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
Heterogeneous Collaborative Filtering
推荐系统对于内容共享/创建社交网络是重要的。协同过滤是传统过滤器中广泛采用的技术，其基于涉及相同用户的积极参与的内容项之间的相似性。传统的协同过滤（CCF）存在冷启动问题和内容多样性窄的问题。我们提出了一种新的推荐方法，异构协同过滤（HCF），以解决这些挑战的根源，同时保持协同过滤的优势。我们提出了两个实现算法的HCF内容推荐和内容分发。实验结果表明，我们的方法提高了推荐质量在现实世界中的社会网络的内容创建和共享。
2019-08-31 cs.IR
Collaborative User Prompt for Personalized Generative Recommendation
University College London（伦敦大学学院）
本文提出一种整合个体与集体偏好的人工智能框架，通过注意力机制融合相似兴趣用户的嵌入表示，提升推荐系统的个性化与协同性。
2026-03-21 cs.IR
A Complex Network Approach for Collaborative Recommendation
协同过滤（CF）是个性化服务推荐中使用最广泛和最成功的方法。在协同推荐方法中，基于邻域的方法由于其简单性、可扩展性、高效性和稳定性而受到广泛的欢迎。基于邻域的协同过滤方法找到K个最近的邻居到一个活跃的用户或K个最相似的评价项目的目标项目的推荐。传统的相似性度量使用共同评级项目的评级来找到一对用户之间的相似性。因此，传统的相似性度量不能计算有效的邻居在稀疏数据集。在本文中，我们提出了一个两阶段的方法，在第一阶段使用传统的相似性度量生成用户-用户和项目-项目网络。在第二阶段，引入了两种混合方法HB 1，HB 2，它们利用网络的结构相似性来找到K个最近邻居和K个与目标项最相似的项。为了显示措施的有效性，我们比较了性能的邻域为基础的CF使用国家的最先进的相似性措施与我们提出的结构相似性措施为基础的CF。一组真实数据的推荐结果表明，建议的措施为基础的CF在各种评价指标优于现有的措施为基础的CF。
2015-10-02 cs.IR
Collaborative Semantic Alignment in Recommendation Systems
本文提出CARec模型，通过将协同过滤信号与预训练语言模型的语义表示相结合，解决两者表示空间对齐问题，在四个数据集上显著提升推荐性能并有效适用于冷启动场景。
2024-02-14 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
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
Ethical AI prompt recommendations in large language models using collaborative filtering
University of Brighton（布莱顿大学）；Catalink Limited（Catalink有限公司）
本文提出利用协同过滤技术在大型语言模型中提升伦理提示推荐，通过合成数据集和用户互动减少偏见，解决伦理AI中的透明度和公平性问题。
2025-10-08 cs.IR
User-based collaborative filtering approach for content recommendation in OpenCourseWare platforms
内容推荐器系统或推荐系统表示信息过滤系统的子类，其试图预测用户偏好，即最有可能被用户正面“评级”的内容。目前，开放式课程（OCW）平台的推荐系统通常以两种方式之一生成推荐列表，即通过基于内容的过滤或基于用户的协同过滤（CF）。本文提出了内容推荐模块的概念性思想，该模块能够提出相关的甲板（演示文稿，教育材料等）。它特别分析了用于实现基于用户的CF方法和与内容评估相关的用户相关功能的合适技术。所提出的方法还设想了一个混合推荐系统，作为基于用户和基于内容的方法的组合，以提供一个全面和有效的解决方案的内容推荐。最后，为了评估和测试的目的，一个指定的内容推荐模块被实现为SlideWiki创作开放式课程平台的一部分。
2019-02-27 cs.IR
Hete-CF: Social-Based Collaborative Filtering Recommendation using Heterogeneous Relations
