Item Cluster-aware Prompt Learning for Session-based Recommendation
University of Illinois Chicago（伊利诺伊大学香槟分校）
提出CLIP-SBR框架，通过全局图建模会话内与跨会话项目关系，并用软提示高效整合，在八个模型和三个数据集上稳定提升推荐性能。
2025-05-27 cs.AI cs.IR cs.LG
A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings
University of Surrey（萨里大学）
针对现有物品表示难以直接反映用户兴趣的问题，本文提出模型无关的IaCN框架，通过辅助任务联合学习基于物品与面向兴趣的物品嵌入，并在多场景实验中显著提升多种推荐模型性能。
2023-08-17 cs.AI cs.IR cs.LG
Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（Salesforce人工智能研究院）；South China Agricultural University（华南农业大学）；Beihang University（北京航空航天大学）
顺序推荐（SR）模型的用户动态和预测下一个首选项的基础上，用户的历史。现有的SR方法模型的“被交互之前”项目的序列中观察到的项目转换，这可以被看作是一个项目的关系。但是，存在多个辅助项关系，例如，来自类似品牌的物品，并且在现实世界的场景中具有类似内容。辅助项关系以多种不同的语义描述项与项之间的关系，缓解了推荐中的长时间冷启动问题。然而，它仍然是一个显着的挑战，SR辅助项目的关系建模。为了同时建模高阶项目的序列和辅助项目的关系，我们提出了一个多关系Transformer能够建模辅助项目关系SR（MT4SR）。具体来说，我们提出了一种新的自我注意模块，它结合了任意的项目关系和权重的项目关系。其次，我们用一个新的正则化模块来规范序列内的项目关系，以监督注意力计算。第三，对于序列间项目关系对，我们提出了一个新的序列间相关项目建模模块。最后，我们在四个基准数据集上进行了实验，并证明了MT4SR在最先进的方法和冷启动问题上的改进的有效性。该代码可在www.example.com上获得。
2022-10-28 cs.AI cs.IR cs.LG
Item Recommendation from Implicit Feedback
Google Research（谷歌研究院）
商品推荐的任务是从一个庞大的商品目录中为用户选择最好的商品。项目识别者通常是从隐性反馈中训练出来的，隐性反馈只包括过去积极的行为。项目推荐的核心挑战是（1）如何从隐式反馈中制定训练目标和（2）如何在大型项目目录上有效地训练模型。本文介绍了项目推荐的基本概念、特点和常用方法。它首先介绍了这个问题，并讨论了不同的培训目标。主体涉及学习算法，并提出了采样为基础的算法，一般的神经网络和更有效的算法点积模型。最后讨论了项目检索器在检索任务中的应用。
2021-01-21 cs.IR cs.LG
Graph Collaborative Signals Denoising and Augmentation for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon Ads（亚马逊广告）；Beihang University（北京航空航天大学）；University of California, Davis（加州大学戴维斯分校）
本文提出 GraphDA，通过 top-K 采样去噪用户-物品交互矩阵，并增广用户-用户与物品-物品相关性，以提升图协同过滤在交互丰富和稀疏场景下的推荐性能。
2023-04-10 cs.AI cs.IR cs.LG
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta；Amazon（亚马逊公司）；University of Klagenfurt（克拉根福大学）
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号（如共同购买统计数据）时，它们非常有效。然而，在某些在线市场中，例如，在网上拍卖网站上，不断有新的物品被添加到目录中。在这种情况下，由于缺乏交互数据，补充项目推荐通常基于项目边信息。在这项工作中，我们提出了一种新的方法，可以利用项目边信息和标记的互补项目对，以产生有效的互补推荐冷项目，即，对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别，我们在技术上为每个项类别保留了一个潜在空间。同时，我们学习项目分布项目表示到这些类别空间，以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外，我们采用了循环生成对抗网络（CycleGAN）的思想，即使在给定项目和类别不存在标记数据的情况下，也可以利用可用的项目信息。在三个电子商务数据集上的实验表明，该方法是非常有效的。
2023-03-10 cs.IR cs.LG
Meta-Prod2Vec - Product Embeddings Using Side-Information for Recommendation
Criteo；Facebook AI Research
我们提出了Meta-M2 vec，一种新的方法来计算项目相似度的建议，利用现有的项目元数据。在内容推荐、广告定位和网络搜索等应用中经常会遇到这样的场景。我们的方法利用过去的用户与项目及其属性的交互来计算项目的低维嵌入。具体地说，项元数据作为辅助信息被注入到模型中，以正则化项嵌入。我们表明，新的项目表示导致更好的性能在一个开放的音乐数据集上的推荐任务。
2016-07-25 cs.AI cs.IR
Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（赛富时人工智能研究院）
