Multi-view Hypergraph Contrastive Policy Learning for Conversational Recommendation
提出多视图超图对比策略学习（MHCPL）模型，通过动态超图整合喜欢、不喜欢和社会视图的多重关系，以更准确学习对话推荐中的动态用户偏好。
2023-07-26 cs.IR
Meta-optimized Joint Generative and Contrastive Learning for Sequential Recommendation
本文提出Meta-SGCL方法用于序列推荐，通过Seq2Seq生成器结合VAE保留语义生成对比视图，并采用元优化的两步训练策略自适应生成视图，在三个真实数据集上验证了其有效性。
2023-10-21 cs.IR
Using the Open Meta Kaggle Dataset to Evaluate Tripartite Recommendations in Data Markets
这项工作解决了在数据市场中提供和评估建议的问题。由于推荐系统中的大多数研究都集中在用户和项目之间的二分关系（例如，电影），我们将这一观点扩展到用户，数据集和服务之间的三方关系，这是在数据市场中存在的。在这些实体之间，我们确定了四个推荐用例：（i）为用户推荐数据集，（ii）为用户推荐服务，（iii）为数据集推荐服务，以及（iv）为服务推荐数据集。使用开放的Meta Kaggle数据集，我们评估了这四个用例的基于流行度以及基于协作过滤的算法的推荐准确性，并发现推荐准确性强烈依赖于给定的用例。所提出的工作有助于三方推荐问题的一般和研究不足的投资组合，特别是数据市场的推荐系统的评估。
2019-08-27 cs.IR
Socially-Aware Self-Supervised Tri-Training for Recommendation
自监督学习（SSL）可以从原始数据中自动生成真实样本，在改进推荐系统方面具有巨大的潜力。现有的基于SSL的方法大多通过均匀的节点/边丢弃来扰动原始数据图以生成新的数据视图，然后在不同的视图上进行基于自判别的对比学习来学习可泛化的表示。在该方案下，只有一个双射映射之间的节点在两个不同的视图，这意味着从其他节点的自我监督信号被忽略。由于在推荐系统中广泛观察到的同质性，我们认为，来自其他节点的监督信号也很可能有利于表示学习的推荐。为了捕捉这些信号，本文提出了一个通用的社会感知SSL框架，集成了三训练。从技术上讲，我们的框架首先增加了用户数据视图与用户的社会信息。然后，在用于多视图编码的三训练机制下，该框架在增强视图上构建三个图编码器（一个用于推荐），并使用由其他两个编码器生成的来自其他用户的自监督信号迭代地改进每个编码器。由于tri-training是在相同数据源的增强视图上进行自监督信号，因此我们将其命名为自监督tri-training。在多个真实世界数据集上进行的大量实验一致地验证了自监督三训练框架在改进推荐方面的有效性。代码发布于https://github.com/Coder-Yu/QRec。
2021-08-26 cs.IR
Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）
针对触发式推荐中点击率预测的需求，提出CRRN模型，通过触发-目标交互层、级联兴趣融合模块和类别辅助成对损失优化，在工业与公开数据集及在线A/B测试中均优于现有方法。
2026-08-25 cs.IR
MV-HAN: A Hybrid Attentive Networks based Multi-View Learning Model for Large-scale Contents Recommendation
工业推荐系统通常采用多源数据来提高推荐质量，而在不同数据源之间有效地共享信息仍然是一个挑战。在本文中，我们介绍了一种新的多视图方法与混合注意网络（MV-HAN）的内容检索在推荐系统的匹配阶段。该模型使高阶特征交互从各种输入功能，同时有效地转移不同类型之间的知识。通过采用适当的参数共享策略，MV-HAN大大提高了稀疏类型的检索性能。所设计的MV-HAN继承了双塔模型在在线服务中的效率优势，通过将不同类型的用户和内容映射到相同的特征空间。这使得能够使用近似最近邻算法快速检索相似内容。我们在几个工业数据集上进行了离线实验，证明了所提出的MV-HAN在内容检索任务上的性能明显优于基线。重要的是，MV-HAN部署在真实世界的匹配系统中。在线A/B测试结果表明，该方法能显著提高推荐质量。
2022-10-14 cs.IR
Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；University of Queensland（昆士兰大学）
本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。
2026-04-27 cs.IR
DMESR: Dual-view MLLM-based Enhancing Framework for Multimodal Sequential Recommendation
Schoole of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）
