Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
Carnegie Mellon University(卡内基梅隆大学);Language Technologies Institute(语言技术研究所)
提出融合辅助信息的通用框架,在不大幅修改架构下提升基于会话的推荐系统性能,收敛更快且优于SOTA,并引入新型损失正则化注意力机制。
2024-06-02 cs.IR cs.LG
Recommender System for News Articles using Supervised Learning
Vodafone Portugal(沃达丰葡萄牙公司);Universitat Pompeu Fabra(庞培法布拉大学)
在过去的十年中,我们观察到信息的大量增加,特别是通过智能手机共享的信息。因此,可用的信息量不允许普通用户知道他的所有选项。在这种情况下,推荐系统使用许多技术来帮助用户找到所需的产品。因此,如今推荐系统发挥着重要作用。推荐系统的目标是确定最适合用户偏好的产品。这些技术对用户和供应商都是有利的,因为它使用户能够快速找到他需要的东西,并使供应商能够促进他们的产品和销售。随着业界开始意识到使用这些算法可以实现的收益,对于许多研究人员来说也是一个非常有趣的问题,推荐系统自90年代中期以来成为一个非常活跃的领域。考虑到这是一个持续的问题,本论文打算观察使用推荐算法的价值,发现用户喜欢通过观察她的域偏好。在一个平衡的概率方法中,本文将展示如何利用新闻主题来推荐新闻文章。在这篇论文中,我们使用不同的机器学习方法来确定用户对一篇文章的评分。为了解决这个问题,监督学习方法,如线性回归,朴素贝叶斯和逻辑回归。所有上述模型都具有不同的性质,这对给定问题的解决方案产生了影响。此外,一些实验,并讨论,以确定最适合的问题的功能集。
2017-07-03 cs.IR cs.LG
A Systematic Literature Review on Process-Aware Recommender Systems
University of Qom(库姆大学);RWTH Aachen University(亚琛工业大学)
在推荐系统中考虑业务的过程是非常有利的。虽然大多数研究在业务流程分析领域的描述性和预测性,构建一个流程感知的推荐系统的可行性进行了评估,在少数作品。原因之一可能是缺乏对过程挖掘潜在推荐问题的了解。因此,本文旨在识别和分析已发表的研究流程感知推荐系统技术在业务流程管理和流程挖掘领域。对2008年至2020年发表的33篇学术文章按几个方面进行了系统综述。在这方面,我们提供了一个国家的最先进的审查与关键的细节和研究人员更好地了解在这一领域追求的道路。此外,基于知识基础和整体视角,我们讨论了该领域的一些研究空白和开放性挑战。
2021-05-17 cs.IR cs.LG
Incremental Learning for Personalized Recommender Systems
LinkedIn Corporation(领英公司)
无处不在的个性化推荐系统的建立是为了实现两个看似冲突的目标,以提供高质量的内容,适合个人用户的口味,并迅速适应不断变化的环境。前者需要一个复杂的机器学习模型,该模型是在大量数据上训练的;后者需要频繁更新模型。我们提出了一种增量学习解决方案,以提供训练效率和模型质量。我们的解决方案是基于序贯贝叶斯更新和二次近似。我们的重点是大规模个性化逻辑回归模型,以及对深度学习模型的扩展。本文填补了理论和实践之间的差距,解决了一些实施时出现的挑战,将增量学习大型个性化推荐系统。详细的离线和在线实验表明,我们的方法可以显着缩短训练时间,同时保持模型的准确性。该解决方案部署在LinkedIn中,并直接适用于工业规模的推荐系统。
2021-08-13 cs.IR cs.LG
Vector Quantization for Recommender Systems: A Review and Outlook
本文系统综述了推荐系统中向量量化(VQ4Rec)的技术、分类体系与应用场景,分析了效率导向和质量导向方法,并展望了大语言模型与多模态推荐带来的挑战和机遇。
2024-05-06 cs.IR
Estimating and Penalizing Induced Preference Shifts in Recommender Systems
MIT(麻省理工学院);University of YYY(YYY大学);Institute of WWW(WWW研究院);Institute for Clarity in Documentation(文档清晰性研究所);Inria Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗克库尔中心);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室)
