Item-Item Music Recommendations With Side Information
在线音乐服务拥有数千万首曲目。内容本身是广泛的，涵盖各种音乐流派以及非音乐音频内容，如广播剧和播客。内容的庞大规模和多样性使得用户很难找到相关的曲目。因此，相关建议对于良好的用户体验至关重要。在这里，我们提出了一种方法来计算轨迹轨迹相似性使用协同过滤信号与边信息。在来自音乐流媒体服务SoundCloud的数据集上，这里的方法优于广泛采用的隐式矩阵分解技术。我们的方法的实现是开源的，可以应用于相关的项目项目推荐任务的边信息。
2017-12-18 cs.IR
Revisiting Alternative Experimental Settings for Evaluating Top-N Item Recommendation Algorithms
Top-N项目推荐是一个被广泛研究的内隐反馈任务。虽然神经方法已经取得了很大的进展，有越来越多的关注，适当的评价推荐算法。在本文中，我们重新评估前N推荐算法的替代实验设置，考虑三个重要因素，即数据集分割，采样指标和域选择。我们选择了八种有代表性的推荐算法（包括传统方法和神经方法），并在一个非常大的数据集上进行了广泛的实验。通过仔细地重新审视不同的选项，我们在这三个因素上得出了一些重要的发现，这些发现直接为如何适当地设置top-N项目推荐实验提供了有用的建议。
2020-10-09 cs.IR
Multi-granularity Item-based Contrastive Recommendation
对比学习（CL）已经在推荐中显示出其强大的功能。然而，大多数基于CL的推荐模型仅仅关注用户的方面，忽略了项目中丰富多样的信息。在这项工作中，我们提出了一个新的多粒度基于项目的对比学习（MicRec）框架的匹配阶段（即，该方法系统地将多方面的项目相关信息引入到基于CL的表示学习中。具体来说，我们建立了三个基于项目的CL任务作为一组即插即用的辅助目标，以捕捉项目的相关性，在功能，语义和会话水平。特征级项目CL旨在通过项目及其增强来学习细粒度的特征级项目相关性。语义级项CL关注语义相关项之间的粗粒度语义相关性。会话级项目CL突出了来自所有会话中的用户顺序行为的项目的全局行为相关性。在实验中，我们进行离线和在线评估现实世界的数据集，验证了三个CL任务的有效性和普遍性。目前，MicRec已经部署在一个真实世界的推荐系统上，影响了数百万用户。源代码将在未来发布。
2022-11-02 cs.IR
Personalized Recommendation via Integrated Diffusion on User-Item-Tag Tripartite Graphs
个性化推荐系统面临着准确性、多样性和新颖性的巨大挑战，特别是当数据集稀疏且缺乏用户简档、项目属性和显式评分等辅助信息时。协作标签包含有关个性化偏好和项目内容的丰富信息，因此有可能帮助提供更好的推荐。在本文中，我们提出了一个推荐算法的基础上，综合扩散的用户-项目-标签三方图。我们使用三个基准数据集，Del.icio.us，MovieLens和BibSonomy，来评估我们的算法。实验结果表明，标签信息的使用可以显着提高推荐的准确性，多样化和新颖性。
2009-04-13 cs.IR
A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation
在推荐系统中，项目的长尾分布是非常普遍的。它会严重损害模型在尾项上的性能。为了提高尾项推荐，我们进行研究，从头部项目的知识转移到尾部项目，利用丰富的用户反馈的头部项目和头部和尾部项目之间的语义连接。具体来说，我们提出了一种新的双重迁移学习框架，共同学习的知识转移从模型级和项目级：1。模型级知识传递建立了模型参数从Few-Shot到多模型的通用元映射。它捕获模型级的隐式数据增强，以改善尾项的表示学习。2.项级转移通过项级特征连接头项和尾项，以确保从头项到尾项的元映射的平滑转移。这两种类型的转移相结合，以确保从头部项目学习的知识可以很好地应用于尾项表示学习在长尾分布设置。通过在两个基准数据集上的大量实验，结果表明，我们提出的双迁移学习框架在命中率和NDCG方面明显优于其他最先进的尾项推荐方法。同样令人鼓舞的是，我们的框架进一步提高了头部项目和整体性能，以及尾部项目的收益。
2021-03-07 cs.IR
Beyond Next Item Recommendation: Recommending and Evaluating List of Sequences
