MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in Recommendation Systems
LinkedIn(领英);Google(谷歌)
本文提出通用多目标重排序框架 MultiSlot ReRanker,通过顺序贪心算法和帕累托最优实现相关性、多样性与新鲜度的联合优化,并构建可配置模拟器以高效评估不同学习算法。
2024-01-11 cs.AI cs.IR
Multi-Layer Ranking with Large Language Models for News Source Recommendation
University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所)
本文提出新闻事件可信专家推荐任务,构建含23,571对引语–发言者的NewsQuote数据集,并采用基于LLM上下文学习的多层排序框架提升推荐质量。
2024-06-17 cs.CL cs.IR
Faithfully Explaining Rankings in a News Recommender System
University of Amsterdam(阿姆斯特丹大学);Blendle Research(Blendle研究院)
人们越来越需要算法来解释其结果。到目前为止,还没有一种方法可以解释排名算法产生的排名。为了解决这个差距,我们提出LISTEN,一个列表解释器,解释排名算法产生的排名。为了在生产中有效地使用LISTEN,我们训练一个神经网络来学习LISTEN创建的底层解释空间;我们称这个模型为Q-LISTEN。我们表明,LISTEN产生忠实的解释,Q-LISTEN能够学习这些解释。此外,我们表明,LISTEN是安全的,在现实世界的环境中使用:新闻推荐系统的用户不会表现出显着不同,当他们接触到LISTEN生成的解释,而不是手动生成的解释。
2018-05-14 cs.AI
Not All Candidates are Created Equal: A Heterogeneity-Aware Approach to Pre-ranking in Recommender Systems
ByteDance Hangzhou P.R.China(字节跳动杭州中国);ByteDance Beijing P.R.China(字节跳动北京中国);ByteDance Shenzhen P.R.China(字节跳动深圳中国);ByteDance Shanghai P.R.China(字节跳动上海中国)
本文提出HAP方法,通过冲突敏感采样和定制化损失设计,解决推荐系统预排序中的异质性问题,提升效果并降低计算成本。
2026-03-04 cs.AI cs.IR cs.LG
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
School of Computing, National University of Singapore(新加坡国立大学计算机学院)
Web应用程序中信息的丰富性使得推荐对于用户和应用程序都是必不可少的。尽管现有的推荐系统的有效性,我们发现两个主要的限制,降低其整体性能:(1)无法提供及时的建议,为新的和现有的用户考虑用户偏好的动态性质,(2)没有完全优化的排名任务时,使用隐式反馈。因此,本文提出了一种基于深度学习的统一跨网络解决方案,以缓解冷启动和数据稀疏问题,并为新用户和现有用户提供及时的推荐。此外,本文将隐式反馈下的排序问题视为分类任务,并提出了一种通用的隐式数据个性化列表优化准则,以有效地对项目列表进行排序。我们说明了我们的跨网络模型使用Twitter的辅助信息的建议在YouTube的目标网络。与多个时间感知和跨网络基线的广泛比较表明,所提出的解决方案在准确性,新颖性和多样性方面是优越的。此外,在流行的MovieLens数据集上进行的实验表明,所提出的列表排序方法优于现有的最先进的排序技术。
2020-08-25 cs.AI cs.IR cs.LG
Two-sided fairness in rankings via Lorenz dominance
Facebook AI;LAMSADE, Université PSL, Université Paris Dauphine, CNRS(LAMSADE,巴黎PSL大学,巴黎多芬大学,法国国家科学研究中心)
我们考虑的问题,产生的排名是公平的用户和项目生产者在推荐系统。我们讨论了两个通常的建议(例如,音乐或电影)和相互推荐(例如,约会)。遵循福利经济学中的分配正义概念,我们的公平概念旨在增加最贫困个体的效用,我们使用洛伦兹效率标准将其形式化。它保证排名是帕累托有效的,并且在给定的总体效用水平上,它们最大限度地将效用从较好的重新分配到较差的。我们建议通过最大化凹福利函数来生成排名,并基于Frank-Wolfe算法开发了一个高效的推理过程。我们证明,与现有的方法基于公平性约束,我们的方法总是产生公平的排名。我们的实验还表明,就整体效用而言,它以较低的成本增加了境况较差者的效用。
2021-10-28 cs.AI cs.CY cs.IR
Fast online ranking with fairness of exposure
Meta AI
