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
GENPLUGIN: A Plug-and-Play Framework for Long-Tail Generative Recommendation with Exposure Bias Mitigation
本文提出即插即用框架 GENPLUGIN，通过双编码器共享解码器、对比学习、概率替换训练策略和基于检索的数据增强，缓解生成式推荐中的曝光偏差并提升长尾物品推荐质量。
2025-07-04 cs.IR
Point-of-Interest Recommendation: Exploiting Self-Attentive Autoencoders with Neighbor-Aware Influence
基于位置的社交网络（LBSNs）的快速增长为满足个性化兴趣点（POI）推荐服务的强烈需求提供了很好的机会。然而，随着用户和兴趣点的大量增加，兴趣点推荐系统仍然面临着一些挑战性的问题：（1）从隐式反馈建模非线性用户-兴趣点交互的困难;（2）结合上下文信息，如兴趣点的地理坐标的困难。为了应对这些挑战，我们提出了一种新的基于自动编码器的模型来学习非线性的用户-POI关系，即\textit{SAE-NAD}，它由一个自关注编码器（SAE）和一个邻居感知解码器（NAD）。特别是，不同于以往的作品平等对待用户的检入POI，我们的自我关注编码器自适应区分用户的偏好程度在多个方面，通过采用多维注意力机制。为了结合地理背景信息，我们提出了一个邻居感知解码器，使用户的可达性更高的相似和附近的邻居检查的兴趣点，这是实现了内积的POI嵌入与径向基函数（RBF）内核。为了评估所提出的模型，我们在三个真实世界的数据集上进行了大量的实验，其中包括许多最先进的基线方法和评估指标。实验结果证明了该模型的有效性。
2018-09-27 cs.IR
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
Visually Aware Skip-Gram for Image Based Recommendations
产品的视觉外观显著影响电子商务网站上的购买决策。我们提出了一个新的框架VASG（视觉感知Skip-Gram）学习用户和产品表示在一个共同的潜在空间中使用产品图像功能。我们的模型是Skip-Gram架构和基于深度神经网络的解码器的融合。在这里，Skip-Gram试图通过优化异构信息网络中的用户-产品共现来捕获用户偏好，而解码器同时学习将产品图像特征转换到Skip-Gram嵌入空间的映射。该架构以端到端、多任务的方式进行了联合优化。所提出的框架使我们能够为没有购买历史的冷启动产品提供个性化的建议。在大型真实数据集上进行的实验表明，学习的嵌入可以使用最近邻搜索生成有效的推荐。
2020-08-16 cs.IR cs.MM
GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation
Tencent Inc.（腾讯公司）；Tsinghua University（清华大学）
GPR提出了一种单模型框架，通过统一生成方法解决广告推荐中的目标不一致和误差传播问题，提升GMV和CTCVR指标。
2026-02-12 cs.IR
Style Conditioned Recommendations
Overstock（Overstock公司）
我们提出了风格条件推荐（SCR），并引入风格注入作为一种方法来多样化的建议。我们使用有条件的变分自编码器（CVAE）架构，其中编码器和解码器的条件上的用户简档从项目内容数据。这允许我们将样式转换方法应用于推荐任务，我们称之为注入。为了启用样式注入，用户简档被学习为可解释的，使得它们表达用户对特定预定义样式的倾向。这些是通过标签传播从项目内容的数据集学习的，具有有限的标记点。为了执行注入，学习编码器上的条件，同时根据显式反馈选择解码器上的条件。显式反馈可以从用户对风格或兴趣测验的响应中获取，也可以从项目评级中获取。在没有显式反馈的情况下，编码器处的条件被应用于解码器。与传统的基于VAE的方法相比，我们在NDCG@20上显示出12%的改进，并且在所有类别中，针对我们的最佳性能基线预测用户风格配置文件的AUC平均提高了22%。在注入样式后，我们将用户样式配置文件与推荐样式进行比较，并显示注入样式的存在平均增加了133%。我们的研究结果表明，风格注入是一个强大的方法，多样化的建议，同时保持个人相关性。我们的主要贡献是一个半监督的方法，扩展项目标签可解释的用户简档的应用。
2019-08-05 cs.IR cs.LG stat.ML
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
Future Data Helps Training: Modeling Future Contexts for Session-based Recommendation
Tencent（腾讯）；University of Science and Technology of China（中国科学技术大学）；University of Edinburgh（爱丁堡大学）；Northeastern University（东北大学）
