Retrieval Augmented Cross-Modal Tag Recommendation in Software Q&A Sites
提出检索增强跨模态标签推荐模型,通过外部知识检索增强表示,并利用跨模态注意力与门控融合,在三个真实数据集上超越现有方法。
2024-02-06 cs.IR
RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation
RecThinker通过动态规划和主动工具调用,提升推荐系统中信息获取和推理能力,实现更优的用户-物品匹配。
2026-03-10 cs.IR
Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
针对LLM推荐系统存在的幻觉和缺乏最新领域知识等问题,提出检索增强框架K-RagRec,通过从知识图谱中检索高质量结构信息来增强推荐生成,实验证明其有效性。
2025-05-28 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
Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation
提出REXHA方法,通过层次聚合的配置文件模块和高效检索模块,解决LLM推荐解释中的配置文件偏差和高检索开销问题,提升解释质量和检索效率。
2025-07-12 cs.IR
Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
提出可学习序列增强器LACLRec,通过自监督增强生成高质量序列并设计三元组对比损失,在三个真实数据集上显著提升序列推荐准确性。
2025-03-26 cs.IR
Task Aligned Meta-learning based Augmented Graph for Cold-Start Recommendation
本文提出TMAG方法,通过任务对齐构造器聚类相似用户并划分元学习任务,结合增强图神经网络缓解数据稀疏并捕获高阶交互,在多个冷启动推荐场景中取得优于现有方法的性能。
2024-05-04 cs.IR
Cascading: Association Augmented Sequential Recommendation
近年来,基于用户行为的推荐在许多应用场景中显示出良好的效果。一般来说,现实世界中的顺序用户行为通常反映了顺序影响和关联关系的混合。然而,现有的顺序推荐方法主要集中在顺序关系,而忽略了关联关系。在本文中,我们提出了一个统一的方法,结合项目关联和顺序关系的顺序推荐。具体来说,我们编码的项目关联关系的项目共生图和挖掘它通过图嵌入的GCN。同时,我们通过一种广泛使用的基于RNN的顺序推荐方法GRU4Rec来建模顺序关系。这两个部分连接成一个级联式的端到端网络,这保证了项目关联和顺序关系的表示同时学习,使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量的实验:淘宝,亚马逊即时视频和亚马逊手机及配件。综合结果表明,该方法优于几个国家的最先进的方法。此外,还提供了一个定性的分析,以鼓励更好地了解在顺序推荐的关联关系,并说明性能增益正是从项目关联。
2019-10-17 cs.IR
MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
Huazhong University of Science and Technology(华中科技大学)
MMP-Refer通过多模态路径检索增强LLM,提升推荐系统的可解释性,采用联合残差编码获取多模态嵌入,并设计启发式搜索算法获取检索路径,通过轻量级协作适配器映射图编码至LLM语义空间,提升交互信息理解。
2026-04-04 cs.IR
Data-Augmented Counterfactual Learning for Bundle Recommendation
Bundle Recommendation(BR)旨在推荐在线内容或电子商务平台上的捆绑项目,例如音乐平台上的歌单或阅读网站上的书单。一些基于图的模型在BR任务上已经达到了最先进的性能。但它们的性能仍然是次优的,因为数据稀疏问题在实际的捆绑推荐场景中往往更严重,这限制了基于图的模型进行更充分的学习。在本文中,我们提出了一种新的图学习范式称为反事实学习捆绑推荐(CLBR),以减轻数据稀疏性问题的影响,提高捆绑推荐。我们的范例包括两个主要部分:反事实数据增强和反事实约束。我们范式的主要思想在于回答反事实问题:“如果用户的交互历史发生变化,他/她会与什么交互?““如果物品与物品的关联关系发生变化,用户将与什么进行交互?“在反事实数据增强中,我们设计了一个启发式采样器来为基于图的模型生成反事实图视图,它比随机采样器具有更好的噪声控制。我们进一步提出了反事实损失来约束模型学习,以减轻增强数据中残余噪声的影响,并实现更充分的模型优化。进一步的理论分析证明了设计的合理性。在两个真实数据集上进行了大量的实验,以验证该范式的有效性。
2022-12-21 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题,提出关键词驱动的检索增强大语言模型框架KALM4Rec,通过关键词检索候选和LLM重排序,在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Memory Augmented Multi-Instance Contrastive Predictive Coding for Sequential Recommendation
