Personalized Advertisement Recommendation: A Ranking Approach to Address the Ubiquitous Click Sparsity Problem
University of Michigan（密歇根大学）；Adobe Big Data Experience Lab（奥多比大数据体验实验室）
研究了个性化广告推荐问题，即用户访问一个系统（网站），系统向用户显示一个$K$广告。系统使用内部广告推荐策略将用户的配置文件（上下文）映射到其中一个广告。用户点击或忽略广告，相应地，系统更新其推荐策略。PAR问题通常由可扩展的\emph{contextual bandit}算法来解决，其中策略通常基于分类器。PAR中的一个实际问题是极端的点击稀疏性，这是由于很少有用户真正点击广告。系统地研究了基于分类器策略的上下文强盗算法在极端点击稀疏情况下的缺陷。然后，我们提出了一个替代政策，排名的基础上，通过优化曲线下面积（AUC）排名损失，这可以显着缓解点击稀疏的问题。我们在公共数据集以及三个行业专有数据集上进行了广泛的实验，以说明通过使用基于排名的策略比基于分类器的策略获得的点击率（CTR）的改进。
2016-03-06 cs.IR cs.LG
Benefit from Rich: Tackling Search Interaction Sparsity in Search Enhanced Recommendation
针对搜索增强推荐中搜索交互稀疏问题，提出GSERec方法，利用LLM向量量化构建用户-代码图，通过消息传递和对比损失增强稀疏用户表示，实验验证其有效性。
2025-08-06 cs.IR
Model-agnostic Counterfactual Synthesis Policy for Interactive Recommendation
交互式推荐能够从用户和系统之间的交互过程中进行学习，以应对用户的动态兴趣。最近的研究表明，强化学习处理动态过程的能力可以有效地应用于交互式推荐。然而，交互数据的稀疏性可能会妨碍系统的性能。我们建议训练一个模型不可知的反事实合成策略来生成反事实数据，并通过从观察和反事实分布建模来解决数据稀疏问题。所提出的策略可以识别和替换的平凡组件的任何状态在训练过程中与其他代理，它可以部署在任何基于RL的算法。实验结果证明了该策略的有效性和通用性。
2022-04-01 cs.IR
Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
Southwest Jiaotong University（西南交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出一种基于度量学习的标签推荐算法，通过学习距离或相似性度量捕捉用户偏好与物品特征差异，有效解决数据稀疏和冷启动问题，在多项指标上优于LRML、CML和ATF基线方法。
2024-11-10 cs.IR cs.LG
BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Co., Ltd.（科大讯飞股份有限公司）
BLADE通过双融合建模和行为级数据增强，提升多行为序列推荐的性能和泛化能力。
2025-12-15 cs.IR
An AI-based solution for the cold start and data sparsity problems in the recommendation systems
针对互联网信息过载及现有检索系统缺乏个性化定制的问题，本文提出推荐系统作为信息过滤方案，通过基于用户兴趣和评分过滤数据来解决信息过载并预测用户偏好。
2024-01-09 cs.IR
Top-N recommendations in the presence of sparsity: An NCD-based approach
University of Patras（帕特雷大学）
在稀疏性的存在下进行推荐是协同过滤方法面临的最具挑战性的问题之一。在这项工作中，我们解决这个问题，利用项目空间的内在层次结构的方法，受分解理论的启发。我们认为项目空间作为一个几乎可分解的系统，我们定义块密切相关的元素和相应的间接邻近组件。我们研究的理论性质的分解，我们推导出充分的条件，保证充分的项目空间覆盖，即使在冷启动推荐方案。在MovieLens和Yahoo！R2 Music数据集使用几个广泛应用的性能指标，支持我们模型的理论预测属性，并验证NCDREC在推荐准确性，多样性和稀疏性不敏感性方面优于几种最先进的算法。
2015-07-07 cs.AI cs.IR stat.ML
Exploiting sparsity to build efficient kernel based collaborative filtering for top-N item recommendation
University of Padova（帕多瓦大学）