推荐系统（RS）建议项目的基础上估计的偏好的用户。最近的RS方法利用向量空间嵌入和深度学习方法来进行有效的推荐。然而，这些方法中的大多数忽略了顺序性特征并且考虑了每个交互，例如，办理入住手续，彼此独立。该方法考虑了用户与项目的交互的顺序性，并使用它们来推荐多项目序列的列表。所提出的方法使用FastText \cite{bojanowski2016enriching}（自然语言处理（NLP）中的公知技术）来对序列的子单元之间的关系建模，例如，跟踪、播放列表，并利用训练的表示作为传统推荐方法的输入。多项目序列的推荐列表由ROUGE \cite{lin2003automatic,lin2004rouge}度量评估，该度量也常用于NLP文献。目前的实验结果表明，它是可能的，除了传统的下一个项目推荐的多项目序列的列表。此外，使用FastText，它利用输入序列的子单元，有助于克服冷启动用户的问题。
2020-08-30 cs.IR
Item-to-item recommendation based on Contextual Fisher Information
Web推荐服务在电子商务中非常重要，因为它们帮助用户浏览与其需求最相关的项目。在一个典型的网站中，用户以前的活动或购买的长期历史记录很少可用。因此，在大多数情况下，浏览器会建议与当前用户会话中最近查看的项目相似的项目。相应的任务称为基于会话的项目到项目推荐。对于频繁出现的项目，很容易通过“查看过此项目的人，也查看过”列表来呈现项目到项目的推荐。然而，大多数项目属于长尾，以前的行动稀疏可用。另一个困难是所谓的冷启动问题，当项目最近出现，还没有时间积累足够数量的交易。为了在稀疏或冷启动情况下推荐会话中的下一个项目，我们还必须结合项目相似性模型。在本文中，我们描述了一个基于随机场的概率相似性模型来近似项到项的转移概率。我们给出了一个生成模型的项目互动的基础上任意的距离措施，包括显式，隐式评级和外部元数据的项目。该模型可以及时改变以更好地拟合最近的事件，并基于更新的Fisher信息推荐下一个项目。在几个不同的性能指标和公开的数据集下，我们的新模型的性能优于简单的相似性基线方法和最近的项目到项目排序。我们达到了显着的收益，特别是推荐一个新的项目后，一个罕见的项目。
2016-11-08 cs.IR
Personalized Multimedia Item and Key Frame Recommendation
当向用户推荐或广告项目时，出现的趋势是向每个多媒体项目呈现关键帧图像（例如，电影海报）。由于每个多媒体项可以被表示为多个细粒度的视觉图像（例如，电影的相关图像），个性化关键帧推荐在这些应用中是必要的，以吸引用户独特的视觉偏好。然而，先前的个性化关键帧推荐模型依赖于用户对多媒体项的细粒度图像行为（例如，用户-图像交互行为），这在真实场景中通常是不可用的。在本文中，我们研究了一般问题的联合多媒体项目和关键帧推荐的细粒度的用户图像行为的情况下。我们认为，这个问题的关键挑战在于发现用户的视觉轮廓的关键帧推荐，因为大多数推荐模型会失败，没有任何用户的细粒度的图像行为。为了应对这一挑战，我们利用用户的项目行为投影用户（项目）在两个潜在的空间：一个合作的潜在空间和视觉潜在空间。我们进一步设计了一个模型来识别用户的协作和视觉维度，并模拟用户如何从这两个空间做出决定性的项目偏好。因此，学习的用户视觉简档可以直接应用于关键帧推荐。最后，在真实数据集上的实验结果清楚地表明了我们提出的模型在两个推荐任务上的有效性。
2020-01-04 cs.IR
Recommendations for Item Set Completion: On the Semantics of Item Co-Occurrence With Data Sparsity, Input Size, and Input Modalities
我们解决的问题，推荐相关的项目给用户，以“完成”一组部分的项目已经知道。我们考虑两种情况下的引用和主题标签推荐，这类似于不同的语义项目共现：相关性的共引和主题标签的多样性。我们评估了一个已知的部分项目集的完整性对推荐性能的影响。我们还调查数据稀疏通过修剪参数和使用额外的元数据的影响。作为推荐模型，我们专注于不同的自动编码器，它们特别适合于重建集合中缺失的项目。我们扩展了自动编码器，以利用文本和结构化数据的多模态输入。我们在六个真实世界数据集上的实验表明，当项目同现类似于相关性时，提供部分项目集作为输入是有帮助的，而元数据在同现意味着多样性时是有效的。这一结果意味着项目共现的语义是一个重要因素。简单项目共现模型是引文推荐的一个强有力的基线。然而，自动编码器的优势在于能够利用除了部分项集之外的附加元数据作为输入，并实现相当的性能。对于主题标签推荐任务，标题是最重要的属性。添加更多的输入模态有时甚至会损害结果。总之，关键是要考虑的语义项共现选择一个合适的推荐模型，并仔细决定哪些元数据利用。
2021-05-10 cs.IR
Rethinking Item Importance in Session-based Recommendation