针对零样本物品推荐，提出基于产品知识图谱的多任务预训练方法，通过四个预训练任务和任务导向适应层解决关系建模与领域差异，在18个市场数据集上验证有效性。
2023-05-12 cs.AI cs.IR cs.LG
Evaluation Metrics for Item Recommendation under Sampling
Google Research（谷歌研究院）
项目推荐的任务需要在给定上下文的情况下对大量项目进行排序。项目推荐算法使用依赖于相关项目位置的排名度量进行评估。为了加速度量的计算，最近的工作通常使用采样度量，其中仅对较小的随机项和相关项进行排名。本文研究采样度量更详细，并表明，采样度量与其确切的版本是不一致的。采样度量不持久化相对语句，例如，“算法A比B更好”，甚至出乎意料。此外，采样大小越小，度量之间的差异越小，并且对于非常小的采样大小，所有度量都收缩到AUC度量。
2019-12-04 cs.IR cs.LG
How to Index Item IDs for Recommendation Foundation Models
Rutgers University（罗格斯大学）
本文针对推荐基础模型的物品标识问题，以 P5 为骨干分析简单索引缺陷，并提出顺序、协同、语义与混合四类索引方法，验证其可提升 LLM 推荐效果。
2023-09-26 cs.AI cs.CL cs.IR
HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
Glance
本文提出HASTE框架，通过分层损失和属性特定损失优化生成式推荐，在多领域数据集上提升了推荐性能，使训练收敛速度约提升1倍。
2026-10-14 cs.AI cs.IR cs.LG
Popularity-Aware Item Weighting for Long-Tail Recommendation
College of Computing and Digital Media（计算与数字媒体学院）；DePaul University（德保罗大学）
许多推荐系统都存在受欢迎程度偏差问题：受欢迎的产品经常被推荐，而不太受欢迎的利基产品很少被推荐。然而，那些被忽视的产品正是企业需要寻找客户的产品，他们的推荐会更有益。在本文中，我们研究了一个项目加权的方法来改善长尾推荐。我们的方法作为一个简单而强大的附加到现有的推荐算法，使一个可调的准确性和长尾覆盖率之间的权衡。
2018-12-05 cs.AI cs.IR
URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph
Yunnan University（云南大学）；Yunnan Power Grid Co., Ltd（云南电网有限责任公司）；Shantou University（汕头大学）；Kunming University of Science and Technology（昆明理工大学）
由于信息量大，用户很难在众多的选择中找到自己感兴趣的内容。为了提高用户体验，推荐系统已经广泛应用于音乐推荐、电影推荐、在线购物等场景。近年来，知识图谱（KG）被证明是提高推荐系统性能的有效工具。然而，将知识图谱应用于推荐的一个巨大挑战是如何利用知识图谱获得更好的用户代码和项目代码。针对这一问题，本研究提出了一种基于知识图谱的用户递归神经网络编码器和项目编码器推荐算法。通过获取项目的高层邻居信息对项目进行编码，生成项目的表示向量，并利用RNN和项目的表示向量对用户进行编码，生成用户的表示向量，然后对用户的表示向量和项目的表示向量进行内积运算，得到用户与项目交互的概率。在三个真实数据集上的数值实验表明，URIR在AUC、精度、召回率和MRR等指标上优于现有算法。这意味着URIR可以有效地利用知识图谱来获得更好的用户代码和项目代码，从而获得更好的推荐结果。
2021-11-01 cs.AI cs.IR
HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Alibaba Group（阿里巴巴集团）
提出分层图对比学习（HGCL），通过跨层对比预训练和分层图微调，利用物品分层结构提升推荐准确性，在多个基准数据集上优于现有模型。
2025-05-25 cs.AI cs.IR
Session-aware Linear Item-Item Models for Session-based Recommendation
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）；Yonsei University（延世大学）
基于会话的推荐旨在给定在会话中消费的先前项目的序列来预测下一项目，例如，电子商务或多媒体流服务。具体来说，会话数据表现出一些独特的特征，即，会话一致性和对会话内项目的顺序依赖性、重复的项目消耗和会话及时性。在本文中，我们提出了简单而有效的线性模型，考虑整体方面的会议。我们的模型的综合性有助于提高基于会话的推荐的质量。更重要的是，它提供了一个通用框架来反映会话数据的不同视角。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有高度的可扩展性。实验结果表明，所提出的线性模型在几个真实世界的数据集上的各种指标表现出竞争力或最先进的性能。
2021-06-25 cs.IR cs.LG
Learning Hierarchical Item Categories from Implicit Feedback Data for Efficient Recommendations and Browsing
The Hong Kong University of Science and Technology（香港科技大学）
