AI Recommendation System for Enhanced Customer Experience: A Novel Image-to-Text Method
The University of Carthage(迦太基大学);Higher School of Communications of Tunis(突尼斯高等通信学院);Qatar University(卡塔尔大学);KINDI Center for Computing Research(KINDI计算研究中心)
本研究提出一种图像到文本的AI流水线,通过生成风格描述引导时尚产品检索,在超10万张图片数据集上检测F1达0.97,提升个性化推荐与客户体验。
2023-11-16 cs.AI cs.IR
Footwear Size Recommendation System
在购买时尚产品时,顾客通常更喜欢试用产品,以检查适合,材料,整体外观和感觉。由于在网上购物过程中缺乏试用选项,为客户提供尽可能多的信息以增强他们的购物体验变得至关重要。为新客户提供相同的体验也变得至关重要。我们在这里的工作重点是为鞋子提供一个生产就绪的尺码推荐系统,并解决为以前没有在平台上购买过的用户提供推荐的挑战。在我们的工作中,我们提出了一个概率方法的基础上,用户共同购买的数据,促进了品牌品牌关系图。具体来说,我们解决了在实施这种解决方案时通常面临的两个挑战。1.稀疏信号用于系统中不太流行或新产品2.为新用户扩展解决方案。此外,我们比较和对比这种方法与我们以前的工作,并显示显着的改进,在推荐精度和覆盖率。
2018-06-28 cs.IR
Online Product Feature Recommendations with Interpretable Machine Learning
产品功能推荐对于在线客户基于正确的功能购买正确的产品至关重要。对于客户来说,选择在价格和功能之间具有最佳权衡的产品是在线购物体验中耗时的一步,并且客户可能会被可用的选择所淹没。然而,确定一组产品的功能,最区分一个特定的产品仍然是一个悬而未决的问题,在线推荐系统。在本文中,我们专注于使用可解释的机器学习方法来解决这个问题。首先,我们确定这个独特的产品功能推荐问题,从商业的角度来看,在一个主要的美国电子商务网站。其次,我们将问题转化为价格驱动的监督学习问题,以发现在给定产品类别中最能解释产品价格的产品特征。我们使用模型不可知的Shapley Values方法构建机器学习模型,以了解每个特征的重要性,排名并推荐最重要的特征。第三,我们利用人类专家来评估其相关性。结果表明,我们的方法优于基于客户行为的强基线方法,并显着提高了45%的覆盖率。最后,我们提出的方法显示了可比的在线A/B测试中的基线转换率。
2021-04-28 cs.IR
Session-based Complementary Fashion Recommendations
在现代时尚电子商务平台中,客户可以浏览数千到数百万种产品,推荐系统是导航和缩小庞大分类范围的有用工具。在这种情况下,补充推荐服务于用户需要找到可以一起穿的物品。在本文中,我们提出了一个个性化的,基于会话的补充项目推荐算法,CRF-C,量身定制的时尚用例。我们提出了一个采样策略,通过建立训练集,这是有用的,当现有的用户交互数据不能直接使用,由于质量差或可用性。我们提出的方法显示出显着的改进,在准确性方面相比,协同过滤方法,服务于补充项目的建议,我们的客户在实验CF-C的时间。结果显示,在线下订单召回率上升了+8.2%,在一个拥有2800万活跃客户的时尚电子商务平台上进行的在线A/B测试中,购买的产品数量也大幅增加了+3.24%。
2019-08-22 cs.IR
Learning to Personalize Recommendation based on Customers' Shopping Intents
本文介绍亚马逊基于顾客高层购物意图(如露营、派对)的个性化推荐系统,通过自动识别意图、深度学习映射行为及实时排序,实现意图感知推荐,离线分析显示业务指标提升10%。
2023-05-10 cs.AI cs.IR
A Novel Behavior-Based Recommendation System for E-commerce
Shomal University(沙马尔大学);Babol Noshirvani University of Technology(巴博勒诺希尔瓦尼理工大学)
针对传统推荐系统依赖评分导致的协作缺乏和稀疏性问题,提出一种基于客户浏览和点击行为的电子商务推荐系统,通过基于产品类别的无监督聚类和邻域确定方法提升推荐准确性,在阿里巴巴数据集上优于基准方法。
2024-03-27 cs.AI cs.HC cs.IR
A Predict-Then-Optimize Customer Allocation Framework for Online Fund Recommendation
Tencent(腾讯);McGill University(麦吉尔大学);Shenzhen Technology University(深圳技术大学);Shenzhen University(深圳大学)
针对传统推荐在多重约束下基金匹配的缺陷,提出先预测后优化的基金分配框架PTOFA,通过预测预期收益并优化曝光分配实现收益最大化,经真实数据与在线A/B测试验证有效。
2025-03-05 cs.CE cs.IR cs.LG
Digital Human Interactive Recommendation Decision-Making Based on Reinforcement Learning
AntGroup(蚂蚁集团);Damo Academy, Alibaba Group(阿里巴巴集团达摩院)