随着推荐系统在对在线内容进行分类和优先级排序方面变得越来越重要,它们对商品生产商的机会或收入产生了越来越大的影响。例如,他们会影响简历推荐给哪个招聘人员,或者音乐曲目、视频或新闻文章被曝光给谁和曝光多少。这就要求推荐方法不仅要最大化用户满意度,而且要考虑项目或项目组曝光的公平性。形式上,这样的建议通常是通过最大化随机排名空间中的凹目标函数来获得的。当一个项目的总曝光量被定义为它在用户上的曝光量之和时,每个用户的最佳排名变得耦合,这使得优化过程具有挑战性。找到这些排名的现有方法或者解决批处理设置中的全局优化问题,即,这使得它们不适用于大规模,或者基于具有弱理论保证的物理学。在本文中,我们提出了第一个有效的在线算法,以优化凹目标函数的空间中的排名,适用于每一个凹和光滑的目标函数,如发现公平的曝光。基于Frank-Wolfe算法的在线变体,我们证明了我们的算法计算速度快,实时生成排名,计算成本由排序操作主导,内存效率高,并且具有很强的理论保证。与只最大化用户端性能的基线策略相比,我们的算法允许将复杂的公平性暴露标准与可忽略不计的计算开销的建议。
2022-09-13 cs.AI cs.CY cs.IR
Opportunistic Multi-aspect Fairness through Personalized Re-ranking
University of Colorado, Boulder(科罗拉多大学博尔德分校);DePaul University(德保罗大学);The Chinese University of Hong Kong(香港中文大学)
随着推荐系统变得越来越普遍,并进入了就业和住房等具有更大社会影响的领域,研究人员已经开始寻求确保此类系统产生的结果公平的方法。这项工作主要集中在开发推荐方法,其中公平性指标与推荐准确性一起被联合优化。然而,以前的工作在很大程度上忽略了个人偏好如何限制算法产生公平建议的能力。此外,除了少数例外,研究人员只考虑了相对于单一敏感特征或属性(如种族或性别)衡量公平性的场景。在本文中,我们提出了一个重新排名的方法,公平意识的建议,学习个人偏好在多个公平性的维度,并使用它们来提高提供商的公平性的推荐结果。具体来说,我们表明,我们的机会主义和度量不可知的方法实现了更好的权衡准确性和公平性比以前的重新排名的方法,并在多个公平性方面。
2020-05-21 cs.AI cs.IR cs.LG
Proportional Rankings
University of Oxford(牛津大学)
在本文中,我们将比例代表制原则推广到排名中。我们考虑需要根据批准偏好对替代方案进行排名的设置。在这种情况下,比例代表制要求有凝聚力的选民群体在排名的每个初始部分都有比例代表。在不同长度的初始片段可能相关的情况下,比例排名是可取的,例如,招聘决定(如果不清楚有多少职位需要填补),在流动民主平台上展示竞争提案(如果不清楚参与者正在考虑多少提案),或推荐系统(如果排名必须适应不同的用户类型)。我们研究了几种排名方法提供的比例代表性,并证明了理论保证。此外,我们实验评估这些方法,并提出初步证据,以确定哪些方法是最适合产生比例排名。
2016-12-05 cs.AI cs.GT cs.MA
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology(香港科技大学);Nanjing University(南京大学)
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法,专注于明确的反馈,因此面临着收集他们的困难。同时,提出了基于评分的方法,对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而,它通常忽略了一种重要的信息:项目评论。项目审查不仅证明了用户的偏好,而且还有助于减轻冷启动问题,失败的协同过滤。在本文中,我们提出了两个新颖而简单的模型,将项目评论贝叶斯个性化排名。在每个模型中,我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上,我们发现了解释用户反馈变化的评论维度,这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析,以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
An Effective Way for Cross-Market Recommendation with Hybrid Pre-Ranking and Ranking Models
WSDM CUP 2022的跨市场推荐任务是通过利用来自类似高资源来源市场的数据,寻找解决方案,以改善资源稀缺目标市场的个人推荐系统。最后,我们的团队OPDAI以NDCG@10分0.6773的成绩获得了第一名。我们的解决方案,这一任务将在本文中详细介绍。为了更好地将信息从源市场转换到目标市场,我们采用了两个阶段的排名。在预排序阶段,我们采用多种预排序方法或模型进行特征生成。经过详细的特征分析和特征选择,我们训练LightGBM与10倍装袋做最后的排名。
2022-03-02 cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而,维护多个模型导致高计算成本,并提出了很大的挑战,以满足新闻推荐系统的在线延迟要求。为了解决这个问题,本文提出了UniRec,一个统一的方法召回和排名的新闻推荐。在我们的方法中,我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后,我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明,该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
Hybrid Multi-Criteria Preference Ranking by Subsorting
针对多准则推荐中帕累托排序分数不可微的问题,提出一种结合主排序与子排序的混合多准则排序方法,并在OpenTable和Yahoo!Movies数据上验证了其优势及对Top-N推荐的可持续性。
2023-06-20 cs.IR