搜索、浏览和推荐是可以减轻用户在在线市场中所面临的“选择过载”的常见方式。在本文中，我们提出了使用层次项目类别，从隐式反馈数据，使有效的浏览和建议。我们提出了一种只从隐式反馈数据创建层次项目类别的方法，即，而没有关于项目的任何其他信息，如名称、流派等。以这种方式创建的类别基于用户对项目的共同消费。因此，当用户浏览层次结构时，它们在查找有趣和相关的项目时可能更有用。我们还表明，该项目层次结构可以是有用的，在作出基于类别的建议，这使得建议更可解释，并增加了多样性的建议，而不会影响太多的准确性。项层次结构在创建自动项分类框架时也很有用，因为它可以绕过手动标记和注释。这对小商贩尤其有用。我们的数据驱动的层次类别是基于分层潜在树分析（HLTA），这是以前用于文本分析。我们提出了一个扩大的学习算法\emph{HLTA-Forest}，使HLTA可以应用于隐式反馈数据。
2019-06-21 cs.AI cs.IR
Page-level Optimization of e-Commerce Item Recommendations
eBay Inc.（eBay公司）
商品详细信息页面（IDP）是电子商业网站上的一个网页，提供有关特定产品或商品列表的信息。在此页面上的项目详细信息下方，买家通常可以找到其他相关项目的建议。这些通常以一系列模块或旋转木马的形式出现，每个模块包含一组推荐项目。这些项目推荐模块的选择和排序旨在提高相关项目的可扩展性并鼓励更大的用户参与，同时展示库存的多样性并满足其他业务目标。IDP上的项目推荐模块通常是为所有客户策划和静态配置的，忽略了个性化的机会。在本文中，我们提出了一个可扩展的端到端的生产系统，以优化个性化的选择和订购的项目推荐模块的IDP实时利用深度神经网络。通过广泛的离线实验和在线A/B测试，我们表明，我们提出的系统实现了显着更高的点击率和转换率相比，其他现有的方法。在我们的在线A/B测试中，我们的框架比静态配置提高了2.48%的点击率和7.34%的购买率。
2021-08-12 cs.IR cs.LG
Proactive Guiding Strategy for Item-side Fairness in Interactive Recommendation
Chinese Academy of Sciences（中国科学院）；University of Technology Sydney（悉尼科技大学）；University of Science and Technology of China（中国科学技术大学）
HRL4PFG通过分层强化学习引导用户偏好向长尾物品倾斜，提升交互推荐的公平性和用户参与度。
2026-03-03 cs.AI cs.IR
Conditioned Variational Autoencoder for top-N item recommendation
University of Padova（帕多瓦大学）
在本文中，我们提出了一个有条件的变分自编码器（C-VAE）的约束top-N项目推荐，其中推荐的项目必须满足一个给定的条件。所提出的模型架构类似于标准VAE，其中条件向量被馈送到编码器中。由于考虑了输入条件的新的重建损失，在训练期间学习受约束的排名。我们表明，我们的模型概括了国家的最先进的多VAE协同过滤模型。此外，我们还提供了关于C-VAE在潜在空间中学习的内容的见解，提供了人性化的解释。实验结果强调了C-VAE在约束条件下提供准确建议的潜力。最后，所进行的分析表明，C-VAE可以用于其他推荐场景，如上下文感知推荐。
2020-05-04 cs.IR cs.LG
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）；Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
顺序推荐的目的是根据历史交互项目推荐目标用户将在不久的将来与之交互的项目。虽然建模时间动态对于顺序推荐至关重要，但大多数现有研究仅集中在用户侧，而忽略了对应物中存在的顺序模式，即，项目方。虽然一些研究调查的动态参与的双重方面，复杂的用户-项目的相互作用并没有充分利用从全球的角度来获得动态的用户和项目表示。在本文中，我们设计了一个新的动态表示学习模型的顺序推荐（DRL-SRe）。为了更好地建模用户-项目交互，从双方的动态特征，所提出的模型建立了一个全球用户-项目交互图的每个时间片，并利用时间片图神经网络学习用户和项目表示。此外，为了使该模型能够捕获细粒度的时间信息，我们提出了一个辅助的时间预测任务的连续时间片的时间点过程的基础上。在三个公开的真实数据集上的综合实验表明，DRL-SRe比最先进的顺序推荐模型有很大的优势。
2021-09-24 cs.AI cs.IR
Implicit ZCA Whitening Effects of Linear Autoencoders for Recommendation
Hokkaido University（北海道大学）
该研究揭示推荐系统中线性自编码器的对偶解对物品特征向量存在隐式ZCA白化效应，验证了其用于低维物品嵌入相似度估计的正确性，实验表明白化低维嵌入有效。
2023-08-15 cs.IR cs.LG
Interacting Attention-gated Recurrent Networks for Recommendation
Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）
捕获用户对项目的偏好的时间动态对于推荐是重要的。现有的方法主要假设用户-项目交互历史中的所有时间步都与推荐同等相关，然而这并不适用于用户-项目交互经常意外发生的现实场景。更重要的是，它们分别学习用户和项目动态，因此无法捕捉它们对用户-项目交互的联合影响。为了更好地模拟用户和项目动态，我们提出了交互式注意力门控递归网络（IARN），它采用注意力模型来衡量每个时间步的相关性。特别是，我们提出了一种新的注意力计划，以学习用户和项目的历史中的交互方式的注意力分数，从而考虑到用户和项目之间的依赖关系的动态塑造用户-项目的交互。通过这样做，IARN可以在预测用户对不同项目的偏好时有选择地记住用户历史的不同时间步骤。因此，我们的模型可以为推荐结果提供有意义的解释，这可以通过辅助功能进一步增强。对真实世界数据集的广泛验证表明，IARN始终优于最先进的方法。