数字人推荐系统是为了帮助客户找到他们喜欢的产品而开发的,并在各种推荐环境中发挥着积极的作用。如何及时捕捉和学习客户的偏好动态,同时满足他们的确切要求,成为数字人类推荐领域的关键。为了充分利用数字人的特点和强化学习的灵活性,提高交互式推荐决策的效率,设计了一种基于强化学习(RL)的数字人交互式推荐代理框架。我们提出的框架通过最先进的RL算法,结合多模态嵌入和图嵌入,动态地通过数字人和客户之间的实时交互进行学习,以提高个性化的准确性,从而使数字人代理能够及时吸引客户的注意力。对真实业务数据的实验表明,我们的框架可以提供更好的个性化客户参与和更好的客户体验。
2022-11-04 cs.AI cs.IR cs.LG
Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors
在现代电子商务中,顾客的行为包含着丰富的信息,消费习惯,偏好的动态。最近,基于会话的推荐越来越流行,以探索客户的交互行为的时间特性。然而,现有的研究主要是利用短期行为,没有充分考虑客户的长期稳定的偏好和演变。在本文中,我们提出了一种新的行为密集型神经网络(BINN)的下一个项目推荐结合用户的历史稳定的偏好和目前的消费动机。具体来说,BINN包含两个主要组件,即,神经项目嵌入和区分行为学习。首先,提出了一种基于用户交互的项目嵌入方法,以获得每个项目的统一表示。然后,通过嵌入的项目和项目序列上的交互行为,BINN有区别地学习目标用户的历史偏好和当前动机。因此,BINN可以更好地为目标用户推荐下一个项目。最后,为了评估BINN的性能,我们在两个真实世界的数据集上进行了广泛的实验,即,天池和JD.实验结果清楚地证明了BINN的有效性与几个国家的最先进的方法相比。
2018-08-03 cs.IR
Value-Aware Product Recommendation by Customer Segmentation using a suitable High-Dimensional Similarity Measure
Santafe-Conicet(圣菲-锥形研究所)
本文提出一种新颖的价值感知推荐方法,同时解决用户-物品数据的高维性和稀疏性问题,并显式考虑每个产品和用户对总销售额的贡献。通过编码收益贡献到用户-物品矩阵中,并基于此计算客户相似性,支持按盈利能力目标进行推荐。
2026-04-28 cs.IR cs.LG stat.ML
Fashion DNA: Merging Content and Sales Data for Recommendation and Article Mapping
Zalando SE(Zalando 公司)
我们提出了一种方法来确定时尚DNA,坐标向量定位时尚项目在一个抽象的空间。我们的方法基于一个深度神经网络架构,该架构可以摄取精选的文章信息,如标签和图像,并经过训练以预测大量常客的销售。在这个过程中,客户风格偏好的双重空间自然产生。对这些空间的度量的解释很简单:时尚DNA和客户风格向量的乘积产生客户-物品对的预测购买可能性,而时尚DNA向量之间的角度是物品相似性的度量。重要的是,我们的模型能够产生无偏的购买概率的时尚项目的基础上,仅根据文章的信息,即使在没有销售数据,从而规避了“冷启动问题”的协作推荐方法。同样,它可以轻松可靠地推广到训练集之外的客户。我们尝试基于视觉和/或标签项数据的时尚DNA模型,评估其推荐能力,并讨论由此产生的文章相似性。
2016-09-08 cs.IR cs.LG
Deep Learning-based Online Alternative Product Recommendations at Scale
The Home Depot(家得宝)
替代推荐系统对电子商务公司至关重要。他们引导客户探索大量的产品目录,并帮助客户在大量的选择中找到合适的产品。然而,推荐适合客户需求的替代产品并非易事。在本文中,我们使用文本产品信息(例如产品标题和描述)和客户行为数据来推荐替代产品。我们的研究结果表明,替代产品的覆盖率显着提高离线评估以及召回率和精度。最后的A/B测试表明,我们的算法以统计上显著的方式将转化率提高了12%。为了更好地捕捉产品信息的语义含义,我们使用双向LSTM构建了一个连体网络来学习产品嵌入。为了学习一个更好地匹配真实客户偏好的相似性空间,我们使用历史客户行为的共同比较数据作为标签来训练网络。此外,我们使用NMSLIB来加速计算昂贵的kNN计算数百万种产品,使替代推荐能够扩展到一个主要的电子商务网站的整个目录。
2021-04-15 cs.AI cs.IR
Modeling Sequential Recommendation as Missing Information Imputation
边信息被广泛用于提高顺序推荐模型的有效性。据说它有助于捕捉项目之间的过渡模式。以往的顺序推荐工作大多采用边信息分别对项目ID和边信息进行建模,这可能无法完全建模项目和它们的边信息之间的关系。此外,在现实世界的系统中,并不是所有的项目特征字段的值都是可用的。这损害了依赖于边信息的模型的性能。现有的方法倾向于忽略缺失项目特征字段的上下文,并且用通用或特殊值填充它们,例如,未知,这可能导致次优性能。为了解决边信息顺序排序器的局限性,我们定义了一种方法来融合边信息,并通过提出一个统一的任务来缓解边信息缺失的问题,即缺失信息填补(MII),它随机屏蔽给定序列中的一些特征字段,包括项目ID,然后强制预测模型来恢复它们。通过将下一个项目视为缺失的特征字段,顺序推荐可以被公式化为MII的特殊情况。我们提出了一个顺序推荐模型,称为缺失信息填补推荐(MIIR),建立在MII的思想,同时填补缺失项目的特征值,并预测下一个项目。我们设计了一个密集融合自注意(DFSA)机制MIIR捕捉项目和他们的边信息之间的所有成对关系。三个基准数据集的实证研究表明,MIIR,由MII监督,实现了显着更好的顺序推荐性能比最先进的基线。
2023-02-21 cs.IR
Do We Really Need to Drop Items with Missing Modalities in Multimodal Recommendation?