顺序推荐的目的是根据用户历史记录的顺序模式向用户推荐产品、歌曲和地点等项目。现有的序列推荐模型大多将下一个项目预测任务作为训练信号。不幸的是,这些方法存在两个基本挑战:(1)长期偏好难以捕获,以及(2)监督信号太稀疏,无法有效地训练模型。在本文中,我们提出了一种新的顺序推荐框架,以克服这些挑战的基础上内存增强的多实例对比预测编码方案,表示为MMInfoRec。基本的对比预测编码(CPC)用作序列和项目的编码器。存储器模块被设计为增强CPC中的自回归预测,以实现编码偏好的灵活且通用的表示,这可以提高捕获长期偏好的能力。为了有效地训练MMInfoRec模型,提出了一种新的多实例噪声对比估计(MINCE)损失,使用多个正样本,它提供了一个小批量内的样本的有效利用。所提出的MMInfoRec框架属于对比学习风格,然而,在该风格内,考虑到其对比训练任务与目标推荐任务很好地对齐,不需要进一步的微调步骤。通过对四个基准数据集的广泛实验,MMInfoRec可以超越最先进的基线。
2021-09-13 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology(大连理工大学);City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出RAGR,一种将评论反馈直接融入生成用户序列的新型生成推荐框架,通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略,提升推荐性能。
2026-06-16 cs.IR
Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学)
提出MixRAGRec框架,通过混合专家检索、知识偏好对齐和对比学习增强推荐,解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。
2026-05-29 cs.IR
Memory Augmented Graph Neural Networks for Sequential Recommendation
在许多推荐系统中,用户-项目交互的时间顺序可以揭示用户行为的时间演化和顺序。用户将与之交互的项目可能取决于过去访问的项目。然而,用户和项目的大量增加使得顺序推荐系统仍然面临着以下挑战:(1)难以建模用户的短期兴趣;(2)难以捕捉用户的长期兴趣;(3)难以有效地建模项目的共现模式。为了应对这些挑战,我们提出了一个记忆增强的图神经网络(MA-GNN),以捕捉长期和短期的用户兴趣。具体来说,我们应用图神经网络来建模短期内的项目上下文信息,并利用共享记忆网络来捕获项目之间的长期依赖关系。除了对用户兴趣进行建模之外,我们还采用了一个双线性函数来捕获相关项的共现模式。我们在五个真实世界的数据集上广泛评估了我们的模型,与几种最先进的方法进行了比较,并使用了各种性能指标。实验结果证明了该模型在Top-K顺序推荐任务中的有效性。
2019-12-26 cs.IR
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
University of Electronic Science and Technology of China(电子科技大学)
DiffSBR通过基于扩散的潜在邻居生成方法,提升基于会话的推荐性能。
2026-01-07 cs.IR
A Vlogger-augmented Graph Neural Network Model for Micro-video Recommendation
针对现有微视频推荐忽略博主信息的问题,提出VA-GNN模型,通过构建用户-视频-博主三方图并采用跨视图对比学习,自适应融合视频与博主偏好,实验证明其优于现有GNN推荐模型。
2024-05-28 cs.IR
PEACE: Prototype lEarning Augmented transferable framework for Cross-domain rEcommendation
针对跨域推荐的域间差异与负迁移问题,提出基于多兴趣实体预训练、对比原型学习及原型增强注意力的PEACE框架,以轻量部署实现跨域推荐性能提升。
2023-12-18 cs.IR
ViLLA-MMBench: A Unified Benchmark Suite for LLM-Augmented Multimodal Movie Recommendation
ViLLA-MMBench是一个基于MovieLens和MMTF-14K的LLM增强多模态电影推荐基准,通过LLM丰富文本并融合音视频特征,提升冷启动和覆盖率,支持多种融合与骨干模型,实现可复现评估。
2025-08-06 cs.IR
RALLRec+: Retrieval Augmented Large Language Model Recommendation with Reasoning
提出RALLRec+,通过联合表示学习和重排序改进检索,结合推理LLM与通用LLM增强生成,提升推荐性能。
2025-03-26 cs.IR
Garment Recommendation with Memory Augmented Neural Networks
University of Florence(佛罗伦萨大学)
时尚在社会中发挥着举足轻重的作用。适当地组合服装对于人们传达他们的个性和风格至关重要。此外,不同的活动要求服装要彻底选择,以遵守潜在的社会服装规则。因此,适当地组合服装可能不是微不足道的。时尚行业已经将其转化为一个巨大的收入来源,依靠复杂的推荐系统为客户检索和推荐合适的服装。为了执行更好的推荐,可以考虑用户偏好或购买历史来执行个性化建议。在本文中,我们提出了一个服装推荐系统对不同的服装项目,即上衣和下装,利用记忆增强神经网络(MANN)。通过训练存储器写入控制器,我们能够存储样本的非冗余子集,然后将其用于检索合适底部的排名列表以补充给定顶部。特别是,我们的目标是检索各种形式,其中某一服装可以结合起来。为了改进我们的建议,我们通过矩阵分解包含用户偏好。我们在IQON 3000上进行了实验,这是一个从在线时尚社区收集的数据集,报告了最先进的结果。