推荐系统(RS)向用户展示的内容会影响用户。因此,在选择推荐器部署时,也隐含地选择诱导用户的特定内部状态。更重要的是,通过长期优化训练的系统将有直接的动机来操纵用户:在这项工作中,我们关注的是改变用户偏好的动机,这样他们就更容易满足。我们认为,在部署之前,系统设计者应该:估计的变化,推荐将诱导;评估这种变化是否将是不可取的,甚至可能积极优化,以避免有问题的转变。这些步骤涉及两个具有挑战性的成分:估计需要预测假设的算法将如何影响用户偏好,如果部署-我们这样做是通过使用历史用户交互数据训练一个预测用户模型,其中隐含地包含他们的偏好动态;评估和优化另外需要度量来评估这种影响是人为的还是不想要的我们使用“安全转移”的概念,定义了一个信任区域,在该区域内行为是安全的:例如,用户在不受系统干扰的情况下自然移动的方式可以被认为是“安全的”。在模拟实验中,我们表明,我们的学习偏好动态模型是有效的估计用户的喜好,以及他们将如何应对新的浏览器。此外,我们表明,优化留在信任区域的决策者可以避免操纵行为,同时仍然产生参与。
2022-07-14 cs.IR cs.LG
MMQ: Multimodal Mixture-of-Quantization Tokenization for Semantic ID Generation and User Behavioral Adaptation
Alibaba Group(阿里巴巴集团);Peking University(北京大学);Beijing University of Aeronautics and Astronautics(北京航空航天大学);Wuhan University, School of Computer Science(武汉大学计算机学院)
MMQ通过多模态混合量化标记化方法,解决推荐系统中多模态协同、特定性和行为适应的挑战,提升语义ID生成和用户行为适应能力。
2025-08-21 cs.IR cs.LG
Making Recommender Systems Forget: Learning and Unlearning for Erasable Recommendation
Zhejiang University(浙江大学)
隐私法律和法规强制执行数据驱动的系统,例如,推荐系统,删除涉及个人的数据。由于机器学习模型可能会记住训练数据,因此数据擦除也应该忘记模型中的数据谱系,这引起了人们对机器遗忘(MU)问题的兴趣。然而,现有的MU方法不能直接应用于推荐。大多数推荐系统的基本思想是协同过滤,但现有的MU方法忽略了跨用户和项目的协作信息。本文提出了一个通用的可擦除推荐框架LASER,它由Group模块和SeqTrain模块组成。首先,分组模块根据超图学习到的协作嵌入相似度,将用户划分为均衡分组。然后,SeqTrain模块对具有课程学习的所有组顺序地训练模型。理论分析和两个真实数据集上的实验表明,LASER不仅可以实现有效的去学习,而且在模型效用方面优于最先进的去学习框架。
2022-03-22 cs.IR cs.LG
Managing multi-facet bias in collaborative filtering recommender systems
K. N. Toosi University of Technology(卡努西科技大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM))
随着网络信息的广泛增长,推荐系统在服务于人们的兴趣方面发挥着越来越重要的作用。传统的推荐系统大多使用以准确性为中心的方法来产生推荐。今天的研究表明,这种单维度的方法可能会导致系统对一系列具有某些属性的项目产生偏见。跨项目组的有偏见的推荐可能危及项目提供者的利益,同时引起用户对系统的不满。本研究的目的是管理一种新的类型的交叉偏见的地理来源和流行的项目在国家的最先进的协同过滤推荐算法的输出。我们引入了一种称为MFAIR的算法,这是一种多方面的后处理偏差缓解算法,可以减轻这些偏差。在两个真实世界的电影和书籍数据集上进行的大量实验表明,该算法在准确性和两种类型的偏差之间取得了合理的平衡。根据结果,我们提出的方法优于一个著名的竞争对手没有或只有轻微的效率损失。
2023-02-21 cs.IR cs.LG
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney(悉尼科技大学);Shandong University(山东大学);The University of Queensland(昆士兰大学)