本文质疑多模态推荐中丢弃缺失模态物品的常见做法,提出利用传统插补策略及基于图结构的三种插补方法,作为无需训练的预处理阶段,实验证明数据预过滤不仅不必要且有害。
2024-08-21 cs.IR
Towards Fair Recommendation in Two-Sided Platforms
Harvard University(哈佛大学);Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);L3S Research Center(L3S研究中心);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Indian Institute of Technology Delhi(印度理工学院德里分校)
今天的许多在线平台(如亚马逊,Netflix,Spotify,LinkedIn和AirBnB)可以被认为是商品和服务的生产者和消费者的双边市场。传统上,这些平台中的推荐服务专注于根据个人客户的个性化偏好定制结果,从而最大限度地提高客户满意度。然而,我们的调查加强了这样一个事实,即这些服务的这种以客户为中心的设计可能会导致生产者的风险分配不公平,这可能会对他们的福祉产生不利影响。另一方面,纯粹以生产者为中心的设计可能对客户不公平。随着越来越多的人依靠这些平台谋生,确保对生产者和消费者的公平至关重要。在这项工作中,通过映射一个公平的个性化推荐问题的公平分配不可分割的商品的问题的约束版本,我们建议为双方提供公平的保证。形式上,我们提出的{ \em FairRec}算法保证了生产商的最大-最小曝光份额($α$ -MMS),以及客户的无嫉妒最多一项(EF 1)公平性。在多个真实世界数据集上的广泛评估显示了{ \em FairRec}在确保双侧公平性的同时在总体推荐质量上产生边际损失的有效性。最后,我们提出了一个修改的FairRec(命名为FairRecPlus),在额外的计算时间的成本,提高了客户的推荐性能,同时保持相同的公平性保证。
2021-12-26 cs.AI cs.IR cs.LG
Measuring Fairness in Large-Scale Recommendation Systems with Missing Labels
本文针对大规模推荐系统中标签缺失导致的公平性度量偏差问题,提出利用少量随机流量准确估计公平性指标的方法,并通过理论分析和TikTok真实数据实验验证其有效性。
2024-06-07 cs.IR
Training-free Graph-based Imputation of Missing Modalities in Multimodal Recommendation
Université Paris-Saclay, CentraleSupélec, Inria(巴黎萨克雷大学、中央苏雷克学院、法国国家信息与自动化研究所);VantAI(万泰人工智能);Politecnico di Bari(巴里理工大学)
本文提出无需训练的基于图的多模态推荐中缺失模态补全方法,通过图特征插值提升多模态推荐性能。
2026-02-19 cs.IR
Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases
Twentieth Century Fox Film Corporation(二十世纪福克斯电影公司)
产品推荐系统在电影绿灯过程中以及作为机器学习个性化管道的一部分对于主要电影制片厂非常重要。协同过滤(CF)模型已被证明是有效的动力推荐系统的在线流媒体服务与明确的客户反馈数据。CF模型在反馈数据不可用的情况下、在新产品发布等冷启动情况下以及具有明显不同的客户层的情况下(例如,高频客户与临时客户)。生成的自然语言模型可以创建有用的基于主题的底层文档语料库表示,可以用于表示新的产品描述,如新的电影情节。当与CF结合使用时,它们已被证明可以提高冷启动情况下的性能。在这些情况下,虽然明确的客户反馈是可用的,推荐引擎必须依赖于二进制购买数据,这大大降低了性能。幸运的是,购买数据可以与产品描述相结合,在一个方便的产品空间中生成有意义的产品和客户轨迹表示,其中接近度表示相似性。学习测量这个空间中点之间的距离可以通过一个深度神经网络来完成,该网络对客户历史和产品描述的密集矢量化进行训练。我们开发了一个基于协作(深度)度量学习(CML)的系统来预测新戏剧版本的购买概率。我们使用一个大型的客户历史数据集对模型进行了训练和评估,并针对一组在训练窗口之外发布的电影对模型进行了测试。初步实验显示增益相对于模型,不训练的协作偏好。
2018-03-01 cs.CL cs.IR
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails(亚马逊零售);Amazon AWS(亚马逊云科技)
本文提出一种端到端基于Transformer的替代品推荐模型,将推荐转化为语言匹配问题并融合产品功能,通过新方法对弱监督行为信号去噪,支持多语言,在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL cs.IR
Dealing with Missing Modalities in Multimodal Recommendation: a Feature Propagation-based Approach
本文针对多模态推荐中的缺失模态问题,将其建模为图节点特征缺失,提出基于项目-项目图和特征传播的填补方法,并在三个数据集上验证其有效性。