Bridge the gap between network-based inference method and global ranking method in personal recommendation
本文研究了个性化推荐中基于网络的推理方法和全局排序方法之间的关系。通过理论分析,证明了全局排序方法下的推荐结果是无限次应用基于网络的推理方法的极限。
2015-07-15 cs.IR cs.SI
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用,其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐,用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下,项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤,该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果,以最大化期望的总体效用。然而,为了模拟多个推荐项目的复杂交互,由于有限的硬件资源和系统延迟的限制,重新排序阶段通常只能处理几十个候选项。因此,排名阶段对于大多数应用程序来说仍然是必不可少的,以便为重新排名阶段提供高质量的候选集。在本文中,我们提出了一个解决方案命名为Slate-Aware排名(SAR)的排名阶段。通过隐式地考虑候选项之间的关系,它显著地提高了重新排序阶段的候选集的质量,并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
推荐系统的目标是向用户提供最符合其兴趣的有序项目列表。作为推荐流程中的一项关键任务,重新排序近年来受到越来越多的关注。与单独对每个项目进行评分的传统排名模型相比,重新排名旨在明确地对项目之间的相互影响进行建模,以进一步细化给定初始排名列表的项目的排序。在本文中,我们提出了一个个性化的重新排序模型(称为PEAR)的基础上,上下文化的Transformer。PEAR对现有方法进行了几项重大改进。具体来说,PEAR不仅捕获功能级和项目级的交互,而且还从初始排名列表和历史点击项目列表中对项目上下文进行建模。除了项目级别的排名分数预测,我们还通过列表级别的分类任务来增强PEAR的训练,以评估用户对整个排名列表的满意度。在公共数据集和生产数据集上的实验结果表明,与以前的重新排序模型相比,PEAR具有更好的有效性。
2022-03-23 cs.IR cs.LG
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
Beyond Ranking Accuracy: Evaluating LLM-Cited Feature Rationales for Next Basket Repurchase Recommendation
Walmart Global Tech(沃尔玛全球技术)
该研究针对下一个购物篮回购推荐,探究LLM作为独立推荐器的可行性,发现其排序能力不及监督排序器,但可作为经验证的解释组件,且理由质量需与排序准确率分开评估。
2026-09-01 cs.AI cs.IR
D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning
University of Tehran(德黑兰大学)
近年来,基于强化学习的交互式推荐系统由于将推荐过程视为一个动态过程,并根据用户的即时反馈来更新推荐模型,而传统的推荐方法忽略了这一点,因此受到了研究者的关注。现有的工程有两个明显的缺点。首先,低效的排名功能产生Top-N推荐列表。第二,关注推荐准确性,而不关注多样性等其他评价指标。本文提出了一种基于深度强化学习的推荐系统,该系统利用Actor-Critic架构对动态用户与推荐代理的交互进行建模,并最大化期望的长期回报。此外,我们建议利用Spotify的ANNoy算法来找到最相似的项目,以生成演员网络的动作。在此基础上,使用总多样性效果排名算法来生成关于相关性和多样性的推荐。此外,我们应用位置编码来计算表示用户的交互序列,而不使用序列对齐的递归神经网络。MovieLens数据集上的大量实验表明,我们提出的模型能够根据用户的偏好生成一个多样化的,而相关的推荐列表。
2021-10-29 cs.AI cs.IR
Fine-tune BERT for E-commerce Non-Default Search Ranking
电子商业平台上的非默认排名的质量,例如基于物品价格上升或历史销售量下降,通常遭受严重的相关性问题,因为不相关的物品更容易暴露在排名结果的顶部。在这项工作中,我们提出了一个两阶段的排名方案,首先通过精确的查询/标题关键字匹配来召回广泛的候选项,然后使用对人类标签数据进行微调的BERT-Large对召回的项进行分类。我们还在多个GPU主机和Tensorflow的C++标记化自定义操作上实现了并行预测。在这个数据挑战中,我们的模型在监督阶段获得了第一名(基于整体F1得分),在最终阶段获得了第二名(基于每个查询的平均F1得分)。
2020-08-21 cs.CL cs.IR
Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
NJUST(南京理工大学);Kuaishou Technology(快手科技)
本文提出RecoChain框架,整合生成与排序流程,通过层次语义ID预测生成候选项并基于SIM进行排序,提升推荐性能。