基于会话的推荐系统近年来受到了广泛的关注。现有的预测方法主要采用数据增强技术或自回归训练方法来捕捉用户行为的序列依赖关系，由于这些方法的目的是对用户行为的序列特性进行建模，因此在构建预测模型时忽略了目标交互的未来数据，然而，我们认为，目标交互之后的未来交互，在训练过程中也是可用的，提供关于用户偏好的有价值的信号，并且可以用于增强推荐质量。然而，将未来的数据正确地集成到模型训练中并不是一件容易的事情，因为它违背了机器学习原则，并且很容易导致数据泄漏。为此，我们提出了一个新的编码器-解码器框架命名为间隙填充推荐（GRec），它训练的编码器和解码器的间隙填充机制。具体地，编码器将部分完整的会话序列（其中一些项目被目的屏蔽）作为输入，并且解码器以编码表示为条件来预测这些被屏蔽的项目。我们使用具有稀疏核的卷积神经网络实例化通用GRec框架，兼顾精度和效率。我们在两个真实世界的数据集上进行了实验，涵盖了短，中，长距离用户会话，表明GRec显着优于最先进的顺序推荐方法。更多的实证研究验证了在我们的GRec框架下建模未来上下文的高效用。
2020-01-25 cs.IR cs.LG
Lightweight representation learning for efficient and scalable recommendation
在过去的几十年里，推荐已经成为许多在线服务（如流媒体和电子商务）的关键组成部分。算法、评估方法和数据集的最新进展导致了最先进技术的不断改进。然而，要使这些方法扩展到互联网的规模，还有很多工作要做。在线广告为大规模推荐提供了一个独特的试验平台。每天，数十亿用户与数百万产品进行实时交互。解决这一问题的系统必须能够大规模可靠地工作。我们提出了一个有效的模型（LED，轻量级编码器-解码器），达到了复杂性，规模和性能之间的新的权衡。具体来说，我们表明，将大规模矩阵因式分解与轻量级嵌入微调相结合，可以大规模释放最先进的性能。我们进一步提供了系统架构的详细描述，并在互联网的规模上展示了其两个多月的操作。我们的设计允许使用标准硬件在几毫秒内为数十亿用户提供数亿项服务。
2021-11-29 cs.IR
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用，其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器（MA-CVAE）用于标签推荐，它将项目协作信息和项目多辅助信息相耦合，内容和社交图谱，通过定义一个生成过程。具体而言，该模型使用变分自编码器（VAE）从不同的项目辅助信息中学习深度潜在嵌入，该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外，为了推荐新项目的标签，项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理，其中重建损失被添加在训练阶段中，以通过不同的辅助嵌入来限制反馈预测的生成。此外，一个归纳变分图自动编码器的设计，新的项目节点可以推断在测试阶段，使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
RecGPT: A Foundation Model for Sequential Recommendation
针对推荐系统跨域泛化难、冷启动表现差的问题，提出基于文本特征和统一分词的序列推荐基础模型RecGPT，实现零样本泛化，在多数据集和工业场景中性能更优。
2025-06-12 cs.IR
Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations
Yandex
提出Gryphon架构，在生成式检索中联合训练物品级评分组件，通过直接重评分解决序列似然校准和ID碰撞问题，在工业音乐服务上Recall@1000提升3.7%，并简化候选生成流水线。
2026-06-09 cs.IR
Generative Sequential Recommendation via Hierarchical Behavior Modeling
针对多行为序列推荐中序列建模不足及缺乏合适数据集的问题，提出基于仅解码器的生成式框架GAMER，通过跨层级交互层与序列增强策略捕捉行为层次依赖，并发布大规模短视频多行为数据集ShortVideoAD，实验证明其在多指标上优于现有基线。
2025-11-05 cs.IR
IntTravel: A Real-World Dataset and Generative Framework for Integrated Multi-Task Travel Recommendation
Amap, Alibaba Group（高德，阿里巴巴集团）
IntTravel通过大规模数据集和生成框架，提升多任务旅行推荐的性能和泛化能力。
2026-09-21 cs.IR
OnePiece: The Great Route to Generative Recommendation -- A Case Study from Tencent Algorithm Competition
本文提出统一编码器-解码器框架，验证生成推荐中ANN和自回归范式的缩放定律，发现两者损失均严格符合幂律缩放规律。
2025-12-08 cs.IR
Generative Recommender with End-to-End Learnable Item Tokenization
本文提出端到端生成式推荐器ETEGRec，通过双编码器-解码器架构统一物品标记化与生成式推荐，并设计序列-物品对齐和偏好-语义对齐目标及交替优化技术，实现优于传统序列推荐和现有生成式基线的性能。
2025-06-04 cs.IR
OneLive: Dynamically Unified Generative Framework for Live-Streaming Recommendation
Kuaishou Technology（快手科技）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
OneLive提出了一种动态统一的生成框架，专门针对直播场景，通过动态分词器、时间感知门控注意力机制、高效解码器架构和多目标对齐框架，解决直播推荐中的实时性和多目标挑战。
