx的安全性保证，并在FL-MV-DSSM及其变化与公共数据集的实证评估证明了其有效性。如果这篇论文被接受，我们的代码将被发布。
2020-08-25 cs.AI cs.IR
A Privacy-Preserving QoS Prediction Framework for Web Service Recommendation
基于服务质量的Web服务推荐为用户提供高质量的服务，近年来受到了广泛的关注。为了促进这样的建议，现有的研究建议使用协同过滤技术的个性化QoS预测。这些方法，通过利用部分观察到的QoS值从用户，可以实现高精度的QoS预测的未观察到的。然而，要求收集用户的QoS数据可能会使用户的隐私处于危险之中，从而使他们不愿意贡献他们的使用数据的Web服务推荐系统。因此，隐私成为一个关键的挑战，在开发实用的Web服务推荐系统。在本文中，我们第一次尝试，以应付隐私问题的Web服务推荐。具体来说，我们提出了一个简单而有效的隐私保护框架，通过应用数据混淆技术，并进一步开发两个代表性的隐私保护QoS预测方法在此框架下。一个公开的真实世界的Web服务的QoS数据集的评估结果表明，我们的隐私保护的QoS预测方法的可行性和有效性。我们相信我们的工作可以作为一个很好的起点，激发更多的研究工作的隐私保护Web服务推荐。
2015-05-02 cs.CR cs.IR
Successive Point-of-Interest Recommendation with Local Differential Privacy
兴趣点（POI）推荐系统在基于位置的服务中扮演着重要的角色，因为它可以帮助人们探索新的位置并促进广告商在适当的位置投放广告。现有的POI推荐系统需要用户的原始签到历史，这可能会导致位置隐私侵犯。虽然已经有几个基于矩阵分解（MF）的隐私保护推荐系统，他们只能专注于用户的兴趣点关系，而不考虑人类的运动在签入历史。为了解决这个问题，我们设计了一个连续的POI推荐框架与本地差分隐私，命名为SPIREL。SPIREL使用两种类型的信息作为因子分解的输入：两个POI之间的转换模式和POI的访问计数。我们提出了一种新的目标函数，用于同时学习用户POI和POI-POI关系。我们进一步整合本地差分隐私机制，在我们提出的框架，以防止潜在的位置隐私漏洞。在4个公开数据集上的实验表明，SPIREL在实现更强隐私保护的同时，获得了更好的兴趣点推荐质量.
2021-05-10 cs.CR cs.CY cs.IR
Multimodal Enhancement of Sequential Recommendation
University of Surrey（萨里大学）
MuSTRec通过结合多模态和序列推荐范式，利用物品-物品图和频率自注意力模块提升推荐性能，实验表明其在多个数据集上取得显著提升。
2026-02-06 cs.AI cs.IR
Preserving Privacy and Utility in LLM-Based Product Recommendations
University of Southern California（南加州大学）
提出一种混合隐私保护推荐框架，通过分离敏感与非敏感数据并设计本地去混淆模块，在保护隐私的同时实现了与全数据共享相当的推荐效用。
2025-05-02 cs.CR cs.IR cs.LG
Decentralized Graph Neural Network for Privacy-Preserving Recommendation
Zhejiang University（浙江大学）；Zhejiang Lab（之江实验室）
针对联邦与去中心化GNN推荐中的通信低效和隐私泄露问题，提出DGREC，通过局部超图、全局用户图及安全梯度共享实现隐私保护推荐。
2023-08-15 cs.AI cs.CR cs.IR
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Zhejiang University（浙江大学）；Chengdu University of Information Technology（成都信息工程大学）
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题，提出MRP-LLM模型，通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块，在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