2026-04-28 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互(例如,点击、喜欢或评级)以提供个性化的项目排名列表。由于用户偏好不同,这些交互通常不均匀地分布在不同的项目组上。然而,我们发现,推荐算法可以继承甚至放大这种不平衡的分布,导致不公平的项目组的建议。具体地说,我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后,我们实证表明,最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议,这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明,与最先进的替代方案相比,所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中,我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题,并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
Personalized Re-ranking for Improving Diversity in Live Recommender Systems
工业推荐系统的用户通常一次被推荐一个项目列表。理想情况下,这种列表式的解释应该为用户提供多样化和相关的选项。然而,在实践中,列表式推荐被实现为top-N推荐。Top-N推荐从候选项中选择前N个项目进行显示。该列表由排名函数生成,该排名函数从标记数据中学习以优化准确性。然而,top-N推荐可能会导致次优,因为它单独关注每个项目的准确性,而忽略了项目之间的相互影响。因此,我们提出了一个个性化的重新排序模型,以提高实际推荐系统中的推荐列表的多样性。建议的重新排名模型可以很容易地部署为后续组件后,任何现有的排名功能。重排序模型采用个性化的决定点过程(DPP),提高了多样性。DPP已经被应用于一些推荐系统中以提高多样性和用户参与度,但是DPP没有考虑到用户对多样性可能具有个体倾向的事实。为了克服这种限制,我们的重新排名模型提出了一个个性化的DPP模型的准确性和多样性之间的权衡为每个单独的用户。我们在一个大型的工业推荐系统中实现并部署了个性化DPP模型。离线和在线的实验结果表明,我们提出的重新排序模型的效率。
2020-04-21 cs.IR cs.SI
BPMR: Bayesian Probabilistic Multivariate Ranking
University of Virginia(弗吉尼亚大学)
多方面的用户偏好在推荐系统中引起了更广泛的关注,因为它们能够更详细地了解用户对项目的评价。以往的研究表明,将多方面的偏好,可以大大提高推荐的性能和可解释性。然而,由于推荐本质上是一个排名问题,因此没有原则性的解决方案来对多个方面进行集体排名以增强推荐。在这项工作中,我们推导出一个多方面的排名标准。为了保持不同方面之间的依赖性,我们建议使用多方面评级的向量化表示,并开发一个概率多变量张量分解框架(PMTF)。该框架自然会导致一个概率多方面的排名标准,它概括了单方面的排名,以多变量的时尚。在一个大的多方面评论评分数据集上的实验结果证实了我们的解决方案的有效性。
2022-04-16 cs.IR cs.LG
Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
针对推荐系统模型架构常忽视个性化排序核心特性的问题,提出受排序目标梯度启发的图Transformer推荐模型Rankformer,搭配线性复杂度加速算法,实验证明其性能优于现有最优方法。
2025-03-21 cs.IR
Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation
针对多行为推荐中表示学习的过平滑与高频偏差问题,提出 CascadingRank,通过级联行为图和迭代排序实现个性化推荐并取得显著性能提升。
2025-02-17 cs.IR
Graph-based Collaborative Ranking
数据稀疏性是基于邻域的协同过滤领域中的一个普遍问题,通常会使项目推荐过程变得复杂。这个问题在协同排名领域中更为严重,因为在协同排名领域中,计算用户相似度和推荐项目都是基于排名数据的。已经提出了一些基于图的方法来解决数据稀疏问题,但它们有两个缺陷。首先,它们无法正确地对用户的优先级进行建模,其次,当唯一可用的数据是一组排名而不是评级值时,它们无法使用。在本文中,我们提出了一种新的基于图的方法,称为GRank,这是专为协作排名域。GRank可以在一种新的三分图结构中正确地建模用户的优先级,并对其进行分析,从而直接推断出推荐列表。实验结果表明,在推荐质量的显着改善相比,最先进的基于图的推荐算法和其他协作排名技术。
2017-01-31 cs.IR cs.SI
From Token Generation to Item Ranking: Direct Generative Recommendation with Semantic IDs
Central South University(中南大学);Hong Kong Polytechnic University(香港理工大学);National University of Defense Technology(国防科技大学);City University of Macau(澳门城市大学);Griffith University(格里菲斯大学)
SimGR通过在共享潜在空间中直接建模物品层面偏好分布,缓解了基于LLM推荐中生成解码的偏差问题。
2026-08-18 cs.IR
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology(快手科技)
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 cs.IR
