Unbiased Pairwise Learning from Implicit Feedback for Recommender Systems without Biased Variance Control
针对隐式反馈中正负样本不确定及稀有项目被低估的问题，本文提出低方差无偏成对学习方法UPL，在避免有偏方差控制的同时提升推荐排序性能。
2023-04-14 cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
Fast Matrix Factorization for Online Recommendation with Implicit Feedback
本文对隐式反馈矩阵分解方法的有效性和效率进行了改进。我们强调现有工程的两个关键问题。首先，由于未观测反馈的空间很大，大多数现有的工作都采取分配一个统一的权重，以减少丢失的数据的计算复杂性。然而，这种统一的假设在现实世界中是无效的。其次，大多数方法也是在离线环境中设计的，无法跟上在线数据的动态特性。我们解决了上述两个问题，在学习MF模型的隐式反馈。我们首先提出了基于项目流行度的权重缺失数据，这是更有效和灵活的统一权重的假设。然而，这样的非均匀加权在学习模型时带来效率挑战。为了解决这个问题，我们专门设计了一个新的学习算法的基础上逐元素交替最小二乘（eALS）技术，有效地优化MF模型与可变加权缺失数据。我们利用这种效率，然后无缝地设计一个增量更新策略，即时刷新MF模型给出新的反馈。通过在离线和在线协议中对两个公共数据集的综合实验，我们表明我们的eALS方法始终优于最先进的隐式MF方法。我们的实现可以在https://github.com/hexiangnan/sigir16-eals上获得。
2017-08-16 cs.IR
Unbiased Implicit Feedback via Bi-level Optimization
隐式反馈由于易于收集和提供弱监督信号而被广泛用于推荐系统。近年来的研究发现，由于内隐反馈与项目暴露密切相关，因此内隐反馈与用户项目相关性之间存在着巨大的差距。为了弥补这一差距，现有的方法明确建模的曝光，并提出无偏估计，以提高相关性。不幸的是，这些无偏估计受到高梯度方差的影响，特别是对于长尾项，导致不准确的梯度更新和模型性能下降。为了解决这一挑战，我们从概率的角度提出了一个低方差无偏估计，它有效地限制了梯度的方差。与以前的作品，无论是估计暴露通过基于策略的策略或使用一个大的有偏的训练集，我们建议估计暴露通过一个无偏的小规模验证集。具体来说，我们首先通过合并用户和项目信息来参数化用户-项目暴露，然后从有偏训练集构造无偏验证集。通过利用无偏验证集，我们采用双层优化，在学习过程中自动更新与推荐相关的参数以及推荐模型参数。在两个真实数据集和两个半合成数据集上的实验验证了该方法的有效性。
2022-05-31 cs.IR
Improving Implicit Feedback-Based Recommendation through Multi-Behavior Alignment
提出多行为对齐框架，通过最大化多行为数据似然并最小化KL散度来推断通用用户偏好，实现去噪和知识迁移，在三个数据集上验证了提升目标行为预测的有效性。
2023-05-09 cs.IR
Pseudo-Implicit Feedback for Alleviating Data Sparsity in Top-K Recommendation
我们提出了PsiRec，一种新的用户偏好传播推荐器，它采用伪隐式反馈来丰富原始稀疏隐式反馈数据集。PsiRec的三个独特特征是：（i）它将用户-项目交互视为二分图，并从这个角度对伪隐式反馈进行建模;（ii）其基于随机游走的方法从这个二分图中提取图结构信息，以估计伪隐式反馈;以及（iii）它采用Skip-gram启发的伪隐式反馈中的置信度度量，该伪隐式反馈捕获用户和项目之间的逐点互信息。这种伪隐式反馈最终被纳入一个新的潜在因素模型，以估计用户的偏好，在极端稀疏的情况下。PsiRec在精度@10和召回率@10方面比最先进的协作去噪自动编码器提高了21.5%和22.7%。我们的实现可以在https://github.com/heyunh2015/PsiRecICDM2018上获得。
2019-01-03 cs.IR cs.SI
MetaSynth: Multi-Agent Metadata Generation from Implicit Feedback in Black-Box Systems
Walmart Global Tech（沃尔玛全球科技）
MetaSynth通过多智能体检索增强生成框架，利用黑盒系统中的隐式反馈优化元数据生成，提升了CTR和点击率表现。
2025-12-04 cs.IR
Deep Item-based Collaborative Filtering for Sparse Implicit Feedback
推荐系统在电子商务领域中无处不在，用于改善用户体验和销售库存，从而增加网站的收入。诸如基于项目的协同过滤之类的技术用于对用户与项目的行为交互进行建模，并从具有相似行为模式的项目中进行推荐。然而，当将这些技术应用于极其稀疏和易变的数据集时，存在挑战。在一些电子商务网站上，如eBay，不稳定的库存和关于物品的最小结构化信息使得聚合用户与物品的交互非常困难。在这项工作中，我们描述了一种新的基于深度学习的方法来解决这些挑战。我们提出了一个目标函数，优化两个项目之间的二进制隐式反馈向量之间的相似性度量。我们正式地和经验地证明，经过训练以优化该函数的模型估计反馈向量之间的余弦相似性的对数。我们还提出了一个神经网络架构优化这一目标。我们提出的实验结果比较的输出的神经网络与传统的基于项目的协同过滤模型的隐式反馈数据集，以及实验结果比较不同的神经网络架构上的用户购买行为在eBay上。最后，我们讨论了A/B测试的结果表明，所提出的技术在eBay的现有的协同过滤推荐系统的显着改善。
2018-12-26 cs.IR
Debiased Pairwise Learning from Positive-Unlabeled Implicit Feedback