基于会话的推荐是基于匿名会话来预测用户的偏好。以前的工作主要集中在一个正在进行的会话期间的项目之间的过渡关系。他们通常没有足够的注意到项目的重要性，就其与用户的主要意图的相关性而言。在本文中，我们提出了一个基于会话的推荐方法与重要性提取模块，即，SR-IEM，考虑用户在正在进行的会话中的长期和最近行为。我们采用一种改进的自我注意力机制来估计会话中项目的重要性，然后使用该重要性来预测用户的长期偏好。项目推荐是通过将用户的长期偏好和最后交互项目所传达的当前兴趣相结合来产生的。在两个基准数据集上进行的实验验证了SR-IEM在召回率和MRR方面优于现有技术，并且具有降低的计算复杂性。
2020-05-09 cs.IR
Item Recommendation Using User Feedback Data and Item Profile
矩阵分解（MS）是一种基于协同过滤（CF）的方法，广泛应用于推荐系统（RS）。在这项研究工作中，我们处理的内容管理系统（CMS）的用户的内容推荐问题的基础上，用户的反馈数据。CMS用于向公司或组织的员工发布和推送策划的内容。在这里，我们使用了用户的反馈数据和内容数据来解决内容推荐问题。我们准备个人用户简档，然后根据用户反馈数据的不同类别（包括直接交互、社交分享和阅读统计）生成推荐结果。随后，我们分析了不同类别对推荐结果的影响。结果表明，不同类别的反馈数据对推荐准确率有不同的影响。如果我们在推荐任务中包含所有类型的数据，则可以实现最佳性能。我们还将内容相似性作为一个正则化项到MF模型设计的混合模型。实验结果表明，提出的混合模型表现出更好的性能相比，传统的MF为基础的模型。
2022-06-28 cs.IR
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
Next Item Recommendation with Self-Attention
在本文中，我们提出了一种新的序列感知推荐模型。我们的模型利用自我注意力机制，从用户的历史交互推断项目之间的关系。通过自注意，它能够估计用户交互轨迹中每个项目的相对权重，以更好地学习用户瞬时兴趣的表示。该模型最终在度量学习框架中进行训练，同时考虑短期和长期意图。在不同领域的广泛数据集上的实验表明，我们的方法远远优于最先进的方法。
2018-08-25 cs.IR
Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction
本研究提出物品推荐可视为链接预测的一类实例，通过实验验证三种基于因子分解的链接预测模型在推荐任务上的性能可媲美十种主流推荐模型，无需修改架构即可应用，并探索了超参数设置为后续研究奠基。
2024-09-11 cs.IR
Metadata Embeddings for User and Item Cold-start Recommendations
我提出了一个混合矩阵分解模型表示用户和项目的线性组合，其内容特征的潜在因素。该模型在冷启动或稀疏交互数据场景（使用用户和项目元数据）中优于协作和基于内容的模型，并且至少与交互数据丰富的纯协作矩阵分解模型一样好。此外，由模型产生的特征嵌入以一种让人联想到词嵌入方法的方式对语义信息进行编码，使其对一系列相关任务（如标签推荐）非常有用。
2015-07-30 cs.IR
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder
嵌入式MLP已经成为现代大规模推荐系统的一种范式。然而，这种模式遭受冷启动问题，这将严重损害生态健康的推荐系统。本文试图通过为具有历史数据和有限交互记录的冷项目生成增强的预热ID嵌入来解决项目冷启动问题。从行业实践的角度来看，我们主要关注以下三点项目冷启动：1）在线推荐场景下，如何在没有额外数据需求的情况下进行冷启动，并使策略易于部署。2)如何利用历史记录和新项目不断出现的交互数据。3)如何从交互数据中稳定地建模项目ID和辅助信息之间的关系。为了解决这些问题，我们提出了一个模型无关的条件变分自编码器为基础的推荐（CVAR）框架，具有一些优点，包括各种骨干兼容性，没有额外的数据要求，利用历史数据和最近出现的互动。CVAR使用潜变量来学习项目边信息的分布，并使用条件解码器生成所需的项目ID嵌入。通过在公开数据集上的大量离线实验和在腾讯新闻推荐平台上的在线A/B测试，进一步验证了CVAR的优势和鲁棒性。
2022-05-27 cs.IR
Try This Instead: Personalized and Interpretable Substitute Recommendation