Harnessing Multimodal Large Language Models for Multimodal Sequential Recommendation
Rutgers University（罗格斯大学）；University of Science and Technology of China（中国科学技术大学）；University of Pennsylvania（宾夕法尼亚大学）；Bytedance Inc.（字节跳动公司）；Georgia Institute of Technology（佐治亚理工学院）；University of Pittsburgh（匹兹堡大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对现有基于LLM的推荐范式难以适配多模态推荐的问题，提出MLLM-MSR模型，通过两阶段偏好摘要方法结合SFT微调MLLM推荐器，有效提升多模态序列推荐效果。
2025-01-13 cs.AI cs.IR
Privacy-Preserving Matrix Factorization for Recommendation Systems using Gaussian Mechanism
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
本文提出基于差分隐私框架与矩阵分解的隐私保护推荐系统，利用高斯机制输出扰动和 Rényi 差分隐私，在真实数据上验证了严格隐私下仍可保持良好推荐效用。
2023-04-11 cs.CR cs.IR cs.LG
Interest-Related Item Similarity Model Based on Multimodal Data for Top-N Recommendation
目前，推荐系统应用于电子商务、视频网站、社交网站等领域，给人们的日常生活带来了极大的方便。在推荐系统中，信息的类型越来越多样化和丰富，因此文本、图像和视频等非结构化多模态数据的比例越来越大。然而，由于不同模态之间的表示差距，它是难以有效地使用非结构化的多模态数据，以提高推荐系统的效率。在本文中，我们提出了一个端到端的多模态的与数据相关的项目相似性模型（多模态IRIS）提供建议的多模态数据源的基础上。具体来说，多模式综合注册资讯系统模式包括三个模块，即：多模态特征学习模块、项目相关网络（IRN）模块和项目相似性推荐模块。多模态特征学习模块增加了不同模态之间的知识共享单元。然后，IRN分别学习目标项目与不同历史项目之间的兴趣相关性。最后，多模态数据特征学习，IRN和项目相似性推荐模块被统一到一个集成的系统中，以实现性能的增强，并适应不同模态数据的添加或缺失。在真实数据集上的大量实验表明，通过处理人们在选择项目时可能更加关注的多模态数据，所提出的多模态IRIS在top-N推荐任务上的准确性和可解释性明显优于现有方法.
2019-02-13 cs.IR
FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement
Huazhong University of Science and Technology（华中科技大学）；University of Glasgow（格拉斯哥大学）
本文提出 FedRKG 联邦推荐框架，通过服务器端全局知识图谱与客户端关系感知 GNN 建模高阶交互，并结合伪标签和 LDP 保护隐私，在三个真实数据集上较联邦基线平均提升 4% 准确率。
2024-01-20 cs.AI cs.CR cs.DC
Formalizing Multimedia Recommendation through Multimodal Deep Learning
本文针对多媒体推荐缺乏通用多模态建模模式的问题，提出形式化通用多模态模式，综述八年文献，阐述理论基础，并在Elliot框架内对最新算法进行基准分析，为下一代多模态方法提供设计指导。
2024-04-29 cs.IR
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
针对LLM序列推荐缺乏协同过滤信息的问题，提出多模态框架Molar，通过统一多模态物品表示与后对齐协同信号，显著提升序列推荐准确性。
2024-12-30 cs.AI cs.IR
MMRec: Simplifying Multimodal Recommendation
MMRec是一个开源工具箱，旨在简化多模态推荐模型的实现与比较，提供统一可配置平台，支持从矩阵分解到图算法的多模态融合，并公开源代码。
2024-02-08 cs.IR cs.MM
Privacy-preserving Targeted Advertising