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而,在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白,本文提供了理论分析和经验结果,何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说,我们回答了哪些类型的模型和数据集更适合双曲空间,以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案,使用6个广泛使用的数据集和不同的潜在大小。此外,我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论,双曲空间上SCML和显示的国家的最先进的性能,双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Measuring the Business Value of Recommender Systems
University of Klagenfurt(克拉根福大学);TU Dortmund(多特蒙德工业大学)
推荐系统现在被所有主要网站(从电子商务到社交媒体)成功地用于过滤内容并以个性化的方式提出建议。学术研究主要集中在消费者的价值,例如,in terms条款of reduced减少information信息overload过载.然而,推荐系统在多大程度上以及以何种方式创造商业价值还不清楚,关于这个主题的文献也很分散。在这篇研究评论中,我们回顾了推荐系统现场测试的现有出版物,并报告了在这种现实世界的部署中使用了哪些与业务相关的性能指标。我们总结了在实践中衡量商业价值的常见挑战,并批判性地讨论了算法改进和离线实验在学术环境中的价值。总体而言,我们的审查表明,各种悬而未决的问题仍然是现实的量化的商业影响,在学术界的推荐算法的性能评估。
2019-12-17 cs.AI cs.IR cs.LG
Recommender systems inspired by the structure of quantum theory
Massachusetts Institute of Technology(麻省理工学院)
物理学家使用量子模型来描述物理系统的行为。量子模型的成功归功于它们的可解释性,它们与概率模型(经典模型的量子化)的关系以及它们的高预测能力。除了物理学之外,这些属性在一般数据科学中也很有价值。这促使人们使用量子模型来分析一般的非物理数据集。在这里,我们为量子模型在数据科学中的应用提供了经验和理论见解。在本文的理论部分,我们首先表明,量子模型可以指数比概率模型更有效,因为存在数据集,承认低维量子模型和只有指数高维概率模型。其次,我们解释了量子模型在什么意义上实现了压缩概率模型的有用放松。第三,我们证明了稀疏数据集允许低维量子模型,最后,我们介绍了一种计算用户属性的层次排序的方法(例如,个性特征)和项目(例如,电影类型)。在本文的实证部分,我们评估了项目推荐中的量子模型,并观察到量子推荐系统的预测能力可以与SVD++和PureSVD等最先进的推荐系统竞争。此外,我们利用量子模型的可解释性,通过计算用户和项目的属性的层次排序。这项工作建立了数据科学(项目推荐),信息论(通信复杂性),数学规划(半正定因子分解)和物理学(量子模型)之间的联系。
2016-01-22 cs.IT cs.LG math.IT
The Stereotyping Problem in Collaboratively Filtered Recommender Systems
University of California, Berkeley(加利福尼亚大学伯克利分校);Cornell Tech(康奈尔科技学院);Technion(以色列理工学院)
推荐系统在我们访问在线信息的过程中起着至关重要的作用。我们表明,这样的算法诱导一种特定的刻板印象:如果一组项目的偏好是反相关的一般用户群体,那么这些项目可能不会一起推荐给用户,无论用户的偏好和评级历史。首先,我们引入了联合可访问性的概念,它衡量了一组项目可以被用户联合访问的程度。在标准的基于因子分解的协同过滤框架下研究了联合可达性问题,给出了联合可达性被破坏的理论充分必要条件。此外,我们表明,这些条件可以很容易地被违反时,用户表示为一个单一的特征向量。为了提高联合可访问性,我们进一步提出了一种替代的建模修复方案,该方案旨在使用多向量表示来捕获每个用户的多种兴趣。我们在真实和模拟数据集上进行了大量的实验,证明了标准单向量矩阵分解模型的刻板印象问题。
2021-10-04 cs.IR cs.LG
Understanding Fairness in Recommender Systems: A Healthcare Perspective
University of Gothenburg(哥德堡大学)
本文通过医疗场景下的问卷调查,考察公众对四种算法公平性指标的理解,发现公平性认知普遍不足且需情境化设计。
2024-09-09 cs.IR cs.LG
Equal Experience in Recommender Systems