2026-02-09 cs.IR
Task-adaptive Neural Process for User Cold-Start Recommendation
用户冷启动推荐是一个长期存在的挑战，推荐系统，由于事实上，只有少量的冷启动用户的交互可以利用。最近的研究试图从Meta学习的角度来解决这一挑战，其中大多数遵循参数初始化的方式，其中模型参数可以通过几步梯度更新来学习。虽然这些基于梯度的元学习模型在一定程度上取得了令人满意的性能，但它们的一个根本问题是如何更有效地将从先前任务中学习到的全局知识用于冷启动用户的推荐。在本文中，我们开发了一种新的元学习推荐称为任务自适应神经过程（TaNP）。TaNP是神经过程家族的新成员，其中为每个用户提供推荐与相应的随机过程相关联。TaNP直接将观察到的每个用户的交互映射到预测分布，避开了基于梯度的元学习模型中的一些训练问题。更重要的是，为了平衡模型容量和自适应可靠性之间的权衡，我们引入了一种新的任务自适应机制。它使我们的模型能够学习不同任务的相关性，并将全局知识定制为与任务相关的解码器参数，以估计用户偏好。我们在不同的实验环境中对多个基准数据集进行了TaNP验证。实证结果表明，TaNP在几个最先进的元学习算法上取得了一致的改进。
2021-02-26 cs.IR
FuXi-$γ$: Efficient Sequential Recommendation with Exponential-Power Temporal Encoder and Diagonal-Sparse Positional Mechanism
FuXi-γ通过指数-幂时间编码器和对角稀疏位置机制，提升序列推荐的效率和效果，实现训练和推理速度的显著提升。
2025-12-14 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
Mutually-Regularized Dual Collaborative Variational Auto-encoder for Recommendation Systems
最近，面向用户的自动编码器（UAE）已被广泛用于推荐系统，以学习用户的语义表示的基础上，他们的历史评级。然而，由于潜在的项目变量在阿联酋没有建模，它是很难利用广泛可用的项目内容信息时，评级是稀疏的。此外，每当新物品到达时，我们需要等待收集这些物品的评级数据，并从头开始重新训练UAE，这在实践中效率低下。针对上述两个问题，我们提出了一个相互正则化的双重合作变分自动编码器（MD-CVAE）的建议。首先，通过用堆叠的潜在项嵌入替换vanilla UAE的随机初始化的最后一层权重，MD-CVAE集成了两个异构信息源，即，项目内容和用户评级，到相同的原则变分框架中，其中UAE的权重由项目内容正则化，使得可以避免由于数据稀疏而收敛到非最优。此外，正则化是相互的，因为用户评级也可以帮助双项内容模块学习更多面向正则化的项内容嵌入。最后，我们提出了一个对称的推理策略MD-CVAE阿联酋编码器的第一层权重绑定到阿联酋解码器的潜在项目嵌入。通过这一战略，不需要再培训就可以推荐新引进的项目。实证研究表明，MD-CVAE在正常和冷启动的情况下的有效性。代码可在https://github.com/yaochenzhu/MD-CVAE上获得。
2022-11-21 cs.IR
Short Video Segment-level User Dynamic Interests Modeling in Personalized Recommendation
本文针对短视频推荐中忽略用户对视频片段动态偏好的问题，提出融合混合表示、多模态编码器和片段兴趣解码器的模型，实现片段级兴趣预测，并在视频跳过预测和推荐任务上验证了有效性。
2025-05-05 cs.IR
Language-Based User Profiles for Recommendation
Cornell University（康奈尔大学）
本文提出基于语言的分解模型 LFM，用 LLM 编码用户评分历史为可读文本画像并用于下游预测，在冷启动场景中优于矩阵分解，且兼具可解释性与较短输入长度。
2024-02-23 cs.CL cs.HC cs.IR
MIMA: Multi-Interest Recommendation via Multi-Positive Exclusive Assignment
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对多兴趣推荐中的兴趣坍缩问题，提出MIMA框架，通过多正例互斥分配和因果Transformer生成互补兴趣，并利用路由模块校准得分，在公共和工业数据集上超越现有方法。
2026-09-14 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
OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
Tencent Inc.（腾讯公司）
OneRanker通过统一生成与排序架构，解决广告推荐中生成与排序的脱节问题，提升业务指标表现。
2026-03-12 cs.IR
TransX: Scaling Transformer-based Recommendation via Behavioral and Serving Stream Crossings
LinkedIn（领英）
TransX通过解耦行为流与服务流建模，结合摊销服务策略，在领英推荐系统上实现CTR升6.0%、转化增益4.4%，且服务成本降低，性能优于现有模型。
2026-08-03 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