2017-09-07 cs.AI cs.IR cs.LG
Proxy-based Item Representation for Attribute and Context-aware Recommendation
Seoul National University（首尔国立大学）；IntelliSys Co., Ltd.（IntelliSys有限公司）；University of Seoul（首尔市立大学）
针对属性与上下文感知推荐中低频物品嵌入训练不足的问题，提出可即插即用的代理嵌入加权表示方法，以仅10%参数实现最高17%的准确率提升。
2023-12-11 cs.AI cs.IR
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）
反事实解释通过探索项目或用户的最小改变如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间并且它们的解释或者是基于动作的（例如，用户点击）或基于方面（即，项目说明）。我们相信基于项目属性的解释对用户来说更直观和更有说服力，因为它们通过细粒度的项目人口统计特征（例如，brand）。此外，反事实解释可以过滤掉负面项目，从而加强建议。在这项工作中，我们提出了一种新的反事实解释推荐（CERec）生成基于项目属性的反事实解释，同时提高推荐性能。我们的CERec优化解释政策统一搜索候选反事实在强化学习环境。我们减少了巨大的搜索空间与自适应路径采样器，通过使用丰富的上下文信息的一个给定的知识图谱。我们还将解释策略部署到推荐模型中，以增强推荐。广泛的可解释性和推荐评估表明CERec有能力提供符合用户偏好的解释，并保持改进的推荐。我们在https://github.com/Chrystalii/CERec上发布代码。
2022-07-14 cs.AI cs.IR
ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation
Seoul National University（首尔国立大学）
ItemRAG通过细粒度物品级检索提升推荐效果，结合共购信息与语义信息，有效解决冷启动问题，实验表明其优于现有RAG方法。
2026-04-22 cs.AI cs.IR
A Scalable Recommendation Engine for New Users and Items
Duke University（杜克大学）；University College London（伦敦大学学院）
在许多数字环境中，诸如在线新闻和具有许多新用户和项目的电子零售，推荐系统面临若干挑战：冷启动问题），ii）如何学习用户对项目的偏好（测试和学习），以及iii）如何在具有无数人口统计和属性的许多用户和项目之间进行缩放。虽然许多推荐系统适应这些挑战的各个方面，但几乎没有解决所有问题的系统。本文介绍了一个协同过滤（CF）多臂强盗（B）与属性（A）推荐系统（CFB-A），以共同适应所有这些考虑。包括对MovieLens数据的离线测试、合成数据模拟和在线杂货店实验的经验应用表明，CFB-A导致累积平均奖励（例如，花费的总金钱或时间、点击次数、购买数量、平均评分等）相对于现存最强大的基线方法。
2023-02-27 cs.IR cs.LG
Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
Northeastern University（东北大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
该研究提出基于文本匹配的序列推荐模型TASTE，结合注意力稀疏方法建模长用户交互，在常用数据集上优于现有最优方法，可缓解冷启动、降低流行度偏差，提升推荐准确率。
2023-08-27 cs.AI cs.IR
Automatic Collection Creation and Recommendation
Airtel Digital
我们提出了一个集合推荐系统，可以自动创建和推荐的项目在用户级别的集合。与输出前N个相关项目的常规推荐系统不同，集合推荐系统输出项目的集合，使得集合中的项目与用户相关，并且集合内的项目遵循特定主题。我们的系统建立在项目推荐系统学习的用户项目表示之上。我们采用降维和聚类技术以及直观的分类来创建具有评级和标题的集合。我们在一个流行的音乐流媒体服务中，在现实世界的音乐推荐环境中测试这些想法。我们发现，当推荐收藏品时，消费量增加了2.3倍。此外，它导致房地产的有效利用，并导致推荐更多和更多样化的项目集。据我们所知，这是第一次在如此大的规模上进行此类实验。
2021-05-03 cs.IR cs.LG
CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention
University of Hildesheim（希尔德斯海姆大学）
在稀疏推荐环境中，用户的上下文和项目属性在决定下一步推荐哪些项目时起着至关重要的作用。尽管如此，最近在顺序和时间感知推荐方面的工作通常要么忽略这两个方面，要么只考虑其中一个，限制了它们的预测性能。在本文中，我们提出了一个上下文和属性感知的推荐模型（CARCA），可以捕捉动态性质的用户简档的上下文功能和项目属性，通过专用的多头自我注意块，提取配置文件级别的功能和预测项目得分。此外，与许多当前最先进的顺序项目推荐方法不同，这些方法使用最新项目的潜在特征和目标项目嵌入之间的简单点积进行评分，CARCA使用所有配置文件项目和目标项目之间的交叉注意力来预测它们的最终得分。这种交叉关注使CARCA能够利用用户简档中旧项目和新项目之间的相关性，以及它们对决定下一步推荐哪个项目的影响。在四个真实推荐系统数据集上的实验表明，该模型在项目推荐任务中的性能明显优于所有最先进的模型，并且在归一化折扣累积增益（NDCG）和命中率方面实现了高达53%的改进。结果还表明，CARCA的性能优于几个最先进的专用的基于图像的推荐系统，仅仅是利用从预先训练的ResNet50中提取的图像属性在黑盒的方式。