协同过滤算法在推荐系统中得到了广泛的应用。然而，它们经常遭受数据稀疏和冷启动问题。随着社交媒体的日益普及，这些问题可以通过使用基于社交的推荐来解决。基于社会信息的推荐是一个新兴的研究领域，它利用社会信息来缓解数据稀疏和冷启动问题，并且已经证明基于社会信息的推荐算法可以有效地提高推荐性能。然而，现有的算法很少考虑在一个社交网络中使用多种类型的关系。本文研究了异构社交网络上基于社会的推荐算法，提出了一种基于异构关系的社会协同过滤算法Hete-CF。与现有的方法不同，Hete-CF可以有效地利用异构社会网络中的多种类型的关系。此外，Hete-CF是一种通用方法，并且可以在任意社交网络中使用，包括基于事件的社交网络、基于位置的社交网络以及与社交信息相关联的任何其他类型的异构信息网络。在DBLP（一种典型的异构信息网络）和MeeShop（一种典型的基于事件的社交网络）两个真实数据集上的实验结果表明了该算法的有效性和高效性。
2014-12-24 cs.IR
Collaborative Competitive filtering II: Optimal Recommendation and Collaborative Games
推荐系统已经成为帮助在线公司实现其许多战略目标的新武器（例如，以提高销售、收入、客户体验等）。然而，许多现有技术通常通过寻求恢复偏好（例如，估计评级）。本文旨在弥合明确定义的战略目标和不那么合理的代理之间的这一重大差距。我们认为，这是有利的，认为推荐系统作为一个类比的垄断经济市场的系统作为唯一的卖家，用户作为买家和商品的项目。这个新的视角激发了一个博弈论公式的建议，使我们能够确定明确的优化某些战略目标的最佳推荐策略。在本文中，我们回顾和扩展我们以前的工作，合作竞争过滤偏好模型，走向博弈论的框架。拟议框架由两个部分组成。第一，条件偏好模型，其表征用户将如何响应推荐动作;第二，预先知道用户将如何响应，推荐系统应该如何行动（即，战略性地实现其目标。我们展示了如何目标，如点击率，销售收入和消费的多样性，可以明确地在这个框架中进行优化。在一个商业推荐系统上进行了实验，取得了良好的效果。
2012-12-10 cs.IR
Extending a Tag-based Collaborative Recommender with Co-occurring Information Interests
协同过滤被广泛应用于个性化项目推荐，但其性能受到评分数据稀疏性的影响。为了解决这个问题，最近的系统已经开发，以改善推荐通过提取潜在的因素从评级矩阵，或通过利用信任关系建立在用户之间的社交网络。在这项工作中，我们感兴趣的是评估是否可以使用其他来源的偏好信息比评级和社会关系，以提高推荐性能。具体来说，我们的目标是测试是否经常共同出现的利益信息搜索日志的集成可以提高推荐性能的用户到用户的协同过滤（U2UCF）。为此，我们提出了扩展的基于类别的协同过滤（ECCF）推荐，它丰富了基于类别的用户简档来自与数据类别的评级行为的分析，经常被搜索在一起的人在搜索会话。我们使用一个大的评级数据集和一个广泛使用的搜索引擎的日志来测试我们的模型，以提取兴趣的同现。实验结果表明，ECCF在推荐准确率、MRR、推荐多样性和用户覆盖率方面优于U2UCF和基于类别的协同推荐。此外，它优于SVD++矩阵分解算法的准确性和多样性的推荐列表。
2020-03-30 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
Improving Recommendation Fairness via Graph Structure and Representation Augmentation
本文提出一种基于双重数据增强的公平推荐框架，通过识别敏感交互与敏感特征生成公平增强图和表示，并结合去偏学习在保持推荐效用的同时提升公平性。
2025-08-27 cs.IR
Text-like Encoding of Collaborative Information in Large Language Models for Recommendation
提出BinLLM方法，将外部协同嵌入转换为二进制序列等类文本格式，使大语言模型能直接理解并操作协同信息，提升推荐性能。
2024-06-05 cs.IR
Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation
下一兴趣点推荐是基于位置的社交网络中不可或缺的组成部分，它根据用户最近的访问历史向用户推荐未探索的兴趣点。然而，现有的工作主要模型的检入数据作为孤立的POI序列，忽略了关键的合作信号，从交叉序列检入信息。此外，稀疏的POI-POI转换限制了模型学习有效的序列模式进行推荐的能力。在本文中，我们提出了序列到图（Seq 2Graph）增强每个POI序列，允许协作信号传播属于其他序列的相关POI。然后，我们设计了一种新的序列到图形POI推荐器（SGRec），它联合学习POI嵌入，并从图形增强的POI序列推断用户的时间偏好。为了克服POI级交互的稀疏性，我们进一步将类别感知注入SGRec，并使用多任务学习方案捕获更密集的类别转换。因此，SGRec充分利用协作信号来学习表达性POI表示，并全面揭示用于用户偏好建模的多层次序列模式。在两个真实数据集上的大量实验证明了SGRec在下一个POI推荐中相对于最先进方法的优越性。