DMESR通过双视角机制解决多模态序列推荐中的语义对齐和细粒度语义丢失问题，提升推荐效果。
2026-02-14 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
MV-RNN: A Multi-View Recurrent Neural Network for Sequential Recommendation
顺序推荐是网络应用中的一项基本任务，但由于用户反馈不足，顺序推荐往往会出现项目冷启动问题。目前比较流行的方法有三种，分别是基于矩阵分解的协同过滤方法、基于马尔可夫链的协同过滤方法和基于循环神经网络的协同过滤方法。虽然被广泛使用，但它们有一些局限性。基于MF的方法不能捕捉动态用户的兴趣。强马尔可夫假设极大地限制了基于MC的方法的性能。基于RNN的方法仍处于整合额外信息的早期阶段。在这些基本模型的基础上，许多附加信息的方法只能以单独的方式验证一种模态。本文提出了一种多视图循环神经网络（MV-RNN）模型，用于进行顺序推荐和解决项目冷启动问题。鉴于潜在的特征，MV-RNN可以通过合并视觉和文本信息来缓解项目冷启动问题。首先，在MV-RNN的输入端，研究了三种不同的多视图特征组合，如拼接，添加融合和通过重建原始多模态数据进行融合。MV-RNN应用递归结构来动态捕获用户的兴趣。其次，我们设计了MV-RNN隐状态的分离结构和联合结构，以探索一种更有效的处理多视图特征的方法。在两个真实数据集上的实验表明，MV-RNN可以有效地生成个性化的排序列表，解决缺失模态问题，并显着缓解项目冷启动问题。
2018-11-20 cs.IR
Multi-View Graph Convolutional Network for Multimedia Recommendation
本文提出多视图图卷积网络解决多媒体推荐中的模态噪声污染和用户偏好建模不完整问题，通过行为信息净化模态特征、分离视图增强特征判别性，并设计行为感知融合器与自监督辅助任务建模用户偏好，在三个公开数据集上验证了有效性。
2023-08-07 cs.IR
DARTS: A Dual-View Attack Framework for Targeted Manipulation in Federated Sequential Recommendation
本文针对联邦序列推荐中现有定向攻击效果有限的问题，提出双视角攻击框架DV-FSR，结合采样显式策略与对比学习隐式梯度策略协同攻击，并设计配套防御机制，实验验证了其有效性。
2025-07-02 cs.IR
Quality-Aware Collaborative Multi-Positive Contrastive Learning for Sequential Recommendation
Shandong University of Science and Technology（山东科技大学）；Zhejiang Lab（浙江实验室）；School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）；Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼科技大学工程与信息科技学院）；School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；School 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）
本文提出QCMP-CL方法，通过可学习的协同序列增强模块生成两种互补的增强视图，结合质量感知机制动态调整权重，提升序列推荐的对比学习效果。
2026-07-24 cs.IR
Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts
本文提出MoDiffE框架，以分而治之策略将冷启动捆绑推荐分解为子问题，用扩散模型统一生成表示并通过冷感知分层MoE融合，在三个数据集上显著超越现有方法。
2025-05-08 cs.IR
Context-Aware Disentanglement for Cross-Domain Sequential Recommendation: A Causal View
Shanghai University of Finance and Economics（上海财经大学）；Nanyang Technological University（南洋理工大学）
本文提出CoDiS框架，通过因果视角解耦跨域共享与特定偏好，解决跨域推荐中上下文忽略、领域梯度冲突和用户重叠假设的问题，实验表明其优于现有方法。
2026-04-09 cs.IR
Adaptive Graph Contrastive Learning for Recommendation
针对推荐数据稀疏、噪声及对比增强依赖人工试错的问题，提出 AdaGCL，用可训练的图生成与图去噪生成器构造自适应对比视图，并在三个真实数据集上验证其优于现有方法。
2023-07-13 cs.IR
A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations
Tencent Inc（腾讯公司）；Cornell University（康奈尔大学）
隐私保护推荐最近获得了发展势头，因为分散的用户数据越来越难以被推荐服务提供商收集，由于对用户隐私和数据安全的严重关注。严格的政府法规，如欧洲的通用数据隐私条例（GDPR），进一步加剧了这种情况。联邦学习（FL）是一种新开发的隐私保护机器学习范式，用于在不损害数据安全和隐私的情况下桥接数据存储库。因此，人们提出了许多联邦推荐（FedRec）算法来实现个性化的隐私保护推荐。然而，现有的FedRec算法大多是从传统的协同过滤（CF）方法扩展而来，不能很好地解决冷启动问题。此外，它们的性能开销w.r.t.与集中式推荐相比，在联合设置中训练的模型准确性通常是不可忽略的。本文研究了这个问题，并提出了FL-MV-DSSM，一个通用的基于内容的联邦多视图推荐框架，不仅解决了冷启动问题，但也显着提高推荐性能，通过学习联邦模型从多个数据源捕获更丰富的用户级功能。FL-MV-DSSM提出的新的联合多视图设置打开了新的使用模型，并在推荐场景中为FL带来了新的安全挑战。我们证明了\xxx的安全性保证，并在FL-MV-DSSM及其变化与公共数据集的实证评估证明了其有效性。如果这篇论文被接受，我们的代码将被发布。
2020-08-25 cs.AI cs.IR
Improving Micro-video Recommendation via Contrastive Multiple Interests
随着微视频创作者和观看者的迅速增加，如何从海量的候选人向观看者进行个性化推荐开始受到越来越多的关注。然而，现有的微视频推荐模型依赖于昂贵的多模态信息，并且学习整体兴趣嵌入，不能反映用户对微视频的多种兴趣。最近，对比学习为改进现有的推荐技术提供了一个新的机会。因此，本文提出了提取对比性多兴趣，并设计了一个微视频推荐模型CMI。具体而言，CMI从每个用户的历史交互序列中学习他/她的多个兴趣嵌入，其中隐式正交微视频类别用于解耦多个用户兴趣。此外，它建立了对比多兴趣损失，以提高兴趣嵌入的鲁棒性和推荐的性能。在两个微视频数据集上的实验结果表明，CMI在现有基线上实现了最先进的性能。
2022-05-19 cs.IR
Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning
University of Engineering
针对套装推荐中需利用非对称物品关联的问题，提出融合因果敏感关系与图传播的双视图多视图学习方法BunCa，结合对比学习优化表示，在三个基准数据集上验证了有效性。
2024-08-13 cs.AI cs.IR
BiVRec: Bidirectional View-based Multimodal Sequential Recommendation
City University of Hong Kong（香港城市大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Michigan State University（密歇根州立大学）；Shanghai Jiaotong University（上海交通大学）；Jinan University（暨南大学）；The University of Queensland（昆士兰大学）
针对多模态序列推荐两类范式的缺陷，提出BiVRec框架，通过多尺度兴趣嵌入、视图内兴趣分解、跨视图兴趣学习模块，联合ID与多模态视图双向提升推荐性能，在五个数据集达SOTA。
2024-03-05 cs.AI 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
Neural News Recommendation with Attentive Multi-View Learning
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
个性化新闻推荐对于在线新闻平台帮助用户找到感兴趣的新闻、提升用户体验至关重要。新闻和用户表示学习对于新闻推荐至关重要。现有的新闻推荐方法通常基于单个新闻信息来学习这些表示，例如，标题，这可能是不够的。在本文中，我们提出了一个神经新闻推荐方法，可以学习信息表示的用户和新闻利用不同种类的新闻信息。我们的方法的核心是一个新闻编码器和一个用户编码器。在新闻编码器中，我们提出了一个专注的多视图学习模型，将标题，主体和主题类别视为新闻的不同视图来学习统一的新闻表示。此外，我们将文字层级和观点层级的注意力机制应用于新闻编码器，以选择重要的文字和观点来学习资讯性新闻表征。在用户编码器中，我们根据用户浏览的新闻来学习用户的表征，并应用注意力机制来选择信息性新闻进行用户表示学习。在真实数据集上的大量实验表明，该方法可以有效地提高新闻推荐的性能。
2019-07-12 cs.CL cs.IR cs.LG
Alleviating Video-Length Effect for Micro-video Recommendation
针对短视频推荐中长视频易获高平均观看时间导致模型偏置的问题，提出VLDRec方法，通过去偏数据标注、样本生成及多任务学习，在真实数据集上提升观看时间1.81%和11.32%。
2023-08-31 cs.IR
