Counterfactual Inference for Eliminating Sentiment Bias in Recommender Systems
UNSW(新南威尔士大学);Macquarie University(麦考瑞大学);CSIRO’s Data61(联邦科学与工业研究组织Data61)
本文首次提出利用反事实推断分训练与推断两阶段建模并消除基于评论的推荐系统中的情感偏差,实验表明可在保持评分预测性能的同时有效缓解偏差。
2025-05-06 cs.AI cs.IR
Recommender Systems: A Primer
Universidad Autónonoma de Madrid(马德里自治大学);University of Klagenfurt(克拉根福大学)
个性化推荐已经成为现代在线服务的共同特征,包括大多数主要的电子商务网站、媒体平台和社交网络。今天,由于其高度的实际意义,在推荐系统领域的研究比以往任何时候都更加蓬勃发展。然而,随着我们今天观察到的推荐系统的新应用场景,在算法要求和对此类系统的评估方面也不断出现新的挑战。在本文中,我们首先提供了一个传统的配方推荐问题的概述。然后,我们回顾了经典的算法范例项目检索和排名,并阐述了如何可以评估这样的系统。之后,我们讨论了一些最近的发展,在推荐系统的研究,包括基于会话的推荐,在推荐系统的偏见,并在实践中的影响和价值的推荐系统的问题。
2023-02-06 cs.AI cs.IR
Sports Recommender Systems: Overview and Research Issues
Magistrat Villach(菲拉赫市政厅);Institute of Software Technology (Graz University of Technology)(格拉茨工业大学软件技术研究所)
本文综述体育推荐系统在健康饮食、训练、人才团队、比赛战术及电子竞技等场景中的应用与技术,分析最新进展并指出开放研究问题。
2023-12-06 cs.AI cs.IR
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen(杜伊斯堡-埃森大学);National University of Sciences and Technology(国家科技大学)
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究,提出了设计指导原则,并指出了未来研究方向,以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
The Use of Bandit Algorithms in Intelligent Interactive Recommender Systems
IBM Research AI(IBM研究院人工智能部门)
在当今的商业市场中,许多高科技互联网企业不断探索创新的方法来提供最佳的在线用户体验,以获得竞争优势。指出了开发智能交互式推荐系统的巨大需求,该系统可以通过准确地预测用户的偏好来顺序地向用户推荐最合适的项目,同时不断地接收最新的反馈以改进推荐结果。多臂强盗算法能够提供高效的推荐服务,已被广泛应用于各种在线系统中。然而,很少有现有的强盗模型能够适应现代推荐系统引入的新变化。
2021-07-01 cs.AI cs.IR
Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Conversational Group Decision Support
University of Klagenfurt(克雷格弗特大学);University of Sarajevo(萨拉热窝大学);Free University of Bozen-Bolzano(博兹纳-博尔扎诺自由大学)
本文反思群组推荐系统的学术假设与现实差距,提出利用生成式AI,构建人类与AI智能体互动的群组决策支持系统,以推动其实际应用。
2026-10-30 cs.AI cs.IR
Personalized Recommender System for Children's Book Recommendation with A Realtime Interactive Robot
Fandou Information Technology Co. Ltd.(饭豆信息技术有限公司);Carnegie Mellon University(卡内基梅隆大学)
本研究针对儿童-机器人交互环境,提出结合逆过滤文本搜索、贝叶斯网络兴趣预测及领域同义词关联的个性化图书推荐系统,在嵌入式设备上实现高效运行。
2023-05-08 cs.AI cs.IR
Impression-Aware Recommender Systems
Politecnico di Milano(米兰理工学院);ContentWise;Amazon(亚马逊);Universidad Autónoma de Madrid(马德里自治大学)
本文提出印象感知推荐系统,通过系统性文献综述统一了使用印象的推荐系统框架,并指出了未来研究方向。
2024-12-17 cs.AI cs.IR cs.LG
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder(科罗拉多大学博尔德分校)