2022-04-27 cs.IR
Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations
本文提出DCPR框架，利用扩散模型和云-边-端架构实现区域个性化POI推荐，减少设备计算负担，并在真实数据集上验证了其高准确性、高效性和对新用户区域的适应性。
2024-05-22 cs.IR
Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation
对比学习（CL）最近在推荐领域的研究中取得了丰硕的成果，因为它能够从原始数据中提取自监督信号，这与推荐系统解决数据稀疏问题的需求是一致的。基于CL的推荐模型的典型流水线是首先用结构扰动来扩充用户-项目二分图，然后最大化不同图扩充之间的节点表示一致性。虽然这种模式被证明是有效的，但性能提升的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更均匀分布的用户/项目表示来操作，可以隐式地减轻受欢迎程度偏差。同时，我们发现，图的扩张，这被认为是必要的，只是发挥微不足道的作用。基于这一发现，我们提出了一个简单的CL方法，放弃了图增强，而是添加均匀的噪声的嵌入空间创建对比视图。在三个基准数据集上的综合实验研究表明，尽管该方法看起来非常简单，但该方法可以平滑地调整学习表示的均匀性，并且在推荐精度和训练效率方面优于基于图增强的方法。代码发布于https://github.com/Coder-Yu/QRec。
2022-05-09 cs.IR
FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation
针对现有联邦推荐算法聚合物品嵌入时存在的信息丢失、无法保留个性化特征及不兼容无参数算法等问题，提出FedCIA方法，通过聚合物品相似度矩阵共享用户-物品全局关系，实现隐私保护且性能更优。
2025-04-19 cs.IR
Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation
National Taiwan University（台湾大学）
本文针对基于LLM的序列推荐中投影引入的模态偏差问题，提出结构保留投影方法，通过专用损失维持协同嵌入关系几何，经实验验证可提升推荐性能。
2026-08-11 cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤，它建立在学习用户和歌曲之间的相似性，从可用的收听数据。这些方法固有地面临冷启动问题，因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而，属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中，我们介绍了神经内容感知协同过滤，一个统一的框架，它体现了这些限制，并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型，它利用深度学习从低级声学特征中提取内容信息，并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入，也可以作为正则化先验，产生我们模型的两个变体（严格和放松）。实验结果表明，该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到，利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
针对对抗协同过滤缺乏理论解释的问题，本文证明其在干净与投毒数据下均可降低推荐误差，并据此提出按用户嵌入尺度设置扰动幅度的PamaCF，提升鲁棒性与推荐性能。
2024-11-02 cs.IR
PriCoRec: A Privacy-Aware Cloud-Device Collaborative Framework for Ad Recommendation under Feature Constraints
University College Dublin（都柏林大学）；Huawei Ireland Research Center（华为爱尔兰研究中心）
针对敏感用户数据云处理受隐私法规限制的问题，提出PriCoRec框架，通过云预排序加设备排序的协同结构，结合多样性正则化和云引导训练，实现隐私保护下的高效个性化广告推荐。
2026-08-17 cs.IR
AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出AsarRec，通过自适应增强策略提升自监督序列推荐的鲁棒性，通过统一转换矩阵和联合优化三个目标，验证了在不同噪声水平下的有效性。