KRAFTON Inc.(魁匠团公司);KAIST(韩国科学技术院)
我们探讨了推荐系统中出现的公平性问题。由于特定群体固有的刻板印象而产生的有偏见的数据(例如,男生对数学的平均评分通常高于人文学科,女生则相反)可能会为某类用户提供有限的建议项目。我们的主要贡献在于引入了一种新的公平概念(我们称之为平等经验),它可以在存在偏见的数据中调节这种不公平。这个概念捕捉了不同群体之间项目推荐的平等体验的程度。我们提出了一个优化框架,采用公平的概念作为一个正规化术语,以及引入计算效率高的算法,解决优化。在合成和基准真实数据集上的实验表明,所提出的框架确实可以减轻这种不公平性,同时显示出推荐准确性的轻微下降。
2022-10-12 cs.IR cs.LG stat.ML
Continual Low-Rank Adapters for LLM-based Generative Recommender Systems
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea University(韩国大学);Amazon(亚马逊)
本文提出PESO方法,通过引入近端正则化器,在推荐系统中实现连续学习,平衡适应与保留,提升对近期用户行为的捕捉能力。
2026-03-17 cs.IR cs.LG
GLIMG: Global and Local Item Graphs for Top-N Recommender Systems
Nanyang Technological University(南洋理工大学);Chongqing University(重庆大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Singapore Institute of Manufacturing Technology(新加坡制造技术研究院)
基于图的推荐模型对于top-N推荐系统工作得很好,因为它们能够捕捉实体之间的潜在关系。然而,现有的方法大多只构建了一个单一的全局项目图的所有用户共享和遗憾的是,忽略了不同的用户组之间的不同口味。受局部推荐模型成功的启发,本文首次尝试研究多个局部项图以及基于图的推荐模型的全局项图。我们认为,全球和局部图上的推荐优于一个单一的全球图或多个局部图。具体来说,我们提出了一种新的基于图的推荐模型名为GLIMG(全球和本地IteM图),它同时捕捉全球和本地用户的口味。通过将全局图和局部图集成到自适应半监督学习模型中,用户对项目的偏好在全局和局部传播。在真实数据集上的大量实验结果表明,我们提出的方法在前N个推荐任务上始终优于最先进的同行。
2021-08-11 cs.IR cs.LG
Using Wikipedia to Boost SVD Recommender Systems
Ben Gurion University(本·古里安大学);Deutsche Telekom laboratories at Ben Gurion University(本·古里安大学德国电信实验室)
奇异值分解(SVD)近年来在推荐系统领域得到了成功的应用。在本文中,我们提出了如何将这个模型扩展到考虑用户评级和维基百科的信息。通过将条目映射到维基百科页面并量化它们的相似性,我们能够使用这些信息来提高推荐的准确性,特别是当稀疏度很高时。所提出的方法的另一个优点是,它可以很容易地集成到任何其他SVD实现,无论可能已经添加到它的额外参数。MovieLens数据集上的初步实验结果是令人鼓舞的。
2012-12-05 cs.IR cs.LG stat.ML
ReGeS: Reciprocal Retrieval-Generation Synergy for Conversational Recommender Systems
University of Delaware(德克萨斯大学)
针对对话式推荐系统,提出互惠检索-生成协同框架ReGeS,通过生成增强检索提炼用户意图和检索增强生成区分物品细微特征,无需额外标注,在多个基准上取得最先进推荐准确性。
2025-09-22 cs.AI cs.CL cs.IR
Modeling Churn in Recommender Systems with Aggregated Preferences
Technion—Israel Institute of Technology(以色列理工学院)
本文提出一个模型,在推荐系统仅依赖聚合用户信息时,通过概率先验和分支定界算法,在有限时间内实现从探索到利用的过渡,以降低用户流失风险。
2025-02-09 cs.AI cs.IR cs.LG
Incentivized Exploration with Stochastic Covariates: A Two-Stage Mechanism Design for Recommender System