虽然推荐系统是由个性化定义的,但最近的工作表明了额外的,超越准确性目标的重要性,例如公平性。由于用户通常希望他们的推荐是纯粹个性化的,这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史,但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具,但这项工作并没有集中在推荐上。在这里,我们认为公平意识推荐系统和技术,以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究,调查用户的公平感,推荐系统,公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
The Architecture of Mr. DLib's Scientific Recommender-System API
Trinity College Dublin(都柏林圣三一学院);National Institute of Informatics(国立信息学研究所)
学术界的推荐系统并不广泛。这可能部分是由于开发和维护推荐系统的难度和成本。许多学术产品的运营商,如数字图书馆和参考咨询经理避免这种努力,虽然推荐系统可以提供显着的好处,他们的用户。在本文中,我们介绍了DLib先生的“推荐即服务”(RaaS)API,该API允许学术产品的运营商轻松地将科学推荐系统集成到他们的产品中。DLib先生为研究文章生成推荐,但在未来,推荐可能包括论文,资助等学术产品的运营商可以向DLib先生请求推荐,并向其用户显示这些推荐。DLib先生可以在几个小时或几天内集成;从头开始创建一个等效的推荐系统对于学术运营商来说需要几个月的时间。DLib先生已被GESIS Sowiport和参考管理器JabRef使用。DLib是开源的,其目标是促进科学推荐系统的应用和研究。在本文中,我们提出了DLib先生的动机,架构和细节的有效性。DLib先生在两年的时间里提供了9400万条推荐,平均点击率为0.12%。
2018-11-26 cs.AI cs.DL cs.IR
Towards a Theoretical Understanding of Two Tower Recommendation Models
Indian Institute of Technology (BHU) Varanasi(印度理工学院(瓦拉纳西))
本研究针对双塔推荐模型,分析其渐近行为、收敛特性,证明其收敛更快,且在合成与真实数据实验中性能优于现有方法,建立了其理论特性与统计保证。
2026-08-10 cs.AI cs.IR
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University(罗格斯大学);Renmin University of China(中国人民大学)
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中,提出了各种评价战略。但是,它们散见于不同的论文中,缺乏系统而详细的比较。为了弥补这一差距,本文全面回顾了前人的工作,并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作,我们还分析了现有的评估方法的优点(缺点),并提供了一系列的指导方针,如何选择他们。本调查的内容基于来自顶级会议(如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI)的100多篇论文,其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查,我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
Collaborative Personalized Web Recommender System using Entropy based Similarity Measure
Acharya Narender Dev College, University of Delhi(德里大学阿查里亚·纳伦德拉·德夫学院);Swami Sharaddhanand College, University of Delhi(德里大学斯瓦米·沙拉德南德学院);University of Delhi(德里大学);Atma Ram Sanatam Dharam College, University of Delhi(德里大学阿特马·拉姆·萨纳坦·达拉姆学院)
在互联网上,网络冲浪者在搜索信息时,总是努力寻找推荐。由于信息领域的日益增长,产生推荐的解决方案变得更加困难。在本文中,我们已经计算基于熵的用户之间的相似性,以实现可扩展性问题的解决方案。利用这个概念,我们已经实现了一个在线用户为基础的协同Web推荐系统。在该模型的基础上,协同系统的用户会话分为两个层次。在两个级别上计算熵。结果表明,从一组有价值的排序者在第一级,只有那些排序者具有较低的熵在第二级比熵在第一级,作为值得信赖的排序者。最后,为在线用户从这样的值得信赖的推荐者生成前N个推荐。
2012-01-20 cs.AI cs.IR
GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation
Monash University(莫纳什大学);Ostadkar Company(Ostadkar公司)