作为个性化推荐的一个基本而重要的过程，候选项生成和建议有效地帮助用户找到最适合他们的项目。因此，识别可互换的可替代项目开辟了新的机会，以改善所生成的候选人的质量。当用户正在浏览特定类型的产品（例如，笔记本电脑）购买，替代品的准确推荐（例如，配备更好的笔记本电脑）可以为用户提供更合适的选择，从而大大增加成功购买的机会。然而，现有的方法仅仅把这个问题作为挖掘成对项目关系，而没有考虑用户的个人偏好。此外，可替代的关系是通过学习项目的潜在表示隐含地识别，导致不可解释的推荐结果。在本文中，我们提出了属性感知的协同过滤（A2 CF）执行替代推荐解决问题，从个性化和可解释性的角度。而不是直接建模的用户-项目的交互，我们提取明确的和极化的项目属性与情感分析，之后的属性，用户和项目的表示同时学习的用户评论。然后，通过将属性视为用户和项目之间的桥梁，我们可以彻底建模用户-项目偏好（即，个性化）和项目-项目关系（即，替代）的建议。此外，A2 CF能够通过分析用户当前最关心的属性并在属性级别将推荐的替代品与他/她当前浏览的项目进行比较来生成直观的解释。通过在三个真实数据集上的大量实验，证明了A2 CF的推荐有效性和解释质量。
2020-05-19 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
Beyond Accuracy Optimization: On the Value of Item Embeddings for Student Job Recommendations
在这项工作中，我们解决的问题，推荐工作给大学生。为此，我们探讨了利用神经项目嵌入的任务，基于内容的推荐，我们建议整合的因素的频率和新近的互动与工作岗位，结合这些项目嵌入。我们使用预测准确性，多样性和适应性新颖性指标在奥地利学生就业门户网站Studo的数据集上评估我们的工作推荐系统。本文表明，利用频率和新近的互动与职位发布相结合的项目嵌入结果在一个强大的模型的准确性和多样性，这也提供了最好的适应新颖的结果。
2017-11-21 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Measuring Item Global Residual Value for Fair Recommendation
本文针对信息流推荐中物品曝光不公及“雪球效应”，提出建模物品级全局剩余价值（GRV），并通过TaFR框架在提升推荐性能的同时实现更公平的资源分配。
2023-07-17 cs.IR
Uncertainty-aware Consistency Learning for Cold-Start Item Recommendation
针对冷启动推荐中冷热物品性能难以同时提升的问题，本文提出仅基于交互数据的不确定性感知一致性学习框架UCC，通过生成低不确定性交互使冷物品分布接近热物品，在基准数据集上平均性能提升27.6%。
2023-08-07 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
Accurate and Diverse Recommendations via Propensity-Weighted Linear Autoencoders
Hokkaido University（北海道大学）；The University of Tokyo（东京大学）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
本文提出一种基于sigmoid函数的倾向评分方法，用于改善推荐系统中推荐的准确性和多样性。
2025-12-24 cs.IR
Connecting User and Item Perspectives in Popularity Debiasing for Collaborative Recommendation
推荐系统从历史用户的反馈中学习，这些反馈通常在项目之间不均匀分布。因此，这些系统可能最终会逐渐建议流行项目而不是利基项目，即使后者对用户来说是感兴趣的。这可能妨碍推荐列表的几个核心质量（例如，新颖性、覆盖面、多样性），影响基础平台本身未来的成功。在本文中，我们正式提出了两个新的指标，量化多少推荐系统平等对待项目沿流行的尾巴。第一个是鼓励所有项目被推荐的概率相等，而第二个是鼓励所有项目的真阳性率相等。我们的特点是建议的代表性算法的建议，通过建议的指标，我们表明，项目被推荐的概率和项目的真阳性率是有偏见的项目流行度。为了促进一个更平等的待遇项目沿流行的尾巴，我们提出了一个在处理的方法，旨在最大限度地减少用户项目的相关性和项目流行之间的偏见。大量的实验表明，在准确性损失很小的情况下，我们的流行缓解方法导致了超准确性推荐质量的重要收益。
2020-10-04 cs.IR
Time-Aware Item Weighting for the Next Basket Recommendations
针对下一购物篮推荐中忽略预测时间与购物篮间隔信息的问题，提出将时间戳和间隔纳入考量的新方法TAIW，在三个真实数据集上优于最先进基线，并通过消融和案例研究验证其有效性。
2023-07-30 cs.IR
Deep Pairwise Hashing for Cold-start Recommendation