Meta Platforms Inc(Meta公司);Department of Statistics and Data Science(统计学与数据科学系);University of California, Los Angeles, CA(加州大学洛杉矶分校)
针对推荐系统中用户自利偏好下的探索-利用权衡问题,提出一种两阶段算法,通过激励相容的探索和逆比例间隙采样策略实现次线性遗憾并满足激励约束。
2026-05-25 cs.GT cs.IR cs.LG
Detecting Beneficial Feature Interactions for Recommender Systems
University of Melbourne(墨尔本大学);Tsinghua University(清华大学);Hebei University of Technology(河北工业大学)
特征交互是实现推荐系统高准确性的关键。许多研究考虑到每对特征之间的相互作用。然而,这是次优的,因为一些特征交互可能与推荐结果不相关,并且考虑它们可能会引入噪声并降低推荐准确性。为了充分利用特征交互,我们提出了一种图神经网络方法来有效地对它们进行建模,并提出了一种新的技术来自动检测那些在推荐准确性方面有益的特征交互。通过L0激活正则化的边缘预测实现自动特征交互检测。通过信息瓶颈原理和统计交互作用理论证明了该模型的有效性。实验结果表明,我们的模型(i)在准确性方面优于现有的基线,(ii)自动识别有益的特征交互。
2021-05-18 cs.IR cs.LG stat.ML
Exploration in two-stage recommender systems
University of Cambridge(剑桥大学);UC Berkeley(加州大学伯克利分校);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
两阶段推荐系统由于其可扩展性和可维护性而被工业界广泛采用。这些系统通过两个步骤产生推荐:(i)多个提名者使用便宜的计算项目嵌入从大池中预选少量项目;(ii)具有更丰富的功能集,排名器重新排列提名项目并将其提供给用户。这种设置的一个关键挑战是,孤立的每个阶段的最佳性能并不意味着最佳的全局性能。针对这一问题,Ma et al.(2020)提出了一种由排名者推荐每个项目的概率加权的提名者训练目标重要性。在这项工作中,我们专注于探索的补充问题。建模为一个上下文的强盗问题,我们发现LinUCB(一个接近最佳的探索策略,单阶段系统)可能会导致线性遗憾时,部署在两阶段的搜索器。因此,我们提出了一种方法,同步之间的排名和提名的探索策略。我们的算法只依赖于标准LinUCB在每个阶段已经计算的数量,并且可以在三行额外的代码中实现。最后,我们通过实验证明了我们的算法的有效性。
2020-09-01 cs.IR cs.LG stat.ML
A Soft Recommender System for Social Networks
Islamic Azad University(伊斯兰阿扎德大学)
最近的社交推荐系统受益于友谊图来做出准确的推荐,相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法(如K-means),以确定用户之间的相似性,从而定义的友谊程度。在本文中,我们更进一步地识别真正的朋友,以便提出更现实的建议。我们计算了用户之间的相似性,以及用户和项目之间的依赖性。我们的假设是,由于用户偏好的不确定性,模糊聚类,而不是经典的硬聚类,是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后,根据软聚类定义用户的相似性度量。随后,在训练方案中,我们确定了用户和项目的潜在表示,使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中,我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明,所提出的模糊相似性度量提高了实际数据中的建议相比,基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
Expressive recommender systems through normalized nonnegative models
Massachusetts Institute of Technology(麻省理工学院)
我们引入归一化非负模型(NNM)的探索性数据分析。NNM是概率论模型的部分凸化。并以项目推荐为例说明了它们的价值。我们表明,NNM为基础的推荐系统满足三个标准,所有推荐系统应该理想地满足:高预测能力,计算的易处理性,和表达的用户和项目。在实践中,表达性的用户和项目表示对于简洁地总结客户池和项目池非常重要。在NNM中,用户表示是表达性的,因为每个用户的偏好可以被视为常规用户的偏好的归一化混合。项目和用户表示的可解释性允许我们安排项目的属性(例如,电影的类型或文档的主题)或用户(例如,人格特质)。