越来越多的隐式反馈数据集的可用性提高了开发有效的协同过滤技术，能够处理不对称的明确的正反馈和模糊的负反馈的兴趣。在本文中，我们提出了一个原则性的基于核的协同过滤方法的前N项的建议与隐式反馈。我们提出了一个有效的实现使用的线性内核，我们展示了如何将其推广到内核的点积家庭保持效率。我们还研究了影响标准余弦核稀疏性的元素。该分析表明，核的稀疏性强烈地依赖于数据集的属性，特别是依赖于长尾分布。我们比较我们的方法与国家的最先进的算法取得了良好的效果，无论是在效率和有效性。
2016-12-17 cs.AI cs.IR cs.LG
On the Bias-Variance Characteristics of LIME and SHAP in High Sparsity Movie Recommendation Explanation Tasks
Princeton University（普林斯顿大学）；Netflix, Inc.（奈飞公司）；Warner Media（华纳媒体）
我们评估两个流行的本地可解释性技术，石灰和SHAP，在一个电影推荐任务。我们发现，这两种方法的行为非常不同的数据集的稀疏性。LIME在数据集的密集段中比SHAP做得更好，而SHAP在稀疏段中做得更好。我们跟踪这种差异，以不同的偏置方差特性的潜在估计的石灰和SHAP。我们发现，SHAP表现出较低的方差稀疏段的数据相比，石灰。我们将这种较低的方差归因于SHAP中固有的完整性约束属性和LIME中缺失的属性。该约束充当正则化器，因此增加了SHAP估计器的偏差，但降低了其方差，从而导致有利的偏差-方差权衡，特别是在高稀疏数据设置中。有了这个见解，我们引入相同的约束到LIME和制定一个新的本地解释框架称为完整性约束的LIME（CLIMB），优于LIME和SHAP快得多。
2022-06-09 cs.IR cs.LG
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
Rethinking Contrastive Learning in Session-based Recommendation
本文提出多模态自适应对比学习框架MACL，通过多模态增强生成语义一致的视图，并利用自适应对比损失区分正负信号贡献，在三个真实数据集上验证了其优于现有方法。
2025-06-05 cs.IR
Information filtering in sparse online systems: recommendation via semi-local diffusion
随着互联网的迅速发展，人们面临着海量的信息和选择，推荐系统被开发出来以有效地支持用户在在线系统中的决策过程。然而，许多推荐算法遭受数据稀疏性问题，即用户-对象二分网络是如此稀疏，以至于算法不能准确地为用户推荐对象。这种数据稀疏性问题使得许多著名的推荐算法性能不佳。为了解决这个问题，我们提出了一种基于半局部扩散过程的用户-对象二分网络推荐算法。在Amazon和Bookcross两个稀疏数据集上的数值模拟表明，该方法的性能明显优于现有的方法，尤其是对于那些小度用户。提出了两种个性化的半局部扩散方法，进一步提高了推荐精度。最后，我们的工作表明稀疏在线系统与稠密在线系统有着本质的不同，所有基于稠密数据的算法和结论都应该在稀疏数据下重新检验。
2013-08-14 cs.IR
Leveraging High-Dimensional Side Information for Top-N Recommendation
Top- $N$推荐系统通常利用边信息来解决数据稀疏性问题。随着边信息向高维方向发展，现有方法的性能在有效性和效率方面恶化，这提出了严峻的技术挑战。为了利用高维边信息，本文提出了一种嵌入式特征选择方法，以促进顶部$N$推荐。特别是，我们建议学习边信息的特征权重，其中零值特征被自然过滤掉。我们还引入了非负性和稀疏性的特征权重，以促进特征选择和鼓励低秩结构。相应地提出了两个优化问题，分别是特征选择与学习过程紧耦合和松耦合的优化问题。采用增广拉格朗日乘子和交替方向法求解。实验结果表明，该算法的推荐质量优于国家的最先进的替代品。
2017-05-16 cs.IR
Pseudo-Implicit Feedback for Alleviating Data Sparsity in Top-K Recommendation
我们提出了PsiRec，一种新的用户偏好传播推荐器，它采用伪隐式反馈来丰富原始稀疏隐式反馈数据集。PsiRec的三个独特特征是：（i）它将用户-项目交互视为二分图，并从这个角度对伪隐式反馈进行建模;（ii）其基于随机游走的方法从这个二分图中提取图结构信息，以估计伪隐式反馈;以及（iii）它采用Skip-gram启发的伪隐式反馈中的置信度度量，该伪隐式反馈捕获用户和项目之间的逐点互信息。这种伪隐式反馈最终被纳入一个新的潜在因素模型，以估计用户的偏好，在极端稀疏的情况下。PsiRec在精度@10和召回率@10方面比最先进的协作去噪自动编码器提高了21.5%和22.7%。我们的实现可以在https://github.com/heyunh2015/PsiRecICDM2018上获得。
2019-01-03 cs.IR cs.SI