Causal Disentangled Recommendation Against User Preference Shifts
推荐系统容易面临用户偏好变化的问题。如果用户的偏好随着时间的推移而改变，用户表示将变得过时并导致不适当的推荐。为了解决这个问题，现有的工作集中在学习鲁棒的表示或预测的变化模式。缺乏一个全面的观点来发现用户偏好变化的根本原因。为了理解偏好转移，我们抽象出一个因果图来描述用户交互序列的生成过程。假设用户偏好在短时间内是稳定的，我们抽象的交互序列作为一组按时间顺序排列的环境。从因果图中，我们发现一些未观察到的因素的变化（例如，怀孕）导致环境之间的偏好转变。此外，细粒度的用户偏好的类别稀疏影响与不同的项目的交互。受因果图的启发，我们处理偏好转移的关键考虑因素在于通过以下方式对交互生成过程进行建模：1）捕获跨环境的偏好转移以进行准确的偏好预测，以及2）将用户偏好对交互的稀疏影响分离出来以进行准确的偏好效果估计。为此，我们提出了一个因果分解推荐（CDR）框架，它通过时间变分自编码器捕获偏好转移，并学习来自多个环境的稀疏影响。具体地说，编码器是用来推断未观察到的因素，从用户的交互，而解码器是模型的交互生成过程。此外，我们引入了两个可学习的矩阵来解开用户偏好对交互的稀疏影响。最后，我们设计了一个多目标损失优化CDR。在三个数据集上的大量实验表明了CDR的优越性。
2023-03-28 cs.IR
SSRLive: Live Streaming Recommendation with Dynamic Semantic ID
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）
针对直播推荐中静态语义ID无法反映内容动态变化、生成式方法忽略用户-主播交互信号的问题，提出SSRLive框架，结合生成模块（动态语义ID）与判别模块（交互增强），在真实部署中显著提升观看时长、GMV等指标。
2026-06-05 cs.IR
Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users
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安全学院）；Kuaishou Technology（快手科技）；School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）；Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学先进网络与安全研究院）；Guangdong Key Laboratory of Industrial Control System Security（广东省工业控制系统安全重点实验室）；Huangpu Research School of Guangzhou University（广州大学黄埔研究生院）
本文提出NF-NPCDR框架，通过个性化偏好编码器和共同偏好编码器捕捉用户多兴趣偏好，结合随机自适应解码器提升冷启动用户推荐性能。
2026-04-28 cs.IR
Contrastive Learning for Aspect Representation towards Explainable Recommendation
Toronto Metropolitan University（多伦多都会大学）
本文提出CLARER模型，结合评分与评论方面特征，利用Transformer和对比学习提升推荐准确性与可解释性，在三个基准数据集上优于基线。
2026-10-07 cs.AI cs.IR
MLPs are Efficient Distilled Generative Recommenders
University of California, San Diego（加州大学圣地亚哥分校）；Snap Inc.（Snap公司）
本文提出SID-MLP框架，通过蒸馏简化生成推荐的解码过程，提升推理效率8.74倍，同时支持不同backbone和tokenizer设置。
2026-05-12 cs.IR
MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation
Tsinghua 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）
提出多模态预训练与迁移框架MISSRec解决序列推荐中ID稀疏、冷启动及迁移受限问题，通过Transformer编码器-解码器与动态融合模块学习多模态兴趣感知序列表示，实现高效微调与精准匹配。
2023-10-23 cs.AI cs.IR cs.MM
OxygenREC: An Instruction-Following Generative Framework for E-commerce Recommendation
OxygenREC通过快慢思考架构和语义对齐机制，实现低延迟多场景的深度推荐推理。
2025-12-31 cs.IR
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
Self-Supervised Representation Learning with ID-Content Modality Alignment for Sequential Recommendation
针对序列推荐中ID与内容模态语义鸿沟及偏好建模难题，提出SICSRec模型，通过LLM样本构建、双编码器及对比学习对齐，在四个数据集上显著优于现有方法。
2025-10-17 cs.IR
Rank-Constrained Deep Matrix Completion for Group Recommendation