2015-11-15 cs.LG stat.ML
Achieving Fairness via Post-Processing in Web-Scale Recommender Systems
LinkedIn Corp.(领英公司)
由于其对社会的巨大影响,建立公平的推荐系统是一个具有挑战性和关键性的研究领域。我们扩展了两个普遍接受的公平性概念的定义,推荐系统,即机会均等和均等化的赔率。这些公平措施确保同等“合格”(或“不合格”)的候选人得到平等对待,而不论其受保护的属性状态(如性别或种族)如何。我们提出了可扩展的方法来实现平等的机会和均衡的赔率排名中存在的位置偏差,这通常困扰推荐系统生成的数据。我们的算法是模型不可知的,因为它们只依赖于模型提供的最终分数,这使得它们很容易适用于几乎所有的网络规模的推荐系统。我们进行了广泛的模拟以及现实世界的实验,以显示我们的方法的有效性。
2022-08-11 cs.LG stat.ME stat.ML
Differentiable Fuzzy Neural Networks for Recommender Systems
Graz University of Technology(格拉茨技术大学)
本文提出将可微模糊神经网络用于推荐系统,在人类可读原子上学习模糊逻辑规则,在保持竞争性能的同时实现透明的决策过程,并支持与其他神经模型集成构建混合透明推荐系统。
2025-05-09 cs.LG
Collaborative Self-Attention for Recommender Systems
推荐系统(RS),这已经在广泛的应用中的一个重要组成部分,可以表示为一个矩阵完成(MC)问题。为了提高MC的性能,进一步提出了带边信息的矩阵完备化方法,称为归纳矩阵完备化(IMC)。在实际应用中,因式分解形式的内模控制由于其优化和实现效率而更受青睐。对于分解后的特征,传统的内模传播方法可以被解释为学习每个特征的独立表示,这些表示是相互独立的。此外,相同特征的表示跨所有用户/项目共享。然而,跨所有用户/项目的特征的独立特性和相同特征的共享特性可能限制模型的表达能力。该限制也存在于IMC的变体中,例如基于深度学习的IMC模型。为了突破这一局限性,本文将自我注意力机制的最新进展推广到内模传播,提出了一种上下文感知的协作自我注意力模型(CSA),它可以联合学习上下文感知的特征表示,并执行归纳矩阵补全过程。在实际遥感应用的三个大规模数据集上的实验证明了CSA的有效性。
2020-02-12 cs.IR cs.LG stat.ML
Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021
现代在线服务以非常快的速度不断生成数据。这种连续的数据流包含内容-例如,帖子、新闻、产品、评论,还有用户反馈,例如,评级、视图、读取、点击-连同上下文数据-用户设备、空间或时间数据、用户任务或活动、天气。考虑到内容、上下文和用户偏好或意图的连续和潜在快速变化,这对于被设计成批量训练的系统和算法来说可能是压倒性的。因此,重要的是调查在线方法能够透明地适应在线服务的内在动态。从数据流中学习的增量模型在推荐系统社区中越来越受到关注,因为它们具有处理动态复杂环境中生成的连续数据流的自然能力。用户建模和个性化可以特别受益于能够增量和在线维护模型的算法。本次研讨会的目的是促进贡献,并汇集了越来越多的研究人员和从业者感兴趣的在线,自适应的方法来用户建模,推荐和个性化,以及他们对多个维度的影响,如评估,再现性,隐私和可解释性。
2022-01-17 cs.AI cs.IR cs.LG
Incentive-Aware Recommender Systems in Two-Sided Markets
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Fudan University(复旦大学);Ant Group(蚂蚁集团);University of California, Berkeley(加利福尼亚大学伯克利分校)
针对双边市场中短视智能体只利用不探索的问题,提出激励相容的多智能体老虎机推荐框架,并在已知与未知机会成本下给出公平且渐近最优的算法。
2024-06-18 cs.IR cs.LG stat.ML
STAR: A Session-Based Time-Aware Recommender System
University of Tehran(德黑兰大学)
针对现有基于会话的推荐器忽略事件时间细节的问题,提出STAR框架,通过嵌入会话内事件时间间隔优化表示,在两个数据集上的Recall和MRR指标优于基线模型。