关于推荐系统的研究出现在过去的十年中,包括有价值的服务,以增加不同公司的收入。在处理论文推荐系统中存在几种方法。虽然大多数现有的推荐系统依赖于基于内容的方法或协作方法,但存在可以使用两种方法的组合来提高推荐准确性的混合方法。尽管已经提出了许多算法来使用这些方法,但仍有必要进一步改进。在本文中,我们提出了一个推荐系统的方法,使用基于图的模型与用户的评级的相似性,结合用户的人口统计和位置信息。利用Autoencoder特征提取的优点,在所有组合属性的基础上提取新的特征。使用新的一组功能聚类用户,我们提出的方法(GHRS)已经获得了显着的改善,这主导了其他方法的性能在冷启动问题。在MovieLens数据集上的实验结果表明,该算法在推荐准确率上优于现有的推荐算法。
2022-03-25 cs.AI cs.IR cs.LG
Reviewing Developments of Graph Convolutional Network Techniques for Recommendation Systems
Institute of Advanced Scientific Research(高级科学研究所);Shivaji University(希瓦吉大学)
本文综述了图神经网络在推荐系统中的应用,涵盖背景、分类、动机及图构建、嵌入传播和计算效率的挑战,并展望未来方向。
2023-11-10 cs.AI cs.IR cs.LG
Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
Jiaying University(嘉应学院)
在大数据时代,推荐系统作为我们日常生活中信息过滤的关键手段已经取得了显着的成功。近年来,推荐系统的技术发展经历了从感知学习到认知推理的过程,将推荐任务直观地构建为逻辑推理的过程,并取得了显著的进步。然而,推理中的逻辑陈述隐含地承认了排序的无关性,甚至没有考虑在许多推荐任务中起重要作用的时间信息。此外,结合时间上下文的推荐模型将倾向于自我关注,即,自动聚焦更多(更少)的相关性(无关性)。针对这些问题,本文提出了一种基于时间感知的自注意力神经协作推理(TiSANCR)推荐模型,将时间模式和自注意力机制集成到基于推理的推荐中。特别是,时间模式表示的相对时间,提供上下文和辅助信息来描述用户的偏好在推荐,而自我注意是利用提取信息模式和抑制无关。因此,自我注意的时间信息的融合提供了更深层次的表示用户的偏好。在基准数据集上进行的大量实验表明,提出的TiSANCR推荐算法性能显著提高,并且始终优于现有的推荐方法。
2022-08-29 cs.AI cs.IR cs.LG
Personalized Counterfactual Fairness in Recommendation
Rutgers University(罗格斯大学)
随着越来越多的用户使用推荐系统进行信息搜索和决策,推荐系统对人类和社会产生了越来越重要的影响。因此,解决推荐中潜在的不公平问题至关重要。就像用户对物品有个性化偏好一样,用户对公平性的诉求在很多场景下也是个性化的。因此,为用户提供个性化的公平推荐,以满足其个性化的公平需求是非常重要的。此外,以往的公平推荐工作主要集中在基于关联的公平性。然而,重要的是要从关联公平的概念,因果公平的概念,更恰当地评估公平的推荐系统。基于上述考虑,本文重点研究了在推荐系统中实现个性化的反事实公平性。为此,我们引入了一个框架,通过生成功能独立的用户嵌入推荐,通过对手学习实现反事实公平的建议。该框架允许推荐系统实现个性化的公平性,同时也涵盖非个性化的情况下,用户。在两个真实数据集上使用浅层和深层推荐算法进行的实验表明,该方法可以为用户生成更公平的推荐,并具有理想的推荐性能。
2021-11-05 cs.AI cs.IR cs.LG
User-oriented Fairness in Recommendation
Rutgers University(罗格斯大学)
作为一个高度数据驱动的应用,推荐系统可能会受到数据偏差的影响,导致对不同数据组的结果不公平,这可能是影响系统性能的一个原因。因此,识别和解决推荐场景中的不公平问题非常重要。在本文中,我们从用户的角度来解决推荐系统中的不公平问题。我们根据用户的活跃程度将其分为弱势群体和弱势群体,并进行实验,以表明目前的推荐系统将表现出不公平的两组用户之间。具体而言,在数据中只占很小比例的弱势用户(活跃)比弱势用户(不活跃)享有更高的推荐质量。这种偏见也会影响整体性能,因为弱势用户占大多数。为了解决这个问题,我们提供了一个重新排名的方法,以减轻这种不公平的问题,通过增加约束的评估指标。我们在几个真实世界的数据集上进行了各种推荐算法的实验表明,我们的方法不仅可以提高用户在推荐系统中的群体公平性,但也取得了更好的整体推荐性能。
2021-04-21 cs.AI cs.HC cs.IR
Overhead-free User-side Recommender Systems
National Institute of Informatics(情报学研究所)
针对用户侧推荐系统通信开销过高的问题,提出无开销框架RecCycle,通过回收提供商的历史推荐结果,在保持与先进算法同等性能的同时显著降低成本。
2024-11-12 cs.AI cs.DB cs.DL
An MDP-based Recommender System
Ben-Gurion University(本-古里安大学);Microsoft Research(微软研究院)