2024-03-28 cs.IR
Addressing Missing Data Issue for Diffusion-based Recommendation
针对序列推荐中观测数据缺失导致扩散模型引导质量下降的问题,提出基于双边汤普森采样的扩散模型TDM,通过模拟缺失数据增强鲁棒性,结合去噪扩散隐式模型提升效率,实验验证了其有效性。
2025-05-18 cs.IR
Reusable Self-Attention-based Recommender System for Fashion
Zalando SE(Zalando SE(扎兰多))
大量关于在推荐系统领域中应用自注意模型的实证研究都是基于标准化数据集上计算的离线评估和度量,而没有深入了解这些模型在现实生活中的表现。此外,他们中的许多人不考虑项目和客户元数据等信息,尽管深度学习分类器只有在包含大量异构类型的特征时才能充分发挥其潜力。此外,通常推荐模型被设计为仅很好地服务于单个用例,这增加了建模复杂性和维护成本,并且可能导致不一致的客户体验。在这项工作中,我们提出了一个可重用的基于注意力的时尚推荐算法(AFRA),利用各种交互类型与不同的时尚实体,如项目(例如,衬衫),服装和影响者,以及他们的异质特征。此外,我们利用时间和上下文信息来解决短期和长期客户偏好。我们展示了它在服装推荐用例上的有效性,特别是:1)个性化排名提要; 2)按风格推荐服装; 3)相似项目推荐和4)由最近的客户行为启发的会话推荐。我们提出了离线和在线实验结果,证明了客户保留和参与的实质性改善。
2022-11-29 cs.IR cs.LG
Implicit Feedback Deep Collaborative Filtering Product Recommendation System
University of Toronto(多伦多大学)
在本文中,几个协同过滤(CF)的方法与潜变量的方法进行了研究,使用用户项目的相互作用,以捕捉重要的隐藏变化的稀疏客户购买行为。潜在因素被用来概括客户的购买模式,并提供产品建议。具有神经协同过滤(NCF)的CF在一家大型零件供应公司提供的真实专有数据集上显示出最高的归一化贴现累积增益(NDCG)性能。使用贝叶斯优化(BO)测试不同的超参数在CF框架中的适用性。外部数据源,如点击数据和指标,如点击率(CTR)进行了审查,以潜在的扩展工作。本文中所展示的工作提供了公司可以用来提供产品推荐的技术,以增加收入,吸引新客户,并获得超过竞争对手的优势。
2020-12-11 cs.IR cs.LG stat.ML
CounterCLR: Counterfactual Contrastive Learning with Non-random Missing Data in Recommendation
提出CounterCLR框架,利用反事实对比学习与CauNet网络解决推荐系统中非随机缺失数据导致的选择偏差和数据稀疏问题,无需额外模型,提升泛化能力。
2024-02-08 cs.IR
Monolith: Real Time Recommendation System With Collisionless Embedding Table
建立一个可扩展的实时推荐系统对于许多由时间敏感的客户反馈驱动的企业至关重要,例如短视频排名或在线广告。尽管TensorFlow或PyTorch等生产规模的深度学习框架被广泛采用,但由于各种原因,这些通用框架在推荐场景中无法满足业务需求:一方面,基于静态参数和密集计算的系统调整具有动态和稀疏特征的推荐不利于模型质量;另一方面,这种框架被设计成批量训练阶段和服务阶段完全分离,从而阻止模型与客户反馈实时交互。这些问题促使我们重新审视传统的方法,并探索完全不同的设计选择。在本文中,我们提出了Monolith,为在线培训量身定制的系统。我们的设计是由我们的应用程序工作负载和生产环境的观察驱动的,这反映了与其他推荐系统的显著差异。我们的贡献是多方面的:首先,我们精心制作了一个无冲突的嵌入表,并进行了优化,如可编程嵌入和频率过滤,以减少其内存占用;其次,我们提供了一个具有高容错性的生产就绪在线训练架构;最后,我们证明了系统可靠性可以为实时学习做出权衡。Monolith已成功登陆字节加推荐产品。
2022-09-27 cs.IR
HyperAgent4POI: Dynamic Semantic Message Passing on Multi-Agent Hypergraphs for Missing-Modality Recommendation
Swinburne University of Technology(斯威本科技大学);Tongji University(同济大学);Singapore University of Technology and Design(新加坡科技设计大学)
HyperAgent4POI通过动态语义消息传递在多智能体超图中补全缺失模态,在三个LBSN数据集上较15个基线实现排序提升,60%模态缺失率下NDCG@20平均提升8.2%,且推理效率高。
2026-08-04 cs.IR
Convolutional Collaborative Filter Network for Video Based Recommendation Systems
th Century Fox(二十世纪福克斯);Miso Technologies(味噌科技)