2026-04-10 cs.IR
Incremental Collaborative Filtering Considering Temporal Effects
推荐系统要求其推荐算法是准确的、可扩展的，并且应该处理随着时间而不断变化的非常稀疏的训练数据。受蚁群优化算法的启发，本文提出了一种新的协同过滤算法：蚂蚁协同过滤。该方法利用信息素在用户和项目之间传递的机制，即使在稀疏性问题下也能准确定位大多数相关用户和项目。凭借现有信息素的蒸发，我们捕捉到用户偏好随时间的演变。同时，算法的计算复杂度较小，并且可以在线进行增量更新.我们在三个典型的推荐系统上设计了三个实验，分别是电影推荐、书籍推荐和音乐推荐，分别覆盖了显式和隐式的评分数据。实验结果表明，该算法能够很好地适用于高吞吐量和时间敏感的真实推荐场景。
2012-03-24 cs.IR
Restoring Collaborative Signals in Semantic-ID Generative Recommendation via Personalized Natural Language
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Salesforce（赛富时）；McGill University（麦吉尔大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
该研究针对基于LLM的生成式推荐模型中SID丢失协同信号导致准确率受限的问题，提出个性化自然语言引导的框架，通过添加分层协同线索恢复信号，提升推荐准确率。
2026-07-31 cs.IR
Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering
以前的高度可扩展的一类协同过滤方法，如投影线性推荐（PLRec），主张使用快速随机SVD将项目嵌入到潜在空间中，然后使用线性回归方法来学习每个用户的个性化推荐模型。不幸的是，朴素SVD嵌入方法通常表现出流行性偏差，这会影响准确嵌入利基项的能力。为了解决这个问题，我们利用噪声对比估计（NCE）的见解，以获得一个封闭的形式，有效地可计算的“大众化”嵌入。虽然这种方法对于使用PureSVD等方法的直接推荐并不理想，因为流行度仍然在推荐中起着重要作用，但我们发现，在我们称为NCE-PLRec的新方法中，嵌入之后进行线性回归来学习个性化用户模型，利用了NCE的改进项嵌入，同时在最终推荐中校正其流行度无偏。推荐流行度分布的分析表明，NCE-PLRec均匀地分布在流行度频谱上的建议，而其他方法对特定的流行度子范围表现出明显的偏见，从而人为地限制了他们的建议。从经验上讲，NCE-PLRec在各种大规模推荐数据集上的表现优于最先进的方法以及各种消融。
2018-11-02 cs.IR
Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation
随着电子商务中数据的爆炸式增长，冷启动成为推荐系统中的一个关键问题。大多数现有的研究提出，以减轻冷启动问题也被称为混合推荐系统，学习表示的用户和项目相结合的用户项目的互动和用户/项目的内容信息。然而，以前的混合方法经常遭受低效率的在线推荐与大规模的项目，因为他们的目的是投影到连续的潜在空间中的在线推荐是昂贵的。为此，我们提出了一个协同生成哈希（CGH）框架，以提高效率，表示用户和项目的二进制代码，然后快速哈希搜索技术可以用来加快在线推荐。此外，建议CGH可以产生潜在的用户或项目的营销应用，其中生成网络的设计与最小描述长度（MDL）的原则，这是用来学习紧凑和信息的二进制代码。在两个公共数据集上的实验表明，在各种环境下的建议竞争基线的优势，并分析其在营销应用的可行性。
2020-11-02 cs.IR
DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation
DiscRec通过物品级位置嵌入和双分支门控融合，解决生成式推荐中令牌-物品错位与语义-协同信号纠缠问题，在四个数据集上超越现有方法。
2025-06-22 cs.IR
Utilizing Collaborative Filtering in a Personalized Research-Paper Recommendation System
本文提出一种基于协同过滤的研究论文推荐系统，利用Jaccard相似度综合合著者、关键词、参考文献和共同引用信息寻找top-n相似用户，并验证了系统的推荐准确率。
2024-09-28 cs.IR
Artist and style exposure bias in collaborative filtering based music recommendations