推荐效率和数据稀疏性问题一直被认为是提高在线推荐性能的两个挑战。以前的相关工作大多集中在提高推荐准确率，而不是效率。在本文中，我们提出了一个深度成对哈希（DPH）映射用户和项目的二进制向量在汉明空间，其中用户的偏好可以有效地计算一个项目的汉明距离，这显着提高了在线推荐的效率。为了缓解数据稀疏和冷启动问题，用户-项目交互信息和项目内容信息相结合，学习项目和用户的有效表示。具体来说，我们首先通过去噪自动编码器而不是其他确定性深度学习框架从项目内容数据中预训练鲁棒的项目表示;然后通过添加具有离散约束的成对损失目标来微调整个框架;此外，DPH旨在最小化与推荐的最终目标一致的成对排名损失。最后，我们采用交替优化方法优化所提出的模型与离散约束。在三个不同数据集上的大量实验表明，DPH可以显着提高数据稀疏性和项目冷启动推荐方面的最先进的框架。
2020-11-02 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
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
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
Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
在现代电子商务中，顾客的行为包含着丰富的信息，消费习惯，偏好的动态。最近，基于会话的推荐越来越流行，以探索客户的交互行为的时间特性。然而，现有的研究主要是利用短期行为，没有充分考虑客户的长期稳定的偏好和演变。在本文中，我们提出了一种新的行为密集型神经网络（BINN）的下一个项目推荐结合用户的历史稳定的偏好和目前的消费动机。具体来说，BINN包含两个主要组件，即，神经项目嵌入和区分行为学习。首先，提出了一种基于用户交互的项目嵌入方法，以获得每个项目的统一表示。然后，通过嵌入的项目和项目序列上的交互行为，BINN有区别地学习目标用户的历史偏好和当前动机。因此，BINN可以更好地为目标用户推荐下一个项目。最后，为了评估BINN的性能，我们在两个真实世界的数据集上进行了广泛的实验，即，天池和JD.实验结果清楚地证明了BINN的有效性与几个国家的最先进的方法相比。
2018-08-03 cs.IR
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
图神经网络（GNN）被广泛用于推荐，以模拟用户和项目之间的高阶交互。现有的基于GNN的推荐方法依赖于用户项图的集中存储和集中模型学习。然而，用户数据是隐私敏感的，并且用户项图的集中存储可能引起隐私担忧和风险。本文提出了一种基于GNN的隐私保护推荐的联邦框架，该框架可以从分散的用户数据中集体训练GNN模型，同时利用高阶用户-项目交互信息，保护隐私。在我们的方法中，我们在本地训练GNN模型在每个用户客户端的基础上，从本地用户-项目交互数据推断的用户-项目图。每个客户端将GNN的局部梯度上传到服务器进行聚合，其进一步发送到用户客户端以更新局部GNN模型。由于局部梯度可能包含隐私信息，我们将局部差分隐私技术应用于局部梯度以保护用户隐私。此外，为了保护用户与之交互的项目，我们建议将随机采样的项目作为伪交互项目进行匿名。为了将高阶用户项交互，我们提出了一种用户项图扩展方法，可以找到相邻的用户与共同交互的项目和交换他们的嵌入扩展本地用户项图的隐私保护的方式。在6个基准数据集上的实验表明，该方法能够在有效保护用户隐私的同时，取得与现有的基于GNN的集中式推荐方法相竞争的结果。
2021-03-01 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用，其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器（MA-CVAE）用于标签推荐，它将项目协作信息和项目多辅助信息相耦合，内容和社交图谱，通过定义一个生成过程。具体而言，该模型使用变分自编码器（VAE）从不同的项目辅助信息中学习深度潜在嵌入，该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外，为了推荐新项目的标签，项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理，其中重建损失被添加在训练阶段中，以通过不同的辅助嵌入来限制反馈预测的生成。此外，一个归纳变分图自动编码器的设计，新的项目节点可以推断在测试阶段，使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
Generative Sequential Recommendation with GPTRec
本文提出GPTRec，一种基于GPT-2的生成式序列推荐模型，通过SVD Tokenisation解决大词汇量问题，并引入Next-K策略生成相互依赖的推荐列表，在MovieLens-1M上达到与SASRec相当的质量且嵌入表减少40%。