Recommendation Ranking Off-Policy Evaluation under Ranking-Dependent Examination via Examination-Relevance Decomposition
Waseda University(早稻田大学)
针对推荐排序离线策略评估中点击偏差问题,提出基于检验-相关性分解的LE-IIPS与ED-DR估计器,后者在检验概率正确或排名无关检验下无偏,大样本时MSE更低。
2026-09-29 cs.IR cs.LG
Towards the Better Ranking Consistency: A Multi-task Learning Framework for Early Stage Ads Ranking
Meta Platforms, Inc.(元平台公司)
针对广告初排与终排排序不一致、初排召回率低的问题,提出捕捉终排多排序组件及任务关联的初排多任务学习框架,可降本提效并提升多项业务指标。
2023-07-12 cs.IR cs.LG
Learning k-Determinantal Point Processes for Personalized Ranking
针对现有个性化排序方法未优化集合排序、多样性不足的问题,提出基于k-DPP的集合概率比较优化准则LkP,可适配多种模型,在三个真实数据集上提升了推荐的相关性与多样性。
2024-06-23 cs.IR
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习(FL)已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务,例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功,但许多重要的深度学习用例,如排名和推荐任务,都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习(FEL)作为解决方案,以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本,实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明,与传统的设备上联邦学习相比,FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
针对推荐系统排序阶段图卷积计算成本过高的问题,提出仅在测试期间应用的非参数图卷积重排序策略,作为即插即用模块显著提升排序质量且几乎不增加计算开销。
2025-07-14 cs.IR
Hierarchical Group-wise Ranking Framework for Recommendation Models
Credit Karma
针对推荐模型批次内负采样多为简单负样本、限制排序性能的问题,提出含残差向量量化分层用户聚类、分层列表式排序损失的分层分组排序框架,近似难负例挖掘,可提升模型校准度与排序准确率,适用于工业推荐系统。
2025-06-15 cs.IR cs.LG
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功,人们对它们在匹配市场中的使用越来越感兴趣(例如,劳动)。虽然这有可能提高市场的流动性和公平性,但我们在本文中表明,天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中,候选人申请,然后得到雇主的评估,我们提出了一个新的推荐框架来模拟这种互动机制,并提出了有效的算法计算个性化的排名在这种情况下。我们发现,最佳排名不仅需要考虑候选人和雇主的潜在不同偏好,而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数(例如,单侧或互反相关性)是非常次优的--不仅对于个人用户,而且对于社会目标(例如,低失业率)。为了解决这个缺点,我们提出了第一种方法,用于联合优化市场上所有候选人的排名,以显式地最大化社会福利。除了理论推导,我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统,我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
Unifying Generative Recall and Multi-Objective Ranking in a Single Decoder-Only Sequence
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Kuaishou Technology(快手科技)
针对现代工业推荐系统将召回和排序分两阶段进行存在的问题,提出UniR²,在单个异构序列中统一生成式召回与多目标排序,利用双查询前缀因果注意力等方法,经实验验证其在大规模推荐系统中的有效性、效率及实用性。
2026-07-28 cs.IR
Scaling up Ranking under Constraints for Live Recommendations by Replacing Optimization with Prediction
Columbia University(哥伦比亚大学);Stanford University(斯坦福大学)
许多重要的多目标决策问题都可以在约束排序的框架下进行求解,并通过加权二部匹配线性规划来解决。这些优化问题中的一些,例如个性化内容推荐,可能需要实时的解决,因此必须遵守严格的时间要求,以防止消费者感知到延迟。经典的线性规划对于这样的设置计算效率太低。我们提出了一种新的方法来扩大排名的约束条件下,取代加权二分匹配优化与预测问题的算法部署阶段。我们的经验表明,建议的近似解决方案的排名问题,导致所需的计算资源大幅减少,而没有太多的牺牲,在约束合规性和实现的效用,使我们能够解决更大的约束排名问题实时,在所需的50毫秒内,比以前报道的。