针对隐式反馈中负样本含假阴性导致嵌入有偏的问题，提出去偏成对损失（DPL）校正概率估计与梯度，仅需少量代码修改且在五个数据集上验证有效。
2023-07-29 cs.IR
Learning and Optimization of Implicit Negative Feedback for Industrial Short-video Recommender System
针对快手短视频推荐中跳过行为带来的隐式偏好建模与多目标优化难题，提出反馈感知编码和多目标预测模块，并通过在线 A/B 测试验证其效果。
2024-03-05 cs.IR
Evaluating the Robustness of Learning from Implicit Feedback
本文评估了网络搜索中隐式反馈学习的鲁棒性。特别是，我们通过借鉴实验室和现实世界中的用户研究来创建用户行为模型。该模型是用来了解用户行为的性能上的学习算法排名检索的效果。我们探索了各种可能的用户行为，发现从隐式反馈中学习可以令人惊讶地强大。这补充了以前的结果，证明了我们的算法在现实世界的搜索引擎应用程序的有效性。
2006-05-08 cs.IR cs.LG
Density-Ratio Based Personalised Ranking from Implicit Feedback
从隐式用户反馈中学习是一项挑战，因为我们只能观察到积极的样本，而无法访问消极的样本。大多数传统方法通过采用负采样的成对排序方法来处理这个问题。然而，成对排序方法在收敛时间上具有严重的缺点，这是由于相对于样本大小的二次增加的计算成本;它是有问题的，特别是对于大规模数据集和复杂模型，如神经网络。相比之下，逐点方法不直接解决排名问题，因此在前K排名任务中不如成对对应物;然而，它通常在收敛时间方面是有利的。本研究的目的是建立一种方法来学习个性化排名的隐式反馈，这调和的逐点方法的训练效率和排名的有效性的配对。其关键思想是以逐点方式估计项目的排名;我们首先重新制定了传统的逐点方法的基础上密度比估计，然后将本质的排名导向的方法（例如，成对的方法）到我们的配方。通过对三个真实数据集的实验，我们证明了我们的方法不仅大大减少了收敛时间（快一到两个数量级），而且还显着提高了排名性能。
2021-01-19 cs.IR
Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering
针对现有协同过滤方法无法捕捉用户反馈结构化渐进过程且嵌入空间不相交的问题，提出广义神经序数逻辑回归（GNOLR），将多种特征-反馈依赖编码到统一结构化嵌入空间，通过嵌套优化框架强制学习特定反馈依赖，显著提升了预测准确性和检索性能。
2025-05-28 cs.IR
Collaborative Item Embedding Model for Implicit Feedback Data
协同过滤是推荐系统中最常用的方法。执行协同过滤的一种方法是矩阵分解，它使用隐向量来表征用户偏好和项目属性。这些潜在向量善于捕捉用户和项目的全局特征，但在捕捉用户之间或项目之间的局部关系方面不强。在这项工作中，我们提出了一种方法来提取项目之间的关系，并将它们嵌入到因子分解模型的潜在向量。这结合了两个世界：用于协同过滤和项目嵌入的矩阵分解，这是与语言处理中的词嵌入类似的概念。我们在三个真实数据集上的实验表明，我们提出的方法在top-n推荐任务上优于竞争方法。
2018-05-14 cs.IR
Implicit Feedback-based Group Recommender System for Internet of Thing Applications
随着基于物联网（IoT）的社交媒体应用的普及，人与人之间的距离大大缩短。因此，基于物联网的社交媒体中的推荐系统需要面向用户群体而不是单个用户开发。然而，现有的方法高度依赖于显式偏好反馈，忽略了隐式反馈的情况。为了弥补这一差距，本文提出了一个隐式反馈为基础的群体推荐系统，使用概率推理和非合作博弈（GREPING）基于物联网的社交媒体。特别地，未知的过程变量可以通过贝叶斯后验概率推断从可观察的隐式反馈估计。此外，可以计算全局最优的推荐结果与非合作博弈的援助。通过两组实验从效率和鲁棒性两个方面对GREPING进行了评估。实验结果表明，与基线方法相比，GREPING有明显的提升和相当的稳定性。
2021-04-23 cs.AI cs.IR
Unbiased Recommender Systems with Implicit Feedback
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本研究针对隐式反馈推荐系统的位置偏差与流行度偏差，开发了适配排序学习、协同过滤及图神经网络社交推荐系统的无偏方法，以生成更贴合用户偏好的个性化推荐。
2026-08-18 cs.IR
Item Recommendation from Implicit Feedback
Google Research（谷歌研究院）
商品推荐的任务是从一个庞大的商品目录中为用户选择最好的商品。项目识别者通常是从隐性反馈中训练出来的，隐性反馈只包括过去积极的行为。项目推荐的核心挑战是（1）如何从隐式反馈中制定训练目标和（2）如何在大型项目目录上有效地训练模型。本文介绍了项目推荐的基本概念、特点和常用方法。它首先介绍了这个问题，并讨论了不同的培训目标。主体涉及学习算法，并提出了采样为基础的算法，一般的神经网络和更有效的算法点积模型。最后讨论了项目检索器在检索任务中的应用。
2021-01-21 cs.IR cs.LG
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
Eye Tracking as a Source of Implicit Feedback in Recommender Systems: A Preliminary Analysis
本研究利用眼动追踪数据增强电影推荐的协同过滤模型，相比点击数据提升了性能，并验证了AOI时长与用户兴趣的一致性。
2023-05-12 cs.HC cs.IR