2022-11-11 cs.AI cs.IR cs.LG
PrefRec: Recommender Systems with Human Preferences for Reinforcing Long-term User Engagement
Nanyang Technological University(南洋理工大学);Kuaishou Technology(快手科技)
针对推荐系统中长期参与度奖励难以设计的问题,本文提出PrefRec,利用用户历史行为偏好端到端训练奖励函数并优化RL推荐策略,在多项任务上显著超越现有方法。
2023-06-02 cs.AI cs.IR cs.LG
Wide & Deep Learning for Recommender Systems
Google Inc.(谷歌公司)
具有非线性特征变换的广义线性模型被广泛应用于具有稀疏输入的大规模回归和分类问题。通过广泛的跨产品特征转换的特征交互的泛化是有效的和可解释的,而泛化需要更多的特征工程工作。通过较少的特征工程,深度神经网络可以通过为稀疏特征学习的低维密集嵌入来更好地泛化到看不见的特征组合。然而,当用户-项目交互稀疏且排名高时,具有嵌入的深度神经网络可能过度泛化并推荐不太相关的项目。在本文中,我们提出了宽和深度学习-联合训练的宽线性模型和深度神经网络-结合推荐系统的记忆和泛化的好处。我们在Google Play上对该系统进行了生产和评估,Google Play是一个商业移动应用程序商店,拥有超过10亿活跃用户和超过100万个应用程序。在线实验结果表明,与仅限宽和仅限深的模型相比,宽深模型显著增加了应用程序的获取。我们还在TensorFlow中开源了我们的实现。
2016-06-24 cs.IR cs.LG stat.ML
Beyond Retrieval: Generating Narratives in Conversational Recommender Systems
Google(谷歌公司)
针对LLM难以整合推荐知识生成适配推荐的自然语言的问题,本文提出对话式推荐叙事生成数据集REGEN及CF-LLM融合基线架构,验证了两类嵌入结合可提升生成效果。
2024-12-10 cs.AI cs.CL cs.IR
A Survey on Popularity Bias in Recommender Systems
MediaFutures: Research Centre for Responsible Media Technology & Innovation, University of Bergen(MediaFutures:负责任媒体技术与创新研究中心,卑尔根大学);AAU Klagenfurt(克拉根福应用科技大学(AAU))
本文综述了推荐系统中流行度偏差的成因、检测与量化指标及缓解方法,并批判性地指出当前研究过度依赖计算实验和特定假设。
2024-07-02 cs.AI cs.IR cs.LG
Modeling Attrition in Recommender Systems with Departing Bandits
Tel-Aviv University(特拉维夫大学);Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
提出一种捕捉用户流失的多臂老虎机新模型,证明同质用户下UCB算法最优,并为双类型用户提供实现 $\tilde{O}(\sqrt{T})$ 遗憾界的高效学习算法。
2024-02-15 cs.IR cs.LG stat.ML
Incorporating Recklessness to Collaborative Filtering based Recommender Systems
Universidad Politécnica de Madrid(马德里理工大学);Universidad Complutense de Madrid(马德里康普顿斯大学);Instituto de Ciencias Matemáticas (CSIC-UAM-UCM-UC3M)(数学科学研究所(西班牙高等科学研究理事会-马德里自治大学-马德里康普顿斯大学-马德里卡洛斯三世大学))
针对推荐系统可靠性与覆盖率的两难问题,提出在基于矩阵分解的协同过滤推荐系统中引入考虑预测评分分布方差的鲁莽性项,实现风险调控并提升预测的数量与质量。
2024-05-21 cs.AI cs.IR cs.LG
PIT-SUN: A Deployable Empirical Marginal Transform Framework with Expectation-Consistent Recovery for Regression in Recommender Systems
Kuaishou Technology(快手科技)