2022-02-14 cs.IR cs.LG
REALM: Recursive Relevance Modeling for LLM-based Document Re-Ranking
Rutgers, The State University of New Jersey(新泽西州立罗格斯大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);Oak Ridge National Laboratory(橡树岭国家实验室)
针对现有基于LLM的文档重排序方法存在的排序不确定、top-k召回不稳定及token成本高的问题,提出不确定性感知框架REALM,将相关性建模为高斯分布并通过递归贝叶斯更新优化,在提升排序效果的同时显著降低推理成本与延迟。
2025-10-02 cs.IR
From Language to Behavior: Scaling Sequence Transformers for Industrial Recommendation Ranking with Rec-Native Designs
ByteDance(字节跳动)
本研究针对工业推荐排序中行为序列建模的挑战,提出推荐原生Transformer框架ReST,通过双门控注意力等设计优化信号质量,分解排序结构解决计算不对称性,经测试提升广告平台AUC与核心收入指标并已部署生产。
2026-09-02 cs.AI cs.IR cs.LG
Enhancing Recommendation Diversity by Re-ranking with Large Language Models
Insight Centre for Data Analytics(数据分析洞察中心);School of Computer Science & IT(计算机科学与信息技术学院);University College Cork(科克大学学院)
本文研究利用大语言模型进行推荐多样性重排序,通过零样本提示让 GPT 与 Llama 从候选列表生成多样化排序,实验表明其优于随机方法但暂逊于传统方法。
2024-06-17 cs.IR cs.LG
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université(索邦大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Air Liquide(液化空气集团);Université Paris-Saclay(巴黎萨克雷大学)
提出将可解释推荐形式化为语句级排序问题,通过从评论中提取解释性语句并排序,避免生成式幻觉,支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
Adversarial Personalized Ranking for Recommendation
National University of Singapore(新加坡国立大学);Fudan University(复旦大学);Chengdu University of Information Technology(成都信息工程大学)
项目推荐是一个个性化的排序任务。为此,许多推荐系统使用成对排序目标来优化模型,例如贝叶斯个性化排名(BPR)。使用矩阵分解(MF)-推荐中最广泛使用的模型-作为示范,我们表明,优化它与BPR导致推荐模型是不稳健的。特别是,我们发现,由此产生的模型是非常容易受到对抗性扰动的模型参数,这意味着可能很大的误差推广。为了增强推荐模型的鲁棒性,从而提高其泛化性能,我们提出了一个新的优化框架,即对抗个性化排名(APR)。简而言之,我们的APR通过执行对抗训练来增强成对排名方法BPR。它可以被解释为玩一个极大极小博弈,其中BPR目标函数的最小化同时防御对手,这增加了对模型参数的对抗性扰动以最大化BPR目标函数。为了说明它是如何工作的,我们通过在用户和项目的嵌入向量上添加对抗扰动来实现MF上的APR。在三个公开的真实数据集上进行的大量实验证明了APR的有效性--通过使用APR优化MF,它比BPR平均提高了11.2%,并实现了最先进的项目推荐性能。我们的实现可以在https://github.com/hexiangnan/adversarial_personalized_ranking上获得。
2018-08-12 cs.IR cs.LG stat.ML
GraphRAG-IRL: Personalized Recommendation with Graph-Grounded Inverse Reinforcement Learning and LLM Re-ranking
Purdue University(普渡大学);University of California, Davis(加州大学戴维斯分校);Iowa State University(爱荷华州立大学);University of Minnesota(明尼苏达大学)
GraphRAG-IRL结合图基础特征构建、反强化学习和基于人设的大语言模型重排序,通过最大熵反强化学习模型实现校准预排序,并利用LLM对短候选列表进行重排序,提升推荐效果。
