A case study of Generative AI in MSX Sales Copilot: Improving seller productivity with a real-time question-answering system for content recommendation
Microsoft(微软)
本文提出面向微软MSX销售场景的实时问答内容推荐系统,利用LLM嵌入、提示词工程及双编码器加交叉编码器架构,在数秒内从大型销售内容库中精准推荐相关材料,并已集成至生产环境以提升卖家生产力。
2024-01-04 cs.AI cs.IR cs.LG
Improving Federated Graph Recommendation with Semantic Guidance
institutetext(机构)
针对联邦图推荐中跨客户端图表示对齐难的问题,提出利用大语言模型编码的语义信号指导结构表示的选择性聚合,提升推荐准确性。
2026-09-09 cs.AI cs.DB cs.ET
RecMind: Large Language Model Powered Agent For Recommendation
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院);Amazon Alexa AI(亚马逊Alexa人工智能)
提出基于大语言模型的自主推荐智能体RecMind,通过Self-Inspiring算法提升规划能力,在零样本个性化推荐任务中超越现有基线并媲美全训练模型P5。
2024-03-20 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
Personalized Recommendation Tool Learning via Autonomous Language Agents
Microsoft(微软公司)
研究针对基于大语言模型的智能体在推荐系统中的局限性,提出PRTA框架,让LLM作中央规划器与多推荐模型交互,负责高级推理和个性化工具选择,传统模型进行全排序评分,设计反射机制,实验表明该框架提升了全排序推荐性能。
2026-07-23 cs.AI cs.IR
NLP Meets the World: Toward Improving Conversations With News Media About Natural Language Processing Research
Department of Human-Centered Computing and Social Informatics(人机交互与社会信息学系)
本文针对大型语言模型引发的公众对NLP的关注,提出了向大众有效传达NLP能力与局限性的沟通建议,涵盖术语模糊、期望不合理和伦理失败三大障碍,以促进透明沟通并加强公众理解与研究支持。
2026-10-20 cs.AI cs.CL cs.CY
Improving Multi-hop Knowledge Base Question Answering by Learning Intermediate Supervision Signals
Renmin University of China(中国人民大学);Singapore Management University(新加坡管理大学)
多跳知识库问答(KBQA)的目的是在知识库(KB)中找到与问题中的实体相距多跳的答案实体。一个主要的挑战是在中间步骤缺乏监督信号。因此,多跳KBQA算法只能接收最终答案的反馈,这使得学习不稳定或无效。为了应对这一挑战,我们提出了一种新的师生多跳KBQA任务的方法。在我们的方法中,学生网络的目标是找到查询的正确答案,而教师网络试图学习中间监督信号,以提高学生网络的推理能力。主要的新颖性在于教师网络的设计,我们利用正向和反向推理来增强中间实体分布的学习。通过考虑双向推理,教师网络可以产生更可靠的中间监督信号,这可以减轻虚假推理的问题。在三个基准数据集上进行的大量实验证明了该方法在KBQA任务上的有效性。复制我们分析的代码可在https://github.com/RichardHGL/WSDM2021_NSM上获得。
2021-04-07 cs.AI cs.CL
Improving Code Example Recommendations on Informal Documentation Using BERT and Query-Aware LSH: A Comparative Study
École de Technologie Supérieure(高等技术学院)
本研究针对Stack Overflow平台的Java代码示例推荐场景,结合BERT与两种LSH方法进行对比,发现查询感知LSH在命中率和效率上更优,且与现有前沿基准方法效率相当。
2023-11-06 cs.AI cs.LG cs.SE
Text Understanding and Generation Using Transformer Models for Intelligent E-commerce Recommendations
Northeastern University(东北大学);University of Southern California(南加州大学);Northern Arizona University(北亚利桑那大学);Virginia Tech University(弗吉尼亚理工大学);Miami University(迈阿密大学)
