Multimodal Fusion And Sparse Attention-based Alignment Model for Long Sequential Recommendation
针对长序列推荐中多模态理解与用户多粒度兴趣建模的挑战,提出MUFASA模型,通过多模态融合层与稀疏注意力对齐层生成高质量表示,显著超越基线并在在线A/B测试中取得显著收益。
2025-08-13 cs.IR
SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
针对推荐系统中冷启动/长尾物品推荐性能弱、多模态表征与排序模型联合训练成本高的问题,提出轻量的语义-行为对齐框架SaviorRec,通过行为感知多模态编码和残差量化语义ID实现对齐,在Taobao平台取得显著效果提升。
2025-08-02 cs.IR
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology(快手科技)
针对工业推荐系统偏差问题,提出ConAlign条件去偏方法,通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计,支持实时流适应,经实验验证有效,提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
Information-Guided Selective Modality-Interest Alignment for Multimodal Recommendation
Shanghai Jiao Tong University(上海交通大学)
针对多模态推荐中模态信号选择不明确的问题,提出AMUR框架,通过优化模态图结构并选择性对齐跨模态兴趣语义,提升推荐性能且保留互补信息,经实验验证有效。
2026-08-31 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
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题,提出以评论为中心的对比对齐框架ReCAFR,通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示,在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems
针对图与序列推荐无法互补的问题,提出整合两者的框架,通过共享嵌入空间并设计对齐与一致性损失函数实现正向知识迁移,在三个数据集上取得最优性能。
2025-01-29 cs.IR
MTFM: A Scalable and Alignment-free Foundation Model for Industrial Recommendation in Meituan
Meituan(美团)
MTFM是一种基于Transformer的工业推荐基础模型,通过异构标记和多场景样本聚合提升效率,实现无对齐的多场景推荐效果。
2026-02-13 cs.IR
Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation
针对序列推荐中用户兴趣偏移导致模型性能下降的问题,提出T$^2$ARec模型,通过引入两个测试时对齐模块结合状态空间模型进行测试时训练,有效捕获时间动态并显式识别兴趣偏移,在三个基准数据集上实现了最先进的性能。
2025-04-02 cs.IR
ToolRec: Calibrated Preference Alignment for Query Recommendation in On-Device Assistants
Huazhong University of Science and Technology(华中科技大学);OPPO AI Center(OPPO人工智能中心);Chongqing University(重庆大学)
提出ToolRec框架,通过构建系统工具库和双层校准机制优化点击数据,利用加权KTO对齐模型,在设备端助手查询推荐中提升点击率和相关性。
2026-07-31 cs.IR
Aligning Performance with Contribution: Towards Contribution-Aware Fair Recommendation
Shanghai University of Finance and Economics(上海财经大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出贡献-性能公平性及CPFR框架,通过对齐用户贡献与推荐性能,在保持公平的同时激励参与,实验证明其实现了强准确性-公平性权衡。
2026-10-07 cs.IR
TrackRec: Iterative Alternating Feedback with Chain-of-Thought via Preference Alignment for Recommendation
TrackRec框架通过生成器与验证器之间的迭代交替反馈和偏好对齐,提升大语言模型在推荐系统中的思维链推理质量,并在数亿用户广告平台上验证了其超越现有方法的有效性。
2025-08-21 cs.IR
DRE: Generating Recommendation Explanations by Aligning Large Language Models at Data-level
本文提出非侵入式DRE框架,在数据级利用大语言模型对齐用户数据与推荐物品,并通过目标感知偏好蒸馏丰富解释,从而为黑盒推荐模型生成准确、以用户为中心的解释。
2024-04-09 cs.IR
User Feedback Alignment for LLM-powered Exploration in Large-scale Recommendation Systems