Learning Robust Recommender from Noisy Implicit Feedback
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）；Shandong University（山东大学）
隐式反馈的普遍性使得它在推荐系统的构建中不可或缺。但实际上并不能反映用户的实际满意度。例如，在电子商务中，很大一部分点击并没有转化为购买，许多购买最终都得到了负面评价。因此，它是重要的是要考虑到不可避免的噪声在隐式反馈。然而，很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中，我们探讨了去噪隐式反馈的推荐学习，包括训练和推理的中心主题。通过观察正常推荐训练的过程，我们发现，噪声反馈通常在早期阶段具有较大的损失值。受此观察的启发，我们提出了一种名为自适应去噪训练（ADT）的新训练策略，它通过两种范式（即，损失和重新加权损失）。此外，我们考虑额外的反馈（例如，rating）作为辅助信号，并提出了三种策略，将额外的反馈纳入ADT：微调，热身训练，碰撞推理。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例，并在三个有代表性的推荐模型上进行了测试。在三个基准测试上的大量实验表明，ADT在不使用额外反馈的情况下，显着提高了推荐的质量。此外，所提出的三种额外反馈策略大大增强了ADT的去噪能力。
2021-12-02 cs.AI cs.IR
Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
本文研究隐式反馈排序任务中的推荐系统算法选择，基于72个数据集和24种算法构建元数据，发现预测算法排序可显著提升元模型相关性，且XGBoost在最佳算法识别上优于AutoGluon。
2024-09-09 cs.IR
Leverage Implicit Feedback for Context-aware Product Search
产品搜索是网上购物的重要入口。与网络搜索相比，产品搜索中检索到的结果不仅需要相关，而且还应该满足客户的偏好，以吸引购买。以前的工作已经显示了购买历史在个性化产品搜索中的功效。然而，很少或没有购买历史的客户不会从个性化产品搜索中受益。此外，从客户的购买历史中提取的偏好通常是长期的，并不总是与她的短期利益一致。因此，在本文中，我们利用查询会话中的点击，作为隐式反馈，来表示用户的隐藏意图，这进一步作为重新排序后续结果页面的查询的基础。在推荐任务中，利用隐式反馈对用户偏好进行建模已经得到了广泛的研究。然而，很少有研究建模用户的短期兴趣在产品搜索。我们研究短期上下文是否有助于促进用户的理想项目在以下结果页面的查询。此外，我们提出了一个端到端的上下文感知嵌入模型，可以捕获长期和短期的上下文依赖关系。我们在商业产品搜索引擎的搜索日志中收集的数据集上的实验结果表明，与长期和无上下文相比，短期上下文导致更好的性能。我们的研究结果也表明，我们提出的模型是更有效的基于词的上下文感知模型。
2020-01-09 cs.IR
FeedRec: News Feed Recommendation with Various User Feedbacks
准确的用户兴趣建模对于新闻推荐具有重要意义。现有的大多数新闻推荐方法都依赖于像点击这样的隐式反馈来推断用户兴趣和模型训练。然而，点击行为通常包含大量噪声，并且不能帮助推断复杂的用户兴趣，例如不喜欢。此外，仅基于点击行为训练的提要推荐模型无法优化其他目标，如用户参与度。在本文中，我们提出了一个新闻提要推荐方法，可以利用各种用户反馈，以提高用户兴趣建模和模型训练。我们提出了一个统一的用户建模框架，将各种显式和隐式的用户反馈来推断积极和消极的用户兴趣。此外，我们提出了一个从强到弱的注意力网络，它使用较强反馈的表示来从隐式弱反馈中提取积极和消极的用户兴趣，以进行准确的用户兴趣建模。此外，我们提出了一个多反馈模型训练框架来学习一个具有成就感的提要推荐模型。在真实数据集上的大量实验表明，我们的方法可以有效地提高模型在新闻点击和用户参与方面的性能。
2022-02-04 cs.IR
Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation
Shanghai Jiao Tong University（上海交通大学）
对于许多新闻门户网站来说，为匿名读者推荐新闻是一项有用但具有挑战性的任务，其中读者与文章之间的交互仅限于临时登录会话。以往的工作往往制定基于会话的推荐作为下一个项目的预测任务，而他们忽略了用户行为的隐式反馈，这表明用户真正喜欢或不喜欢。因此，我们提出了一个全面的框架，通过积极的反馈（即，他们花费更多时间的文章）和负面反馈（即，他们选择跳过而不点击的文章）。此外，该框架隐式地使用会话开始时间对用户进行建模，并使用其初始发布时间对文章进行建模，我们称之为“中立反馈”。三个真实世界的新闻数据集的实证评估表明，该框架的更准确，更多样化，甚至比其他国家的最先进的基于会话的推荐方法意想不到的建议有前途的表现。
2022-05-12 cs.IR cs.LG
A Generic Coordinate Descent Framework for Learning from Implicit Feedback
University of Konstanz（康斯坦茨大学）；National University of Singapore（新加坡国立大学）；Google Inc.（谷歌公司）
近年来，对推荐系统的研究兴趣已经从显式反馈转向隐式反馈数据。各种各样的复杂模型已经被提出用于各种各样的应用。尽管如此，从内隐反馈中学习仍然是计算上的挑战。到目前为止，大多数工作都依赖于随机梯度下降（SGD）求解器，这些求解器很容易导出，但在实践中应用起来很有挑战性，特别是对于具有许多项目的任务。对于简单的矩阵分解模型，先前已经提出了一种有效的坐标下降（CD）求解器。然而，有效的CD方法还没有得到更复杂的模型。在本文中，我们提供了一个新的框架，推导出有效的CD算法复杂的推荐模型。我们识别并介绍了k-可分模型的性质。我们表明，k-可分性是一个足够的属性，允许有效的优化隐式推荐问题与CD。我们说明了这个框架上的各种国家的最先进的模型，包括因式分解机和塔克分解。总之，我们的工作提供了理论和积木，以获得高效的隐式CD算法复杂的推荐模型。