2023-06-19 cs.IR
Long-Tail Session-based Recommendation from Calibration
基于会话的推荐的准确预测已经取得了进展，但一些研究集中在由流行偏见引起的倾斜推荐列表上。现有的模型，以减轻流行的偏见，试图减少过度集中的流行项目，通过放大分数不太受欢迎的项目。然而，他们通常忽略了用户对长尾项目的不同偏好。因此，我们将校准，其中校准的建议反映了用户的兴趣，在推荐列表中以适当的比例，以减轻从用户的角度来看的流行偏见。具体来说，我们提出了一个校准模块来预测尾项在推荐列表中的会话表示的比例，并将其对齐到正在进行的会话。此外，我们利用两个阶段的课程培训策略，以提高预测的校准模块。在基准数据集上的实验表明，该模型既能达到有竞争力的推荐准确率，又能提供更多的尾项。
2022-05-02 cs.IR
Next-item Recommendations in Short Sessions
不断变化的用户对项目的偏好触发了基于会话的推荐系统（SBRS）的出现，其目的是为下一个项目的推荐建模的动态偏好的用户。然而，大多数现有的SBRS研究都是基于长会话的建议，忽略了短会话，虽然短会话，事实上，在大多数现实世界的数据集占很大比例。因此，现有SBRS解决方案的适用性大大降低。在短会话中，可用的上下文信息非常有限，这使得下一项推荐非常具有挑战性。为此，在本文中，成功的少样本学习（FSL）的启发，有效地学习模型与有限的实例，我们制定了下一个项目的建议作为FSL问题。因此，遵循FSL的代表性方法的基本思想，即，元学习，我们设计了一个有效的SBRS称为会话间协作推荐网络（INter-SEssion collaborative Recommender network，简称EAN），用于在短会话中进行下一个项目的推荐。通过精心设计的局部模块和全局模块，P2P能够在给定的短会话中学习当前用户的最佳偏好表示。在全局模块中，设计了一个相似会话检索网络（SSRN），分别从当前用户和其他用户的历史会话中找出与当前短会话相似的会话。然后利用所获得的相似会话来补充和优化本地模块从当前短会话中学习的偏好表示，以在该短会话中进行更准确的下一项目推荐。在两个真实世界的数据集上进行的大量实验表明，我们提出的神经网络在短时间内进行下一个项目推荐时，优于最先进的SBRS。
2021-07-20 cs.IR
A Review-aware Graph Contrastive Learning Framework for Recommendation
大多数现代推荐系统预测用户的偏好有两个组成部分：用户和项目嵌入学习，其次是用户-项目交互建模。现有的基于评论的推荐模型通过利用用户评分的辅助评论信息，利用历史评论丰富了用户/项目嵌入学习能力，或者利用可用的用户-项目目标评论更好地建模用户-项目交互。虽然已经取得了重大进展，我们认为，目前的解决方案，基于审查的建议遭受两个缺点。首先，由于基于评论的推荐可以自然地形成为具有来自相应用户项目评论的边缘特征的用户项目二分图，如何更好地利用这种独特的图结构进行推荐？其次，虽然目前大多数模型都受到用户行为的限制，但我们能否利用评论感知图中独特的自监督信号来更好地指导两个推荐组件？为此，在本文中，我们提出了一种新的审查感知图对比学习（RGCL）框架的审查为基础的推荐。具体来说，我们首先构建一个具有功能增强边缘的评论感知用户项目图，其中每个边缘功能由用户项目评级和相应的评论语义组成。该图具有特征增强的边，可以帮助专心地学习每个邻居节点的权重，用于用户和项目表示学习。之后，我们设计了两个额外的对比学习任务（即，节点鉴别和边缘鉴别），为推荐过程中的两个组件提供自监督信号。最后，在五个基准数据集上的广泛实验证明了我们提出的RGCL与最先进的基线相比的优越性。
2022-05-16 cs.IR
Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
针对现有推荐方法难以兼顾严格冷启动与热启动性能的问题，本文提出融合多模态内容与知识图谱的Firzen框架，通过冻结异构图与同构图提取多维度信息，在两类场景下均取得优异表现。
2024-10-10 cs.IR
Recursive Attentive Methods with Reused Item Representations for Sequential Recommendation
序贯推荐的目的是根据用户的历史交互行为推荐用户感兴趣的下一个项目。最近，自我注意力机制已经被用于顺序推荐，并展示了最先进的性能。然而，在这篇手稿中，我们表明，自我注意力为基础的顺序推荐方法可能会受到本地化赤字问题。因此，在这些方法中，在前几个块上，项目表示可能会迅速偏离其原始表示，从而损害后续块中的学习。为了缓解这个问题，在这篇手稿中，我们开发了一个递归注意的方法与重用的项目表示（RAM）的顺序推荐。我们在六个公共基准数据集上将RAM与五种最先进的基线方法进行了比较。我们的实验结果表明，RAM显着优于基准方法的基准数据集，提高了11.3%。我们的稳定性分析表明，RAM可以实现更深、更宽的模型，从而获得更好的性能。我们的运行时性能比较表明，RAM在基准数据集上也可以更有效。