本文提出结合分层规划与 LLM 推理时扩展的新方法,通过分别训练并解耦新颖性与用户对齐模型,在不损害新颖性的前提下提升了大规模推荐系统的推荐相关性与用户满意度。
2025-05-27 cs.IR
Rethinking Semantic ID Construction for Generative Recommendation: SimHash with Parallel Decoding and Semantic Alignment
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Amazon(亚马逊)
本研究挑战了简单哈希方法在生成式推荐中性能低下的共识,提出FLASH两阶段框架,通过并行解码和显式语义对齐重振SimHash标记化,无需训练即可在多个数据集上实现最先进性能,并在冷启动场景中展现更强泛化能力。
2026-10-07 cs.IR
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题,提出融入协同思想的排序对齐推荐方法,有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation
University of New South Wales(新南威尔士大学)
针对多域序列推荐中域转换复杂、数据不平衡及扩展难的问题,提出GMFlowRec生成框架,利用高斯混合流匹配建模域感知轨迹,结合双掩码Transformer与域对齐先验,在京东和亚马逊数据集上NDCG@5提升高达44%。
2025-10-23 cs.IR
UniVA: Unified Value Alignment for Generative Recommendation in Online Advertising at Tencent
Wuhan University(武汉大学);Tencent Inc.(腾讯);Peking University(北京大学)
本文提出UniVA框架,通过引入商业SID分词器和生成-排序SID解码器,提升工业广告推荐中用户兴趣与商业价值的对齐效果,实验显示在离线和在线场景均取得显著提升。
2026-07-30 cs.IR
HSUGA: LLM-Enhanced Recommendation with Hierarchical Semantic Understanding and Group-Aware Alignment
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机科学与软件工程学院);School of Artificial Intelligence, Shenzhen Technology University(深圳职业技术大学人工智能学院)
HSUGA通过引入层次语义理解和群体感知对齐模块,解决LLM增强推荐中用户语义嵌入提取与利用的可靠性与适应性问题,提升推荐性能。
2026-05-12 cs.IR
Cross-attention Secretly Performs Orthogonal Alignment in Recommendation Models
Meta
该研究揭示了推荐模型中交叉注意力隐式执行正交对齐机制,发现其能自然产生并改善缩放定律,在超300次实验中提升性能,为多模态参数高效缩放提供了新方向。
2025-10-10 cs.IR cs.LG
Cross-domain recommendation via user interest alignment
Tianjin University(天津大学);Lenovo Research(联想研究院);Hangzhou Dianzi University(杭州电子科技大学)
跨领域推荐旨在利用多个领域的知识来缓解传统推荐系统中的数据稀疏和冷启动问题。一种流行的范例是采用重叠的用户表示来建立域连接,从而在所有场景中提高推荐性能。然而,这种方法的一般做法是在每个域中分别训练用户嵌入,然后以简单的方式聚合它们,通常忽略用户和项目之间潜在的跨域相似性。此外,考虑到它们的训练目标是面向推荐任务的,而没有特定的正则化,优化的嵌入忽略了用户视图之间的兴趣对齐,甚至违反了用户的原始兴趣分布。为了解决这些挑战,我们提出了一种新的跨域推荐框架,即COAST,通过感知实体之间的跨域相似性和对齐用户兴趣来提高双域推荐性能。具体来说,我们首先构建了一个统一的跨域异构图,并重新定义了图卷积网络的消息传递机制,以捕获跨域用户和项目的高阶相似性。针对用户兴趣对齐,我们开发了两个更细粒度的角度,用户-用户和用户-项目兴趣不变性跨领域凭借丰富的无监督和语义信号的深刻见解。我们对多个任务进行了深入的实验,这些任务是从两个大型推荐数据集构建的。大量的结果表明,COAST一致和显着优于国家的最先进的跨域推荐算法,以及经典的单域推荐方法。
2023-01-26 cs.AI cs.IR
EGRA:Toward Enhanced Behavior Graphs and Representation Alignment for Multimodal Recommendation
College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算与数据科学学院)
针对多模态推荐现有方法不足,EGRA通过纳入预训练模型生成表示构建的项-项图减轻稀疏性,引入双层动态对齐加权机制提升模态-行为表示对齐,实验证明其有效性。
2026-07-28 cs.AI cs.IR
Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation
针对基于会话推荐中数据稀疏及现有属性建模方法缺乏通用性的问题,提出与模型无关的框架AttrGAU,通过构建二分属性图、解耦现有模型并引入对齐与一致性约束,显著提升了属性无关模型的推荐准确性与鲁棒性。