本文综述了Transformer预训练模型在电商文本理解与推荐生成中的核心应用,分析其理解用户意图和提升推荐质量的优势,并探讨泛化能力、大规模数据处理与隐私保护等未来挑战。
2024-02-25 cs.AI cs.CL
Improving End-to-End Sequential Recommendations with Intent-aware Diversification
顺序推荐通过对用户的顺序行为进行建模,捕捉用户的动态意图,能够向用户推荐准确的产品。以往的研究主要集中在推荐准确度的优化上,而忽略了推荐多样性,尽管推荐多样性是评价推荐性能的重要指标。大多数现有的方法来提高建议的多样性并不理想地适用于SR,因为它们假设用户意图是静态的,并依赖于后处理的建议列表,以促进多样性。我们同时考虑推荐准确性和多样性的SR提出了一个端到端的神经模型,称为意图感知的多样化顺序推荐(IDSR)。具体来说,我们引入了一个隐式意图挖掘模块(IIM)到SR捕捉不同的用户意图反映在用户的行为序列。然后,我们设计了一个意图感知的多样性促进(IDP)损失来监督IIM模块的学习,并迫使模型在训练过程中考虑推荐多样性。在两个基准数据集上的大量实验表明,IDSR在推荐多样性方面明显优于最先进的方法,同时产生相当或更高的推荐准确性。
2019-08-27 cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);MX Media Co., Ltd(MX媒体有限公司)
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐,而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合,Murzim可以捕获用户偏好模式,为用户-项目交互序列生成嵌入,然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明,Murzim在召回率和MRR方面优于其他几种推荐方法,说明Murzim可以利用项目属性信息产生更好的推荐结果。目前,Murzim已经部署在印度最大的流媒体平台之一MX Player中,正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
Improving Recommendation Systems with User Personality Inferred from Product Reviews
人格是一种心理因素,它反映了人们的偏好,反过来又影响他们的决策。我们假设对用户个性的准确建模可以提高推荐系统的性能。然而,获取这样的个性特征既敏感又昂贵。为了解决这个问题,我们引入了一种新的方法,自动提取公共产品评论文本的个性特征。然后,我们设计和评估三个上下文感知的推荐架构,利用配置文件来测试我们的假设。在两个新的人格数据集Amazon-beauty和Amazon-music上的实验验证了我们的假设,表现出3- 28%的性能提升。我们的分析发现,不同的人格类型对推荐性能的贡献不同:开放和外向的人格对音乐推荐最有帮助,而尽责的人格对美容产品推荐最有帮助。
2023-03-21 cs.IR
Improving tag recommendation by folding in more consistency
标签推荐是协同标签系统的一个重要方面。它旨在向用户推荐标签以标记项目。在本文中,我们提出了我们的工作正在进行的一部分,这是一个新的改进建议,通过重新排名的标签推荐器的输出。我们挖掘候选标签之间的关联规则,以确定一个更一致的标签列表推荐。我们的方法是一个附加的一个,导致更好的建议,我们在本文中显示。它易于并行化,而且可以应用于许多标签处理器。我们在五个数据集上使用两种标签推荐器进行的实验证明了我们的方法的有效性。
2013-09-29 cs.IR
Improving Graph Convolutional Networks with Transformer Layer in social-based items recommendation
HMI Lab VNU University of Engineering and Technology(河内国立大学工程与技术大学 HMI 实验室)
本文提出在GCN中引入Transformer编码器层,通过注意力机制重排节点特征空间,提升社交网络评分预测和链接预测性能。
2024-01-12 cs.AI cs.IR cs.LG
Improving Recommendation Diversity by Highlighting the ExTrA Fabricated Experts
如今,推荐系统(RSes)对个人用户和企业营销变得越来越重要,特别是在在线电子商务场景中。然而,虽然在文献中提出的大多数推荐算法都集中在提高预测精度的努力,推荐质量的其他重要方面,如多样性的建议,已或多或少被忽视。近十年来,推荐多样性引起了越来越多的研究关注,特别是在基于用户-项目二分网络的推荐模型中。在本文中,我们介绍了一个家庭的方法来提取制造的专家从用户的RSes,命名为专家跟踪方法(ExTrA的简称),并探讨这些制造的专家在提高推荐多样性的能力,突出他们在一个著名的二分网络为基础的方法,称为质量扩散(MD的简称)模型。这些ExTrA为基础的模型进行了比较,两个国家的最先进的MD改进模型HHP和BHC,在推荐的准确性和多样性。在三个真实世界数据集MovieLens,Netflix和RYM上的综合实证结果表明,我们提出的基于ExTrA的模型可以实现显着的多样性增益,同时保持相当的推荐准确性水平。