MENTOR: Multi-level Self-supervised Learning for Multimodal Recommendation
本文提出MENTOR多层级自监督多模态推荐方法，通过GCN模态增强、物品语义图及跨模态对齐与通用特征增强任务，缓解标签稀疏和模态噪声问题。
2024-02-29 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
Recommending Burgers based on Pizza Preferences: Addressing Data Sparsity with a Product of Experts
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swisscom（瑞士电信）
在本文中，我们描述了一种方法来解决数据稀疏性，并在用户偏好知识有限的领域中创建推荐。我们将变分自编码器协同过滤从单域扩展到多域。直觉是，源域中的用户-项目交互可以增强目标域中的推荐质量。这种直觉可以发挥到极致，在跨域设置中，源域中的用户历史足以在目标域中生成高质量的推荐。因此，我们创建了一个产品的专家（POE）的建议，联合模型跨多个领域的用户项目交互架构。该方法对一个或多个域的丢失数据有弹性，这是现实生活中经常发现的情况。我们提出了两个广泛使用的数据集上的结果-亚马逊和Yelp，支持主张，全面的用户偏好知识导致更好的建议。令人惊讶的是，我们发现，在某些情况下，一个POE推荐，不访问目标域的用户表示可以超过一个强大的VAE推荐基线训练的目标域。
2021-09-07 cs.IR cs.LG
MDVT: Enhancing Multimodal Recommendation with Model-Agnostic Multimodal-Driven Virtual Triplets
针对推荐系统数据稀疏问题，提出模型无关的MDVT方法，构建多模态驱动虚拟三元组，结合静态、动态和混合预热阈值策略，增强成对损失函数，在多个数据集上显著提升推荐性能。
2025-05-22 cs.IR
A Random Walk Model for Item Recommendation in Folksonomies
社会化标记作为一种新颖的信息组织和发现方法，已被广泛应用于许多Web2.0应用中。标签提供了一种新的信息类型，可以被推荐系统利用。然而，三元<用户，标签，项目>交互数据的稀疏性限制了基于标签的协同过滤的性能。提出了一种基于随机游走的算法来处理社会标签数据中的稀疏性问题，该算法通过用户与标签的交互来捕捉用户与项目之间潜在的传递性关联。特别是，两个平滑策略，提出了以用户为中心和以项目为中心的角度。在真实数据集上的实验证明了该算法的有效性。
2013-09-27 cs.IR
Leveraging tagging and rating for recommendation: RMF meets weighted diffusion on tripartite graphs
推荐系统是解决信息过载问题的一种有效方法。然而，性能仍然是有限的，由于极端稀疏的评级数据。随着Web 2.0的普及，社会化标签系统提供了更多的外部信息来提高推荐准确率。尽管一些现有的方法将矩阵分解模型与标签的共现属性和上下文相结合，但是它们忽略了标签稀疏性的问题，而没有通常关联的标签问题，这也会导致不准确的推荐。因此，本文提出了一种新的混合协同过滤模型WUDiff_RMF，该模型通过结合加权用户扩散CF算法（WUDiff）对正则矩阵分解（RMF）模型进行改进，该算法从加权用户-项目-标签图中获取相似用户的信息。该模型旨在捕捉用户-项目-标签三方网络的度相关性，以提高推荐性能。在四个真实数据集上进行的实验表明，我们的方法在推荐的准确性方面明显优于已经广泛使用的方法。此外，实验结果表明，WUDiff_RMF可以缓解数据稀疏性，特别是在用户的评分和标签很少的情况下。
2016-11-01 cs.IR cs.SI
Future Sight and Tough Fights: Revolutionizing Sequential Recommendation with FENRec
本文提出FENRec方法，通过利用带时间依赖软标签的未来数据和生成持久困难负样本改进对比学习，有效缓解序列推荐中的数据稀疏问题，并在四个基准数据集上平均提升6.16%。
2025-04-09 cs.IR
RCLRec: Reverse Curriculum Learning for Modeling Sparse Conversions in Generative Recommendation
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）；AI, Guangdong Laboratory of Artificial Intelligence and Digital Economy（人工智能，广东人工智能与数字经济实验室）；Alibaba Group（阿里巴巴集团）
RCLRec通过反向课程学习方法，针对生成推荐中稀疏转换问题，提供额外的实例特定监督，提升模型对用户关键决策过程的聚焦能力，实验显示其在广告收入和订单量上表现优异。