这个分析探讨了电影预告片中物体的时间顺序。电影预告片中对象的时间排序(例如,物体的长镜头与间歇的短镜头)可以传达关于电影类型、电影情节、主要人物的角色以及电影制作者的电影摄影选择的信息。当与历史客户数据相结合时,序列分析可用于改善对客户行为的预测。例如,在一个示例中,顾客购买新电影的票,并且可能该顾客在过去已经看过包含类似序列的电影。为了探索电影预告片中的对象排序,我们提出了一个视频卷积网络来捕捉可以预测客户偏好的动作和场景。模型学习不同类型对象的序列的特定性质(例如,汽车与面孔),以及序列在预测客户未来行为中的作用。我们展示了这样一个时间感知模型如何优于我们以前的作品中提出的简单特征池方法,重要的是,展示了这样一个模型所允许的额外模型解释能力。
2018-10-22 cs.AI cs.CV cs.IR
Multi-objective Consensus Clustering Framework for Flight Search Recommendation
Université Côte d’Azur(蔚蓝海岸大学);CNRS(法国国家科学研究中心);I3S(I3S研究所);Amadeus S.A.S(阿玛迪斯公司);EURECOM(欧洲通信学院)
在旅游行业,在线客户根据几个特征预订他们的旅行行程,如旅行的成本和持续时间或设施的质量。为了提供个性化的旅游搜索建议,需要对客户进行适当的细分。聚类集成方法的发展是为了克服经典聚类方法中的众所周知的问题,即每个方法都依赖于不同的理论模型,因此可以在数据空间中只识别对应于该模型的聚类。聚类集成方法结合多个聚类结果,每个聚类结果来自不同的算法配置,用于生成与初始聚类之间的协议相对应的更鲁棒的共识聚类。我们提出了一个新的聚类集成多目标优化为基础的框架,分析Amadeus客户搜索数据,提高个性化的建议。该框架优化了聚类集成搜索空间的多样性,并自动确定适当数量的聚类,而不需要用户的输入。实验结果比较了这种方法的效率与其他现有的方法对Amadeus客户搜索数据的内部(调整后的兰德指数)和外部(Amadeus业务指标)验证。
2020-02-26 cs.AI cs.IR cs.LG
A Hybrid Recommender System for Recommending Smartphones to Prospective Customers
Verizon Communications(威瑞森通信)
推荐系统是机器学习系统的一个子类,它采用复杂的信息过滤策略来减少搜索时间并向任何特定用户推荐最相关的项目。混合推荐系统将多种推荐策略以不同的方式结合起来,以发挥它们的互补优势。一些混合推荐系统结合了协同过滤和基于内容的方法来构建更健壮的系统。在本文中,我们提出了一个混合推荐系统,它结合了交替最小二乘(ALS)的协同过滤与深度学习,以提高推荐性能,以及克服与协同过滤方法,特别是有关其冷启动问题的限制。从本质上讲,我们使用ALS(协同过滤)的输出来影响深度神经网络(DNN)的推荐,该网络在大数据处理框架中结合了特征,上下文,结构和顺序信息。我们已经进行了几个实验,在测试所提出的混合架构的有效性,在推荐智能手机给潜在客户,并比较其性能与其他开源路由器。结果表明,该系统的性能优于现有的几个混合推荐系统。
2022-07-19 cs.IR cs.LG
You Are What You Bought: Generating Customer Personas for E-commerce Applications
National University of Singapore(新加坡国立大学);PyroWis AI;EvenUp
本文提出基于客户画像的显式用户表示方法GPLR,利用预训练LLM和随机游走技术高效生成画像,并通过RevAff优化复杂度,在推荐和客户细分任务上显著提升性能。
2025-04-24 cs.AI cs.IR
CaIRec: Calibrated Modality Imputation for Incomplete Multimodal Recommendation
Southern University of Science and Technology(南方科技大学);National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学)
本文针对多模态推荐中模态缺失导致的跨模态结构失真与偏好适应差距问题,提出两阶段框架CaIRec,经多组实验验证其有效性与鲁棒性。
2026-08-03 cs.IR
A NoSQL Data-based Personalized Recommendation System for C2C e-Commerce
HCMC University of Technology, Vietnam National University, Ho Chi Minh City(胡志明市国家大学胡志明市理工大学);FAW Institute, Johannes Kepler University Linz(林茨约翰内斯·开普勒大学FAW研究所)
随着近年来C2C电子商业的迅猛发展,人们迫切需要一个有效的推荐系统,为用户推荐合适的网站,以满足他们的特定需求。尽管如此,电子商业推荐系统主要是为企业对客户(B2C)网站设计的,其中系统为消费者提供他们可能想购买的产品。几乎没有相关的研究工作集中在选择销售网站的目标项目。在本文中,我们介绍了一种方法,推荐销售网站的基础上,项目的描述,类别和期望的销售价格。该方法采用基于NoSQL数据的机器学习技术来构建和训练主题模型和分类模型。然后,训练的模型可以用于根据用户需求动态地对网站进行排名。越南C2C网站的真实数据集的实验结果将证明我们所提出的方法的有效性。