2020-12-11 cs.CV cs.IR
MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索,提升推荐系统的透明性和可解释性,实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI cs.IR
RUEL: Retrieval-Augmented User Representation with Edge Browser Logs for Sequential Recommendation
本文提出RUEL,一种利用Edge浏览器匿名日志进行检索增强的序列推荐方法,通过对比学习和注意力选择器筛选相关浏览序列,在多个数据集上显著优于现有基线。
2023-09-19 cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响,这可能使学习到的用户表示无差别,并导致琐碎的推荐(例如,流行的项目),甚至是奇怪的,远远超出了用户的兴趣。对比学习是一种新兴的技术,用于学习具有随机数据增强的区分表示。然而,现有的对比学习框架由于忽略了用户行为中的噪声,对所有的增强样本都一视同仁,不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白,我们提出了用于训练推荐模型的对比学习框架,名为CCL 4 Rec,它通过进一步对比增强的积极/消极与自适应拉/推强度,即,对比(vanilla)对比学习。为了适应这些对比,我们设计了硬度感知增强,跟踪被替换的查询用户的行为的重要性和替代品的相关性,从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习,从而导致性能增益和鲁棒训练。通过这种方式,CCL 4 Rec可以捕获给定用户的历史行为的细微差别,从而明确地屏蔽了学习到的用户表示,使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验,实验结果表明,CCL 4 Rec在模型参数少得多的情况下,可以达到与现有最先进方法相当的性能,并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
Retrieval Augmented Conversational Recommendation with Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google DeepMind(谷歌DeepMind);UC San Diego(加州大学圣地亚哥分校)
本文提出RAR框架,通过动态结合检索与生成提升推荐性能与事实性,构建大规模电影语料库并引入强化学习方法优化候选集。
2026-04-13 cs.IR
ReRec: Reasoning-Augmented LLM-based Recommendation Assistant via Reinforcement Fine-tuning
The Hong Kong Polytechnic University(香港理工大学)
ReRec通过强化微调框架提升LLM在复杂推荐任务中的推理能力,引入双重图增强奖励塑造、推理感知优势估计和在线课程调度器,实验证明其优于现有基线模型。
2026-04-09 cs.AI cs.IR
Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
University of Connecticut(康涅狄格大学);School of Computing(计算学院)
本文介绍了基于LLM与RAG技术开发的户外步道推荐聊天机器人Judy,通过美国康涅狄格州步道案例研究,验证了其在提供准确、高效且可用的个性化步道推荐方面的有效性。
2025-07-27 cs.AI cs.IR
FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios
Beijing Jiaotong University(北京交通大学);Carnegie Mellon University, Qatar(卡内基梅隆大学(卡塔尔));Nanyang Technological University(南洋理工大学)
FedUTR通过引入物品文本表示补充交互行为,提升稀疏数据下的推荐性能,采用通用表示和协同信息融合模块,实验显示优于现有方法。
2026-01-29 cs.IR
Enhancing Group Recommendation with Memory-Augmented Reasoning in LLM Agent
Capital Normal University(首都师范大学);The University of Queensland(昆士兰大学)
本研究提出基于LLM智能体的AGR模型,通过记忆模块与推理模块建模群组偏好动态演变及决策过程,在公开数据集上显著提升了群组推荐的准确率与可解释性。
2026-08-25 cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);MX Media Co., Ltd(MX媒体有限公司)