2026-03-30 cs.IR
MaTrRec: Uniting Mamba and Transformer for Sequential Recommendation
针对Mamba在短序列推荐中效果受限及冷启动问题，提出结合Mamba与Transformer优势的MaTrRec模型，在长短序列上均提升预测能力并改善冷启动，在五个数据集上达到SOTA。
2024-07-27 cs.IR
HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation
提出HEC-GCN方法，通过级联建模交互图与超图以捕捉细/粗粒度相关性，并利用行为一致性对齐策略，有效缓解数据稀疏性并保持行为内外一致性，在多行为推荐任务上优于现有方法。
2024-12-19 cs.IR
Multi-Sparse-Domain Collaborative Recommendation via Enhanced Comprehensive Aspect Preference Learning
跨域推荐（CDR）由于能够有效地解决推荐系统中的数据稀疏性问题而受到越来越多的研究者关注。然而，现有的单目标或双目标CDR方法往往遭受两个缺点，假设至少一个丰富的域和严重依赖于域不变的偏好，这是不切实际的，在现实世界中稀疏性是无处不在的，可能会降低用户偏好学习。为了克服这些问题，我们提出了一个多稀疏域协同推荐（MSDCR）模型的多目标跨域推荐。与传统的CDR方法不同，MSDCR将多个相关领域视为稀疏的，并且可以同时提高每个领域的推荐性能。我们提出了一个多域分离网络（MDSN）和一个门控方面偏好增强（GAPE）模块MSDCR增强用户的领域特定的方面的偏好在一个领域通过转移在其他领域的互补方面的偏好，在此期间，特定领域的偏好的唯一性可以通过MDSN提供的对抗性训练和互补性可以自适应地确定由GAPE。同时，我们提出了一个多领域自适应网络（MDAN）的MSDCR捕捉用户的领域不变的方面的喜好。通过结合增强的领域特定方面偏好和领域不变方面偏好，MSDCR可以全面了解用户在每个稀疏域中的偏好。最后，在真实数据集上进行的大量实验表明，MSDCR相对于现有的单域推荐模型和CDR模型具有显著的优越性。
2022-01-16 cs.IR
When Reviews Are Scarce: Structure-Aware Review Imputation for Recommendation in Realistic Sparse Review Settings
Yale University（耶鲁大学）；Vanderbilt University（范德比大学）；Adobe Research（Adobe研究）；Cisco AI Research（思科人工智能研究）
针对推荐中评论稀疏问题，提出TWISTER框架，通过文本边图联合建模语义与结构信号，利用大语言模型聚合邻域生成个性化评论，在Amazon和Goodreads上提升推荐性能。
2026-11-05 cs.AI cs.IR cs.LG
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect
Tsinghua University（清华大学）；Tencent（腾讯）
推荐系统旨在为用户提供项目推荐，并且通常面临数据稀疏问题（例如，冷启动）。最近，预训练的模型已经显示出它们在领域和任务之间的知识传递的有效性，这可能会缓解推荐系统中的数据稀疏性问题。在这项调查中，我们首先提供了一个审查的推荐系统与预训练。此外，我们通过实验展示了预训练对推荐系统的好处。最后，我们讨论了几个有前途的方向，为未来的研究推荐系统与预训练。
2020-09-19 cs.CL cs.IR
MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation
针对单行为推荐的数据稀疏问题，提出分层图卷积网络MB-HGCN，从全局到行为特定层次学习嵌入，并通过多任务学习优化，在Tmall等数据集上显著提升推荐性能。
2023-06-19 cs.IR
Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation
针对推荐系统在用户属性演变导致分布外泛化困难的问题，提出跨域因果偏好学习模型CDCOR，通过域对抗网络和因果结构学习器捕捉不变偏好，在数据稀疏和分布外场景下显著提升推荐性能。
2024-04-23 cs.IR
Overcoming Data Sparsity in Group Recommendation
The University of Queensland（昆士兰大学）；University of Electronic Science and Technology of China（电子科技大学）；Soochow University（苏州大学）