2022-04-04 cs.AI cs.IR
Large-scale Real-time Personalized Similar Product Recommendations
iLambda；University of North Texas（北德克萨斯大学）；Kent State University（肯特州立大学）
同类商品推荐是电商中最常见的场景之一。许多推荐算法，如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中，我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法，包括基于图像相似性的方法，项目到项目的协同过滤，和item2vec，并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果，并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
Mining Latent Structures for Multimedia Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；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）；Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院人工智能创新研究院）
多媒体内容在现代网络时代占据主导地位。调查用户如何与多模态项目进行交互是快速发展的推荐系统中持续关注的问题。以前的大部分工作集中在建模用户与项目的交互与多模态功能包括作为边信息。然而，该方案不是很好地设计用于多媒体推荐。具体来说，只有协作项目项目关系隐式建模通过高阶项目用户项目关系。考虑到项目是与丰富的内容在多个模态，我们认为，潜在的语义项目项目的结构，这些多模态的内容可能是有益的学习更好的项目表示和进一步提高推荐。为此，我们提出了一个潜在的结构挖掘方法的多模态reCommEndation，我们简称为格。具体来说，在所提出的LATTICE模型中，我们设计了一个新的模态感知结构学习层，它学习每个模态的项-项结构，并聚合多个模态以获得潜在项图。基于学习的潜图，我们执行图卷积，以显式地将高阶项亲和力注入项表示中。然后，这些丰富的项目表示可以插入到现有的协同过滤方法中，以做出更准确的推荐。在三个真实数据集上的大量实验证明了我们的方法优于最先进的多媒体推荐方法，并验证了从多模态特征中挖掘潜在项-项关系的有效性。
2021-07-21 cs.IR cs.LG cs.MM
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；AWS AI Lab（AWS人工智能实验室）；Washington State University（华盛顿州立大学）
针对新兴市场 I2I 推荐关系数据不足的问题，提出基于 GNN 的个性化联邦领域自适应框架，以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
Relational Collaborative Filtering:Modeling Multiple Item Relations for Recommendation
University of Glasgow（格拉斯哥大学）；USTC（中国科学技术大学）；Rutgers University（罗格斯大学）
现有的基于项目的协同过滤（ICF）方法只利用了协作相似性的关系。然而，在现实世界的场景中，项目之间存在多种关系。不同的协作相似性，这意味着从用户的角度来看，共同互动模式，这些关系揭示了细粒度的知识项目从不同的角度的元数据，功能等，但是，如何将多个项目的关系是较少探索的推荐研究。在这项工作中，我们提出了关系协同过滤（RCF），一个通用的框架，利用多个项目之间的关系，在推荐系统。我们发现，关系类型和关系值是至关重要的推断用户的喜好。为此，我们开发了一个两级层次的注意力机制模型用户偏好。第一级注意力区分哪些类型的关系更重要，第二级注意力考虑特定的关系值来估计历史项目在推荐目标项目中的贡献。为了使项目嵌入反映项目之间的关系结构，我们进一步制定了一个任务，以保持项目的关系，并联合训练它与推荐任务的偏好建模。在两个真实数据集上的实验结果证明了RCF的强大性能。此外，我们还进行了定性分析，以显示多项目关系建模带来的解释的好处。
2019-05-11 cs.AI cs.IR
Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations
Overstock.com Inc.（Overstock公司）；University of Maryland, College Park（马里兰大学帕克分校）
基于嵌入的产品推荐近年来越来越受欢迎，因为它能够轻松集成到大规模系统中，并允许实时进行最近邻搜索。这一领域的大部分研究主要集中在类似的项目建议上。另一方面，对补充项目建议的研究仍然相当不足。我们将相似项定义为在其效用方面可互换的项，将互补项定义为服务于不同目的但在相互使用时兼容的项。在本文中，我们采用了一种新的方法来寻找互补项目，利用双嵌入表示的产品。我们证明了在NLP中发现的skip-gram negative sampling（SGNS）模型的相关性概念在使用共同购买数据训练项目表示时有效地转化为互补性概念。由于购买数据的稀疏性是现实世界场景中的一个主要挑战，因此我们使用合成样本进一步增强模型以扩展覆盖范围。这使得该模型提供补充建议的项目，不共享共同购买的数据，利用其他丰富的可用数据形式，如图像，文本，点击等，我们建立了我们的方法在提高覆盖面和质量的建议对现实世界的数据为一个主要的在线零售公司的有效性。我们进一步展示了任务特定的超参数调整在训练SGNS中的重要性。我们的模型是有效的，但简单的实现，使其成为一个伟大的候选人在任何电子商务网站生成补充项目的建议。