Department of Computer Science, African University of Science and Technology（非洲科学与技术大学计算机科学系）；Faculty of Mathematics and Computer Science, Babes-Bolyai University（巴纳特-博雅大学数学与计算机科学学院）；Department of Computer Science, Baze University（贝泽大学计算机科学系）
提出Group RC-DMC框架，通过Set-Transformer聚合器整合群组级表示学习，结合低秩结构和注意力非线性建模，实现个体与群组级别的准确预测。
2026-06-01 cs.AI cs.IR
UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
该研究针对生成式推荐中目标侧特征缺失的问题，提出 TacGR 模型，通过预测并交叉目标侧特征解决挑战，在 Lazada 数据集及线上测试中均取得显著性能提升。
2026-10-30 cs.IR
Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation
针对学习路径推荐中概念相关性建模不足的问题，提出SRC框架，通过概念感知编码、注意力解码、策略梯度优化及知识追踪辅助模块提升路径推荐效果。
2023-06-07 cs.CY cs.IR
AutoSeqRec: Autoencoder for Efficient Sequential Recommendation
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
本文提出基于自动编码器的增量序列推荐模型 AutoSeqRec，通过重构交互矩阵及物品转移矩阵行列，协同建模用户长期偏好与短期兴趣，无需更新参数即可实现高效推荐，并在准确率、鲁棒性和效率上优于现有方法。
2023-08-14 cs.IR cs.LG
EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations
University of British Columbia（不列颠哥伦比亚大学）；Meta AI；Monash University（莫纳什大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对基于内容的推荐需求，本文提出EmbSum框架，结合预训练编解码模型、多头注意力层与LLM监督的用户兴趣摘要生成，实现离线预计算与长期兴趣建模，在两个跨领域数据集上以更少参数超越现有最优方法，还可输出兴趣摘要。
2024-08-19 cs.CL cs.IR
M2: Mixed Models with Preferences, Popularities and Transitions for Next-Basket Recommendation
The Ohio State University（俄亥俄州立大学）
下一个购物篮推荐考虑的是将一组物品推荐到用户将作为整体购买的下一个购物篮中的问题。在本文中，我们开发了一种新的混合模型的偏好，流行度和转换（M2）的下一个篮子推荐。该方法模拟了下一个购物篮生成过程中的三个重要因素：1）用户的一般偏好，2）项目的全局流行度和3）项目之间的过渡模式。与现有的基于递归神经网络的方法不同，M2不使用复杂的网络来建模项目之间的转换，也不为用户生成嵌入。相反，它有一个简单的基于编码器-解码器的方法（ed-Trans）来更好地建模项目之间的转换模式。我们在4个公共基准数据集上比较了M2与5种最先进的下一个篮子推荐方法的不同因素组合，以推荐第一个，第二个和第三个下一个篮子。我们的实验结果表明，M2在所有任务中的所有数据集上都显着优于最先进的方法，提高了22.1%。此外，我们的消融研究表明，ed-Trans在推荐性能方面比递归神经网络更有效。我们还对下一个购物篮推荐评估的各种实验协议和评估指标进行了深入的讨论。
2022-01-17 cs.IR cs.LG stat.ML
Hierarchical Residual Policy Optimization for Generative Recommendations
City University of Hong Kong（香港城市大学）；Kuaishou Technology（快手科技）
针对生成式推荐器后训练中标记级信用分配问题，提出HRPO框架，将项目级结果转换为标记对齐学习信号，经实验在会话效用和业务指标上取得提升。
2026-08-04 cs.IR
Sona Technical Report
Yandex
本文提出单模型生成式推荐系统Sona，在A/B测试中替代Yandex Music原有多阶段推荐级联，显著提升活跃用户、收听时长等核心指标，效果优于此前最强模型Argus。
2026-08-13 cs.IR
Beyond the Beam: Constructive Repair and Candidate Completion for Generative Recommendation
Beijing Institute of Technology（北京理工大学）；China Meteorological Administration（中国气象局）；Tsinghua University（清华大学）；Singapore Management University（新加坡管理大学）
针对生成式推荐中波束外有效标识符的失败，提出超越波束方法，通过积分流修复分配并补全候选，显著提升召回与排名指标。
2026-09-29 cs.IR