典型的推荐系统采用推荐过程的静态视图,并将其视为预测问题。我们认为,它是更合适的,以查看作为一个顺序的决策问题的问题产生的建议,因此,马尔可夫决策过程(MDP)推荐系统提供了一个更合适的模型。MDP有两个好处:它们考虑到每项建议的长期影响,并考虑到每项建议的预期价值。为了在实践中取得成功,一个基于MDP的推荐系统必须采用一个强大的初始模型,本文的大部分内容都是关于这样一个模型的生成。特别是,我们建议使用一个n-gram预测模型来生成初始MDP。我们的n-gram模型诱导了一个用户行为的马尔可夫链模型,其预测精度高于现有的预测模型。我们详细描述了我们的预测模型,并评估了其在真实数据上的性能。此外,我们展示了如何使用该模型在基于MDP-Recommender系统。
2015-05-16 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
Collective Mobile Sequential Recommendation: A Recommender System for Multiple Taxicabs
Sun Yat-sen University(中山大学)
移动顺序推荐最初是为单个出租车找到有希望的路线而设计的。直接将其应用于多辆出租车可能会导致推荐路线过度重叠。多出租车推荐问题具有挑战性,研究较少。在本文中,我们首先正式提出了一个集体移动顺序推荐问题的经典数学模型的基础上,该模型的特点是竞争出租车之间的时变影响。接下来,我们提出了一个新的评价指标的出租车路线的集合,旨在最大限度地减少潜在的旅行时间的总和。然后,我们开发了一个有效的算法来计算度量和设计一个贪婪的推荐方法来近似的解决方案。最后,数值实验表明了我们的方法的优越性。在跟踪驱动的模拟中,我们的方法推荐的路线集显着优于传统方法获得的路线。
2019-06-22 cs.AI cs.DS
Online certification of preference-based fairness for personalized recommender systems
Meta AI
推荐系统正面临审查,因为它们对我们所能获得的机会的影响越来越大。目前对公平性的审计仅限于敏感群体级别的粗粒度奇偶性评估。我们建议审计无嫉妒性,这是一个与个人偏好相一致的更细粒度的标准:每个用户都应该喜欢他们的推荐。由于审计嫉妒需要估计用户的偏好超出他们现有的建议,我们投审计作为一个新的纯探索多武装土匪的问题。我们提出了一个样本效率的算法,理论上保证它不会恶化用户体验。我们还研究了在现实世界的推荐数据集上实现的权衡。
2023-03-06 cs.AI cs.CY cs.LG
Improving Reachability and Navigability in Recommender Systems
在本文中,我们从网络的角度研究推荐系统,并研究推荐网络,其中节点是项目(例如,电影)并且边缘从前N个推荐(例如,相关电影)。特别是,我们专注于评估的可达性和导航性的推荐网络和调查以下问题:(一)如何以及推荐网络支持导航和探索性搜索?(ii)参数,特别是不同的推荐算法和显示的推荐数量,对可达性和可导航性有什么影响?以及(iii)如何在这些网络中提高可达性和可导航性?我们首先通过调查推荐网络的结构特性来评估推荐网络的可达性,从而解决这些问题。其次,我们通过模拟三种不同的信息寻求场景模型来评估导航性。我们发现,与标准的算法,推荐系统不适合导航和探索,并提出了修改建议,以改善这一点的方法。我们的工作从基于单击的推荐系统评估扩展到多单击分析(即,序列的依赖点击),并提出了一个通用的,全面的方法来评估任意推荐网络的可导航性。
2015-07-29 cs.IR cs.SI
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功,以及不同的社交网络网站,如亚马逊和电影镜头,推荐系统正在创造前所未有的机会,以帮助人们浏览网页时,寻找相关的信息,并作出选择。通常,这些推荐系统分为三类:基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常,这些系统采用标准推荐方法,例如人工神经网络、最近邻或贝叶斯网络。然而,这些方法与基于web应用(诸如社交网络或语义web)的方法相比是有限的。在本文中,我们提出了一种新的方法,称为语义社会推荐系统,提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
recommenderlab: An R Framework for Developing and Testing Recommendation Algorithms
基于观察数据创建推荐的算法对在线零售商和许多其他行业具有重要的商业价值。推荐系统有一个重要的研究社区,研究此类系统是大多数现代数据科学课程的一部分。虽然有大量的软件实现了推荐算法,但在支持推荐系统的研究和教育方面却很少。本文介绍了开源软件recommenderlab,它是为支持研究和教育而创建的。该软件包可以直接安装在R中或从https://github.com/mhahsler/recommenderlab下载。
2022-05-24 cs.DB cs.IR
Recommendation Systems for Tourism Based on Social Networks: A Survey
如今,推荐系统存在于许多日常活动中,例如在线购物、浏览社交网络等。鉴于通过信息技术重振旅游业的需求不断增加,推荐系统已被纳入Expedia、Booking或Tripadvisor等旅游网站。此外,自2004年以来,与旅游推荐系统相关的科学论文数量稳步持续增长。这种增长在很大程度上是由于社交网络,除了为研究人员提供使用大量可用和不断更新的数据的可能性外,它们还使推荐系统变得更加个性化,有效和自然。本文回顾和分析了许多研究出版物,重点是旅游推荐系统,在他们的项目中使用社交网络。我们详细介绍了他们的主要特点,如社交网络被利用,数据提取,应用的推荐技术,评价方法等,通过全面的文献综述,我们的目标是与未来的推荐系统合作,给出一些明确的分类和描述,目前的旅游推荐系统。