2016-11-15 cs.IR cs.LG
U-rank: Utility-oriented Learning to Rank with Implicit Feedback
学习排序是许多现实世界信息系统中最重要的任务之一，其中目标是一些特定的效用，例如，点击和收入。然而，我们指出，现有的方法基于概率排序原则不一定达到最高的效用。为此，我们提出了一种新的排名框架，称为U-排名，直接优化的预期效用的排名列表。通过一个位置感知的深度点击率预测模型，我们解决了同时考虑查询级和项目级特征的注意偏差。由于项目特定的注意力偏差模型，预期效用的优化对应于项目位置二分图上的最大权重匹配。我们基于一个有效的Lambdaloss框架，这是支持理论和实证分析的优化这一目标。我们在三个基准数据集和两个专有数据集上对网络搜索和推荐系统进行了广泛的实验，其中展示了U-排名在最先进技术上的性能增益。此外，我们提出的U-排名已部署在一个大规模的商业推荐和生产基线的大幅度改善已被观察到在在线A/B测试。
2020-11-01 cs.IR
Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation
Hefei University of Technology（合肥工业大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）
由于用户经常使用二进制行为数据（隐式反馈）来表达他们的偏好，例如点击项目或购买产品，基于隐式反馈的协同过滤（CF）模型通过利用隐式用户-项目交互数据来预测用户可能喜欢的排名靠前的项目。对于每个用户，隐式反馈被分成两个集合：一个观察到的项目集有限的观察到的行为，和一个大的未观察到的项目集，混合负项目行为和未知行为。给定任何用户偏好预测模型，研究人员要么设计基于排名的优化目标，要么依赖于负项挖掘技术来进行更好的优化。尽管这些基于隐式反馈的模型的性能增益，推荐结果仍然是远远不能令人满意的，由于每个用户的观察项目集的稀疏性。为此，在本文中，我们探讨了隐式反馈的独特特性，并提出了Set 2setRank框架的建议。Set 2setRank的优化标准有两个方面：首先，我们设计了一个项目到项目集的比较，鼓励来自采样观察集的每个观察项目的排名高于来自采样未观察集的任何未观察项目。第二，我们模型集水平比较，鼓励从观察项目集总结的距离和最“硬”未观察到的项目从抽样的负面集之间的利润率。此外，还设计了一种自适应采样技术来实现这两个目标。我们必须注意到，我们提出的框架是模型不可知的，可以很容易地应用于大多数推荐预测方法，并在实践中是时间效率。最后，在三个真实世界的数据集上进行了大量的实验，证明了我们所提出的方法的优越性。
2021-05-26 cs.AI cs.IR
PinView: Implicit Feedback in Content-Based Image Retrieval
University College London（伦敦大学学院）；Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；University of Leoben（莱奥本大学）；King Mongkut’s Institute of Technology Ladkrabang（先皇理工学院）
本文介绍了PinView，一个基于内容的图像检索系统，利用隐式相关反馈收集在搜索会话。PinView包含几种新颖的方法来推断用户的意图。从相关反馈，如眼球运动或指针点击，以及图像的视觉特征，PinView学习图像之间的相似性度量，这取决于用户的当前兴趣。然后，它使用专门的在线学习算法检索图像，该算法平衡了探索新图像和利用用户已经推断出的兴趣之间的权衡。我们已经将PinView集成到基于内容的图像检索系统PicSOM中，这使得PinView能够应用于真实世界的图像数据库。通过新算法PinView的性能优于原始PicSOM，并且在真实用户的在线实验中，隐式和显式反馈的组合给出了最佳结果。
2014-10-02 cs.AI cs.IR
Boosting API Recommendation with Implicit Feedback
开发人员通常需要使用适当的API来有效地编程，但从大量候选者中确定他们所需的确切API通常是一项困难的任务。为了减轻负担，已经提出了多种API推荐方法。然而，目前大多数可用的API插件不支持将用户的反馈有效地集成到推荐循环中。在本文中，我们提出了一个框架，BRAID（提升推荐与隐式反馈），它利用学习排名和主动学习技术，以提高推荐性能。通过利用用户的反馈信息，我们训练一个学习排名模型来重新排名的推荐结果。此外，我们还通过主动学习加快了反馈学习过程。现有的基于查询的API推荐方法可以插入BRAID。我们选择了三种最先进的API推荐方法作为基线，以证明Hit@k（Top-k），MAP和MRR测量的BRAID性能增强。实验结果表明，在合理的开销下，随着反馈数据比例的增加，推荐性能相对于基线有了稳定而显著的提高。
2021-01-15 cs.IR cs.SE
G-UBS: Towards Robust Understanding of Implicit Feedback via Group-Aware User Behavior Simulation
G-UBS通过群体意识用户行为模拟方法，利用群体档案引导强化学习，提升隐式反馈理解的鲁棒性和深度。
2025-11-24 cs.IR cs.LG cs.MA
Learning Hierarchical Item Categories from Implicit Feedback Data for Efficient Recommendations and Browsing
The Hong Kong University of Science and Technology（香港科技大学）