MVIN: Learning Multiview Items for Recommendation
Academia Sinica（中央研究院）
研究人员已经开始利用异构知识图谱作为推荐系统的辅助信息，以减轻冷启动和稀疏性问题。然而，利用图神经网络（GNN）来捕获KG中的信息并进一步应用于RS仍然是有问题的，因为它无法从多个角度看到每个项目的属性。为了解决这些问题，我们提出了多视图项目网络（MVIN），一个基于GNN的推荐模型，它通过从用户和实体的角度描述一个独特的混合视图的项目，提供卓越的建议。MVIN从用户视图和实体视图中学习项目表示。从用户的角度来看，面向用户的模块评分和聚合功能，使建议从个性化的角度构建根据KG实体，其中包括用户点击信息。从实体视图来看，混合层对比逐层GCN信息，以进一步从KG中的内部实体-实体交互中获得综合特征。我们在三个真实世界的数据集上评估MVIN：MovieLens-1 M（ML-1 M），LFM-1b 2015（LFM-1b）和Amazon-Book（AZ-book）。结果表明，MVIN在这三个数据集上的性能明显优于最先进的方法。此外，从用户视图的情况下，我们发现，MVIN确实捕捉吸引用户的实体。图进一步说明了混合层在异构KG中在邻域信息聚合中起着至关重要的作用。
2020-05-26 cs.IR cs.LG
Deep Multi-View Learning for Tire Recommendation
Université Lyon1（里昂第一大学）；Lizeo IT（Lizeo信息技术公司）
我们经常使用推荐系统，甚至没有注意到。他们建立了我们的个人资料，以便推荐我们最有可能感兴趣的内容。代表用户、他们与系统或产品的交互的数据可能来自不同的来源，并且具有各种性质。我们的目标是使用多视图学习方法来改进我们的推荐系统，并提高其管理多视图数据的能力。我们提出了几个国家的最先进的多视图模型应用到我们的工业数据之间的比较研究。我们的研究证明了在推荐系统中使用多视图学习的相关性。
2022-03-23 cs.IR cs.LG
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
Federated Multi-view Matrix Factorization for Personalized Recommendations
Helsinki Research Center（赫尔辛基研究中心）；Europe Cloud Service Competence Center（欧洲云服务能力中心）；Huawei Technologies Oy (Finland) Co. Ltd（华为技术有限公司（芬兰））
我们引入了联邦多视图矩阵分解方法，将联邦学习框架扩展到多数据源的矩阵分解。我们的方法是能够学习多视图模型，而无需将用户的个人数据传输到中央服务器。据我们所知，这是第一个使用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格的评估。实证验证证实，联邦多视图矩阵分解优于不考虑数据多视图结构的简单方法，此外，它还证明了所提出的方法对于冷启动联邦推荐的挑战性预测任务的有用性。
2020-04-08 cs.IR cs.LG stat.ML
AppQ: Warm-starting App Recommendation Based on View Graphs
Beijing Jiaotong University（北京交通大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
当前的应用排名和推荐系统主要基于用户生成的信息，例如，下载次数和评分。然而，新的应用程序通常很少（甚至没有）用户反馈，遭受经典的冷启动问题。如何快速识别并推荐高质量的新应用程序是一个具有挑战性的问题。在这里，一个基本的要求是能够根据应用程序的固有特征而不是用户生成的特征来准确衡量应用程序的质量。由于用户通过与视图交互来获得应用程序的第一手体验，因此我们推测，先天功能在很大程度上与应用程序中各个视图的视觉质量以及视图相互切换的方式有关。在这项工作中，我们提出了AppQ，一个新的应用程序质量分级和推荐系统，提取应用程序的先天特征的基础上应用程序的源代码。特别地，AppQ并行地工作以执行代码分析来提取应用级特征，以及动态分析来捕获视图级布局层次结构和视图之间的切换。然后，每个应用程序被表示为属性视图图，该属性视图图被转换为向量并被馈送到分类器以识别其质量类别。我们使用Google Play的应用数据集进行的评估报告显示，AppQ实现了最佳性能，准确率为85.0%。这显示了AppQ在启动应用分级和推荐系统方面的巨大潜力。
2021-09-08 cs.IR cs.LG
TriMat: Context-aware Recommendation by Tri-Matrix Factorization
本文提出TriMat方法，利用三矩阵分解将上下文信息融入推荐系统，实验证明能同时提升准确性与公平性。
2025-09-30 cs.IR
M^2VAE: Multi-Modal Multi-View Variational Autoencoder for Cold-start Item Recommendation