2024-10-14 cs.IR
Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation
Kuaishou Technology(快手科技)
EASQ通过多任务架构和LoRA模块实现用户满意度的端到端对齐,提升推荐系统效果与稳定性。
2026-01-28 cs.IR
QARM V2: Quantitative Alignment Multi-Modal Recommendation for Reasoning User Sequence Modeling
Kuaishou Technology(快手科技)
QARM V2通过量化对齐多模态推荐方法,解决推荐系统中用户序列建模的语义理解与业务需求不匹配问题。
2026-02-09 cs.IR
Adaptive Fair Representation Learning for Personalized Fairness in Recommendations via Information Alignment
针对推荐系统个性化公平现有方法训练成本高、公平与准确性权衡次优的问题,提出仅需训练一个模型、推理时自适应满足不同公平要求的AFRL模型,通过信息对齐机制兼顾公平性与推荐准确性,经实验和理论分析验证了其优越性。
2024-04-13 cs.IR
Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
跨领域推荐(CDR)是利用不同领域的知识来解决推荐系统中的数据稀疏性和冷启动问题的一种方法。在本文中,我们专注于基于评论的非重叠推荐(RNCDR)问题。该问题是一个普遍存在且具有挑战性的问题,主要表现在两个方面,即目标域上只有正的用户项目评分和不同域之间没有重叠的用户。大多数先前的CDR方法不能很好地解决RNCDR问题,因为(1)它们不能有效地将审查与其他信息(例如,ID或评级)来获得富有表现力的用户或项目嵌入,(2)它们不能减少用户和项目上的域差异。为了填补这一空白,我们提出了协同过滤与归因对齐模型(CFAA),一个跨域推荐框架的RNCDR问题。CFAA包括两个主要模块,即,评分预测模块和嵌入属性对齐模块。前者旨在联合挖掘评论,一个热门ID和多个热门历史评分,以生成富有表现力的用户和项目嵌入。后者包括纵向归因一致性和横向归因一致性,倾向于基于多个视角减少差异。我们对豆瓣和亚马逊数据集的实证研究表明,CFAA在RNCDR设置下显着优于最先进的模型。
2022-02-10 cs.AI cs.IR
TALLRec: An Effective and Efficient Tuning Framework to Align Large Language Model with Recommendation
提出TALLRec框架,通过调优大型语言模型与推荐数据对齐,在少量样本下显著提升电影和图书推荐性能,并支持高效训练与跨领域泛化。
2023-10-17 cs.IR
RAU: Towards Regularized Alignment and Uniformity for Representation Learning in Recommendation
针对推荐系统表征学习中数据集稀疏性导致的对齐稀疏、均匀性不均问题,提出包含中心增强对齐和低方差引导均匀性两种正则化的RAU框架,在三个真实数据集上较现有最优CF方法实现显著性能提升。
2025-03-24 cs.IR
RA-Rec: An Efficient ID Representation Alignment Framework for LLM-based Recommendation
Huawei Poisson Lab(华为泊松实验室);University College London(伦敦大学学院)
针对基于LLM的推荐系统中ID使用缺乏推荐知识和唯一性的问题,提出ID表示对齐框架RA-Rec,将ID嵌入作为软提示,通过创新对齐模块和高效微调,以少10倍训练数据实现高达3.0%的HitRate@100提升。
2024-03-19 cs.AI cs.IR
Modality Alignment with Multi-scale Bilateral Attention for Multimodal Recommendation
针对多模态推荐中跨模态关联建模不足和全局分布不一致的问题,提出MambaRec框架,通过DREAM模块进行局部特征对齐,并结合MMD和对比损失实现全局正则化,提升融合质量与效率。
2025-09-11 cs.IR
An LLM-Powered Semantic Alignment Framework for Journal Recommendation
Central University of Finance and Economics(中央财经大学);Peking University(北京大学)
提出一种基于大语言模型的语义对齐框架,将期刊推荐转化为稿件内容与期刊范围描述之间的语义匹配问题,无需训练即可实现高效推荐。
2026-06-29 cs.IR stat.AP
RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment
Fudan University(复旦大学);University of Southern California(南加州大学)
针对生成式语言模型表示与ID协同信号之间的语义异质性,提出基于图神经网络和最优传输理论的双粒度语义对齐框架RecGOAT,通过实例级和分布级对齐实现统一特征空间,理论证明其表示误差更低,实验达到最优性能。
2026-05-25 cs.AI cs.IR
LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation
Tianjing University(天津大学);Baidu Talent Intelligence Center, Baidu Inc(百度人才智能中心,百度公司)
本文提出LANE策略,在不微调大语言模型的情况下,通过语义嵌入、零样本多偏好提取、语义对齐和思维链提示,将LLM与在线推荐系统对齐,在保证推荐性能的同时生成可解释的推荐逻辑。
2024-07-03 cs.CL cs.IR cs.LG
A Metric for MLLM Alignment in Large-scale Recommendation
Xiaohongshu Inc.(小红书公司)
针对多模态推荐中MLLM对齐评估难题,提出泄漏影响分数(LIS)度量偏好数据上界,经小红书在线A/B测试验证,显著提升用户时长与广告价值。
2025-08-07 cs.IR cs.LG
Listwise Preference Alignment Optimization for Tail Item Recommendation
Australian Artificial Intelligence Institute (AAII) and School of Compute Sicence, Faculty of Engineering and Information Technology, University of Technology Sydney(澳大利亚人工智能研究所(AAII)和计算机科学学院,工程与信息技术学院,新南威尔士大学)
本文提出 LPO4Rec,将 Bradley-Terry 模型扩展为列表式比较并推导闭式最优策略,结合自适应负采样与重加权优先尾部物品,在三个数据集上相比 10 个基线最高提升 50% 性能并减少 17.9% GPU 内存。
2025-07-03 cs.IR cs.LG
AlignRec: Aligning and Training in Multimodal Recommendations
Shanghai Jiao Tong University(上海交通大学);Xiaohongshu Inc.(小红书公司)
本文针对多模态推荐中内容特征与ID特征不对齐的问题,提出AlignRec框架,将推荐目标分解为内容内部、内容与ID、用户与物品三个对齐,并通过预训练统一多模态特征和设计新评估指标,在三个数据集上验证了其优于九个基线方法。
2024-08-01 cs.IR cs.LG
Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation
Northeastern University(东北大学);Tianjin University(天津大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出FAERec框架,通过自适应门控机制和双层对齐方法提升尾项序列推荐中物品表示的质量,解决协同信号与语义知识融合不足及嵌入空间结构不一致的问题。
2026-04-04 cs.AI cs.IR
Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation
University of Science and Technology of China(中国科学技术大学)
针对LLM序列推荐缺乏协同过滤信息的问题,提出多模态框架Molar,通过统一多模态物品表示与后对齐协同信号,显著提升序列推荐准确性。
2024-12-30 cs.AI cs.IR
Video-to-Music Recommendation using Temporal Alignment of Segments
针对音乐监督任务中视频配乐跨模态推荐的结构适配需求,提出基于语义片段与序列对齐代价排序的结构感知推荐方法,显著提升自监督推荐系统性能,并探究了不同排序指标和分割方法的影响。
2023-06-12 cs.IR cs.LG cs.MM
Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Meta
本文主张在基于大语言模型的推荐系统中优先利用显式上下文反馈(如评论文本)来对齐用户偏好,提升推荐的个性化和可解释性。
2026-05-27 cs.AI cs.IR
From Prompting to Alignment: A Generative Framework for Query Recommendation
Baidu Inc.(百度公司);National Key Laboratory for Multimedia Information Processing, Peking University(北京大学多媒体信息处理国家重点实验室);Chinese Academy of Sciences(中国科学院)
本文提出通用生成式查询推荐框架GQR,通过统一提示、CTR列表级偏好对齐及共现查询辅助信息,将大语言模型与用户偏好和主动性对齐,以解决冷启动、长尾及通用性不足问题。
2025-07-05 cs.IR cs.LG
CLLMRec: LLM-powered Cognitive-Aware Concept Recommendation via Semantic Alignment and Prerequisite Knowledge Distillation
Xihua University, Chengdu 610039, China(西华大学)
CLLMRec通过语义对齐和先决知识蒸馏,利用大语言模型实现认知感知的概念推荐,无需依赖结构化知识图谱。
2025-11-26 cs.AI cs.IR
Lightweight yet Fine-grained: A Graph Capsule Convolutional Network with Subspace Alignment for Shared-account Sequential Recommendation