2022-09-16 cs.IR
ICPE: An Item Cluster-Wise Pareto-Efficient Framework for Recommendation Debiasing
针对推荐系统头部物品偏差问题，提出模型无关的物品簇级帕累托高效框架ICPE，通过因果推理、二分聚类与反事实推理平衡不同流行度物品的学习，有效消除偏差并提升推荐性能。
2025-03-01 cs.IR
A Generic Top-N Recommendation Framework For Trading-off Accuracy, Novelty, and Coverage
用于top-N推荐的标准协同过滤方法偏向于热门项目。因此，他们推荐用户可能知道的项目，并代表长尾项目。这是不够的，既为消费者谁喜欢新颖的项目，因为集中在流行的项目覆盖率低的项目空间，而高项目空间覆盖率增加供应商的收入。我们提出了一种方法，依赖于历史评级数据来学习用户长尾新奇的喜好。我们将这些偏好整合到一个通用的重新排名框架中，该框架可以在准确性和覆盖率之间实现自定义平衡。我们经验验证，我们提出的框架增加了建议的新颖性。此外，通过向正确的用户群推广长尾项目，我们显着增加了系统的覆盖率，同时可扩展地保持准确性。我们的框架还支持现有非个性化算法的个性化，使其在关键性能指标（包括准确性和覆盖率）方面与现有个性化算法竞争。
2018-03-01 cs.IR
Rethinking the Item Order in Session-based Recommendation with Graph Neural Networks
在短的匿名交互会话而不是长期历史中预测用户的偏好是现实生活中基于会话的推荐中的挑战性问题，例如，电子商务和媒体流。目前基于会话的推荐系统的研究主要集中在利用注意力机制的序列模式，这是直接的会话的自然序列按时间排序。然而，在项目选择的转变中，用户的偏好比仅仅连续的时间模式复杂得多。因此，在本文中，我们研究项目的过渡模式，通过构建一个会话图，并提出了一个新的模型，协同考虑的序列顺序和潜在的顺序在会话图的基于会话的推荐系统。我们将会话中的下一个项目推荐制定为图分类问题。具体来说，我们提出了一个加权的注意力图层和一个读出功能，以学习项目和会话的嵌入，用于下一个项目推荐。在两个电子商务数据集Yoochoose和Diginetica上进行了大量的实验，实验结果表明，我们的模型优于其他最先进的方法。
2021-07-09 cs.IR
Item-side Fairness of Large Language Model-based Recommendation System
本文针对基于大语言模型的推荐系统在物品侧公平性方面研究不足的问题，提出IFairLRS框架，通过在LLaMA上的微调实验验证其能显著提升物品侧公平性。
2024-02-23 cs.IR
ID-Agnostic User Behavior Pre-training for Sequential Recommendation
近年来，顺序推荐成为一个被广泛研究的课题。现有的研究主要是设计有效的神经网络结构来基于项目ID对用户行为序列进行建模。然而，这种方法高度依赖于用户-项目交互数据，而忽略了用户偏好的相似项目之间的属性或特征级相关性。鉴于这些问题，我们提出IDA-SR，这代表身份不可知的顺序推荐用户行为预训练方法。IDA-SR不是显式地学习项ID的表示，而是直接从富文本信息中学习项表示。为了弥补文本语义和序列用户行为之间的差距，我们使用预训练的语言模型作为文本编码器，并对序列用户行为进行预训练架构。通过这种方式，项目文本可以直接用于顺序推荐，而不依赖于项目ID。大量的实验表明，所提出的方法可以实现可比的结果时，只使用ID不可知的项目表示，并表现得比基线时，与ID信息进行微调时，有很大的利润。
2022-06-06 cs.IR
LISRec: Modeling User Preferences with Learned Item Shortcuts for Sequential Recommendation
Northeastern University（东北大学）；Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）；Carnegie Mellon University（卡内基梅隆大学）
LISRec通过学习用户历史交互中的语义快捷方式，提升序列推荐系统对稳定用户偏好的捕捉能力，实验表明其在Yelp和Amazon数据集上优于基线模型13%。