Ant Group（蚂蚁集团）
针对冷启动物品推荐中现有多模态方法忽略多视图结构及特征区别的问题，本文提出M²VAE生成模型，通过类型特定潜在变量、PoE通用表示、解耦对比损失、偏好引导MoE及共现信号对比学习，提升推荐效果。
2025-11-12 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
A Broad Learning Approach for Context-Aware Mobile Application Recommendation
随着移动应用的快速发展，应用商店中大量的移动应用的可用性给为用户定位合适的应用带来了挑战。为用户提供准确的移动应用推荐成为当务之急。传统的方法主要集中在学习用户的偏好和应用程序的功能，以预测用户的应用程序的评级。然而，他们中的大多数没有考虑应用程序的上下文信息之间的相互作用。为了解决这个问题，我们提出了一个广泛的学习方法，\textbf{C}上下文- \textbf{A}件应用程序推荐与\textbf{T}传感器\textbf{A}分析（CATA）。具体而言，我们利用基于张量的框架，有效地整合用户的偏好，应用程序类别信息和多视图功能，以促进应用程序评级预测的性能。多维结构用于捕获具有多视图特征的多个应用类别之间的隐藏关系。我们开发了一种有效的因式分解方法，该方法应用Tucker分解来学习多个类别和特征内的全阶相互作用。此外，我们采用组$\ell_{1}-$范数正则化来学习每个视图相对于每个应用类别的组特征重要性。在两个真实移动应用数据集上的实验证明了该方法的有效性。
2017-09-11 cs.IR
ID and Graph View Contrastive Learning with Multi-View Attention Fusion for Sequential Recommendation
Worcester Polytechnic Institute（沃斯特理工大学）
本文提出MVCrec框架，通过融合序列和图视角的互补信号，改进用户和物品表示，在五大数据集上优于现有方法，提升NDCG@10和HitRatio@10指标。
2026-04-15 cs.IR cs.LG
MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation
University of Science and Technology of China（中国科学技术大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
针对跨域推荐中用户偏好捕捉难、易出现负迁移的问题，提出多视图解耦自适应偏好学习框架MDAP，通过多视图编码、门控解码自适应融合表征，实验证明其性能优于现有最优跨域及单域推荐模型。
2024-10-08 cs.IR cs.LG
SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation
本文首次系统研究出城旅行推荐问题，提出 SPOT-Trip 框架，通过 POI 属性知识图谱、神经常微分方程和时序点过程分别建模静态与动态双重用户偏好并融合，实验表明性能提升最高达 17.01%。
2025-09-20 cs.IR
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Institute of Intelligent Computing Technology（智能计算技术研究所）
会话式推荐系统（CRS）的目标是在会话中提供高质量的推荐。然而，大多数常规CRS模型主要关注当前会话的对话理解，而忽略了中心主题的其他丰富的多方面信息（即，用户）推荐。在这项工作中，我们强调，用户的历史对话会话和外观相似的用户是用户偏好的重要来源，除了当前的对话会话在CRS。为了系统地对多方面信息进行建模，我们提出了一个以用户为中心的会话推荐（UCCR）模型，该模型回归了CRS任务中用户偏好学习的本质。具体来说，我们提出了一个历史会话学习器，以捕捉用户的多视图偏好的知识，语义和消费的意见作为补充，以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器，通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中，我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比，UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI 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
Modeling User Viewing Flow Using Large Language Models for Article Recommendation
Northeastern University（东北大学）；Alibaba Group（阿里巴巴集团）
该研究提出名为SINGLE的用户浏览流建模方法，结合LLMs捕捉用户恒定偏好与即时兴趣，应用于文章推荐，在ATA网站的在线A/B测试中较基线模型提升2.4%，可实现更个性化、多样的推荐。