算法对我们消费的音乐有着越来越大的影响，理解它们的行为对于确保它们为不同风格的所有艺术家提供公平的曝光至关重要。在这个正在进行的工作中，我们有助于这个研究方向分析的影响，从艺术家和音乐风格的曝光系统的角度进行协同过滤建议。我们首先分析的建议，考虑到不同的风格或流派的曝光的分布，并将其与用户的收听行为进行比较。这种比较表明，该系统正在加强项目的受欢迎程度。然后，我们模拟的效果，在长期的反馈回路的系统。从这个模拟中，我们可以看到系统如何为大多数艺术家提供更少的机会，将用户集中在更少的项目上。我们的分析结果表明，需要一个更好的评价方法，目前的音乐推荐算法，不仅限于以用户为中心的相关性指标。
2019-11-12 cs.IR
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
针对推荐系统中稀疏交互导致嵌入学习效果差的问题，提出GDA4Rec框架，利用深度生成模型生成增强视图并提取物品补全矩阵，结合推荐、增强和对比学习的联合目标，在三个数据集上验证了有效性。
2025-10-10 cs.IR
DecKG: Decentralized Collaborative Learning with Knowledge Graph Enhancement for POI Recommendation
针对POI推荐去中心化协作学习中外知识整合的隐私与存储挑战，提出DecKG框架，通过生成脱敏签到数据、服务器预训练KG并下发分区子KG至客户端进行端侧细化与通信，有效提升了推荐性能。
2024-10-14 cs.IR
Collaborative Memory Augmentation for Generative Recommendation
ByteDance（字节跳动）
针对现有生成式推荐模型未利用跨用户协同信号的问题，提出OMEGA框架，通过潜在上下文压缩、协同记忆库与目标感知检索等机制，在多数据集上显著优于现有先进模型。
2026-08-04 cs.IR
QAGCF: Graph Collaborative Filtering for Q&A Recommendation
针对问答推荐中协同与语义信息纠缠问题，提出图神经网络模型 QAGCF，通过协同视图、语义视图和全局图解耦并整合信息，结合多项式图滤波与对比学习，在多个数据集上取得最优性能。
2024-06-07 cs.IR
Beyond One-Size-Fits-All: Adaptive Test-Time Augmentation for Sequential Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出AdaTTA框架，通过强化学习动态选择序列特定的增强策略，提升序列推荐的准确性，实验证明在Home数据集上提升26.31%。
2026-04-17 cs.IR
Making Collaborative Signals Count: Graph-Aware Large Language Models for Sequential Recommendation
Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）
针对现有序列推荐方法难以捕捉全局协同模式的问题，提出图感知大语言模型框架GALLM，通过构建协同图建模三类关系并整合至注意力机制，在四个基准上取得最优性能，HR@5较最强基线平均提升9.76%。
2026-08-18 cs.IR
Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation
Kuaishou Technology（快手科技）
针对生成式推荐中语义与协同信号跨阶段解耦问题，提出SCRec框架，通过协同增强分词、语义引导生成和流形对齐实现双向信息补充，提升语义连贯性与推荐准确性。
2026-09-15 cs.IR
Hierarchical Contrastive Learning with Multiple Augmentation for Sequential Recommendation
针对序列推荐中对比学习增强方法结构简单、条件有限的问题，提出HCLRec框架，通过分层组合多重增强生成多级视图对，并利用Transformers与PFFN模块学习序列不变性，在稀疏交互下取得优于现有方法的鲁棒推荐性能。
2023-08-07 cs.IR
Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation
Dongguan University of Technology（东莞理工学院）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；Tsinghua University（清华大学）；Chinese University of Hong Kong（香港中文大学）；University of Hawaii（夏威夷大学）；Capital University of Economics and Business（首都经济贸易大学）；SenseTime Research（商汤科技研究院）