在人们的日常社交生活中，向一组用户推荐令人满意的活动一直是推荐系统的一个重要任务。在这个任务中的主要挑战是如何聚集群体成员的个人偏好来推断群体的决策。传统的群体推荐方法采用预定义的偏好聚合策略。然而，这些静态策略过于简单，无法模拟真实而复杂的群体决策过程，特别是对于临时形成的群体。此外，组成员在组中应该具有不均匀的影响力或权重，并且用户的权重在不同的组中可以变化。因此，一个理想的群组推荐系统不仅要能够准确地学习用户的个人偏好，还要能够从数据中准确地学习偏好聚合策略。本文提出了一种新的端到端群组推荐系统CAGR（Centrality Aware Group Recommender），该系统以二分图嵌入模型（BGEM）、自注意力机制和图卷积网络（GCN）为基本构建模块，以统一的方式学习群组和用户表示。具体来说，我们首先扩展BGEM模型组项目的相互作用，然后为了克服的限制和稀疏性的交互数据产生的偶尔组，我们提出了一个自我关注的机制来表示组的基础上的组成员。此外，为了克服用户-项目交互数据的稀疏性问题，我们利用用户社交网络来增强用户表示学习，获得中心感知的用户表示。我们创建了三个大规模的基准数据集，并对它们进行了广泛的实验。实验结果表明，我们提出的CAGR的优越性，通过比较它与国家的最先进的群体推荐模型。
2020-10-02 cs.IR cs.LG
Quantitative analysis of Matthew effect and sparsity problem of recommender systems
HC Research（HC研究院）；HC Financial Service Group（HC金融服务集团）
推荐系统已经获得了巨大的商业成功。推荐技术在电子商务、在线音乐FM、在线新闻门户等领域得到了广泛的应用，然而与输入数据结构相关的一些问题对推荐系统的性能提出了严峻的挑战。其中两个问题是马太效应和稀疏性问题。马太效应严重地使推荐系统的输出偏向于受欢迎的项目。数据稀疏性问题直接影响推荐结果的覆盖率。协同过滤是一个简单的基准普遍采用的行业作为基线推荐系统的设计。了解协同过滤的底层机制是进一步优化的关键。本文对协同过滤特定上下文环境下的马太效应和稀疏性问题进行了深入的定量分析。我们比较了基于用户和基于项目的协同过滤的基本机制，并为工业推荐系统的构建者提供了见解。
2019-09-24 cs.IR cs.LG
A Text-based Deep Reinforcement Learning Framework for Interactive Recommendation
Huazhong University of Science and Technology（华中科技大学）
强化学习（RL）由于其从动态交互中学习和规划长期性能的性质，近年来在交互式推荐系统（IRS）中受到了广泛的关注。IRS通常面临着大的离散行为空间问题，这使得现有的大多数基于RL的推荐方法效率低下。此外，数据稀疏性是大多数IRS面临的另一个具有挑战性的问题。虽然文本信息，如评论和描述是不敏感的稀疏性，现有的基于RL的推荐方法要么忽略或不适合纳入文本信息。为了解决这两个问题，在本文中，我们提出了一个基于文本的深度确定性策略梯度框架（TDDPG-Rec）的IRS。具体来说，我们利用文本信息映射到一个特征空间的项目和用户，这大大简化了稀疏性问题。此外，我们设计了一个有效的方法来构建一个行动候选集。通过从TDDPG-Rec中动态学习表达用户偏好的策略向量，我们可以有效地从候选集合中选择动作。通过在三个公共数据集上的实验，我们证明了TDDPG-Rec以时间有效的方式在多个基线上实现了最先进的性能。
2020-07-26 cs.IR cs.LG
Learning from All Sides: Diversified Positive Augmentation via Self-distillation in Recommendation
针对推荐数据稀疏及正样本增强难以兼顾准确性与多样性的问题，提出模型无关的 DivSPA，通过多视角候选检索与自蒸馏重排序获得高质量正样本，并经离线、在线验证且已上线部署。
2023-08-15 cs.IR
Distribution-Guided Auto-Encoder for User Multimodal Interest Cross Fusion
针对现有多模态推荐忽略行为序列上下文、难以动态融合多模态兴趣的问题，本文提出DMAE，在行为层面实现用户多模态兴趣交叉融合，并通过大量实验验证其优越性。
2025-08-20 cs.IR
Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation
Chongqing University（重庆大学）；The University of Queensland（昆士兰大学）；Shandong Normal University（山东师范大学）；University of Virginia（弗吉尼亚大学）