2018-06-26 cs.DB cs.IR cs.LG
Generating with Fairness: A Modality-Diffused Counterfactual Framework for Incomplete Multimodal Recommendations
针对不完备多模态推荐中缺失数据生成难、可见性偏差致物品不公平的问题,提出含模态扩散补全和反事实推荐模块的MoDiCF框架,在准确率和公平性上均优于现有方法。
2025-02-22 cs.IR
User-Inspired Posterior Network for Recommendation Reason Generation
State Key Lab. of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学国家重点实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Data Science Lab, JD.com(京东数据科学实验室);Baidu Inc.(百度公司)
推荐理由生成旨在向客户展示产品的卖点,对于吸引客户注意力、提升用户体验起着至关重要的作用。一种简单有效的方法是直接从产品知识库中提取关键词,即,属性或标题,作为推荐原因。然而,从产品知识生成推荐理由并不能自然地响应用户的兴趣。幸运的是,在一些电子商务网站上,存在越来越多的用户生成内容(简称用户内容),即,产品问答(QA)讨论,反映用户关心的方面。因此,在本文中,我们考虑生成的推荐原因,不仅考虑到产品属性,但也客户生成的产品QA讨论。事实上,只有最受欢迎的商品才有可能获得足够的用户内容,而大量的长尾产品或新产品无法收集足够数量的用户内容。为了解决这个问题,我们提出了一个用户启发的多源后验Transformer(MSPT),它诱导模型反映用户的兴趣与后验多QA讨论模块,并产生包含产品属性以及用户关心的方面的推荐原因。实验结果表明,该模型优于传统的生成式模型。此外,分析还表明,我们的模型可以更专注于用户关心的方面比基线。
2021-02-16 cs.CL cs.IR
Context-Aware Attention-Based Data Augmentation for POI Recommendation
随着基于位置的社交网络(LBSNs)的快速发展,兴趣点推荐(POI)在近十年得到了广泛的研究。最近,作为POI推荐的自然延伸,下一个POI推荐备受关注。它的目的是建议下一个兴趣点的空间和时间的背景下,这是一个实际的,但在各种应用中具有挑战性的任务给用户。现有的方法主要是对时空信息进行建模,并通过用户的轨迹记忆历史模式进行推荐。然而,它们遭受缺失和不规则检入数据的负面影响,这显著影响了模型性能。在本文中,我们提出了一种基于注意力的序列到序列生成模型,即POI增强Seq 2Seq(PA-Seq 2Seq),通过使签到记录均匀间隔来解决训练集的稀疏性。具体地,编码器总结每个签入序列,并且解码器基于编码信息预测可能的丢失签入。为了学习用户历史之间的时间感知相关性,我们采用本地注意力机制来帮助解码器在预测某个丢失的签入点时关注特定范围的上下文信息。已经进行了广泛的实验,在两个真实世界的检入数据集,Gowalla和Replikite,性能和有效性评估。
2021-06-30 cs.IR
A Review of Modern Fashion Recommender Systems
本文综述了时尚领域的推荐系统,提出了按研究目标和辅助信息类型分类的文献分类体系,并总结了常用的数据集、评估指标及评估视角。
2023-09-12 cs.IR
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research(Rappi人工智能研究院)
在这项工作中,我们提出了一个框架,完全依赖于基于聊天的客户支持(CS)的互动预测个人用户的推荐决策。在我们的案例研究中,我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此,我们的主要贡献和目标是使用自然语言处理(NLP)来评估和预测推荐行为,除了使用静态情感分析,我们还利用每个用户的情感动态的预测能力。我们的研究结果表明,与各自的功能可解释性,它是可以预测的可能性,用户推荐的产品或服务,完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG
Single-Branch Network Architectures to Close the Modality Gap in Multimodal Recommendation
Institute of Computational Perception, Johannes Kepler University Linz(计算感知研究所,约翰·开普勒林茨大学);AI Lab, Linz Institute of Technology(人工智能实验室,林茨理工学院)
本文提出配备权重共享、模态采样和对比损失的单分支网络,以缩小多模态推荐中的模态差距,在模态缺失场景下显著优于多分支方案。
2025-09-23 cs.IR
Sequential Recommendation Model for Next Purchase Prediction
Ernst & Young LLP(安永会计师事务所)