搜索、浏览和推荐是可以减轻用户在在线市场中所面临的“选择过载”的常见方式。在本文中，我们提出了使用层次项目类别，从隐式反馈数据，使有效的浏览和建议。我们提出了一种只从隐式反馈数据创建层次项目类别的方法，即，而没有关于项目的任何其他信息，如名称、流派等。以这种方式创建的类别基于用户对项目的共同消费。因此，当用户浏览层次结构时，它们在查找有趣和相关的项目时可能更有用。我们还表明，该项目层次结构可以是有用的，在作出基于类别的建议，这使得建议更可解释，并增加了多样性的建议，而不会影响太多的准确性。项层次结构在创建自动项分类框架时也很有用，因为它可以绕过手动标记和注释。这对小商贩尤其有用。我们的数据驱动的层次类别是基于分层潜在树分析（HLTA），这是以前用于文本分析。我们提出了一个扩大的学习算法\emph{HLTA-Forest}，使HLTA可以应用于隐式反馈数据。
2019-06-21 cs.AI cs.IR
Conformative Filtering for Implicit Feedback Data
The Hong Kong University of Science and Technology（香港科技大学）
隐式反馈是可用于项目推荐的最简单的用户反馈形式。它很容易收集，并且与域无关。然而，缺乏反面的例子。以前的工作通过假设用户对未消费的项目不感兴趣或不那么感兴趣来解决这个问题。这些假设往往被严重违反，因为不消费可能是由于不了解或缺乏资源等因素。因此，用户不消费并不总是意味着不感兴趣或不相关。在本文中，我们提出了一种新的方法，称为构象过滤（CoF）来解决这个问题。激励观察是，如果有一大群用户共享相同的口味，并且他们中没有人之前消费过物品，那么很可能该物品对该组不感兴趣。我们使用层次潜在树分析（HLTA）的隐式反馈数据进行多维聚类，以确定用户的“口味”组，并根据她在组中的成员资格和组的过去的行为为用户提出建议。在两个不同领域的真实数据集上的实验表明，CoF与几种常见的基线相比具有更好的性能。
2019-04-17 cs.AI cs.IR
Personalized Denoising Implicit Feedback for Robust Recommender System
针对隐式反馈中噪声交互与正常交互在整体损失分布中重叠导致误分类的问题，提出基于用户个人损失分布的重采样去噪策略PLD，有效降低噪声交互被优化的概率，提升了推荐系统的准确性与鲁棒性。
2025-02-01 cs.IR
Joint Variational Autoencoders for Recommendation with Implicit Feedback
Ontario Tech University（安大略理工大学）
变分自编码器（VAE）最近在隐式反馈的协同过滤中表现出很好的性能。这些现有的推荐模型学习用户表示来重建或预测用户偏好。我们介绍了联合变分自编码器（JoVA），两个VAE的合奏，其中VAE共同学习用户和项目表示，并共同重建和预测用户的喜好。这种设计允许JoVA同时捕获用户-用户和项目-项目的相关性。通过使用基于铰链的成对损失函数（JoVA-Hinge）扩展JoVA的目标函数，我们进一步将其专门用于具有隐式反馈的top-k推荐。我们在几个真实世界数据集上的广泛实验表明，在各种常用指标下，JoVA-Hinge的性能优于一系列最先进的协同过滤方法。我们的实证结果也证实了JoVA铰链优于现有的方法，冷启动用户与有限数量的训练数据。
2020-08-17 cs.IR cs.LG stat.ML
Mining Implicit Relevance Feedback from User Behavior for Web Question Answering
Microsoft（微软）；BUPT（北京邮电大学）；Simon Fraser University（西蒙弗雷泽大学）
针对多语言商业搜索引擎的网络规模的问答（QA）系统的训练和更新通常需要大量的训练样本。一个原则性的想法是从记录在搜索引擎日志中的用户行为中挖掘隐含的相关反馈。以往的隐式相关反馈挖掘都是针对网页文档的相关性而不是段落。由于问答任务的一些独特的特点，现有的Web文档的用户行为模型不能应用于推断段落相关性。本文首先研究了用户行为与段落相关性之间的关系，提出了一种新的Web问答训练数据挖掘方法。我们在四个测试数据集上进行了大量的实验，结果表明，我们的方法显着提高了通道排名的准确性，而无需额外的人类标记数据。在实践中，这项工作已被证明是有效的，以大大减少人工标注成本的QA服务在全球商业搜索引擎，特别是对语言资源少。我们的技术已经部署在多语言服务中。
2020-06-16 cs.CL cs.IR
Bilateral Self-unbiased Learning from Biased Implicit Feedback
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）
隐式反馈已被广泛用于商业推荐系统的构建。因为观察到的反馈代表用户的点击日志，所以在真实相关性和观察到的反馈之间存在语义鸿沟。更重要的是，观察到的反馈通常偏向于流行项目，从而高估了流行项目的实际相关性。虽然现有的研究已经开发出无偏的学习方法，使用逆倾向加权（IPW）或因果推理，他们只专注于消除项目的流行性偏见。在本文中，我们提出了一种新的无偏推荐学习模型，即双边SElf-unbiased推荐（BISER），以消除由推荐模型造成的项目曝光偏差。具体来说，BISER由两个关键组成部分组成：（i）自逆倾向加权（SIPW），以逐渐减轻项目的偏差，而不会产生高计算成本;以及（ii）双边无偏学习（BU），以弥合模型预测中两个互补模型之间的差距，即，基于用户和项目的自动编码器，缓解SIPW的高方差。大量的实验表明，BISER始终优于国家的最先进的无偏推荐模型在几个数据集，包括大衣，雅虎！R3、MovieLens和CiteULike。
2022-07-26 cs.IR cs.LG
VBPR: Visual Bayesian Personalized Ranking from Implicit Feedback