2024-03-07 cs.AI cs.IR
Multi-view Multi-behavior Contrastive Learning in Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Xiamen Institute of Data Intelligence（厦门数据智能研究院）
多行为推荐（MBR）旨在联合考虑多个行为以提高目标行为的性能。我们认为MBR模型应该：（1）对用户不同行为之间的粗粒度共性进行建模，（2）在多行为建模中考虑个体序列视图和全局图视图，（3）捕获用户多个行为之间的细粒度差异。在这项工作中，我们提出了一种新的多行为多视图对比学习推荐（MMP-Relationship）框架，包括三个新的CL任务，以解决上述挑战，分别。多行为CL旨在使同一用户在每个视图中的不同用户单行为表示相似。多视图CL试图弥合用户的序列视图和图形视图表示之间的差距。行为区别CL侧重于对不同行为的细粒度差异进行建模。在实验中，我们进行了广泛的评估和消融测试，以验证MMMOS和各种CL任务在两个真实世界数据集上的有效性，实现SOTA性能超过现有基线。我们的代码将在\url{https://github.com/wyqing20/MMCLR}上提供
2022-03-20 cs.AI cs.IR cs.LG
GLoCIM: Global-view Long Chain Interest Modeling for news recommendation
School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Zhongguancun Laboratory（中关村实验室）
本文提出GLoCIM方法，通过长链选择算法和编码器从全局点击图提取长链兴趣，并与邻居兴趣融合，解决远距离节点链接利用问题，提升新闻推荐性能。
2024-09-24 cs.AI cs.IR
A Survey on Cross-Domain Sequential Recommendation
本综述通过四维张量定义跨域序列推荐问题，从宏观融合结构与微观基础及辅助学习技术系统梳理现有模型，并总结公开数据集、实验结果及未来方向。
2024-05-17 cs.IR
From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation
Pohang University of Science and Technology（浦项科技大学）；Sungkyunkwan University（成均馆大学）
针对序列推荐中Transformer模型的相似性偏差问题，提出PRISM模块，通过多视角透镜校准注意力以捕捉物品全谱关系，在七个基准上优于现有模型。
2026-09-17 cs.IR
Triple Sequence Learning for Cross-domain Recommendation
针对跨域推荐中双重关系建模忽略混合行为的问题，提出 Tri-CDR 框架，通过三重序列表示、TCA 注意力和 TCL 对比学习联合建模源域、目标域与混合行为，并在六个设置下验证其有效性与通用性。
2023-06-08 cs.IR
Cross-Cutting Political Awareness through Diverse News Recommendations
大多数现有的推荐系统所产生的建议都存在缺乏多样性和流行性偏见等问题。因此，他们被观察到推广众所周知的“重磅炸弹”项目，并为用户提供“更多相同”的选择，巩固他们现有的信念和偏见。这限制了用户接触不同的观点，并可能加剧政治两极分化。为了促进观点的多样性，我们开发了一个新的计算框架，可以识别用户的政治倾向和他们在社交网络上分享的新闻。基于这些信息，我们的系统可以推荐有目的地向用户展示不同观点的新闻项目，并增加他们信息饮食的多样性。“我们对推荐多样性和政治极化的研究有助于我们开发算法，衡量每个用户对不同观点的反应，并相应地调整推荐。其结果是一种方法，使用户接触到各种政治观点，并有望扩大他们对各种观点的接受程度（不一定是同意）。
2019-09-03 cs.CY 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
NLGCL: Naturally Existing Neighbor Layers Graph Contrastive Learning for Recommendation
针对现有图对比学习依赖增强引入噪声和高成本的问题，提出NLGCL框架，利用GNN邻居层间自然对比视图，避免增强噪声并降低计算存储开销，在四个数据集上超越最先进基线。
2025-07-10 cs.IR
Closing the Long-Short View Gap in Sequential Recommendation without Cached History
Texas A&M University（德克萨斯农工大学）；University of New South Wales（新南威尔士大学）
本文提出一种两阶段框架，通过角度相似性评分和仅微调偏置与层归一化组件，在不缓存历史的情况下关闭序列推荐中长短视角的性能差距，并在三个公共数据集上验证了有效性。