推荐系统形成了快速增长的万亿美元在线广告行业的中心部分。即使有许多优化和近似，基于协同过滤（CF）的方法需要涉及非常大的向量的实时计算。在门户网站上管理和存储这样的相关简档信息向量严重侵犯了用户的隐私。修改这样的系统以实现私人推荐还需要长加密向量的通信，使得整个过程效率低下。我们提出了一个更有效的推荐系统的替代方案，其中用户简档完全保持在他们的设备上，并从门户网站获取适当的建议，在一个有效的隐私保护的方式。我们基于这种方法的关联规则。
2018-06-18 cs.CR cs.IR
On Content-Based Recommendation and User Privacy in Social-Tagging Systems
基于注释和评级的推荐系统和内容过滤方法基本上依赖于用户通过他们的动作表达他们的偏好和兴趣，以便提供个性化内容。这种用户集体参与的活动被称为社会标签。虽然它为语义Web上的应用程序互操作性开辟了无数新的可能性，但它也带来了新的隐私威胁。社交标签包括通过使用自由文本标签（即标签）来描述在线或在线资源，因此将用户的个人资料和活动暴露给隐私攻击。标签伪造是一种隐私增强技术，包括为不反映用户实际偏好的类别或资源生成标签。标签伪造通过修改用户的个人资料，可能会对推荐系统的质量产生负面影响，从而在一定程度上保护用户隐私，但代价是效用损失。因此，标签伪造对基于内容的推荐的影响，在现实世界中的应用场景中，不同的伪造策略进行评估，并测量和比较随之而来的效用损失。
2016-05-20 cs.CR cs.CY cs.IR
Shared MF: A privacy-preserving recommendation system
College of Computer Science, Zhejiang University（浙江大学计算机学院）
矩阵分解是推荐系统中最常用的技术之一。随着推荐系统在电子商务购物、在线视频等方面的推广，分布式推荐系统得到了广泛推广，多源数据的隐私问题变得越来越重要。基于联邦学习技术，提出了一种共享矩阵分解方案SharedMF。首先构建了一个分布式推荐系统，然后采用秘密共享技术保护本地数据的隐私。实验结果表明，与现有的同态加密方法相比，该方法在不泄露隐私的情况下，具有更快的执行速度，能够更好地适应大数据量的推荐场景。
2020-08-18 cs.IR cs.LG stat.ML
Privacy Preserving Recommendation System Based on Groups
推荐系统在近几十年来受到了相当大的关注。然而，随着信息技术和社交媒体的发展，越来越多的用户越来越担心向服务提供商泄露私人数据的风险。推荐系统中质量和隐私之间的权衡自然出现。在本文中，我们提出了一个隐私保护的推荐框架的基础上组。其主要思想是使用组作为自然的中间件来保护用户的隐私。提出了一种分布式偏好交换算法，保证了数据的匿名性，其中匿名集的有效规模随时间渐近地逼近群体规模。我们构建了一个基于马尔可夫随机游走的混合协同过滤模型，为群体成员提供推荐和预测。在MovieLens和Epperly数据集上的实验结果表明，尽管缺乏个人偏好信息，我们提出的方法在推荐精度和命中率方面都优于基线方法，L+和ItemRank，这两种最先进的个性化推荐算法。
2013-05-13 cs.IR
VLM2Rec: Resolving Modality Collapse in Vision-Language Models for Sequential Recommendation
Pohang University of Science
本文提出VLM2Rec框架，通过弱模态惩罚对比学习和跨模态关系拓扑正则化，解决多模态序列推荐中模态崩溃问题，提升推荐准确性和鲁棒性。
2026-11-03 cs.AI cs.IR
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
VLM4Rec: Multimodal Semantic Representation for Recommendation with Large Vision-Language Models
University of Southern California（南加州大学）
VLM4Rec通过语义对齐而非直接特征融合，提升多模态推荐性能，实验显示其优于原始视觉特征和融合方法。
2026-03-13 cs.AI cs.CV cs.IR
Do We Really Need to Drop Items with Missing Modalities in Multimodal Recommendation?