UC San Diego（加州大学圣地亚哥分校）
现代推荐系统通过发现或“挑拨离间”编码项目属性和用户偏好的潜在维度来对人和项目进行建模。关键是，这些维度是基于用户反馈发现的，通常是隐式形式的（例如购买历史、浏览日志等）;此外，一些推荐系统利用诸如产品属性、时间信息或评论文本之类辅助信息。然而，现有的个性化推荐和排名方法通常忽略的一个重要特征是正在考虑的项目的视觉外观。在本文中，我们提出了一个可扩展的因子分解模型，将视觉信号纳入人们的意见，我们适用于选择的大型，真实世界的数据集的预测。我们利用（预先训练的）深度网络从产品图像中提取的视觉特征，在此基础上，我们学习了一个额外的层，该层揭示了最能解释人们反馈变化的视觉维度。这不仅导致显著更准确的个性化排名方法，而且还有助于缓解冷启动问题，并定性地分析影响人们意见的视觉维度。
2015-10-06 cs.AI cs.IR
DRIFT: A Federated Recommender System with Implicit Feedback on the Items
本文提出联邦推荐系统DRIFT，基于SAROS算法利用隐式反馈实现精准推荐，在保护用户隐私的同时保证线性计算复杂度和安全性。
2023-04-17 cs.IR cs.LG
Learning Personalized Item-to-Item Recommendation Metric via Implicit Feedback
Amazon（亚马逊）
本文从隐反馈度量学习的角度研究了推荐系统中的项目到项目推荐问题。我们开发和研究了一个个性化的深度度量模型，该模型可以捕获项目的内部内容以及用户如何与它们进行交互。学习这种模式有两个关键挑战。首先，没有明确的相似性注释，这偏离了大多数度量学习方法的假设。其次，这些方法忽略了这样一个事实，即项目通常由多个Meta数据源表示，不同的用户使用这些源的不同组合来形成他们自己的相似性概念。为了解决这些挑战，我们开发了一个新的度量表示嵌入作为概率模型的内核参数。这有助于表达用户已经与之交互的项目之间的相关性，这可以用于预测用户与新项目的交互。我们的方法依赖于直觉，即相似的项目会引起来自同一用户的相似交互，因此拟合度量参数化模型来预测隐式反馈信号可以间接引导它为每个用户找到最合适的度量。为此，我们还分析了如何以及何时所提出的方法是有效的，从理论上的镜头。它的经验有效性也在几个真实世界的数据集上得到了证明。
2022-03-18 cs.IR cs.LG
Information Foraging for Enhancing Implicit Feedback in Content-based Image Recommendation
用户隐式反馈在推荐系统中起着重要的作用。然而，寻找隐式特征是一项繁琐的任务。基于信息觅食理论中的信息气味模型，提出了一种通过隐含行为信号识别用户偏好的图像推荐方法。在第一部分中，我们假设，用户的感知得到改善与图像中的视觉线索作为行为信号，提供用户的信息气味在信息寻求。我们设计了一个基于内容的图像推荐系统来探索哪些图像属性（即，视觉提示或书签）帮助用户找到他们想要的图像。我们发现，用户更喜欢的视觉线索预测的建议，因此认为视觉线索作为良好的信息气味为他们的信息寻求。在第二部分中，我们研究了图像中的视觉线索与图像本身一起是否比它们各自更能被用户感知。我们评估了Pinterest图像集和WikiArt数据集上图像推荐中的信息气味伪影。我们发现我们提出的图像推荐系统支持通过信息觅食解释的信息气味模型的隐式信号。
2020-01-19 cs.HC cs.IR cs.MM
Fast ALS-based tensor factorization for context-aware recommendation from implicit feedback
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
提出iTALS算法，利用基于ALS的张量分解方法线性扩展至非零元素，整合上下文信息（如季节性和序列模式），在隐式反馈数据集上显著提升推荐质量。
2013-04-04 cs.IR cs.LG cs.NA
Fast Adaptively Weighted Matrix Factorization for Recommendation with Implicit Feedback
College of Computer Science, Zhejiang University（浙江大学计算机科学学院）；Zhejiang University-LianlianPay Joint Research Center（浙江大学-连连支付联合研究中心）
由于缺乏可靠的观察到的负面数据，隐式反馈的推荐是一项极具挑战性的任务。一种流行而有效的隐式推荐方法是将未观察到的数据视为负面，但降低其置信度。当然，如何分配置信度权重和如何处理大量的未观测数据是隐式推荐模型的两个关键问题。然而，现有的方法要么追求快速学习，通过手动分配简单的信心权重，这缺乏灵活性，并可能会产生经验偏见，在评估用户的偏好;或自适应推断个性化的信心权重，但效率低下。为了实现自适应权重分配和有效的模型学习，我们提出了一种快速自适应加权矩阵分解（FAWMF）的变分自动编码器的基础上。个性化数据的置信度权重自适应分配与参数化神经网络（功能）和网络可以推断出的数据。此外，为了支持FAWMF的快速和稳定的学习，已经开发了一种新的特定的基于批处理的学习算法fBGD，其在所有反馈数据上进行训练，但其复杂度与观测数据的数量成线性关系。在真实数据集上的大量实验证明了所提出的FAWMF及其学习算法fBGD的优越性。
2020-03-04 cs.IR cs.LG stat.ML
BPR: Bayesian Personalized Ranking from Implicit Feedback
University of Hildesheim（希尔德斯海姆大学）