2020-04-24 cs.IR cs.SI
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
Improving Recommendation Relevance by simulating User Interest
Salesforce(赛富时)
大多数(如果不是所有的话)在线项目到项目推荐系统依赖于项目之间相似性的距离(排名)的估计。对于在线推荐系统,这种相似性度量的时间敏感性是非常重要的。我们观察到,建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
会话式推荐系统(CRS)通过从对话历史中推断用户偏好,提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱(KG)的推荐模块,并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的,但仍有两个问题有待解决。首先,基于KG的方法忽略了会话背景中的信息,而仅仅依赖于实体关系和词袋来推荐项目。第二,它需要大量的工程工作来维护模型域特定关系的KG,从而导致更少的灵活性。在本文中,我们提出了一个简单而有效的架构,包括一个预先训练的语言模型(PLM)和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后,PLM将语义对齐的项目嵌入与对话上下文一起使用,以生成高质量的建议和响应。我们的模型不是用KG建模实体关系,而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明,我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
FairMatch: A Graph-based Approach for Improving Aggregate Diversity in Recommender Systems
推荐系统往往偏向于流行的项目。换句话说,很少有项目经常被推荐,而大多数项目没有得到适当的关注。这导致推荐列表中的项目在用户之间的覆盖率较低(即聚合多样性较低)以及推荐项目的不公平分布。在本文中,我们介绍了FairMatch,一个通用的基于图的算法,作为一个后处理的方法后,推荐生成,以提高聚合多样性。该算法迭代地找到很少推荐但质量高的项目,并将其添加到用户的最终推荐列表中。这是通过解决推荐二分图上的最大流问题来完成的。虽然我们专注于聚合多样性和公平分配的推荐项目,该算法可以适用于其他推荐方案使用不同的底层定义的公平性。在两个数据集上进行的一组全面的实验以及与最先进的基线的比较表明,FairMatch在显着提高聚合多样性的同时,提供了相当的推荐准确性。
2020-05-03 cs.IR
Improving Collaborative Filtering Recommendation via Graph Learning
JD Logistics(京东物流)
本文通过图学习方法改进协同过滤推荐,利用图信号处理技术构建稀疏高质量图,提升计算效率并保持推荐准确性。
2025-12-15 cs.HC cs.IR
Improving an Hybrid Literary Book Recommendation System through Author Ranking
文学阅读是个人的一项重要活动,选择阅读一本书可能是一个长期的承诺,使图书选择成为图书爱好者和公共图书馆用户的一项重要任务。在本文中,我们提出了一个混合推荐系统,以帮助读者决定哪本书读。我们研究书籍和作者推荐的混合推荐设置和测试我们的方法在LitRec数据集。我们的混合图书推荐方法结合了两个基于项目的协同过滤算法来预测用户会喜欢的书籍和作者。作者预测被扩展到一个图书列表,该列表随后与通过初始协作推荐器生成的前一个列表聚合。最后,使用产生的图书列表来产生前n个图书推荐。通过各种实验,我们证明了作者推荐可以提高整体图书推荐。
2012-03-23 cs.DL cs.IR
Improving Location Recommendation with Urban Knowledge Graph
位置推荐是指在基于位置的服务中向用户推荐位置。现有的数据驱动的位置推荐方法受到地理因素隐式建模的限制,这可能导致次优推荐结果。在这项工作中,我们通过引入知识驱动的解决方案来解决这个问题。具体而言,我们首先构建城市知识图谱(UrbanKG)的地理信息和功能信息的POI。另一方面,地理因素不仅影响着POI的特性,而且影响着用户与POI的交互。为了解决这个问题,我们提出了一种新的方法命名为UKGC。我们首先在两个子图上进行信息传播,以学习POI和用户的表示。然后,我们通过反事实学习融合两部分表征,以获得最终的预测。在两个真实世界数据集上的大量实验验证了我们的方法可以优于最先进的方法。
2021-11-01 cs.IR
Improving News Recommendations through Hybrid Sentiment Modelling and Reinforcement Learning