2019-03-28 cs.IR cs.SI
Food Recommendation using Ontology and Heuristics
需要推荐系统来找到感兴趣的食物。我们回顾推荐系统和推荐方法。我们提出了一个基于自适应超媒体的食品个性化框架。我们扩展了Hermes框架的食物推荐功能。我们结合TF-IDF术语提取方法和余弦相似性度量。健康烹饪学和标准食品数据库被纳入知识库。基于所进行的评估,我们得出结论,语义推荐系统一般优于传统的推荐系统的准确性,精度和召回率方面,建议的推荐有一个更好的F-措施比现有的语义推荐。
2013-12-05 cs.IR
Enhancing the long-term performance of recommender system
推荐系统是在线商务系统中的重要工具,为用户提供个性化的商品推荐。到目前为止,许多推荐算法都是为了进一步提高单步推荐的推荐性能,而长期推荐性能却被忽略了。在本文中,我们提出了一种方法称为调整的推荐列表(ARL),以提高长期推荐的准确性。为了观察长期的准确性,我们开发了一个网络的演化模型来模拟推荐系统和用户行为之间的相互作用。实验结果表明,该方法不仅可以显著提高长期推荐的准确率,而且可以保持在线系统中项目的多样性。值得注意的是,ARL的最优参数n* 存在于长期推荐中,这表明在保持项目的多样性和用户的偏好之间存在权衡,以最大化长期推荐准确性。最后,我们证实了最佳参数n* 是稳定的进化网络,这表明ARL方法的鲁棒性。
2019-04-01 cs.HC cs.IR cs.SI
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下,这种列表式的解释应该为用户提供多样化和相关的选项。然而,在实践中,列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成,该排名函数从标记数据中学习以优化准确性。然而,top-N推荐可能会导致次优,因为它单独关注每个项目的准确性,而忽略了项目之间的相互影响。因此,我们提出了一个个性化的重新排序模型,以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后,任何现有的排名功能。重排序模型采用个性化的决定点过程(DPP),提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度,但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制,我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明,我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
Leveraging Social Signal to Improve Item Recommendation for Matrix Factorization
尽管在过去的十年里,推荐系统在工业界和学术界都得到了广泛的研究,但目前的推荐系统大多存在以下问题:1)用户-项目矩阵的数据稀疏性严重影响了推荐系统的质量。因此,传统的推荐系统方法不能处理用户评价较少的问题,这就是推荐系统中的冷启动问题。2)传统的推荐系统假设用户是独立同分布的,忽略了用户之间的社会关系。然而,在现实生活中,由于社交网络服务,如Facebook和Twitter的指数增长,不同用户之间的社会联系起着重要的作用推荐系统的任务。在这项工作中,旨在提供一个更好的推荐系统,将用户的社会网络信息,我们提出了一个矩阵分解框架与用户的社会关系约束。在真实数据集上的实验结果表明,该方法在MAE和RMSE方面明显优于现有方法,特别是对于冷启动用户。
2018-05-17 cs.IR cs.SI
Do Loyal Users Enjoy Better Recommendations? Understanding Recommender Accuracy from a Time Perspective
在学术研究中,推荐系统通常在基准数据集上进行评估,而没有太多考虑全局时间轴。因此,我们无法回答这样的问题:忠诚用户比非忠诚用户享受更好的推荐吗?忠诚度可以通过用户在推荐系统中活跃的时间段来定义,或者通过用户具有的历史交互的数量来定义。在本文中,我们沿着全球时间轴对推荐结果进行了全面的分析。我们用五种广泛使用的模型进行实验,即,BPR、NeuMF、LightGCN、SASRec和TiSASRec,基于四个基准数据集,即,MovieLens-25 M,Yelp,亚马逊音乐和亚马逊电子。我们的实验结果对上述问题给出了否定的回答。具有许多历史交互的用户遭受相对较差的推荐。使用系统时间较短的用户可以享受更好的推荐。这两个发现都是违反直觉的。有趣的是,最近与系统交互的用户,相对于测试实例的时间点,享受更好的推荐。关于新近度的发现适用于所有用户,无论用户的忠诚度如何。我们的研究提供了一个不同的角度来理解推荐准确性,我们的研究结果可能会引发重新审视推荐模型的设计。代码可在\url {https:github.com/putatu/recommenderLoyalty.