2026-04-21 cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF,将检索与排序集成于单一生成模型,通过排序驱动增强和自适应加权实现同步优化,显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表,这已经证明了它们在提高推荐质量方面的有效性。然而,大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型,这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中,我们提出了一种新的意图感知重排序模型与动态Transformer编码器(RAISE),旨在执行用户特定的预测,为每个单独的用户的基础上,她的意图。具体来说,我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块(IDM)。通过区分评论信息的重要性与共同注意力网络,潜在的用户意图可以显式地建模为每个用户项目对。然后,我们引入了一个动态的Transformer编码器(DTE),以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此,人们不仅可以实现更个性化的推荐,而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明,本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
Token-Controlled Re-ranking for Sequential Recommendation via LLMs
COREC通过令牌增强的重排序框架,实现用户对推荐结果的细粒度控制,提升推荐效果与个性化水平。
2025-11-22 cs.IR cs.LG
Fairness in Recommendation Ranking through Pairwise Comparisons
Google(谷歌)
推荐系统是工业中机器学习最普遍的应用之一,许多服务使用它们来将用户与产品或信息相匹配。因此,重要的是要问:什么是可能的公平风险,我们如何量化它们,以及我们应该如何解决它们?在本文中,我们提供了一套新的度量标准,用于评估算法公平性的关注推荐系统。特别是,我们如何衡量公平性的基础上成对比较随机实验提供了一个易于处理的方法来推理公平性的排名推荐系统。在此指标的基础上,我们提供了一个新的正则化器,以鼓励在模型训练期间改进此指标,从而提高最终排名的公平性。我们将这种成对正则化应用于一个大规模的生产推荐系统,并表明我们能够显着提高系统的成对公平性。
2019-03-02 cs.AI cs.CY cs.IR
CTR is not Enough: a Novel Reinforcement Learning based Ranking Approach for Optimizing Session Clicks
针对传统CTR排序方法忽略用户离开、不适配会话点击优化的问题,提出CTE长期优化目标及强化学习排序模型,经离线和淘宝线上实验验证可有效提升性能。
2023-08-27 cs.IR
DrEM: Dual-Side Robust Ensemble Ranking from Noisy User Preference Predictions in Video Recommendation
Shenzhen University(深圳大学);Kuaishou Technology(快手科技)
针对视频推荐中上游多任务模型输出的用户偏好预测含噪导致的排序不稳定问题,提出双侧鲁棒集成排序框架DrEM,通过风险去噪鲁棒损失与排序一致性正则化提升性能,经实验验证有效。
2026-08-14 cs.IR
Managing Popularity Bias in Recommender Systems with Personalized Re-ranking
许多推荐系统都存在受欢迎程度偏差:受欢迎的产品会被频繁推荐,而不太受欢迎的小众产品则很少推荐或根本不推荐。然而,推荐“长尾”中被忽视的产品对企业至关重要,因为它们不太可能被发现。在本文中,我们引入了一个个性化的多样化重新排名的方法,以增加不太受欢迎的项目的建议,同时保持可接受的推荐精度的代表性。我们的方法是一个后处理步骤,可以应用于任何推荐系统的输出。我们表明,我们的方法是能够更有效地管理流行的偏见,与现有的方法相比,基于正则化。我们还检查了新的和现有的指标来衡量推荐中长尾项的覆盖率。
2019-08-12 cs.IR
EviRank: Evidence-Based Confidence Estimation for LLM-Based Ranking
Xidian University(西安电子科技大学)
提出EviRank方法,通过单次前向传播提取三种互补证据并聚合,结合位置感知校准,实现LLM排序的置信度估计与优化。
2026-06-03 cs.IR
UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation
Beihang University(北京航空航天大学);Baidu Inc.(百度公司);Hong Kong Institute of AI for Science, City University of Hong Kong(香港人工智能科学研究所,香港城市大学)
针对工业信息流推荐中检索排序分离及量化不稳定问题,提出统一框架UNIQUE,采用单层扁平量化与早期融合架构,在百度多场景部署,显著提升观看时长与分发量。
2026-09-22 cs.IR
An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation
该研究提出端到端多目标集成排序框架EMER,通过专用损失函数、新型样本组织与transformer架构优化短视频排序,配套离线在线一致评估系统,在快手部署后显著提升用户停留时长与7天生命周期指标。
2025-09-03 cs.IR