University of Pretoria(比勒陀利亚大学)
本文通过混合情感分析与强化学习方法,改进新闻推荐系统,提升个性化和情感匹配能力。
2025-12-08 cs.IR
Improving Micro-video Recommendation by Controlling Position Bias
随着微视频应用的普及,微视频的数量和用户数量迅速增加,这凸显了微视频推荐的重要性。虽然微视频推荐可以自然地被视为顺序推荐,但以往的顺序推荐模型没有充分考虑微视频应用的特点,在归纳中存在偏差,位置的作用也不符合微视频场景的实际。因此,本文提出了一种基于位置解耦的微视频推荐模型PDMRec(Position Decoupled Micro-video Recommendation)。PDMRec采用独立的自注意模块对微视频信息和位置信息进行建模,然后将它们聚合在一起,避免了微视频语义和位置信息之间的噪声相关性被编码到序列嵌入中。此外,PDMRec提出了与微视频场景特征紧密匹配的对比学习策略,减少了微视频序列中位置的干扰。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,PDMRec优于现有的多个国家的最先进的模型,并取得了显着的性能改善。
2022-08-09 cs.IR
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications(北京邮电大学)
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式,以缓解单一评分领域中出现的稀疏性问题。然而,以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异,我们提出了一种新的概率统计等级潜在因子(PCLF)模型,以提高跨域推荐性能。在多个真实数据集上的实验表明,我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Improving Accuracy and Diversity in Matching of Recommendation with Diversified Preference Network
近年来,真实世界的推荐系统需要处理数百万的候选人。由于巨大的计算成本,在整个语料库上进行复杂的端到端算法是极具挑战性的。因此,传统的推荐系统通常包含两个模块。匹配模块侧重于覆盖率,旨在从大型语料库中高效地检索数百个条目,而排名模块则为这些条目生成特定的排名。推荐多样性是影响用户体验的重要因素。大多数努力都在探索排名中的推荐多样性,而匹配模块应该对多样性承担更多责任。在本文中,我们提出了一种新的异构图神经网络框架的多样化推荐(GraphDR)匹配,以提高推荐精度和多样性。具体来说,GraphDR构建了一个巨大的异构偏好网络来记录不同类型的用户偏好,并进行了一个领域级的异构图注意力网络进行节点聚合。我们还创新性地进行了基于邻居相似性的损失,以平衡多样化匹配任务的推荐准确性和多样性。在实验中,我们进行了广泛的在线和离线评估的真实世界的推荐系统与各种准确性和多样性的指标,并取得了显着的改善。为了更好地理解我们的模型,我们还进行了模型分析和案例研究。此外,GraphDR已经部署在一个知名的推荐系统上,影响了数百万用户。源代码将被释放。
2021-02-07 cs.IR
Improving Smart Conference Participation through Socially-Aware Recommendation
这项研究致力于向参与者推荐智能会议上的演示文稿。我们提出了一个场地推荐算法,社会意识的场地和环境推荐(SARVE)。SARVE计算会议参与者的相关性和社会特征信息。为了使用分布式社区发现对推荐过程进行建模,SARVE进一步集成了智能会议社区和参与者的当前上下文。SARVE推荐每个参与者可能高度感兴趣的演示文稿。我们使用真实世界的数据集来评估SARVE。在我们的实验中,我们比较SARVE两个相关的国家的最先进的方法,即:上下文感知移动推荐服务(CAMRS)和会议导航(推荐)模型。我们的实验结果表明,在所使用的评价指标:精度,召回率和f-测量,SARVE实现更可靠和有利的社会(关系和上下文)推荐结果。
2020-08-09 cs.IR cs.SI
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院);Aalborg University(奥尔堡大学)
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征,并以结构化的形式提供它们的解释。众所周知,用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面,最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本,我们的目标是表明生成的文本可以成功地用于解释建议。在本文中,我们提出了一个框架,包括流行的审查为导向的生成模型,旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集,其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法,我们采用DeepCoNN,一种新的面向评论的推荐系统,使用深度神经网络,通过均方根误差(RMSE)来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知,这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