本文利用270万笔信用卡交易数据,提出结合自编码器与GRU的序列推荐模型预测用户下次购买,在样本外测试集上MAP@1达47%,并探讨了将其嵌入Nexus实时数字体验架构的应用意义。
2023-06-30 cs.AI cs.IR cs.LG
Learning From Missing Data Using Selection Bias in Movie Recommendation
LTCI(法国巴黎电信学院图像处理与通信实验室);CNRS(法国国家科学研究中心);Télécom ParisTech(巴黎电信学院);Université Paris-Saclay(巴黎萨克雷大学)
由于大量的信息缺失,向用户推荐商品是一项具有挑战性的任务。在许多情况下,数据仅由每个用户自愿提供的关于可用项目的非常有限的子集的评级或标签组成,因此实际上缺少大部分可能感兴趣的数据。目前的推荐方法通常假设未观测数据是随机随机缺失的。在这方面的贡献,我们提供了统计证据,现有的电影推荐数据集揭示了一个显着的正相关性之间的项目的评级和倾向,选择这些项目。我们提出了一种计算效率高的变分方法,使人们有可能利用这种选择偏差,以提高估计的收视率从小群体的用户。将这种方法应用于基于邻域的协同过滤所获得的结果说明了其提高推荐可靠性的潜力。
2015-09-30 cs.IR cs.LG cs.SI
Disentangling and Generating Modalities for Recommendation in Missing Modality Scenarios
KAIST(韩国科学技术院)
针对多模态推荐中模态缺失问题,提出DGMRec框架,通过解耦通用与特定模态特征并生成缺失模态,显著提升推荐性能并支持跨模态检索。
2025-04-23 cs.AI cs.IR
Expected Transaction Value Optimization for Precise Marketing in FinTech Platforms
本文针对金融科技平台共同基金推广中投资金额差异大的挑战,提出基于客户购买金额预测的ETV优化客户分配框架(EOCA),在保量投放约束下最大化预期交易价值,并在大规模数据集和腾讯理财平台LiCaiTong上验证了其有效性。
2024-01-03 cs.IR
KiseKloset for Fashion Retrieval and Recommendation
University of Science(胡志明市理科大学);Vietnam National University(越南国家大学胡志明市分校);University of Dayton(代顿大学)
本文提出KiseKloset系统,通过相似物品检索和文本反馈引导检索提升时尚推荐效果,结合改进的transformer架构和近似算法优化搜索流程,并引入轻量级虚拟试穿框架提升用户体验。
2026-04-11 cs.CV cs.IR
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation
University of Science and Technology of China(中国科学技术大学);FaceBook AI(脸书人工智能研究院)
针对推荐系统缺失数据被误标为负样本导致长尾物品召回受损的问题,提出偶然不确定性感知推荐(AUR)框架,通过引入不确定性估计器并基于不确定性进行推荐,有效提升了长尾物品推荐性能且不牺牲整体效果。
2023-07-27 cs.AI cs.IR
From Intervention to Domain Transportation: A Novel Perspective to Optimize Recommendation
近年来,推荐的介入性越来越引起人们的关注。它特别激励研究人员将学习和评价推荐问题表述为因果推理和数据缺失非随机问题。然而,很少有人认真对待违反重叠的关键假设的后果,我们证明这可能会显着威胁到结果的有效性和解释。我们发现,在目前的信息检索(IR)系统的理解中缺少一个关键的部分:作为干预措施,建议不仅会影响已经观察到的数据,但它也干扰了目标域(分布)的兴趣。然后,我们将优化推荐重新表述为找到一种干预,该干预能够最好地将它从观察域学习到的模式传输到其干预域。为此,我们使用域运输来描述推荐的学习干预机制。我们设计了一个原则性的运输约束风险最小化目标,并将其转换为一个两人极大极小博弈。我们证明了所提出的目标的一致性,泛化和过度的风险界限,并阐述了它们如何与当前的结果进行比较。最后,我们进行了大量的真实数据和半合成实验,以证明我们的方法的优势,并启动在线测试与现实世界的红外系统。
2022-03-26 cs.IR
End-to-End Cost-Effective Incentive Recommendation under Budget Constraint with Uplift Modeling
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室(深圳));FiT, Tencent(腾讯FiT)
针对预算约束下两阶段激励推荐存在的忽略营销领域知识和最优性差距问题,提出端到端E3IR模型,通过结合单调平滑约束的uplift预测模块和可微ILP分配模块,有效提升了分配性能。
2024-08-24 cs.IR cs.LG
A two-step Recommendation Algorithm via Iterative Local Least Squares