本文质疑多模态推荐中丢弃缺失模态物品的常见做法，提出利用传统插补策略及基于图结构的三种插补方法，作为无需训练的预处理阶段，实验证明数据预过滤不仅不必要且有害。
2024-08-21 cs.IR
Privacy-Preserving News Recommendation Model Learning
新闻推荐是指根据用户的兴趣，向用户展示新闻文章。现有的新闻推荐方法依赖于用户行为数据的集中存储来进行模型训练，由于用户行为的隐私敏感性，这可能导致隐私问题和风险。本文提出了一种基于联邦学习的新闻推荐模型训练隐私保护方法，其中用户行为数据存储在用户设备上。该方法可以充分利用海量用户行为中的有用信息来训练准确的新闻推荐模型，同时不需要集中存储。更具体地说，在每个用户设备上，我们保留新闻推荐模型的本地副本，并基于该设备中的用户行为计算本地模型的梯度。来自一组随机选择的用户的局部梯度被上传到服务器，其被进一步聚合以更新服务器中的全局模型。由于模型梯度可能包含一些隐含的隐私信息，我们在上传之前对其应用局部差分隐私（LDP），以更好地进行隐私保护。然后将更新的全局模型分发给每个用户设备以进行本地模型更新。我们重复这个过程多轮。在真实数据集上的大量实验表明了该方法在隐私保护新闻推荐模型训练中的有效性。
2020-10-08 cs.IR
LightFR: Lightweight Federated Recommendation with Privacy-preserving Matrix Factorization
联邦推荐系统（FRS）使多个本地设备能够在不传输本地原始数据的情况下联合训练共享模型，具有隐私保护的优点，已成为一种流行的推荐模式。然而，以往的FRS工作是在连续嵌入空间中通过内积进行相似性搜索，这在项目规模非常大时会导致效率瓶颈。我们认为，联邦设置中的这种方案忽略了资源受限的用户设备中的有限容量（即，存储空间、计算开销和通信带宽），并且使其更难被部署在大规模推荐系统中。此外，它已被证明，在服务器和客户端之间传输的实值形式的局部梯度可能会泄漏用户的隐私信息。为此，我们提出了一个轻量级的联邦推荐框架与隐私保护矩阵分解，LightFR，能够生成高质量的二进制代码，通过利用学习哈希技术在联邦设置下，从而享受快速的在线推理和经济的内存消耗。此外，我们设计了一个有效的联邦离散优化算法，以协同训练模型参数之间的服务器和客户端，可以有效地防止来自恶意方的实值梯度攻击。通过在四个真实数据集上的广泛实验，我们证明了我们的LightFR模型在推荐准确性，推理效率和数据隐私方面优于几种最先进的FRS方法。
2022-12-24 cs.CR cs.IR
Towards Differential Privacy in Sequential Recommendation: A Noisy Graph Neural Network Approach
Shanghai University of Finance and Economics（上海财经大学）
针对现有差分隐私推荐系统无法适配序列推荐的动态依赖交互、且忽略敏感用户特征隐私风险的问题，提出DIPSGNN框架，通过分段机制保护用户特征、在图神经网络聚合步骤加校准噪声，实现序列推荐的差分隐私，在隐私与准确性平衡上优于现有方法。
2024-01-30 cs.CR cs.IR cs.LG
Knowledge graph-based personalized multimodal recommendation fusion framework
针对传统推荐方法难以捕捉用户细微兴趣的问题，提出CrossGMMI-DUKGLR框架，结合预训练模型、多头交叉注意力与图注意力网络，优化多模态融合与高阶依赖建模，提升推荐表征精度。
2025-09-03 cs.IR
Privacy in LLM-based Recommendation: Recent Advances and Future Directions
CityUHK（香港城市大学）；Tsinghua University（清华大学）；HKU（香港大学）；Dongguan University of Technology（东莞理工学院）；CUEB（首都经济贸易大学）
本文综述了基于LLM的推荐系统中的隐私问题，将最新进展分为隐私攻击与保护机制，并指出现有挑战与未来研究方向。
2024-06-03 cs.CL cs.IR
Survey of Privacy-Preserving Collaborative Filtering
Missouri University of Science and Technology（密苏里科技大学）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）；Applied Computational Intelligence Laboratory, Missouri University of Science and Technology（密苏里科技大学应用计算智能实验室）
协同过滤推荐系统基于用户自己的过去偏好以及共享相似兴趣的其他用户的偏好向用户提供推荐。近年来，推荐系统的使用越来越广泛，帮助人们选择要看的电影、要读的书和要买的东西。然而，用户在使用这类系统时往往会担心自己的隐私，许多用户不愿意向大多数在线服务提供准确的信息。隐私保护协同过滤推荐系统的目标是为用户提供准确的推荐，同时保持一定的保证他们的数据的隐私。这项调查研究了最近的文献在隐私保护的协同过滤，提供了一个广阔的视野，并使用两个不同的标准对文献中的关键贡献进行分类：他们解决的脆弱性类型和他们用来解决它的方法类型。
2020-03-18 cs.CR cs.IR cs.LG
Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