2022-07-04 cs.IR
Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
本文提出 LSVCR,通过 SR 模型与补充性 LLM 推荐器的两阶段对齐和微调,联合建模视频与评论交互,实现视频和评论个性化推荐,并在快手在线实验中提升评论观看时长 4.13%。
2025-07-23 cs.AI cs.IR
Representation Learning in Low-rank Slate-based Recommender Systems
Cornell University(康奈尔大学)
本文针对推荐系统中状态和动作空间过大的问题,提出一种基于低秩MDP的样本高效表示学习算法,并构建了相应的板面推荐模拟环境。
2023-09-19 cs.AI cs.IR
Interpreting Contextual Effects By Contextual Modeling In Recommender Systems
推荐系统已经被广泛应用于通过提供个性化项目推荐列表来辅助用户的决策。上下文感知推荐系统(CARS)在推荐过程中还考虑了上下文信息,因为用户对物品的品味可能因上下文而异。为了提高推荐的质量,已经提出并开发了几种上下文感知的推荐算法。然而,有有限的研究探索和讨论的能力,解释的上下文效果的推荐模型。在本文中,我们特别关注不同的上下文建模方法,重塑模型的结构,并探讨如何利用现有的上下文建模解释的上下文效果的推荐系统。我们比较了上下文效应的解释,以及在两个真实世界的数据集的推荐性能,以检查解释的质量。
2017-10-23 cs.IR
Semi-metric networks for recommender systems
从用户项关系中的同现获得的加权图导致非度量拓扑。我们使用这种半度量行为来发布推荐,并讨论了它与模糊图上的传递闭包的关系。最后,我们测试这种方法对其他项目和基于用户的推荐系统的Movielens基准的性能。我们表明,包括高度半度量边缘在我们的推荐算法,导致更好的建议。
2012-09-08 cond-mat.stat-mech cs.IR cs.SI
Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs
The Hong Kong Polytechnic University(香港理工大学);Baidu Inc.(百度公司)
本文提出RecBench+数据集,用于评估LLM在复杂用户推荐任务中的能力,揭示LLM在处理条件查询时的优势及推理挑战。
2026-02-02 cs.AI cs.IR
Investigating Potential Factors Associated with Gender Discrimination in Collaborative Recommender Systems
个性化推荐技术的激增引起了人们对不同性别、年龄组和种族或民族人群之间推荐性能差异的担忧。这种不同程度的性能可能会影响用户对系统的信任,并可能在公平和公正是关键问题的领域(如工作推荐)中造成法律和道德问题。在本文中,我们调查了几个潜在的因素,可能与歧视性的性能的推荐算法,女性与男性。我们专门研究了用户简档的几个特征,并分析了它们与系统对不同性别的不同行为的可能关联。这些特征包括评分行为的异常、用户档案的熵和用户档案的大小。我们在一个公共数据集上使用四种推荐算法的实验结果表明,基于所有提到的三个因素,女性得到的推荐不如男性准确,这表明推荐算法在性别上的不公平性。
2020-02-18 cs.IR cs.SI
AFEL-REC: A Recommender System for Providing Learning Resource Recommendations in Social Learning Environments
在本文中,我们提出了AFEL-REC,社会学习环境的推荐系统的初步结果。AFEL-REC是建立在一个可扩展的软件架构,以提供近实时的学习资源的建议。此外,AFEL-REC可以处理社交学习环境中存在的任何类型的数据,例如资源元数据,用户交互或社交标签。我们提供了在AFEL-REC中实现的三个推荐用例的初步评估,我们发现以标签的形式利用社交数据不仅有助于提高推荐的准确性,而且有助于提高覆盖率。这篇论文应该是有价值的研究人员和从业人员有兴趣在社会学习环境中提供资源建议。
2018-08-14 cs.IR
Applying the Affective Aware Pseudo Association Method to Enhance the Top-N Recommendations Distribution to Users in Group Emotion Recommender Systems