2025-11-26 cs.IR
Mutual Harmony: Sequential Recommendation with Dual Contrastive Network
针对现有序列推荐中随机掩码导致信号不可靠及以用户为中心忽略物品提供者的问题，提出双对比网络（DCN），通过双表示和双兴趣对比学习实现用户与物品提供者的相互协调，生成真实自监督信号，在四个基准数据集上验证了有效性。
2023-09-15 cs.IR
Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation
提出LAMIA框架，用多面物品调色板替代RQ-VAE进行语义分词，通过领域调优增强编码器，显著提升生成式推荐准确性。
2025-08-05 cs.IR
A Survey on Bundle Recommendation: Methods, Applications, and Challenges
Wuhan University of Technology（武汉理工大学）；York University（约克大学）；University of Southern Queensland（昆士兰南部大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（山东省计算中心（国家超级计算济南中心），齐鲁工业大学（山东省科学院））
本文综述了捆绑推荐的方法、应用和挑战，探讨了判别性和生成性推荐方法，并讨论了该领域的未来发展方向。
2026-02-26 cs.IR
On Recommending Category: A Cascading Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；eBay Inc.（eBay公司）
本文提出了一种级联类别推荐器模型，利用变分自编码器编码物品信息以实现类别级推荐，提升了推荐效果。
2025-12-17 cs.IR
Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals
KAIST（韩国科学技术院）；Snap Inc.（Snap公司）
本研究提出后LLM范式的无训练推荐框架CoRRe，通过协同信号优化物品嵌入，在真实数据集上性能优于现有无训练方法，接近或超过有训练方法。
2026-08-21 cs.IR
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
On the Relationship between Explanation and Recommendation: Learning to Rank Explanations for Improved Performance
向用户解释为什么推荐某些项目是至关重要的，因为它可以帮助用户做出更好的决策，提高他们的满意度，并获得他们对推荐系统（RS）的信任。然而，现有的可解释的推荐系统通常将解释作为推荐模型的一个副输出，这存在两个问题：（1）由于产生的解释通常依赖于模型，因此难以对其进行评估;（2）因此，解释如何影响推荐性能的研究较少。在本文中，解释建议制定为一个排名任务，并从数据中学习，类似于项目排名的建议。这使得有可能通过排名度量（例如，NDCG）。此外，本文将传统的项目排序扩展为项目-解释联合排序形式化，以研究有目的地选择解释是否可以达到某些学习目标，例如，提高推荐性能。然而，一个很大的挑战是，稀疏性问题的用户-项目-解释数据将不可避免地比传统的用户-项目交互数据，因为不是每个用户-项目对可以与所有的解释。为了缓解这个问题，本文提出了通过将三元关系视为两组二元关系来执行两组矩阵分解。在三个大数据集上的实验验证了该方法在解释排序和项目推荐方面的有效性。
2022-10-23 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Translation-based Recommendation
对用户和项目之间以及项目本身之间的复杂交互进行建模是设计成功的推荐系统的核心。一个经典的设置是预测用户的个性化的顺序行为（或“下一个项目”的建议），其中的挑战主要在于建模的“三阶”之间的用户，她以前访问的项目（S），和下一个项目消费的互动。现有的方法通常将这些高阶交互分解为成对关系的组合，通过这种方式，用户偏好（用户-项目交互）和顺序模式（项目-项目交互）由单独的组件捕获。在本文中，我们提出了一个统一的方法，TransRec，这样的三阶关系建模的大规模序贯预测。方法上，我们嵌入到一个“过渡空间”的项目，用户被建模为翻译向量上操作的项目序列。从经验上讲，这种方法在广泛的真实世界数据集上的性能优于最先进的方法。数据和代码可在https://sites.google.com/a/eng.ucsd.edu/ruining-he/上获得。
2017-07-08 cs.IR