2022-11-29 cs.IR cs.LG
Adaptive Item-based Collaborative Structures via Noise Rescheduling in Diffusion for Generative Recommendation
Tongji University（同济大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）；Fudan University（复旦大学）
针对现有生成式推荐模型未整合物品协同信息的缺陷，提出 ANR-DiffRec 框架，通过引入物品共现矩阵与自适应噪声重调度机制，在多基准测试中优于现有最优模型。
2026-08-25 cs.AI cs.IR
Pre-training of Context-aware Item Representation for Next Basket Recommendation
Beijng University of Posts and Telecommunications（北京邮电大学）；Renmin University of China（中国人民大学）
下一个购物篮推荐是市场购物篮分析中的一个重要环节，其目的是根据用户的历史交易情况预测用户最有可能购买的下几个商品。从物品的角度来看，一个物品可以由不同的用户出于不同的原因与不同的物品一起购买。因此，一个理想的推荐系统应该代表一个项目，考虑其交易上下文。现有的最先进的深度学习方法通常采用静态项目表示，其在所有事务之间是不变的，因此不能实现深度学习的全部潜力。受自然语言处理中预先训练好的BERT表示方法的启发，我们提出了一种基于上下文感知的项目表示方法--基于Transformers的项目编码器表示（IERT）。在离线阶段，IERT根据其交易上下文预训练深度项目表示。在在线推荐阶段，预先训练的模型通过额外的输出层进一步微调。输出的上下文化项目嵌入用于捕获用户的序列行为和一般口味，以进行推荐。在Ta-Feng数据集上的实验结果表明，IERT的性能优于现有的基线方法，证明了IERT在下一个篮子表示中的有效性。
2019-04-14 cs.IR cs.LG stat.ML
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题，提出利用LLM作为数据增强器，基于用户历史和物品描述推断偏好，并通过辅助成对损失将增强信号融入模型，显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong（香港中文大学）；Tencent Quantum Lab（腾讯量子实验室）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
项目冷启动问题严重限制了协同过滤（CF）方法的推荐性能时，新的项目没有或很少的互动。为了解决这个问题，许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而，很难设计和学习项目的交互历史和相应内容之间的映射。在本文中，我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息，我们可以计算之间的相似性的互动项目和冷启动的，使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想，提出Wasserstein CF（WCF），以提高冷启动项目的推荐性能。实验结果表明，WCF的优越性，国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
AgentDR: Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents
Amazon（亚马逊）；University of Michigan（密歇根大学）
AgentDR通过基于LLM的代理利用隐式物品-物品关系，结合记忆机制和提示策略，提升动态推荐的全排名性能和相关性。
2026-02-24 cs.AI cs.IR
Sequential Item Recommendation in the MOBA Game Dota 2
University of Würzburg（维尔茨堡大学）
多人在线竞技场（MOBA）游戏，如Dota 2，每年吸引数十万玩家。尽管玩家基数很大，但吸引新玩家仍然很重要，以防止游戏社区变得不活跃。然而，进入MOBA游戏通常要求很高，需要玩家同时学习许多技能。成功的一个重要因素是购买正确的物品，这取决于各种游戏因素，如已经购买的物品，团队组成或可用资源。推荐系统可以通过减少选择合适物品所需的脑力劳动来支持玩家，例如，新的球员或球员返回游戏后，较长的休息时间，专注于游戏的其他方面。由于顺序项目推荐（SIR）已被证明在各个领域（例如电子商务、电影推荐或播放列表延续）都是有效的，因此我们将探讨知名的SIR模型在Dota 2购买推荐环境中的适用性。为了促进这项研究，我们收集、分析和发布了Dota-350 k，这是一个基于最近Dota 2比赛的新的大型数据集。我们发现SIR模型可以有效地用于Dota 2中的项目推荐。我们的研究结果表明，考虑购买顺序的模型是最有效的。与其他领域相比，我们发现基于RNN的模型在Dota-350 k上的性能优于最近基于Transformer的架构。
2022-01-17 cs.IR cs.LG
CITIES: Contextual Inference of Tail-Item Embeddings for Sequential Recommendation