推荐系统是信息检索系统的一个子类,或者更简洁地说,是一类寻求预测用户偏好与推荐项目的匹配程度的信息过滤系统。为用户组进行推荐的常用方法是扩展个性化推荐系统的能力。这种方法给人的印象是,组推荐是个性化推荐系统的改造。此外,这种方法没有考虑群体情感和个体情感的动态性来进行topN推荐。向两个或两个以上的用户推荐项目无疑对影响群体决策的群体行为提出了独特的挑战,研究人员只部分了解。本研究应用情绪感知伪联想方法研究群体决策中的群体形成和动力学。该方法在进行推荐时对群体情绪变化具有较强的适应性。
2021-02-08 cs.IR
A Survey on the Fairness of Recommender Systems
推荐系统是缓解信息过载的重要工具,在人们的日常生活中扮演着重要的角色。由于建议涉及社会资源的分配(例如,工作推荐),一个重要的问题是推荐是否公平。不公正的推荐不仅不道德,而且损害了推荐人制度本身的长远利益。因此,推荐系统中的公平性问题最近引起了越来越多的关注。然而,由于多个复杂的资源分配过程和各种各样的公平性定义,对推荐中公平性的研究比较分散。为了填补这一空白,我们回顾了在顶级会议/期刊上发表的60多篇论文,包括TOIS,SIGIR和WWW。首先,我们总结了建议中的公平性定义,并提供了几种观点来分类公平性问题。然后,我们回顾了公平性研究中的推荐数据集和测量,并提供了一个详细的分类公平性方法的建议。最后,我们通过概述一些有希望的未来方向来结束这项调查。
2022-06-19 cs.IR
Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations
针对社交媒体推荐系统影响评估因算法不透明等面临的挑战,提出基于图神经网络(GNNs)的自动推荐系统识别方法,通过训练推荐系统中性用户模型生成合成数据集并对比模型,实现隐藏推荐系统的准确检测,助力减少极化与错误信息。
2025-04-15 cs.IR cs.SI
Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review
Santa Clara University(圣克拉拉大学);Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
该综述系统考察了大语言模型在推荐系统中的核心作用,强调其推理能力带来的范式转变,并总结了优势与现存挑战。
2024-03-19 cs.AI cs.IR
Modeling mutual feedback between users and recommender systems
推荐系统每天都在影响我们在互联网上的决定。虽然已经给予了相当大的关注,如推荐的准确性和用户隐私的问题,推荐系统和用户的决定之间的长期相互反馈一直被忽视到目前为止。我们在这里提出了一个网络演化模型,它使我们能够研究这种反馈引起的复杂动态,包括滞后效应,这是典型的非线性动态系统。尽管人们普遍认为推荐有助于用户发现新事物,但我们发现,长期使用推荐可能会导致极受欢迎的项目的增加,从而最终缩小用户的选择范围。这些结果得到了真实系统中项目流行度不平等随时间演化的测量结果的支持。我们表明,这种不利影响的建议可以驯服牺牲短期推荐准确性的一部分。
2015-08-07 cs.IR cs.SI physics.soc-ph
Large Language Models as Zero-Shot Conversational Recommenders
University of California, San Diego(加州大学圣地亚哥分校);Netflix Inc.(奈飞公司);Cornell University(康奈尔大学)
本研究构建了目前最大的公开真实世界对话推荐数据集,实证发现零样本大语言模型在对话推荐任务上性能超越现有微调模型,并通过分析探究了其表现优异的机制,为未来对话推荐系统设计提供方向。
2023-08-19 cs.AI cs.IR
A Location-Based Movie Recommender System Using Collaborative Filtering
现有的推荐系统大多利用传统的方法,如协同过滤,只依赖于用户和项目之间的相似性,根据用户的偏好提供推荐。然而,协同过滤可能会导致提供差的推荐,因为它不依赖于其他有用的可用数据,如用户的位置,因此,建议的准确性可能是非常低的和低效的。这在位置高度影响用户偏好的系统中可能是非常明显的,例如电影推荐系统。为了提高推荐的准确性和质量,本文提出了一种基于协同过滤的基于位置的电影推荐系统。在这种方法中,用户的位置已被利用,并考虑在整个处理的建议和同行选择。通过在真实数据集上的实验,讨论了所提出的方法在提供新颖和更好质量的推荐方面的潜力。
2015-08-07 cs.IR
User and Recommender Behavior Over Time: Contextualizing Activity, Effectiveness, Diversity, and Fairness in Book Recommendation