针对联邦GNN推荐中图卷积不完整导致性能下降的问题，提出LP-GCN，在隐私约束下利用去中心化子图实现无损卷积，性能媲美集中式方法并优于现有联邦方法。
2024-12-02 cs.IR
Multimodal Recommendation Dialog with Subjective Preference: A New Challenge and Benchmark
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出包含12K购物对话的SURE数据集以刻画多模态推荐中的主观偏好与推荐行为，并基于该数据定义三个基准任务及一个由先进多模态模型驱动的基线模型。
2023-05-26 cs.AI cs.CL cs.CV
Are Multimodal Embeddings Truly Beneficial for Recommendation? A Deep Dive into Whole vs. Individual Modalities
University of Glasgow（格拉斯哥大学）；Michigan State University（密歇根州立大学）
研究探讨多模态嵌入对推荐效果的实际影响，发现整体嵌入提升效果有限，但文本模态单独使用效果显著，图像模态则不具优势。
2026-01-16 cs.IR
Large-scale Benchmarks for Multimodal Recommendation with Ducho
Politecnico Di Bari（巴里理工大学）；Sapienza Univesity of Rome（罗马大学）；Université Paris-Saclay, CentraleSupélec, Inria（巴黎萨克雷大学、中央理工-高等电力学院、法国国家信息与自动化研究所）
本文首次提出基于Ducho的多模态推荐系统大规模基准测试，通过统一实验环境评估多模态特征提取器的性能。
2026-02-22 cs.IR
Q-BERT4Rec: Quantized Semantic-ID Representation Learning for Multimodal Recommendation
University of Shanghai for Science and Technology（上海科学技术大学）
Q-BERT4Rec通过统一语义表示与量化建模，提升多模态推荐的性能和可解释性。
2026-03-03 cs.AI cs.IR
Attention-guided Multi-step Fusion: A Hierarchical Fusion Network for Multimodal Recommendation
针对多模态推荐中语义关系利用不足的问题，提出TMFUN，通过双图建模、注意力引导多步融合与对比学习优化物品表示，并在三个真实数据集上验证其优于现有方法。
2023-04-24 cs.IR cs.MM
Zero-Shot Recommendations with Pre-Trained Large Language Models for Multimodal Nudging
Lirio, LLC（Lirio有限责任公司）；Skoltech（斯科尔科沃科学技术研究院）
提出一种零样本多模态推荐方法，将各模态输入转为文本描述并用预训练LLM生成语义嵌入，通过相似度计算完成推荐，无需额外训练。
2023-10-01 cs.AI cs.CL cs.IR
FedPDD: A Privacy-preserving Double Distillation Framework for Cross-silo Federated Recommendation
WeBank（微众银行）
针对跨筒仓联邦推荐中重叠用户少、现有方法性能受限且通信成本高、隐私风险大的问题，提出FedPDD双蒸馏框架，结合离线训练与差分隐私，在重叠用户有限时高效传递知识并保障隐私，在两个真实数据集上效果优于现有最优方法。
2024-01-30 cs.CR cs.DC cs.IR
The Impact of Differential Privacy on Recommendation Accuracy and Popularity Bias
研究差分隐私应用于推荐模型训练数据时对推荐准确度和流行度偏差的影响，发现其导致几乎所有用户推荐变化、准确度大幅下降且流行度偏差加剧，尤其对偏好非流行物品的用户影响更严重。
2024-01-15 cs.IR
CEMG: Collaborative-Enhanced Multimodal Generative Recommendation
Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Columbia University（哥伦比亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Rice University（莱斯大学）
CEMG通过多模态融合层和残差量化变分自编码器，提升多模态生成推荐的性能。
2025-12-25 cs.IR
STAIR: Manipulating Collaborative and Multimodal Information for E-Commerce Recommendation
针对电子商务推荐中协同与多模态信息难以共存的问题，提出STAIR方法，采用逐步图卷积和受约束嵌入更新，在三个公开数据集上以低开销实现最先进性能。
2024-12-16 cs.IR
Multimodal Point-of-Interest Recommendation
该研究聚焦多模态兴趣点推荐领域，以餐厅推荐为切入点，结合Foursquare、FoodX-251数据集与LLaVA模型构建半多模态数据集，用Recformer框架训练的模型性能更优，验证了多模态推荐的研究方向。
2024-10-07 cs.IR cs.SI