MOI-Mixer: Improving MLP-Mixer with Multi Order Interactions in Sequential Recommendation
KAIST AI(韩国科学技术院人工智能);Korea University(高丽大学);KAKAO
成功的顺序推荐系统依赖于准确地捕捉用户的短期和长期兴趣。虽然基于transformer的模型在顺序推荐任务中取得了最先进的性能,但它们通常需要二次记忆和序列长度的时间复杂度,使得难以提取用户的长期兴趣。另一方面,基于多层感知器(MLP)的模型,以其线性记忆和时间复杂度而闻名,最近在各种任务中与Transformer相比显示出竞争力。鉴于大量用户的行为历史的可用性,基于MLP的模型的线性记忆和时间复杂度使他们成为一个有前途的替代探索在顺序推荐任务。为此,我们采用了基于MLP的模型在顺序推荐,但始终观察到,基于MLP的方法获得较低的性能比那些Transformer,尽管其计算的好处。从实验中,我们观察到,引入显式高阶相互作用的MLP层减轻了这样的性能差距。作为回应,我们提出了多阶交互(MOI)层,它能够表达输入中的任意交互顺序,同时保持MLP层的内存和时间复杂度。通过将MLP层替换为MOI层,我们的模型能够实现与基于Transformer的模型相当的性能,同时保留基于MLP的模型的计算优势。
2021-08-17 cs.AI cs.IR cs.LG
Improving Reachability and Navigability in Recommender Systems
在本文中,我们从网络的角度研究推荐系统,并研究推荐网络,其中节点是项目(例如,电影)并且边缘从前N个推荐(例如,相关电影)。特别是,我们专注于评估的可达性和导航性的推荐网络和调查以下问题:(一)如何以及推荐网络支持导航和探索性搜索?(ii)参数,特别是不同的推荐算法和显示的推荐数量,对可达性和可导航性有什么影响?以及(iii)如何在这些网络中提高可达性和可导航性?我们首先通过调查推荐网络的结构特性来评估推荐网络的可达性,从而解决这些问题。其次,我们通过模拟三种不同的信息寻求场景模型来评估导航性。我们发现,与标准的算法,推荐系统不适合导航和探索,并提出了修改建议,以改善这一点的方法。我们的工作从基于单击的推荐系统评估扩展到多单击分析(即,序列的依赖点击),并提出了一个通用的,全面的方法来评估任意推荐网络的可导航性。
2015-07-29 cs.IR cs.SI
Leveraging Tripartite Interaction Information from Live Stream E-Commerce for Improving Product Recommendation
University of Science and Technology of China(中国科学技术大学);Tencent(腾讯);JD AI Research(京东人工智能研究院);Harbin Institute of Technology(哈尔滨工业大学);Microsoft Research Asia(微软亚洲研究院)
最近,一种新的在线购物形式变得越来越流行,它将直播与电子商业活动相结合。主播介绍产品并与观众互动,从而大大提高了产品销售的性能。尽管直播电子商业已经在行业中得到了成功的应用,但在数据科学界还没有得到很好的研究。为了填补这一空白,我们调查了这个全新的场景,并收集了一个真实世界的实时流媒体电子商业(LSEC)数据集。与传统的电子商业活动不同,主播在LSEC活动中扮演着举足轻重的角色。因此,关键是要充分利用主播、用户和产品之间丰富的交互信息。我们首先对三方互动数据进行数据分析,量化主播对用户购买行为的影响。基于分析结果,我们将三方信息建模为异构图,可以将其分解为多个二部图,以便更好地捕捉影响。本文提出了一种新的流媒体直播电子商业图神经网络框架(LSEC-GNN)来学习每个二分图的节点表示,并进一步设计了一种多任务学习方法来改进产品推荐。在两个不同尺度的真实世界数据集上的大量实验表明,我们的方法可以显着优于各种基线方法。
2021-06-07 cs.AI cs.IR
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder
嵌入式MLP已经成为现代大规模推荐系统的一种范式。然而,这种模式遭受冷启动问题,这将严重损害生态健康的推荐系统。本文试图通过为具有历史数据和有限交互记录的冷项目生成增强的预热ID嵌入来解决项目冷启动问题。从行业实践的角度来看,我们主要关注以下三点项目冷启动:1)在线推荐场景下,如何在没有额外数据需求的情况下进行冷启动,并使策略易于部署。2)如何利用历史记录和新项目不断出现的交互数据。3)如何从交互数据中稳定地建模项目ID和辅助信息之间的关系。为了解决这些问题,我们提出了一个模型无关的条件变分自编码器为基础的推荐(CVAR)框架,具有一些优点,包括各种骨干兼容性,没有额外的数据要求,利用历史数据和最近出现的互动。CVAR使用潜变量来学习项目边信息的分布,并使用条件解码器生成所需的项目ID嵌入。通过在公开数据集上的大量离线实验和在腾讯新闻推荐平台上的在线A/B测试,进一步验证了CVAR的优势和鲁棒性。