本文提出Llama4Rec框架，通过相互增强和自适应聚合结合传统推荐方法和大语言模型，提升推荐性能。
2026-01-18 cs.IR
Enhancing LLM-based Recommendation through Semantic-Aligned Collaborative Knowledge
本文提出SeLLa-Rec框架，通过混合投影层将协同知识token嵌入LLM语义空间，实现协同过滤模型与LLM的语义对齐，在两个公开推荐基准上取得最先进性能。
2025-04-14 cs.IR
Privacy-Preserving Sequential Recommendation with Collaborative Confusion
本文提出了一种基于协同混淆机制的隐私保护序列推荐器CLOUD，通过在推荐前向目标序列注入不可区分的邻居物品来增加困惑度，从而在不依赖差分隐私或联邦学习的情况下保护用户隐私并保持推荐性能。
2024-01-09 cs.IR
Adversarial Collaborative Auto-encoder for Top-N Recommendation
在过去的十年中，基于模型的推荐方法已经从潜在因素模型发展到基于神经网络的模型。这些技术主要集中在提高整体性能，如评分预测的均方根误差和top-N推荐的命中率，其中用户的反馈被认为是真实的。然而，在现实世界的应用中，用户的反馈可能被不完美的用户行为，即粗心的偏好选择污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在这项工作中，为了解决上述问题，我们提出了一个通用的基于神经网络的推荐模型，提高了模型的鲁棒性和整体性能的adversial训练框架。我们指出了性能和鲁棒性增强之间的权衡，并详细说明了如何取得平衡。具体来说，我们在协作自动编码器上实现了我们的方法，然后在三个公共数据集上进行了实验：MovieLens-1 M，Ciao和FilmTrust。我们表明，我们的方法优于竞争激烈的国家的最先进的推荐方法。此外，我们对噪声的影响，以及模型的非线性和噪声水平之间的复杂的相互作用进行了深入的分析。通过简单的修改，我们的对抗性训练框架可以应用于许多基于神经网络的模型，这些模型的鲁棒性和性能都有望得到增强。
2018-08-16 cs.IR
Collaborative Recommendation Model Based on Multi-modal Multi-view Attention Network: Movie and literature cases
本文提出基于多模态多视图注意力网络的协同推荐模型CRMMAN，通过结合用户偏好与厌恶视图及场景语义结构信息丰富表示，在MovieLens-1M和Book-Crossing数据集上显著提升了推荐性能。
2023-05-24 cs.IR
SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation
Northeastern University, China（中国东北大学）
针对LLM推荐系统中协同嵌入利用不足的问题，提出SAILRec模型，通过双端语义对齐和层次注意力引导，平衡内部语义知识与外部协同知识，在MovieLens-1M和Amazon-Book上优于基线。
2026-06-03 cs.IR
Collaborative Word-based Pre-trained Item Representation for Transferable Recommendation
针对现有文本表示缺乏协同过滤信息的问题，提出CoWPiRec，通过词图融合CF信息并设计对齐预训练任务，在跨场景微调和零样本下显著提升推荐性能并缓解冷启动。
2023-12-21 cs.IR
Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation
提出CCFRec，利用语义代码融合文本与协同信息，通过向量量化生成代码并采用交叉注意力融合，以掩蔽代码建模和对齐增强序列推荐，实验显示显著提升。
2025-05-26 cs.IR
CoSam: An Efficient Collaborative Adaptive Sampler for Recommendation