推荐系统可以改变我们的生活很多,并帮助我们选择合适的和喜爱的物品更方便和容易。因此,在过去的几年中,已经提出了各种算法来提高性能。然而,它们都面临一个关键问题:数据稀疏性。在本文中,我们提出了一个两步推荐算法,通过迭代局部最小二乘(ILLS)。首先,我们通过用户的行为记录来构造评分矩阵,它通常是非常稀疏的。其次,我们通过ProbS预处理“评级”矩阵,可以将稀疏数据转换为密集数据。然后我们使用ILLS来估计这些缺失值。最后,生成推荐列表。在MovieLens、Netflix、RYM三个数据集上的实验结果表明,该方法能够提高AUC算法的准确性。特别是,它在密集数据集中表现得更好。此外,由于该方法可以通过迭代更准确地改善那些缺失的值,这可能对发现那些不活跃的用户的购买意图,并最终解决冷启动问题有一定的启示。
2012-06-14 cs.IR
Collaborative Multi-modal deep learning for the personalized product retrieval in Facebook Marketplace
Facebook Marketplace正在迅速成为消费者青睐的C2C产品交易平台。其背后的推荐系统有助于显著提升用户体验。为Facebook Marketplace构建推荐系统具有挑战性,原因有两个:1)可扩展性:Facebook Marketplace中的产品数量巨大。每天需要在几百毫秒内为数以万计的产品进行评分和推荐; 2)冷启动:C2C产品的生命周期很短,产品上的用户活动稀疏。因此,很难积累足够的产品级信号用于推荐,我们正面临着一个重大的冷启动问题。在本文中,我们建议通过构建一个基于协作多模态深度学习的检索系统来解决可扩展性和冷启动问题,在该系统中,使用多模态内容信息来训练用户和产品的紧凑嵌入。该系统在在线和离线实验中均表现出了显著的改进:在线实验中,买方向卖方发起的消息数量增加了+26.95%;离线实验中,预测准确率提高了+9.58%。
2018-05-31 cs.IR
Tailor: Size Recommendations for High-End Fashion Marketplaces
FARFETCH
针对高端时尚市场,提出整合隐式和显式用户信号的序列分类方法,采用 LSTMs 和 Attention 机制构建模型,显著提升了推荐准确率和用户覆盖率,并验证了实时场景下的低延迟可用性。
2024-01-03 cs.IR cs.LG
Enhancing guidance for missing data in diffusion-based sequential recommendation
CARD模型通过双侧汤普森采样和反事实注意力机制,提升扩散生成模型在序列推荐中对缺失数据的引导能力,提高生成质量。
2026-02-13 cs.AI cs.IR
Data Imputation using Large Language Model to Accelerate Recommendation System
Columbia University(哥伦比亚大学);Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pace University(佩斯大学)
本文提出微调大语言模型用于推荐系统缺失数据填补,并在单分类、多分类和回归任务上验证其优于传统填补方法,从而提升推荐准确性与用户体验。
2024-08-07 cs.AI cs.IR
Multimodality Invariant Learning for Multimedia-Based New Item Recommendation
Hefei University of Technology(合肥工业大学);Hefei Comprehensive National Science Center(合肥综合性国家科学中心);Academy of Cyber(网络空间研究院);Institute of Artificial Intelligence(人工智能研究院)
针对多媒体新物品推荐中的模态缺失问题,提出MILK框架,通过跨模态对齐和循环混合构建多模态异构环境,学习用户不变偏好,实验验证其优越性。
2024-04-28 cs.AI cs.IR
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz(约翰开普勒林茨大学计算感知研究所);Human-centered AI Group, AI Lab, Linz Institute of Technology(林茨理工大学人工智能实验室以人为中心的人工智能组)
本文提出多模态单分支嵌入网络SiBraR,通过权重共享编码交互数据与多模态辅助信息,有效解决冷启动与缺失模态场景下的推荐问题,显著优于现有方法。
2024-09-26 cs.AI cs.IR cs.LG
Personalized Recommendation Systems using Multimodal, Autonomous, Multi Agent Systems
Veermata Jijabai Technological Institute(维玛塔·吉贾巴伊技术学院)
本文提出面向电子商务的三智能体多模态个性化推荐框架,结合 Gemini-1.5-pro、LLaMA-70B、Symphony 与 Groq API,实现图像追问、自主搜索、实时获取和低延迟推荐。
2024-10-22 cs.AI cs.IR cs.LG