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐,而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合,Murzim可以捕获用户偏好模式,为用户-项目交互序列生成嵌入,然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明,Murzim在召回率和MRR方面优于其他几种推荐方法,说明Murzim可以利用项目属性信息产生更好的推荐结果。目前,Murzim已经部署在印度最大的流媒体平台之一MX Player中,正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
RALLRec: Improving Retrieval Augmented Large Language Model Recommendation with Representation Learning
Tsinghua University(清华大学);City University of Hong Kong(香港城市大学);Dongguan University of Technology(东莞理工学院);Alibaba Group(阿里巴巴集团);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院)
针对现有RAG推荐方法依赖文本语义导致相关项目纳入不足的问题,提出RALLRec,通过LLM生成详细项目描述增强文本语义,联合学习文本与协同语义并引入重排序捕捉用户偏好动态,在三个数据集上验证了有效性。
2025-02-11 cs.CL cs.IR
E-CARE: An Efficient LLM-based Commonsense-Augmented Framework for E-Commerce
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);McGill University(麦吉尔大学);Mila - Québec AI Institute(魁北克人工智能研究所)
本文提出E-CARE框架,利用大语言模型的常识推理能力提升电子商务推荐效率,无需监督微调或人工标注,实验显示在两个下游任务中精度@5提升了12.1%。
2026-03-23 cs.IR
SSDRec: Self-Augmented Sequence Denoising for Sequential Recommendation
针对序列推荐中仅靠序列内信息去噪易出现过度/去噪不足的问题,提出三阶段SSDRec框架,通过全局关系编码、自增强和分层去噪提升去噪可靠性,在五个真实数据集上表现优于现有方法。
2024-03-07 cs.IR
Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning
Xi'an Jiaotong-Liverpool University(西安交通大学利物浦大学)
本文提出CRAGRU框架,利用检索增强生成将推荐遗忘解耦为检索与生成两阶段,在高效删除目标用户数据的同时缓解传播偏差并保持推荐质量。
2025-09-10 cs.AI cs.IR
CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
The Hong Kong Polytechnic University(香港理工大学);University of Electronic Science and Technology of China(电子科技大学);Singapore Management University(新加坡管理大学);Tongji University(同济大学);National University of Singapore(新加坡国立大学)
提出CFALR框架,结合协同过滤与大语言模型,通过自然语言描述用户-套装交互并利用CF增强嵌入,解决个性化套装推荐中的数据稀疏和组合空间问题,在Polyvore和IQON数据集上优于传统方法。
2026-06-12 cs.IR cs.MM
Federated Recommendation via Hybrid Retrieval Augmented Generation
Unversity of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对传统联邦推荐数据稀疏异质、大语言模型推荐效率低易幻觉的问题,提出两阶段GPT-FedRec框架,通过混合检索挖掘ID用户模式与文本物品特征,再用GPT重排序,在多基准数据集上性能优于现有最优方法。
2024-03-07 cs.AI cs.IR
Large Language Model Augmented Narrative Driven Recommendations
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
针对叙事驱动推荐(NDR)训练数据不足的问题,提出利用大语言模型(LLM)通过少样本提示从用户-物品交互数据生成合成叙事查询以做数据增强,训练出的小参数检索模型性能优于现有基线。
2023-07-21 cs.CL cs.IR
R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
Sydney Smart Technology College, Northeastern University, China(悉尼智能技术学院,东北大学,中国)
本文针对序列推荐中的证据不足和动态多维意图建模问题,提出R3-REC框架,通过多级用户意图推理、物品语义提取等模块提升推荐效果,实验显示在多个数据集上优于基线模型。
2026-03-14 cs.AI cs.IR
Knowledge-Augmented Relation Learning for Complementary Recommendation with Large Language Models