2022-05-27 cs.IR
Improving Conversational Recommendation System by Pretraining on Billions Scale of Knowledge Graph
Alibaba Group(阿里巴巴集团);University of Macau(澳门大学);Zhejiang University(浙江大学)
电子商务平台中的会话推荐系统(CRS)旨在通过多个会话交互向用户推荐物品。点击率(CTR)预测模型通常用于对候选项进行排名。然而,大多数CRS都受到数据稀缺和稀疏的问题。为了解决这个问题,我们提出了一种新的知识增强深度交叉网络(K-DCN),这是一种两步(预训练和微调)CTR预测模型来推荐项目。首先根据用户、项目和会话信息构建十亿级会话知识图谱(CKG),然后引入知识图谱嵌入方法和图卷积网络分别对CKG进行语义和结构信息编码,使CTR预测模型能够感知用户的当前状态以及会话与项目之间的关系,本文基于预先训练好的CKG,引入用户状态和对话交互表示,提出K-DCN,通过深度交叉网络融合用户状态表示、对话交互表示和其他常规特征表示,实验结果表明,该方法的推荐效果明显优于基线,并在Alime中得到了实际应用。
2021-04-30 cs.AI cs.IR
Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking
National University of Singapore(新加坡国立大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Singapore Management University(新加坡管理大学)
本文提出CARE框架,结合外部推荐系统和LLM进行上下文适应,提升对话推荐的准确性,实验表明在ReDial和INSPIRED数据集上提升54%和25%。
2026-03-30 cs.IR
Harnessing the power of Social Bookmarking for improving tag-based Recommendations
社会书签和标签已经出现了一个新时代的用户协作。协作标记允许用户注释他们喜欢的内容,通过适当的算法可以提供有用的产品推荐。今天的情况是,基于标签的算法与基于评级的推荐机制互补,以预测用户对各种产品的喜好。在本文中,我们提出了一种替代算法计算个性化的产品推荐,专门使用的用户提供的标签。我们的方法是基于使用用户提供的标签的语义相似性聚类成组的类似意义的想法。然后,将用户注释能力的一些可测量特征与其他度量(如用户相似度)相结合,用于计算预测。从现实世界的协作标记系统,citeUlike使用的数据的评估,证实了我们的方法优于基线向量空间模型,以及其他国家的最先进的算法,更准确地预测用户的喜好。
2014-10-19 cs.IR cs.SI
Improving Recommendation Fairness via Data Augmentation
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学);Ant Group(蚂蚁集团);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
基于协同过滤的推荐技术从用户的历史行为数据中学习用户的偏好,以帮助用户进行决策。近年来,推荐的公平性问题变得越来越重要。当推荐系统不能根据用户的敏感属性对不同的用户组表现得同样好时,它被认为是不公平的(例如,性别、种族)。已经提出了许多方法来通过优化预定义的公平性目标或改变不平衡的训练数据的分布来减轻不公平。然而,它们要么受到特定公平性优化指标的影响,要么依赖于重新设计当前的推荐架构。本文从数据增强的角度研究如何提高推荐公平性。推荐模型放大了不平衡的训练数据固有的不公平性。我们将不平衡的训练数据增加到平衡的数据分布,以提高公平性。所提出的框架通常适用于任何基于嵌入的推荐,并且不需要预先定义公平性度量。在两个真实数据集上的大量实验清楚地表明了我们所提出的框架的优越性。我们在https://github.com/newlei/FDA上发布源代码。
2023-02-21 cs.IR cs.LG
Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation
针对对抗协同过滤缺乏理论解释的问题,本文证明其在干净与投毒数据下均可降低推荐误差,并据此提出按用户嵌入尺度设置扰动幅度的PamaCF,提升鲁棒性与推荐性能。
2024-11-02 cs.IR
Improving One-class Recommendation with Multi-tasking on Various Preference Intensities
National Taiwan University(国立台湾大学)
本文针对单类推荐中隐式反馈偏好强度固定的不现实假设,提出多任务框架建模不同偏好强度,并结合注意力图卷积捕获高阶关系,在三个大规模数据集上显著超越现有方法。
2024-01-18 cs.AI cs.IR cs.LG