本文对Goodreads的UCSD Book Graph数据集进行时间解释性分析,结合活动、多样性与公平性指标及滚动窗口协同过滤训练,揭示用户与推荐系统行为随时间的演变,并考察2011年引入算法推荐后的行为变化。
2025-05-07 cs.IR
Towards Employing Recommender Systems for Supporting Data and Algorithm Sharing
数据和算法共享是数据和人工智能驱动经济的重要组成部分。数据和算法的有效共享依赖于用户、数据提供者和算法提供者之间的积极互动。虽然推荐系统被称为有效地互连用户和电子商务环境中的项目,有一个缺乏研究的数据和算法共享的推荐系统的适用性。为了填补这一空白,我们确定了六个推荐方案,以支持数据和算法共享,其中四个方案与电子商务应用程序中的传统推荐方案有很大不同。我们使用基于OpenML数据和算法共享平台的交互数据的新数据集来评估这些推荐方案,我们也为科学界提供了这些数据集。具体来说,我们调查三种类型的推荐方法,即流行,合作,和基于内容的建议。我们发现,基于协作的建议在所有情况下提供最准确的建议。此外,推荐准确性在很大程度上取决于特定的场景,例如,对用户的算法推荐是比对数据集的算法推荐更困难的问题。最后,基于内容的方法生成覆盖大多数数据集和算法的最少受欢迎的推荐。
2022-10-26 cs.IR
RARD: The Related-Article Recommendation Dataset
推荐系统数据集用于推荐系统评估、训练机器学习算法和探索用户行为。虽然在电影、书籍和音乐领域有许多用于推荐系统的数据集,但来自研究论文推荐系统的数据集却相当少。在本文中,我们介绍了RARD,相关文章推荐数据集,从数字图书馆Sowiport和解释作为一种服务提供商先生DLib。该数据集包含向Sowiport用户显示的5740万条推荐信息。这些信息包括使用了哪些推荐方法(例如基于内容的过滤,刻板印象,最流行的),在基于内容的过滤中使用了哪些类型的功能(简单术语与关键词),从哪里提取功能(标题或摘要),以及推荐被交付和点击的时间。此外,数据集包含一个隐式的项目-项目评级矩阵,该矩阵是根据推荐点击日志创建的。RARD使研究人员能够训练用于研究论文推荐的机器学习算法,进行离线评估,并对DLib先生的推荐系统的数据进行研究,而无需自己实现推荐系统。在科学推荐系统领域,我们的数据集是独一无二的。据我们所知,没有数据集有更多的(隐式)评级可用,以及推荐算法的许多变化。该数据集可在http://data.mr-dlib.org上获得,并在Creative Commons Attribution 3.0 Unported(CC-BY)许可下发布。
2017-06-20 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
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore(新加坡国立大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Singapore Management University(新加坡管理大学)
本文提出CARE框架,结合外部推荐系统和LLM进行上下文适应,提升对话推荐的准确性,实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
Mobile recommender systems: Identifying the major concepts
本文确定了移动推荐系统的影响因素。推荐系统已经成为在存在信息过载问题的情况下被各种在线应用广泛使用的技术。电子商务、视频平台和社交网络等众多应用向其用户提供个性化推荐,这改善了用户体验和供应商收入。推荐系统的发展主要集中在提出新的算法,提供更准确的建议。然而,移动设备的使用以及互联网和网络基础设施的快速增长带来了使用移动推荐系统的必要性。网络和移动推荐系统之间的联系,以及如何在移动环境中的建议,可以改善描述。这项工作的重点是确定网络和移动推荐系统之间的联系,并提供坚实的未来方向,旨在导致在一个更集成的移动推荐域。
2018-05-06 cs.IR
CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation
CogRec融合大型语言模型和Soar认知架构,通过符号推理与在线学习提升推荐系统的可解释性和准确性。
2025-12-30 cs.AI cs.IR
Post-Userist Recommender Systems : A Manifesto
本文提出后用户主义推荐概念,指出在生成式媒体时代,仅关注用户与系统关系的用户主义推荐已等同于个性化媒体生成,因此引入更广泛利益相关者关系的后用户主义推荐是推荐系统研究的唯一前进路径。
2024-10-09 cs.HC cs.IR