项目推荐是预测一组项目（例如网站，电影，产品）的个性化排名的任务。在本文中，我们调查了最常见的情况下，隐式反馈（例如，点击，购买）。基于隐式反馈的项目推荐方法有很多，如矩阵分解（MF）和自适应knearest-neighbor（kNN）。尽管这些方法是为个性化排名的项目预测任务而设计的，但它们都没有直接针对排名进行优化。在本文中，我们提出了一个通用的优化标准BPR-Opt的个性化排名，这是来自贝叶斯分析的问题的最大后验估计。我们还提供了一个通用的学习算法优化模型的BPR-Opt。学习方法是基于自举抽样的随机梯度下降。我们展示了如何将我们的方法应用于两个最先进的推荐模型：矩阵分解和自适应kNN。我们的实验表明，对于个性化排名的任务，我们的优化方法优于MF和kNN的标准学习技术。结果表明，优化模型的正确标准的重要性。
2012-05-09 cs.IR cs.LG stat.ML
Sequences, Items And Latent Links: Recommendation With Consumed Item Packs
推荐器通常通过使用协同过滤来基于显式反馈使用户（或项目）相关来个性化web内容，评级.收集这种反馈的困难最近促使人们考虑隐式反馈（例如，项目消耗以及相应的时间）。在本文中，我们介绍了消费项目包（CIP）的概念，使链接用户（或项目）的基础上，他们的隐式类似的消费行为。我们的建议是通用的，我们表明，它捕获三个新的隐式的搜索：基于用户的（CIP-U），基于项目的（CIP-I），和基于词嵌入（DEEPCIP），以及一个国家的最先进的技术，使用隐式反馈（FISM）。我们表明，我们的用户处理增量更新，将新鲜消费的项目。我们证明，所有这三个推荐者提供的推荐质量是具有竞争力的国家的最先进的，包括一个结合明确和隐含的反馈。
2017-12-07 cs.IR cs.SI stat.ML
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback
University of Science and Technology of China（中国科学技术大学）；Baidu Talent Intelligence Center, Baidu Inc.（百度人才智能中心（百度公司））；Business Intelligence Lab, Baidu Research（百度研究院商业智能实验室）
最近发展的在线推荐系统的重点是从隐式反馈，如用户点击和购买的协作排名。与反映分级用户偏好的显式评分不同，隐式反馈仅生成正面和未观察到的标签。虽然在这方面已经作出了相当大的努力，但众所周知的成对和列表方法仍然受到各种挑战的限制。具体而言，对于成对方法，独立的成对偏好的假设并不总是在实践中举行。此外，由于整个列表排列的前提条件，列表方法不能有效地容纳“领带”。为此，在本文中，我们提出了一种新的setwise贝叶斯方法的协作排名，即SetRank，内在地容纳在推荐系统中的隐式反馈的特点。具体来说，SetRank的目标是最大化新的setwise偏好比较的后验概率，可以用矩阵分解和神经网络来实现。同时，对SetRank进行了理论分析，证明了SetRank的超额风险界与$\sqrt{M/N}$成正比，其中$M$和$N$分别为项目数和用户数.最后，在四个真实世界数据集上进行的广泛实验清楚地验证了SetRank与各种最先进的基线相比的优越性。
2020-02-23 cs.IR cs.LG stat.ML
Learning Neural Ranking Models Online from Implicit User Feedback
University of Virginia（弗吉尼亚大学）
现有的在线学习排序（OL 2 R）解决方案仅限于线性模型，这是不足以捕捉查询和文档之间可能的非线性关系。在这项工作中，为了释放OL 2 R中表示学习的力量，我们提出直接从用户的隐式反馈（例如，点击）在飞行中收集。我们专注于RankNet和LambdaRank，由于它们在离线设置中的巨大经验成功和广泛采用，并基于使用神经切线核的神经网络的收敛分析来控制臭名昭著的探索-利用权衡。具体而言，在每轮结果服务中，仅对两个文档之间的预测排名顺序不确定的文档对进行探索;否则，将在结果排名中遵循排名器的预测顺序。我们证明了在标准假设下，我们的OL 2 R解决方案实现了间隙依赖的遗憾上限$O(\log^2(T))$，其中的遗憾是定义在$T$轮的错序对的总数。在两个公共学习排序基准数据集上对一组广泛的最先进的OL 2 R基线进行比较，证明了所提出的解决方案的有效性。
2022-01-17 cs.IR cs.LG
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models
本文提出概率偏好混淆方法 SBO，在保持推荐准确率的同时降低用户受保护属性泄露风险，并在多个主流模型和数据集上验证了其更优的准确率—隐私权衡。
2024-06-17 cs.IR
Sampler Design for Implicit Feedback Data by Noisy-label Robust Learning
Tsinghua University（清华大学）
内隐反馈数据因其易于收集和普遍适用而在推荐中被广泛探讨。然而，预测用户对隐式反馈数据的偏好是一项具有挑战性的任务，因为我们只能观察到积极的（投票）样本和未投票的样本。很难区分负样本和未标记的正样本与未投票的样本。现有的作品，如贝叶斯个性化排名（BPR），样本未投票的项目作为负样本均匀，因此遭受一个关键的噪声标签问题。为了解决这一问题，我们设计了一个基于噪声标签鲁棒学习的自适应采样器。为了使问题公式化，我们首先引入贝叶斯逐点优化（BPO）来学习模型，例如，矩阵分解（MF），通过最大似然估计。我们用模型预测用户的偏好，并通过最大化观察到的数据标签的可能性来学习它，即，用户更喜欢她的肯定样本，并且对她的未投票样本没有兴趣。然而，实际上，用户可能对她的一些未投票样本感兴趣，这些未投票样本实际上是被错误标记为负面样本的正面样本。然后，我们考虑这些噪声标签的风险，并提出了一个噪声标签鲁棒BPO（NBPO）。NBPO还最大化观察似然，同时通过基于贝叶斯定理的标签翻转似然将用户偏好和观察到的标签连接起来。在NBPO中，用户更喜欢她的真阳性样本，而对她的真阴性样本不感兴趣，因此优化质量得到了显着提高。在两个公开的真实世界数据集上的大量实验表明，我们提出的优化方法有显着的改善。