Leave No User Behind: Towards Improving the Utility of Recommender Systems for Non-mainstream Users
在协作过滤推荐场景中,数据中的偏差可能会在学习的推荐中传播。在本文中,我们专注于所谓的主流偏见:倾向于推荐系统提供更好的推荐给用户谁有主流的口味,而不是非主流用户。我们提出NAECF,一个概念上简单但有效的想法来解决这种偏见。该思想包括在使用基于文本的卷积神经网络学习用户和项目表示时添加自动编码器(AE)层。AE,一个用于用户,一个用于项目,在学习如何推荐时充当最小化评级预测误差的过程的对手。它们要求所有用户和项目的特定独特属性都充分地融入并保存在学习的表示中。这些表示,提取相应的AE的瓶颈,预计将不太偏向主流用户,并提供更平衡的推荐效用在所有用户。我们的实验结果证实了这些预期,显着提高了非主流用户的建议,同时保持主流用户的推荐质量。我们的研究结果强调了部署广泛的基于内容的功能(如在线评论)的重要性,以便更好地代表用户和项目,以最大限度地提高去偏见效果。
2021-02-02 cs.IR
Improving Session Recommendation with Recurrent Neural Networks by Exploiting Dwell Time
University of Würzburg(维尔茨堡大学);L3S Research Center(L3S研究中心)
最近,循环神经网络(RNN)已被应用于基于会话的推荐任务。这些方法使用RNN来预测用户会话中的下一个项目,基于错误访问的项目。虽然一些方法考虑额外的项目属性,我们认为,项目停留时间可以作为一个隐式的用户兴趣的措施,以改善基于会话的项目推荐。我们提出了一个扩展现有的RNN方法,捕获用户停留时间,除了访问的项目,并显示推荐性能可以提高。此外,我们调查的有用性的一个单一的验证分裂模型选择的情况下,轻微的改进,并发现,在我们的情况下,最好的模型没有被选中,一个折叠样的研究与不同的验证集是必要的,以确保选择最好的模型。
2017-06-30 cs.IR cs.LG
Improving Recommendation Fairness via Graph Structure and Representation Augmentation
本文提出一种基于双重数据增强的公平推荐框架,通过识别敏感交互与敏感特征生成公平增强图和表示,并结合去偏学习在保持推荐效用的同时提升公平性。
2025-08-27 cs.IR
Improving Sequential Query Recommendation with Immediate User Feedback
School of Computing Science, University of Glasgow(格拉斯哥大学计算科学学院)
本文提出将多臂老虎机框架与Transformer因果语言模型结合,使序列查询推荐能够利用即时用户反馈,实验表明其每轮遗憾显著优于现有方法。
2024-07-03 cs.IR cs.LG stat.ML
Improving Sequential Recommendations with LLMs
本研究探索大语言模型在序列推荐中的应用,设计三类正交方法及混合方案,经多数据集实验验证,LLM嵌入初始化、微调等方式可显著提升推荐准确率,为后续推荐系统发展提供参考。
2025-01-11 cs.IR
Improving Recommendation Fairness without Sensitive Attributes Using Multi-Persona LLMs
针对推荐系统在无敏感属性场景下的公平性问题,提出LLMFOSA框架,利用多角色大语言模型推断敏感信息并学习鲁棒表示,通过互信息目标优化,在公开数据集上验证了提升公平性的有效性。
2025-05-26 cs.IR
MuonRec: Shifting the Optimizer Paradigm Beyond Adam in Scalable Generative Recommendation
Shanghai Jiao Tong University(上海交通大学)
MuonRec通过引入Muon优化器提升可扩展生成推荐系统的训练效率和排名质量,优于Adam/AdamW基线。
2026-11-04 cs.AI cs.IR
Improving Outfit Recommendation with Co-supervision of Fashion Generation
Shandong University(山东大学);University of Amsterdam(阿姆斯特丹大学)
服装推荐的任务包括两个主要的挑战:视觉理解和视觉匹配。视觉理解的目的是提取有效的视觉特征。视觉匹配旨在模拟人类的兼容性概念,以计算时尚物品之间的匹配。大多数先前的研究仅依赖于推荐损失来指导视觉理解和匹配。尽管这些方法所捕获的特征描述了基本特征(例如,颜色、纹理、形状),它们与输出项的视觉信号(推荐)不直接相关。这是有问题的,因为美学特性(例如,风格,设计),我们可以直接推断输出项的基础上,是缺乏的。特征仅在推荐损失下学习,其中监督信号仅仅是给定的两个项目是否匹配。为了解决这个问题,我们提出了一个神经协同监督学习框架,称为Fashion推荐机(FARM)。FARM提高了视觉理解,通过纳入监督代损失,我们假设能够更好地编码美学信息。FARM通过引入一种新的层到层匹配机制来增强视觉匹配,从而更有效地融合美学信息,同时避免了过于关注生成质量而忽视推荐性能。在两个公开数据集上进行的大量实验表明,FARM在AUC和MRR方面优于最先进的服装推荐模型。通过对生成和推荐项目的详细分析表明,FARM可以编码更好的特征,并生成高质量的图像作为参考,以提高推荐性能。