抽样策略被广泛应用于许多推荐系统中，以加速模型从隐式反馈数据中的学习。一种典型的策略是抽取均匀分布的负样本，但这会严重影响模型的收敛性、稳定性，甚至影响推荐的准确性。这个问题的一个有希望的解决方案是对“困难”（也称为信息）的实例进行过度采样，这些实例对训练有更大的贡献。但这将增加模型偏差的风险，并导致非最佳结果。此外，现有的采样器是启发式的，这需要领域知识，往往无法捕捉真正的“困难”的情况下，或依赖于采样器模型，效率低下。针对这些问题，本文提出了一种高效的协同抽样方法CoSam，该方法包括：（1）协同抽样模型，该模型在抽样概率中显式地利用了用户-项目交互信息，具有良好的归一化、自适应、交互信息感知和抽样效率等特性;以及（2）集成的采样器-推荐器框架，利用预测中的采样器模型来抵消由不均匀采样引起的偏差。相应地，我们得到了一个快速的强化训练算法，我们的框架，以提高采样器的性能和采样器推荐协作。四个真实世界的数据集上的广泛的实验证明了所提出的协同采样模型和集成的采样推荐框架的优越性。
2020-11-16 cs.IR
Token-level Collaborative Alignment for LLM-based Generative Recommendation
University of Science and Technology of China（中国科学技术大学）；Ant Group（蚂蚁集团）；Rutgers University（罗格斯大学）
TCA4Rec通过令牌级协同对齐框架，将协同过滤与大语言模型生成结合，提升推荐系统的准确性和可控性。
2026-01-26 cs.IR
Collaborative Group-Aware Hashing for Fast Recommender Systems
Charles Darwin University（查尔斯达尔文大学）；University of Electronic Science and Technology of China（电子科技大学）；Agency for Science, Technology and Research, Singapore（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本文提出协同组感知哈希方法，通过整合组信息提升稀疏场景下推荐系统的精度和效率。
2025-12-23 cs.IR
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation
Northeastern University（东北大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对LLM推荐中微调损害通用知识、协同特征干扰提示语义的问题，本文提出CoRA，将协同信息经查询生成与低秩权重转换注入LLM参数空间，实现免微调、免额外标记的个性化推荐并提升性能。
2024-10-25 cs.IR cs.LG
Latent User Linking for Collaborative Cross Domain Recommendation
随着信息系统的广泛采用，推荐系统被广泛用于更好的用户体验。协同过滤是实现推荐系统的一种常用方法。然而，协同过滤方法高度依赖于用户的反馈，这往往是非常稀疏和难以获得。然而，如果可以使用来自密集得多的相关次级域的知识来增强稀疏目标域中的推荐准确性，则可以缓解这些问题。在这篇文章中，我们提出了一种跨域推荐系统的深度学习方法，通过链接跨域用户潜在表示作为跨域知识转移的一种形式。我们假设，跨域的用户口味和行为的相似性是清楚地观察到的低维用户的潜在表示。这些用户相似性用于链接域。因此，我们提出了一个基于变分自编码器的网络模型，用于跨域链接，并增加了上下文来处理稀疏数据和更好地传输跨域知识。我们进一步扩展该模型，使其更适合冷启动场景，并利用辅助用户信息来获得推荐准确性的额外收益。使用多个数据集的经验评估所提出的模型的有效性。实验证明，该模型优于最先进的技术。
2019-08-19 cs.IR
Collaborative Filtering vs. Content-Based Filtering: differences and similarities
推荐系统（SR）建议探索用户偏好的项目，帮助他们解决信息过载问题。SR的两种方法得到了更多的重视，协同过滤和基于内容的过滤。此外，即使研究表明它们的优点和缺点，很少有结果实证证明它们的特点，相似性和差异。在这项工作中，提出了一种实验方法来执行推荐算法的不同方法之间的比较超出了“精度的预测”。对于实验，三个算法的建议进行了测试：一个基线的协同过滤和两个算法的基于内容的过滤，开发了这个评估。实验展示了这些系统在不同数据集的行为，其主要特点，特别是两种主要方法的互补方面。
2019-12-18 cs.IR
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战，提出DIDA-CDR框架，采用可插值数据增强和解耦模块，在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