针对电商互补推荐标签噪声大或标注成本高的两难问题,提出融合主动学习与大语言模型的KARL框架,低成本扩充高质量功能标签数据集,在分布外场景下最高提升基线准确率37%,并指出需依场景采用动态采样策略。
2025-09-06 cs.IR
ARMED: Adaptive Retrieval-Augmented Medication Recommendation
UX Factory, Inc.(UX工厂公司)
本研究针对现有药物推荐系统固定检索流程的缺陷,提出自适应临床RAG框架ARMED,通过动态扩展检索等机制,在MIMIC-IV数据集上优于静态基线,且无需外部API或特定任务微调。
2026-10-14 cs.AI cs.CL cs.IR
ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation
Walmart Global Tech(沃尔玛全球科技)
本文提出ARAG框架,通过将多智能体协作机制集成到RAG流程中,利用用户理解、自然语言推理、上下文总结和项目排序四个智能体捕捉动态用户偏好,显著提升了个性化推荐性能。
2025-08-11 cs.AI cs.CL cs.IR
Retrieval-Augmented Purifier for Robust LLM-Empowered Recommendation
The Hong Kong Polytechnic University(香港理工大学)
本文提出RETURN框架,通过检索外部协同信号净化被投毒的用户画像,以即插即用方式增强LLM推荐系统鲁棒性,并在三个数据集上验证其有效性。
2025-04-03 cs.AI cs.IR
RALLM-POI: Retrieval-Augmented LLM for Zero-shot Next POI Recommendation with Geographical Reranking
Singapore University of Technology and Design(新加坡科技设计大学)
RALLM-POI通过历史轨迹检索、地理距离重排序和智能体式LLM自校正,在零样本条件下提升下一兴趣点推荐准确性,并在三个Foursquare数据集上优于传统和LLM基线。
2025-09-21 cs.AI cs.IR
RAMO: Retrieval-Augmented Generation for Enhancing MOOCs Recommendations
Carnegie Mellon University(卡内基梅隆大学)
本文提出RAMO系统,利用大型语言模型与检索增强生成技术,通过对话式界面解决MOOC课程推荐中的新用户冷启动问题,以提升个性化学习体验。
2024-07-06 cs.AI cs.HC cs.IR
Graph Retrieval-Augmented LLM for Conversational Recommendation Systems
Griffith University(格里菲斯大学);Monash University(莫纳什大学);Nanjing University of Science and Technology(南京理工大学)
本文提出免训练的图检索增强大语言模型框架 G-CRS,通过 GNN 推理与 Personalized PageRank 检索构建结构化提示,以提升对话推荐系统的推荐性能。
2025-03-09 cs.AI cs.CL cs.IR
Memory Augmented Neural Model for Incremental Session-based Recommendation
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
对隐私的日益关注激发了人们对基于会话的推荐(SR)的兴趣,该推荐除了在当前浏览器会话中观察到的数据之外不使用任何个人数据。现有的方法在静态设置中进行评估,这在现实世界的应用中很少发生。为了更好地解决SR任务的动态性质,我们研究了一个增量SR的情况下,新的项目和偏好不断出现。我们表明,现有的神经网络可用于增量SR的情况下,小增量更新,以减轻计算开销和灾难性遗忘。更重要的是,我们提出了一个通用的框架,称为记忆增强神经模型(MAN)。MAN通过不断查询和更新的非参数记忆来增强基本神经推荐器,并通过另一个轻量级门控网络将神经和记忆组件的预测相结合。我们的经验表明,MAN非常适合增量SR任务,它始终优于最先进的神经和非参数方法。我们分析了结果,并证明它是特别好的增量学习新的和不常见的项目的偏好。
2020-04-28 cs.IR cs.LG stat.ML
ReasonRec: A Reasoning-Augmented Multimodal Agent for Unified Recommendation
Meta AI;Michigan State University(密歇根州立大学);The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
提出ReasonRec,一种基于三阶段显式推理管道的多模态推荐智能体,通过推理感知视觉指令调优、证据-视野课程学习和不确定性引导委派机制,在五个数据集上实现排名指标相对提升超30%,推理延迟降低35%。
2026-06-08 cs.AI cs.IR
ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation
Seoul National University(首尔国立大学)
ItemRAG通过细粒度物品级检索提升推荐效果,结合共购信息与语义信息,有效解决冷启动问题,实验表明其优于现有RAG方法。