College of Computer Science and Engineering, Shandong University of Science and Technology(山东科技大学计算机科学与工程学院);College of Computer Science and Technology, Ocean University of China(中国海洋大学计算机科学与技术学院)
针对共享账户序列推荐中难以捕捉细粒度关联且现有方法计算复杂的问题,提出轻量图胶囊卷积网络结合子空间对齐方法,实现交互与潜在用户的细粒度匹配并优化序列表示,在准确性和效率上优于九种先进方法。
2024-12-18 cs.AI cs.IR cs.LG
GenCAR: Generative Counterfactual Alignment with Risk-Controlled Selection for Out-of-Distribution Recommendation
Southern University of Science and Technology(南方科技大学);University of Pennsylvania(宾夕法尼亚大学)
本研究针对分布外推荐的风险问题,提出GenCAR方法,通过控制代理标签错误发现率,提升了不同基准下的分布外推荐候选恢复效果。
2026-09-03 cs.IR cs.LG
Graph-based Alignment and Uniformity for Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Electronic Science and Technology of China(电子科技大学)
针对超球面表示学习在推荐系统中的稀疏性问题,提出GraphAU,利用二部图高阶邻域聚合与分层对齐池化提升性能并达到最先进水平。
2023-08-18 cs.AI cs.IR cs.LG
Aligning Recommendations with User Popularity Preferences
University of Amsterdam(阿姆斯特丹大学);Amazon Music(亚马逊音乐)
本文研究推荐系统中的流行偏差问题,提出基于激活引导的SPREE方法,通过量化用户历史流行偏好与推荐流行度的不匹配,提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment
National University of Singapore(新加坡国立大学);Beijing University of Posts and Telecommunications(北京邮电大学);Tencent(腾讯);Shandong University(山东大学)
EchoRec通过跨多时间步长的循环一致整体偏好对齐,结合感知时间步长的偏好生成与可验证的整体偏好对齐模块,在三个数据集上实现了更优的生成式推荐性能,且具备多物品生成能力。
2026-11-03 cs.AI cs.IR
Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation
Beihang University(北京航空航天大学);University of Technology Sydney(悉尼科技大学);University of Edinburgh(爱丁堡大学)
CGFedRec通过聚类引导的方法,利用全局结构约束实现联邦推荐中的物品对齐,提升通信效率并保持推荐准确性。
2026-02-25 cs.IR cs.LG
Behavior Alignment: A New Perspective of Evaluating LLM-based Conversational Recommender Systems
University of Delaware(特拉华大学)
本文提出行为对齐这一新评估指标,用于衡量基于LLM的对话推荐系统与人类推荐者策略的一致性,并设计基于分类的隐式测量方法以降低人工标注成本,实验证明其优于现有指标。
2024-10-17 cs.AI cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University(同济大学)
本文提出TME-PSR模型,整合时间感知个性化、多兴趣个性化和解释个性化,以提升个性化序列推荐的准确性和解释质量,通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems
Forth AI Singapore(Forth AI新加坡);Shopee Singapore(Shopee新加坡);Singapore Uni. of Tech. and Design(新加坡技术与设计大学)
RGAlign-Rec通过闭环对齐框架结合语义推理和增强查询模型,提升电子商务推荐系统的预测准确性和服务质量。
2026-02-13 cs.AI cs.CL cs.IR
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊)
SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化,提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
2026-07-28 cs.AI cs.CL cs.IR
QARM: Quantitative Alignment Multi-Modal Recommendation at Kuaishou
Kuaishou Technology(快手科技)
本文提出QARM框架,通过定量对齐解决多模态预训练与推荐任务间的表示不匹配和不可学习问题,为下游模型定制可训练的多模态信息。
2024-11-18 cs.AI cs.IR