2026-09-09 cs.IR
Multi-view Intent Disentangle Graph Networks for Bundle Recommendation
Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工学院）
捆绑推荐的目的是向用户推荐一个捆绑的项目作为一个整体。然而，他们往往忽视了用户的意图采用项目的多样性和未能解开用户的意图表示。在捆绑推荐的真实场景中，用户的意图可以自然地分布在该用户的不同捆绑中（全局视图），而捆绑可以包含用户的多个意图（局部视图）。每种视图对于意图解开都有其优点：1）从全局视图来看，涉及更多的项目来呈现每个意图，这可以更清楚地展示用户在每个意图下的偏好。2)从局部视图来看，它可以揭示每个意图下的项目之间的关联，因为同一束中的项目彼此高度相关。为此，我们提出了一种新的模型命名为多视图意图解缠图网络（MIDGN），它能够精确和全面地捕捉用户的意图和项目的关联在更细的粒度的多样性。具体地，MIDGN分别从两个不同的视角解开用户的意图：1）在全局级别中，MIDGN解开与束间项目耦合的用户的意图; 2）在局部级别中，MIDGN解开与每个束内的项目耦合的用户的意图。同时，在对比学习框架下，对不同视角下的用户意图进行比较，以提高学习到的意图。在两个基准数据集上进行的大量实验表明，MIDGN分别比最先进的方法高出10.7%和26.8%。
2022-08-25 cs.AI cs.IR
Towards Robust Recommendation via Decision Boundary-aware Graph Contrastive Learning
针对现有图对比学习推荐模型难以平衡语义不变性与视图难度的问题，提出决策边界感知的RGCL框架，通过对抗扰动与关系感知视图生成器提升鲁棒性，在五个数据集上优于十二个基线模型。
2024-07-22 cs.IR
Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
Software College, Northeastern University（东北大学软件学院）；School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
针对图对比推荐中数据增强产生噪声视图而损害性能的问题，本文提出具有理论保证、模型无关的SGCL对称对比框架，并在三个数据集上验证其最高12.25%的相对提升。
2024-08-03 cs.AI cs.IR cs.LG
Multi-level Cross-view Contrastive Learning for Knowledge-aware Recommender System
知识图谱在推荐系统中扮演着越来越重要的角色。近年来，基于图神经网络（GNNs）的推荐模型逐渐成为知识感知推荐（KGR）的研究热点。然而，基于GNN的KGR模型存在一个天然的缺陷，即稀疏监督信号问题，这可能会使其实际性能在一定程度上下降。受近年来对比学习在从数据本身挖掘监督信号方面取得成功的启发，本文重点研究了对比学习在知识感知推荐中的应用，提出了一种新的多层次交叉视图对比学习机制MCCLK。与传统的对比学习方法通过统一的数据增强方案（如损坏或丢弃）生成两个图视图不同，本文综合考虑了全局结构视图、局部协作视图和语义视图等三种不同的图视图来进行知识感知推荐。具体来说，我们认为用户项目图作为一个协作视图，项目实体图作为一个语义视图，和用户项目实体图作为一个结构视图。因此，MCCLK在局部和全局两个层面上跨三个视图执行对比学习，以自监督的方式挖掘全面的图特征和结构信息。此外，在语义视图中，提出了一个kNN（k-Nearest-Neighbor）项-项语义图构建模块，以捕捉以往工作中忽略的重要项-项语义关系。在三个基准数据集上进行的大量实验表明，我们所提出的方法比最先进的方法具有更好的性能。这些实现可在https://github.com/CCIIPLab/MCCLK上获得。
2022-04-19 cs.IR
TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation
Tongji University（同济大学）；Shanghai Dewu Information Group Co. Ltd.（上海得物信息集团有限公司）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
TagLLM通过用户兴趣手册和多模态CoT提取构建细粒度标签数据，采用标签知识蒸馏提升小模型生成能力，有效提升笔记推荐的点击率和用户停留时间。
2026-03-23 cs.IR
Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework
针对VOD选择过载问题，提出融合观看百分比、网络中心性与模块度聚类的推荐框架，实验证明其显著提升CTR、完播率和满意度。
2025-01-08 cs.IR cs.SI
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