2020-06-28 cs.IR cs.LG stat.ML
GRCN: Graph-Refined Convolutional Network for Multimedia Recommendation with Implicit Feedback
将用户的隐式反馈重新组织为用户-项目交互图，有利于图卷积网络（GCN）在推荐任务中的应用。在交互图中，用户和项目节点之间的边作为GCN的主要元素来执行信息传播并生成信息表示。然而，一个潜在的挑战在于交互图的质量，因为观察到的与不太感兴趣的项目的交互发生在隐式反馈中（例如，用户意外地观看微视频）。这意味着与这种假阳性边缘相关的邻域将受到负面影响，并且用户偏好的信号可能受到严重污染。然而，现有的基于GCN的推荐模型留下这样的挑战，探索，导致次优的表示和性能。在这项工作中，我们专注于自适应地细化交互图的结构，以发现和修剪潜在的假阳性边缘。为此，我们设计了一个新的基于GCN的推荐模型，\emph{Graph-Refined Convolutional Network}（GRCN），它调整交互图的结构自适应的基础上的状态模型的训练，而不是保持固定的结构。特别地，图细化层被设计为以假阳性交互的高置信度来识别噪声边缘，并且因此以软方式修剪它们。然后，我们在细化的图上应用图卷积层，以提取关于用户偏好的信息信号。通过在三个微视频推荐数据集上的大量实验，验证了GRCN的合理性和有效性。进一步的深入分析展示了改进的图如何有益于基于GCN的推荐模型。
2021-11-03 cs.IR cs.MM
Query Chains: Learning to Rank from Implicit Feedback
本文提出了一种使用点进数据来学习网络搜索结果的排名检索函数的新方法。我们观察到，用户搜索网络经常执行一个序列，或链，查询具有类似的信息需求。使用查询链，我们从搜索引擎日志中生成新类型的偏好判断，从而利用用户智能重新制定查询。为了验证我们的方法，我们进行了一个受控的用户研究比较生成的偏好判断明确的相关性判断。我们还实现了一个真实世界的搜索引擎来测试我们的方法，使用修改后的排名SVM从偏好数据中学习改进的排名函数。我们的研究结果表明，显着改善排名的搜索引擎。学习的排名优于静态排名函数，以及在不考虑查询链的情况下训练的排名。
2006-05-08 cs.IR cs.LG
Using the Context of User Feedback in Recommender Systems
我们的工作通常集中在为中小型电子商务门户网站推荐，其中没有明确的反馈，因此使用隐式反馈是必要的。尽管如此，对于一些隐式反馈特征，呈现上下文可能是高度重要的。在本文中，我们提出了一个模型的相关上下文功能影响用户反馈，提出利用这些功能的方法，发布一个数据集的真实电子商务用户包含多个用户反馈指标，以及其上下文，并最终提出购买预测和推荐实验的结果。捷克旅行社网站的真实用户的离线实验证实了利用演示上下文在购买预测和推荐任务的重要性。
2016-12-15 cs.HC cs.IR
Context-aware recommendations from implicit data via scalable tensor factorization
尽管基于隐式反馈的推荐问题-当只有用户历史可用但没有评级时-是现实世界应用中最典型的设置，但它比显式反馈情况少得多。在显式情况下有效的最先进的算法不能自动转换到隐式情况下，如果应保持可伸缩性。很少有隐式反馈基准数据集，因此新的想法通常在显式基准上进行实验。在本文中，我们提出了一种通用的上下文感知隐式反馈推荐算法，称为iTALS。iTALS应用了一种快速的、基于ALS的张量因式分解学习方法，该方法与张量中非零元素的数量呈线性关系。我们还提出了两个近似的和更快的变体iTALS使用坐标下降和共轭梯度方法在学习。该方法还允许我们将各种上下文信息纳入模型，同时保持其计算效率。我们提出了两个上下文感知的iTALS的变体，将季节性和项目购买顺序性的模型，以区分用户行为在不同的时间间隔，和产品类型具有不同的重复性。在六个数据集上运行的实验表明，iTALS明显优于上下文感知模型和上下文感知基线，而在召回率和MAP方面，它与因子分解机器（12种情况中有7种）不相上下。
2013-09-29 cs.IR cs.LG
Query-free Clothing Retrieval via Implicit Relevance Feedback
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学协同媒体创新中心）；Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所）
随着网上购物的发展，基于图像的服装检索受到越来越多的关注。在实践中，用户可能经常在脑海中有一件期望的衣服（例如，或者以前在街上见过它或者需要某些特定的服装属性），但是可能不能提供图像作为查询。我们将此问题建模为一种新型的图像检索任务，其中目标图像仅驻留在用户的脑海中（以下称为“心理图像检索”）。由于没有明确的查询图像，我们建议通过相关反馈来解决这个问题。具体而言，提出了一种新的贝叶斯公式，同时模型的检索目标和它的高层次的表示在用户心目中（以下称为“用户度量”）作为后验分布的预取的商店图像和异构特征提取的多个服装属性，分别。该算法只需要点击作为用户反馈，能够考虑到人类决策的可变性。真实用户的实验证明了该算法的有效性。
2017-11-01 cs.CV cs.IR
Towards Reliable Negative Sampling for Recommendation with Implicit Feedback via In-Community Popularity
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
本文提出ICPNS框架，通过利用用户社区结构识别可靠负样本，提升推荐系统中隐式反馈的学习效果。
2026-02-21 cs.AI cs.IR