随着社交媒体的普及，最近出现了一批将重点从个人建模转移到群体推荐的广告商。由于群体偏好是群体成员各种偏好的混合，群体推荐的基本挑战是建立成员之间的相关性模型。现有的方法大多采用启发式或基于注意力的偏好聚合策略来合成群体偏好。然而，这些模型主要关注用户的成对连接，而忽略了组内和组外复杂的高阶交互。此外，由于组-项目交互的严重稀疏性，组推荐严重受到数据稀疏性问题的影响。在本文中，我们提出了一个自监督超图学习框架的组推荐，以实现两个目标：（1）捕获用户之间的组内和组间的交互;（2）减轻数据稀疏性问题与原始数据本身。从技术上讲，对于（1），开发了基于用户和组级超图的分层超图卷积网络，以对组内和组外用户之间的复杂元组相关性进行建模。对于（2），我们设计了一个双尺度节点丢弃策略来创建自监督信号，该信号可以针对稀疏性问题正则化具有不同粒度的用户表示。在多个基准数据集上的实验分析表明了该模型的优越性，同时也说明了超图建模和双尺度自监督的合理性。
2022-03-20 cs.AI cs.IR
Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与技术学院）
本文提出BDPL框架，通过构建定制化行为感知子图和级联结构图神经网络，结合偏好级对比学习和自适应门控机制，解决异质序列推荐中行为数据稀疏性和噪声问题，提升推荐精度。
2026-04-16 cs.IR
Superhighway: Bypass Data Sparsity in Cross-Domain CF
Academia Sinica（中央研究院）；KKBOX Inc.（KKBOX公司）；National Chengchi University（国立政治大学）
跨域协同过滤（CF）的目的是减轻数据稀疏性在单域CF利用知识转移相关领域。许多传统的方法侧重于丰富CF中的比较邻域关系，直接解决稀疏性问题。在本文中，我们提出了高速公路建设，另一种显式关系丰富的过程，以提高建议，通过加强跨域连接。具体而言，假设部分重叠的项目（用户），高速公路绕过跨域用户（项目，分别）之间的多跳域间路径与直接路径，以丰富跨域连接。在真实世界跨区域音乐数据集和跨平台电影数据集上进行的实验表明，所提出的高速公路建设显着提高了目标域和源域的推荐性能。
2018-08-28 cs.IR cs.LG stat.ML
Disentangled Graph Contrastive Learning for Review-based Recommendation
用户评论数据有助于缓解许多推荐系统中的数据稀疏问题。在基于评论的推荐方法中，评论数据被认为是辅助信息，其可以提高用于用户评级预测任务的所学习的用户/项目或交互表示的质量。然而，这些方法通常以整体的方式对用户-项目交互进行建模，而忽略了它们背后的潜在因素的纠缠，例如，价格，质量或外观，导致次优表示和降低可解释性。本文提出了一种基于文本评论数据的基于评论推荐的解纠缠图对比学习（DiscentralGraphContrasiveLearning，DGARCH）框架，分别对基于不同潜在因素的用户-项目交互进行建模。为此，我们首先从评论数据中的语义信息和用户项图数据中的结构信息对潜在因素的交互分布进行建模，形成几个因素图。然后设计了一个因子分解的消息传递机制来学习因子图上的用户/项目表示，这使我们能够进一步表征交互，并通过设计的注意力机制自适应地组合来自多个因子的预测评级。最后，我们设置两个因素明智的对比学习目标，以减轻稀疏性问题和模型的用户/项目和交互功能相关的每个因素更准确。五个基准数据集的实证结果验证了DGCLR相对于最先进方法的优越性。进一步的分析提供了解释学习的意图因素和评级预测在DGRENT。
2022-09-04 cs.IR
An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering
Michigan State University（密歇根州立大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft（微软）；Hong Kong University of Science and Technology（香港科技大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
图神经网络在推荐任务中得到了广泛的应用，并取得了令人瞩目的性能。然而，大多数基于GNN的推荐方法在实践中遭受数据稀疏的问题。同时，预训练技术在诸如自然语言处理（NLP）和计算机视觉（CV）的各个领域中在减轻数据稀疏性方面取得了巨大成功。因此，图预训练具有很大的潜力来减轻基于GNN的推荐中的数据稀疏性。然而，用于推荐的预训练GNN面临着独特的挑战。例如，不同推荐任务中的用户-项目交互图具有不同的用户和项目集，并且它们通常呈现不同的属性。因此，NLP和CV中常用的将知识从预训练任务转移到下游任务（例如共享学习的嵌入或特征提取器）的成功机制并不直接适用于现有的基于GNN的推荐模型。为了应对这些挑战，我们精心设计了一个自适应图预训练框架，用于本地化协同过滤（ADAPT）。它不需要传输用户/项目嵌入，并且能够捕获不同图之间的公共知识和每个图的唯一性。大量的实验结果证明了ADAPT的有效性和优越性。
2021-12-14 cs.AI cs.IR
Do Reviews Matter for Recommendations in the Era of Large Language Models?