2019-08-24 cs.CV cs.IR
Improving Minimax Group Fairness in Sequential Recommendation
本文针对序列推荐中特定用户群体性能不佳的问题,探索了三种DRO方法,发现CVaR DRO无需群体标注即可提升群体公平性与整体性能,在重叠群体场景中表现最优。
2025-01-30 cs.IR
Improving Conversational Recommendation Systems via Bias Analysis and Language-Model-Enhanced Data Augmentation
University College London(伦敦大学学院);The University of Oklahoma(俄克拉荷马大学)
本研究分析了对话推荐系统基准数据集中的选择偏差和流行度偏差,提出了两种基于语言模型的数据增强策略'Once-Aug'和'PopNudge',在ReDial和TG-ReDial数据集上有效提升了模型性能并缓解了多种偏差。
2023-10-25 cs.CL cs.IR
Improving Trace Link Recommendation by Using Non-Isotropic Distances and Combinations
Siemens AG(西门子股份公司)
针对软件制品跟踪链接自动计算问题,本文从几何视角研究非线性、非各向同性相似性度量及组合,并在开源与工业项目上验证其推荐效果。
2023-07-15 cs.AI cs.IR cs.SE
Improving Sequential Recommendation Models with an Enhanced Loss Function
Xiamen University(厦门大学)
本文分析了序列推荐中常用损失函数的优缺点,提出一种结合各优势的改进损失函数,在多个开源库上的实验表明该函数显著提升了GRU4Rec、SASRec等模型的性能,并使改进的SASRec基准在多个数据集上优于或接近BERT4Rec。
2023-05-22 cs.IR cs.LG
Improving Sequential Recommendation Consistency with Self-Supervised Imitation
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)
大多数顺序推荐模型捕捉用户-项目交互历史中连续项目的特征。虽然有效,但它们的表示表达能力仍然受到稀疏学习信号的阻碍。因此,顺序推荐器容易做出不一致的预测。在本文中,我们提出了一个模型,SSI,以提高自我监督模仿的顺序推荐一致性。准确地说,我们提取的一致性知识,利用三个自我监督的预训练任务,其中时间一致性和人物角色一致性捕捉用户交互动态的时间顺序和人物角色的敏感性,分别。此外,为了提供具有全局视角的模型,通过最大化全局和局部交互序列之间的互信息来引入全局会话一致性。最后,为了综合利用一致性增强知识的所有三个独立方面,我们建立了一个集成的模仿学习框架。一致性知识被有效地内化,并通过模仿传统的预测logit以及一致性增强的项目表示转移到学生模型。此外,灵活的自我监督模仿框架也可以使其他学生学习者受益。四个真实世界的数据集上的实验表明,SSI有效地优于国家的最先进的顺序推荐方法。
2021-06-29 cs.IR cs.LG
Improving Recommendation System Serendipity Through Lexicase Selection
提出基于聚类分析的意外发现性指标,并引入 lexicase selection 算法提升推荐多样性,在保持高命中率的同时有效缓解信息茧房和同质性问题。
2023-05-18 cs.IR cs.NE
XDM: Improving Sequential Deep Matching with Unclicked User Behaviors for Recommender System
基于深度学习的顺序推荐系统近年来引起了学术界和工业界越来越多的关注。大多数工业化的基于嵌入的检索(EBR)系统的推荐共享与顺序查询相似的思想。其中,如何全面捕捉序列用户兴趣是一个根本性的问题。然而,大多数现有的顺序推荐模型作为输入点击或购买的行为序列,从用户项目的交互。这导致不全面的用户表示和次优的模型性能,因为它们忽略了完整的用户行为暴露数据,即,用户印象深刻但未点击的项目。在这项工作中,我们试图采用一种新的学习方法,以探索更好的顺序推荐技术,将这些未点击的项目序列和模型。提出了一种有效的三元组度量学习算法来适当地学习未点击项目的表示。我们的方法可以简单地集成与现有的顺序推荐模型的置信度融合网络,并进一步获得更好的用户表示。基于真实电子商务数据的离线实验结果验证了该方法的有效性,并验证了未点击项目在顺序推荐中的重要性。此外,我们部署我们的新模型(命名为XDM)在淘宝推荐系统的EBR,性能优于部署的前一代SDM。
2022-03-31 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