顺序推荐技术通过处理随时间变化的用户偏好，为用户提供适合其当前偏好的产品推荐。以前的研究集中在对序列动态进行建模，而没有太多地考虑哪种最畅销的产品（即，标题项目）或利基产品（即，尾项）。我们仔细研究的结构原因，为什么尾项几乎没有在当前的顺序推荐模型，其中包括一个项目嵌入层，一个序列建模层，和一个推荐层。设计良好的序列建模和推荐层有望自然地学习合适的项目嵌入。然而，尾项可能达不到这一预期，因为当前的模型结构不适合在数据不足的情况下学习高质量的嵌入。因此，尾项很少被推荐。为了消除这个问题，我们提出了一个名为CITIES的框架，其目的是通过使用多个上下文头项训练嵌入推理函数来提高尾项嵌入的质量，从而不仅提高尾项的推荐性能，而且提高头项的推荐性能。此外，我们的框架可以推断新的项目嵌入，而无需额外的学习过程。在两个真实数据集上的大量实验表明，将CITIES应用于最先进的方法可以提高尾项和头项的推荐性能。我们进行了一个额外的实验，以验证CITIES可以推断出合适的新项目嵌入。
2021-05-23 cs.IR
EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
VinUniversity；Griffith University（格里菲斯大学）；Aalborg University（奥尔堡大学）
本研究针对语义ID扩散推荐提出EPIC方法，通过构建个性化候选物品后验分布引导去噪，在四个Amazon基准测试上实现了对强基线的持续性能提升。
2026-09-04 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
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
Modeling Complex Dependencies for Session-based Recommendations via Graph Neural Networks
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
基于会话的推荐（SBR）从会话中捕获项目的依赖关系，以推荐下一个项目。近年来，基于图神经网络（GNN）的SBR由于其在复杂依赖关系建模方面的优势而成为SBR的主流。基于相邻依赖性的强假设，在大多数基于GNN的SBR中，会话中的任何两个相邻项都必然是依赖的。然而，我们认为，由于用户行为的不确定性和复杂性，邻接并不一定表示依赖。然而，上述假设在实际推荐场景中并不总是成立，因此很容易导致两个缺点：（1）由于存在相邻但不是真正依赖的项，因此在会话中出现假依赖，以及（2）由于存在非相邻但实际依赖的项，因此在会话中出现真正依赖的缺失。这些缺点严重影响了项目表示学习，降低了下游推荐性能。为了解决这些不足，我们提出了一种新的评论细化的项目间图神经网络（RI-GNN），它利用主题信息提取的项目的评论，以改善项目之间的依赖关系。在两个公开的真实世界数据集上的实验表明，RI-GNN优于SOTA方法。
2022-07-22 cs.AI cs.IR
MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings
Aalborg University（奥尔堡大学）
知识图谱（KGs）已经被集成到几种推荐模型中，以通过图中的相关实体来增加项目的信息价值。然而，现有的数据集只提供对项目的明确评级，并且没有提供关于其他（不可识别的）实体的用户意见的信息。为了克服这一限制，我们引入了一个新的数据集，称为MindReader，提供明确的用户评级项目和KG实体。在第一个版本中，MindReader数据集提供了从1，174个真实用户收集的超过10.2万个明确的评级，这些评级来自电影领域的KG项目和实体。这个数据集是通过一个在线面试应用程序收集的，我们也发布了开源。作为这个新的数据集的重要性的演示，我们提出了一个比较研究的效果，包括评级对非项目KG实体在各种国家的最先进的推荐模型。特别是，我们表明，大多数模型，无论是否专门为图形数据设计，在明确的非项目评级训练时，推荐质量都有所提高。此外，对于某些模型，我们表明，非项目评级可以有效地取代项目评级，而不会损失推荐质量。这一发现，也由于观察到更熟悉的用户对共同KG实体比对长尾项目，激励使用KG实体的热启动和冷启动建议。
2021-06-08 cs.IR cs.LG
Regularizing Matrix Factorization with User and Item Embeddings for Recommendation
Worcester Polytechnic Institute（伍斯特理工学院）；Penn State University（宾夕法尼亚州立大学）
在最近成功地利用潜在因素和词嵌入模型在推荐中，我们提出了一种新的正则化多嵌入（RME）的推荐模型，同时封装了以下想法通过分解：（1）用户喜欢哪些项目，（2）哪两个用户共同喜欢相同的项目，（3）哪两个项目用户经常共同喜欢，以及（4）用户通常共同不喜欢哪两个项目。在实验验证中，RME在显式和隐式反馈数据集上都优于竞争最先进的模型，显著提高Recall@5 5.9~ 7.0%，NDCG@20 4.3~ 5.6%，MAP@10 7.9~ 8.9%。此外，在交互次数最少的用户的冷启动场景下，与竞争模型相比，RME在MovieLens-10 M和MovieLens-20 M数据集中的表现分别优于NDCG@5 20.2%和29.4%。我们的数据集和源代码可以在https://github.com/thanhdtran/RME.git上找到。
2018-08-31 cs.AI cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.（字节跳动公司）；University of Virginia（弗吉尼亚大学）