本文研究了在大语言模型时代，文本评论对推荐系统的影响，通过比较深度学习和LLM方法，发现LLMs在数据稀疏和冷启动条件下表现更优，且移除评论不影响推荐准确性。
2025-12-15 cs.IR
SPMC: Socially-Aware Personalized Markov Chains for Sparse Sequential Recommendation
处理稀疏、长尾数据集和冷启动问题一直是推荐系统面临的挑战。这些问题可以部分地通过预测来解决，而不是孤立地进行预测，而是通过利用相关事件的信息来解决;这些信息可以包括来自社会关系或最近活动序列的信号。这两种类型的附加信息都可以用于提高最先进的基于矩阵分解的技术的性能。在本文中，我们提出了新的方法，同时结合社会和顺序信息，以进一步提高推荐性能。我们证明了这些技术在处理几个大型真实数据集的稀疏性和冷启动问题时特别有效。
2017-06-16 cs.IR
Dependency Relationships-Enhanced Attentive Group Recommendation in HINs
提出 DREAGR 方法，通过引入物品依赖关系作为辅助信息缓解交互稀疏性，并利用路径感知注意力嵌入与门控融合机制建模用户偏好，显著提升了群组推荐性能。
2023-11-19 cs.IR
Plug-in Diffusion Model for Sequential Recommendation
本文提出即插即用扩散模型框架PDRec，通过时间间隔扩散模型推断动态偏好并结合HBR、DPA和NNS机制缓解数据稀疏与采样问题，显著提升了序列推荐性能。
2024-01-05 cs.IR
CUPCF: Combining Users Preferences in Collaborative Filtering for Better Recommendation
如何在朋友和熟人的意见和品味之间做出最好的决定？因此，推荐系统被用来解决这些问题。常见的算法使用相似性度量来预测活跃用户对特定项目的偏好。根据冷启动和数据稀疏的问题，这些系统不能预测和建议特定的项目给用户。在本文中，我们介绍了一种新的推荐系统，能够发现用户的喜好，并在此基础上，提供建议。我们提出的系统称为CUPCF是一个组合的两个相似性措施，在协同过滤，以解决数据稀疏性问题和预测差（高预测出错率）的问题，更好地推荐。基于MovieLens数据集的实验结果表明，结合用户最近邻的偏好，所提出的系统出错率相比一些最先进的推荐方法有所提高。此外，实验结果表明了CUPCF的有效性。系统的最大改进出错率为15.5%，CUPCF的最大准确度、精确度和召回率分别为0.91402、0.91436和0.9974。
2019-08-13 cs.IR cs.SI
CBPF: leveraging context and content information for better recommendations
推荐系统帮助用户在大量的信息中找到合适的项目。已经提出了不同类型的推荐系统。其中，上下文感知推荐系统的目标是尽可能多地个性化的建议，根据上下文的情况下，用户是。在本文中，我们提出了一种方法集成到推荐过程中的上下文信息建模无论是基于项目的或基于用户的影响的情况下，评级，使用皮尔逊相关系数。所提出的解决方案的目的是在推荐过程中利用内容和上下文信息。我们评估并显示我们的方法在三个不同的上下文数据集上的有效性，并根据这些数据集的特性，特别是输入数据的稀疏程度和可用信息量，分析我们的方法的变体的性能。
2018-10-01 cs.IR
Disentangled Modeling of Preferences and Social Influence for Group Recommendation
针对群组推荐中偏好偏差和数据稀疏问题，提出DisRec模型，通过用户级解耦网络分离群组成员偏好与社会影响，结合基于社会的对比学习策略，在两个真实数据集上性能显著优于现有方法。
2025-01-20 cs.IR
KGBridge: Knowledge-Guided Prompt Learning for Non-overlapping Cross-Domain Recommendation
针对非重叠跨域推荐中知识图谱稀疏性、依赖重叠用户及知识未解耦的挑战，提出知识引导提示学习框架KGBridge，通过KG增强提示编码器与两阶段训练范式实现稳定有效的跨域知识迁移。
2025-11-04 cs.IR
Personalized Context-Aware Point of Interest Recommendation
兴趣点的个性化推荐对于满足基于位置的社交网络（LBSNs）用户的需求具有重要作用。在本文中，我们提出了一个概率模型来找到用户注释的标签和位置的口味关键字之间的映射。此外，我们介绍了一个数据集的位置的上下文适当性，并证明其在预测位置的上下文相关性的有用性。我们研究了四种方法来使用我们提出的映射来解决数据稀疏性问题：一种模型来降低位置品味关键字的维度，三种模型来预测新位置的用户标签。此外，我们提出了不同的分数计算从多个LBSN，并显示我们如何将新的信息从映射到POI推荐方法。然后，使用学习排序技术来整合计算出的分数。在两个TREC数据集上的实验表明了该方法的有效性，击败了最先进的方法。
2018-06-14 cs.IR
Beyond a Single Story: Meta-Reviewing Sparse and Incomplete User-generated Contents for Recommendation
Nanyang Technological University（南洋理工大学）