Origin-Aware Next Destination Recommendation with Personalized Preference Attention
GrabTaxi Holdings（GrabTaxi控股公司）；School of Computing, National University of Singapore（新加坡国立大学计算学院）；National University of Singapore（新加坡国立大学）；Grab-NUS AI Lab（Grab-新加坡国立大学人工智能实验室）
下一个目的地推荐是出租车和乘车服务的运输领域中的重要任务，其中用户被推荐具有个性化目的地，给出他们当前的起源位置。然而，最近的推荐工作并不满足这种原产地意识属性，只考虑从历史目的地位置，没有原产地信息的学习。因此，所得到的方法不能基于用户的当前位置来学习和预测来源感知推荐，导致次优性能和较差的现实世界实用性。因此，在这项工作中，我们研究了原产地感知的下一个目的地推荐任务。我们提出了时空起点-目的地个性化偏好注意力（STOD-PPA）编码器-解码器模型，通过首先在局部和全局视图中使用空间和时间因素对起点和目的地序列进行编码，然后通过个性化偏好注意力对其进行解码，以预测下一个目的地，从而学习起点-起点（OO），目的地-目的地（DD）和起点-目的地（OD）关系。在七个真实用户轨迹出租车数据集上的实验结果表明，我们的模型显着优于基线和最先进的方法。
2021-01-11 cs.AI cs.IR cs.LG
Conditional Denoising Diffusion for Sequential Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
针对GAN和VAE在序列推荐中的优化不稳定、后验坍缩等问题，提出含序列编码器、交叉注意力去噪解码器和逐步扩散器的条件去噪扩散模型，并结合交叉散度与对比损失，在四个基准数据集上验证了优越性能。
2023-04-22 cs.AI cs.IR cs.LG
Universal Item Tokenization for Transferable Generative Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院）
提出UTGRec，一种通用物品标记化方法，通过多模态大语言模型和树形码本实现跨领域可迁移的生成式推荐，并在四个公开数据集上验证其优越性。
2025-05-25 cs.AI cs.IR
From Zero-Shot Learning to Cold-Start Recommendation
University of Electronic Science and Technology of China（电子科技大学）；Shandong Normal University（山东师范大学）；The University of Queensland（昆士兰大学）
零样本学习和冷启动推荐分别是计算机视觉和推荐系统中的两个具有挑战性的问题。一般而言，这些案件在不同社区得到独立调查。本文揭示了企业社会责任与企业社会责任是同一内涵的两种延伸。例如，它们都试图预测看不见的类，并涉及两个空间，一个用于直接特征表示，另一个用于补充描述。然而，目前还没有从企业社会责任的角度来处理企业社会责任问题的办法。这项工作，首次，制定CSR作为一个CNOL问题，并提出了一个定制的CNOL方法来处理CSR。具体来说，我们提出了一种低秩线性自动编码器（LLAE），它挑战了三个关键，即，域偏移、伪相关和计算效率等问题。LLAE由两部分组成，低秩编码器将用户行为映射到用户属性，对称解码器从用户属性重构用户行为。在CSCL和CSR任务上的大量实验验证了所提出的方法是一个双赢的公式，即，与几种传统的最先进方法相比，ZSL模型不仅可以处理CSR，并且性能显着提高，而且考虑CSR也可以使ZSL受益。
2019-06-21 cs.CV cs.IR
Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling
CRITEO AI Lab \& LIGM, École Nationale des Ponts et Chaussées Paris France；CRITEO AI Lab Paris France；CRITEO AI Lab \& LIGM, École Nationale des Ponts et Chaussées；CRITEO AI Lab
本文提出对比式分词方法COSETTE和轻量级生成模型MARIUS，通过引入协同信号与解耦时间线建模，缩小生成式推荐系统与基于ID模型的性能差距。
2025-08-12 cs.IR cs.LG
HiGR: Industrial-Scale Hierarchical Generative Slate Recommendation Framework in Tencent
Platform and Content Group, Tencent（腾讯平台与内容组）；Sun Yat-sen University（中山大学）
提出HiGR框架，通过结构化语义ID和层次化解码器解决生成式推荐在工业规模下的规划效率与列表质量对齐问题，离线质量提升超10%，推理加速5倍。
2026-06-12 cs.AI cs.IR
Generative Recommendation for Large-Scale Advertising
Kuaishou Technology（快手科技）
GR4AD通过统一广告语义ID和LazyAR解码器提升生成推荐效率，结合价值感知学习优化广告收益，实现大规模广告系统4.2%的收益提升。
2026-04-02 cs.IR cs.LG