长期以来，准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而，我们指出，由于多样性通常是通过某些预先选择的项目属性来衡量的，例如，类别作为最普遍采用的一种，只要多样化尊重用户对预选属性的偏好，就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解，其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中，我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件，以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明，该方法在提高推荐准确率和多样性方面是有效的。深入分析表明，这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
NRPA: Neural Recommendation with Personalized Attention
Tianjin University（天津大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
现有的基于评论的推荐方法通常使用相同的模型来从用户对项目发布的评论中学习所有用户/项目的表示。然而，不同的用户有不同的偏好，不同的项目有不同的特点。因此，相同的词或类似的评论对于不同的用户和项目可能具有不同的信息量。在本文中，我们提出了一种具有个性化注意力的神经推荐方法，以从评论中学习用户和项目的个性化表示。我们使用评论编码器从单词中学习评论的表示，使用用户/项目编码器从评论中学习用户或项目的表示。我们提出了一个个性化的注意力模型，并将其应用到评论和用户/项目编码器，以选择不同的重要的话和评论，为不同的用户/项目。在五个数据集上的实验验证了该方法可以有效地提高神经推荐的性能。
2019-05-29 cs.CL cs.IR cs.LG
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Pohang University of Science and Technology（浦项科技大学）
推荐系统在建模用户对商品的偏好和预测用户下一次消费商品方面取得了巨大的成功。近来，已经有许多努力来利用用户与项目的交互的时间信息来捕获用户行为的固有时间模式并在给定时间提供及时的推荐。现有的研究将时间信息视为单一类型的特征，并关注如何将其与用户对项目的偏好相关联。然而，我们认为他们是不够的，充分学习的时间信息，因为用户偏好的时间模式通常是异构的。用户对特定项目的偏好可以1）周期性地增加或2）在重要的最近事件的影响下随时间演变，并且这两种时间模式中的每一种都以一些独特的特征出现。在本文中，我们首先定义了独特的特点，这两种时间模式的用户偏好，应考虑在时间感知推荐系统。然后，我们提出了一种新的推荐系统，及时的建议，称为TimelyRec，联合学习的异构时间模式的用户偏好考虑所有定义的特征。在TimelyRec中，两个编码器的级联使用针对每个编码器的建议的注意力模块来捕获用户偏好的时间模式。此外，我们引入了一个评估场景，该场景评估了在top-K推荐中预测感兴趣的项目以及何时同时推荐该项目的性能（即，项目定时建议）。我们在真实数据集上对项目推荐场景和项目定时推荐场景进行了广泛的实验，证明了TimelyRec和所提出的注意力模块的优越性。
2021-04-29 cs.AI cs.IR
Enhancing Item Tokenization for Generative Recommendation through Self-Improvement
Snap Inc.（斯奈普公司）；Yale University（耶鲁大学）；Cardiff University（卡迪夫大学）
针对生成式推荐中物品标记化与LLM内部模式不一致的问题，提出一种自改进标记化方法，通过在训练中动态调整外部生成的标记，实现即插即用的性能提升，推荐准确率平均提高8%。
2024-12-22 cs.IR cs.LG
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
Beyong Tokens: Item-aware Attention for LLM-based Recommendation
City University of Hong Kong（香港城市大学）
本文提出项感知注意力机制，通过区分项内和项间标记关系，提升LLM在推荐中的表现，实验证明其有效性。
2026-04-14 cs.IR
Feature-based factorized Bilinear Similarity Model for Cold-Start Top-n Item Recommendation
University of Minnesota（明尼苏达大学）；Samsung Research America（三星美国研究院）
向现有用户推荐新项目由于缺乏用户对这些项目的过去偏好而仍然是一个具有挑战性的问题。基于项目特征的用户个性化非协作方法可以用来解决该项目的冷启动问题。这些方法依赖于目标项目和用户先前偏好项目之间的相似性。这些方法在基于项目特征计算相似度时，忽略了项目特征之间的相互作用，将它们独立考虑。对特征之间的交互进行建模可能是有帮助的，因为与独立考虑特征的情况相比，当一起考虑时，一些特征提供了关于项目相关性的更强信号。为了解决这个重要的问题，在这项工作中，我们引入了基于搜索的因子分解双线性相似性模型（FBSM），它学习因子分解双线性相似性模型的TOP-n推荐的新项目，给定的信息，用户在过去的偏好以及这些项目的特点。我们对基准数据集进行了广泛的实证评估，我们发现，所提出的FBSM方法在推荐性能方面优于传统的非协作方法。此外，该方法还从数据中学习项目特征之间的有见地的交互作用，从而深入了解这些交互作用如何有助于个性化推荐。
2019-04-22 cs.IR cs.LG stat.ML