2026-04-22 cs.AI cs.IR
Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network
South China University of Technology(华南理工大学);JD Finance America Corporation(京东金融美国公司);Peng Cheng Laboratory(鹏城实验室);Boshi Qiangzhi Science and Technology Co., Ltd(博时强智科技有限公司)
捕获用户的精确偏好在各种推荐系统(例如,电子商务平台),这是如何向个人用户呈现个性化的感兴趣的产品列表的基础。尽管在考虑用户和项目之间的关系方面已经取得了重大进展,但大多数现有的推荐技术仅关注单一类型的用户-项目交互。然而,用户-项目交互行为通常以多类型(例如,页面浏览,添加到收藏夹和购买)和相互依赖的性质。由于忽略了用户之间的多重行为关系,难以识别出不同类型交互中的多模态上下文信号,限制了现有推荐方法的可行性。为了解决上述挑战,这项工作提出了一个内存增强的Transformer网络(MATN),使多路复用的行为关系信息的建议,并联合建模的类型特定的行为上下文和类型明智的行为相互依赖,在一个完全自动的方式。在我们的MATN框架中,我们首先开发了一个基于transformer的多行为关系编码器,使学习到的交互表示能够反映跨类型的行为关系。此外,记忆注意网络提出增压MATN捕获到特定类别的潜在嵌入空间的不同类型的行为的上下文信号。最后,引入跨行为聚合组件来促进类型感知交互行为表示之间的全面协作,并区分它们在辅助推荐方面的固有贡献。在两个基准数据集和一个真实的电子商务用户行为数据上的大量实验表明,MATN在基线上获得了显着的改进。代码可在https://github.com/akaxlh/MATN上获得。
2021-10-08 cs.AI cs.IR
On Curating Responsible and Representative Healthcare Video Recommendations for Patient Education and Health Literacy: An Augmented Intelligence Approach
研究表明,三分之一的美国成年人使用互联网来诊断或了解健康问题。然而,在线获取保健信息可能会加剧保健信息提供和使用方面的差距。健康信息寻求行为(Health Information Seeking Behavior,HISB)是指个体寻求有关其健康、风险、疾病和健康保护行为的信息的方式。对于在数字媒体平台上搜索健康信息的患者来说,健康素养的鸿沟可能会因为他们自己缺乏知识和算法建议而加剧,结果会对弱势群体,少数民族和低健康素养用户产生不成比例的影响。这项研究报告了对上述挑战的探索性调查,通过研究是否可以使用先进的分析方法生成负责任和有代表性的建议,这些方法适用于YouTube社交媒体平台上的慢性疾病(糖尿病)的大型视频及其元数据。该文件的重点是与使用糖尿病视频的演员的人口特征相关的偏见,这些视频是根据多个标准检索和策划的,例如编码的医疗内容及其可理解性,以满足患者教育和人口健康素养需求。这种方法通过将卫生专业人员和患者的观点结合到一个可扩展和可推广的机器学习框架中,为患者赋权和改善健康结果,为人类在环,增强智能,偏见意识和负责任的算法建议的创新提供了巨大的机会。
2022-07-13 cs.AI cs.IR cs.LG
Retrieval Augmented Generation-Based Incident Resolution Recommendation System for IT Support
IBM Research(IBM研究院)
针对IT支持中模型大小与领域覆盖限制,提出结合RAG、仅编码器分类模型和生成式LLM查询生成的事件解决推荐系统,并详述架构、开发与部署。
2024-09-06 cs.AI cs.CL cs.IR
Combining Retrieval-Augmented Text Generation with LLMs for Reading Content Recommendations
Institute of Computer Science, Warsaw University of Technology(计算机科学学院,华沙技术大学)
提出结合检索增强生成(RAG)与大型语言模型的系统,通过四个模块实现个性化阅读内容生成,实验表明RAG将相关性和接地性提升26-35个百分点。
2026-06-16 cs.AI cs.IR
Intent-aware Diffusion with Contrastive Learning for Sequential Recommendation
针对现有对比学习方法在序列推荐中因随机增强引入噪声而破坏用户意图的问题,提出意图感知扩散模型InDiRec,通过K-means聚类和条件扩散生成意图对齐视图,增强对比学习,在五个数据集上表现优于基线。
2025-04-22 cs.IR
Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation
City University of Hong Kong(香港城市大学);Huazhong University of Science and Technology(华中科技大学);Tencent(腾讯);Shenzhen Technology University(深圳技术大学);Peking University(北京大学);Shenzhen University(深圳大学)
SRA-CL通过利用LLMs的语义能力生成高质量对比对,提升序列推荐模型的性能。
2025-12-22 cs.AI cs.IR