本文针对推荐系统中用户生成内容的稀疏与不完整问题，提出MOSAIC模型，通过聚合邻居用户评论的属性-情感证据构建元评审，结合MMoE与注意力模块提升推荐准确率与解释质量，在多数据集上优于现有基线。
2026-08-28 cs.IR
DREAM: A Dynamic Relational-Aware Model for Social Recommendation
社会关系在提高推荐系统的性能方面起着至关重要的作用。然而，将社会信息纳入RS是一项挑战。大多数现有的模型通常考虑在一个给定的会话中的社会影响，忽略了用户的偏好和他们的朋友的影响是不断变化的。此外，在现实世界中，社会关系是稀疏的。建模动态影响和减轻数据稀疏是非常重要的。在本文中，我们提出了一个统一的框架命名为动态关系感知模型（DREAM）的社会化推荐，试图模拟用户的动态兴趣和他们的朋友的时间影响。具体来说，我们设计了时间信息编码模块，因为用户表示在每个会话中更新。更新后的用户表示被传输到关系GAT模块，随后影响社交网络上的操作。在每个会话中，为了解决社会关系稀疏性，我们利用基于手套的方法来完成与虚拟朋友的社会网络。然后，我们采用关系GAT模块在完成社交网络更新用户表示。在对公共数据集的广泛实验中，DREAM的性能明显优于最先进的解决方案。
2020-08-11 cs.IR cs.SI
Relation Embedding for Personalised POI Recommendation
RMIT University（皇家墨尔本理工大学）；Data61/CSIRO（澳大利亚联邦科学与工业研究组织 Data61）；Australian National University（澳大利亚国立大学）
兴趣点（POI）推荐是帮助人们发现感兴趣的场所或服务的最重要的基于位置的服务之一。然而，极端的用户兴趣点矩阵稀疏性和不断变化的时空上下文对兴趣点系统提出了挑战，这影响了兴趣点推荐的质量。为此，我们提出了一个基于推理的关系嵌入POI推荐。该方法利用知识图谱嵌入技术，在低维关系空间中有效地编码时间和地理信息以及语义内容。为了进一步缓解用户兴趣点矩阵稀疏性的问题，在用户兴趣点图上构建组合矩阵分解框架，以通过利用边信息来增强动态个人兴趣的推断。两个真实世界的数据集上的实验证明了我们提出的模型的有效性。
2020-02-19 cs.DB cs.IR cs.LG
Hierarchical Hyperedge Embedding-based Representation Learning for Group Recommendation
在这项工作中，我们研究了在一个特定的场景下，即偶尔组推荐（OGR）的组推荐。大多数现有的工作已经解决了OGR聚合组成员的个人喜好，学习组表示。然而，群体的表示学习是最复杂的，超出了群体成员表示的融合，因为个人偏好和群体偏好可能在不同的空间。此外，由于用户交互数据的稀疏性，学习到的用户表示是不准确的。此外，群体相似性的共同群体成员被忽视，但有很大的潜力，以改善群体表示学习。本文针对群组表示学习任务中的上述问题，设计了一个基于层次超边嵌入的群组推荐系统HyperGroup。具体而言，我们提出利用用户-用户交互来缓解用户-项目交互的稀疏性问题，并设计了一个基于GNN的表示学习网络来增强从朋友偏好中学习个体偏好的能力，为学习群体偏好提供了坚实的基础。为了利用组相似性从高度有限的组-项交互中学习更准确的组表示，我们将所有组连接为重叠集的网络，并将组偏好学习任务视为在超图中嵌入超边，其中提出了一种归纳超边嵌入方法。为了进一步增强组级偏好建模，我们开发了一种联合训练策略，以在同一过程中学习用户-项目和组-项目交互。我们在两个真实世界的数据集上进行了广泛的实验，实验结果表明，我们提出的HyperGroup与最先进的基线相比具有优越性。
2021-03-24 cs.IR
An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation
本文研究了基于图的推荐，其中交互图是从历史记录中构造的，并被存储以缓解数据稀疏和冷启动问题。我们揭示了现有的基于图的模型中的早期摘要问题，并提出了邻居交互（NI）模型来捕获每个邻居对（用户端和项目端之间）的区别。NI模型具有更强的表达能力，可以捕捉用户-项目交互背后更复杂的结构模式。为了进一步丰富节点的连通性和利用高阶结构信息，我们将额外的知识图谱（KG），并采用图神经网络（GNNs）在NI，称为知识增强的邻居互动（KNI）。与现有的推荐方法相比，基于特征，基于Meta路径和基于KG的模型，我们的KNI在点击率预测方面实现了卓越的性能（1.1%-8.4%的绝对AUC改善），并在4个真实世界数据集上的前N个推荐中表现出色。
2020-02-14 cs.IR
GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Visa Research（Visa研究院）
我们研究的问题，使项目的建议，短暂的群体，其中包括用户有限或没有历史活动在一起。现有的研究针对具有大量活动历史的持久组，而短暂组缺乏历史相互作用。为了克服群体交互稀疏性，我们提出了数据驱动的正则化策略，以利用同一群体中用户之间的偏好协方差，以及用户个人偏好与每个群体的上下文相关性。我们做了两个贡献。首先，我们提出了一个推荐架构不可知的框架GroupIM，可以集成任意的神经偏好编码器和聚合器的短暂的组推荐。其次，我们规范化的用户组的潜在空间，以克服组交互稀疏：最大限度地提高互信息之间的代表性的群体和群体成员，并动态优先级的偏好，通过上下文偏好加权的高度信息化的成员。我们在几个真实世界数据集上的实验结果表明，与最先进的组推荐技术相比，性能有显着提高（相对NDCG@20为31-62%）。
2020-06-09 cs.IR cs.LG cs.SI