针对推荐系统中估计原始空间条件期望的问题,提出PIT-SUN框架,通过经验边际表定义相关内容,应用乘法SUN恢复估计期望,实验表明该方法在多方面有提升且部署开销小。
2026-07-10 cs.LG
Session-based Recommender Systems: User Interest as a Stochastic Process in the Latent Space
Wroclaw Centre for Networking and Supercomputing(弗罗茨瓦夫网络与超级计算中心)
本文针对基于会话的推荐系统的数据不确定性、流行度偏差和曝光偏差问题,提出将用户兴趣视为潜在空间中的随机过程并给出模型无关实现,通过物品嵌入去偏、会话兴趣建模和假目标引入等策略,在多个数据集上验证了其缓解偏差的效果。
2025-04-14 cs.AI cs.IR cs.LG
Learning from Delayed Outcomes via Proxies with Applications to Recommender Systems
DeepMind
预测延迟结果是推荐系统中的重要问题(例如,如果客户将完成阅读电子书)。我们将问题形式化为一个对抗性的延迟在线学习问题,并考虑延迟结果的代理(例如,如果顾客在24小时内读了三分之一的书)可以帮助减少后悔,即使在做出预测时代理是不可用的。出于我们的遗憾分析,我们提出了两个神经网络架构:因子预测器(FF),这是理想的,如果代理是信息的结果在事后,和残差因子预测器(RFF),是强大的非信息代理。在两个真实世界的数据集上预测人类行为的实验表明,RFF优于FF和不使用代理的直接预测器。我们的研究结果表明,通过因子分解利用代理是一种很有前途的方法,可以减轻人类行为预测任务中长时间延迟的影响。
2019-10-15 cs.LG stat.ML
Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs
Central South University, Changsha, China(中南大学);Shopee Pte. Ltd., Shanghai, China(Shopee(上海)有限公司);Shopee Pte. Ltd., Singapore, Singapore(Shopee(新加坡)有限公司);Nanyang Technological University, Singapore, Singapore(南洋理工大学)
ReSID通过原生编码和语义量化提升推荐系统性能,实现比现有方法高超10%的准确率并大幅降低分词成本。
2026-02-02 cs.AI cs.IR
OBESEYE: Interpretable Diet Recommender for Obesity Management using Machine Learning and Explainable AI
Ascension(阿森松机构);Al Helal Specialized Hospital Ltd.(阿尔希拉勒专科医院);Northern Illinois University(北伊利诺伊大学)
本文提出OBESEYE系统,利用多种机器学习算法预测个体所需营养量,并结合合并症与身体状况提供可解释的个性化饮食推荐以管理肥胖。
2023-08-05 cs.LG
Bayesian Non-stationary Linear Bandits for Large-Scale Recommender Systems
Tübingen University(图宾根大学);Fraunhofer Heinrich Herz Institute(弗劳恩霍夫海因里希·赫兹研究所)
针对高维非平稳推荐场景,提出基于汤普森采样和随机投影的线性老虎机策略,降低计算复杂度并保证遗憾界,实验验证有效。
2023-07-24 cs.LG stat.ML
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
Scalable LinUCB: Low-Rank Design Matrix Updates for Recommenders with Large Action Spaces
HSE University(俄罗斯伏尔加格勒国立大学)
本文提出PSI-LinUCB算法,通过低秩设计矩阵更新方法,实现高效训练和推理,适用于具有大动作空间的推荐系统。
2026-02-09 cs.LG stat.ML
Collaborative Deep Learning for Recommender Systems
Hong Kong University of Science and Technology(香港科技大学)
协同过滤(CF)是一个成功的方法,通常被许多推荐系统使用。传统的基于CF的方法使用用户对项目的评分作为学习进行推荐的唯一信息来源。然而,在许多应用中,评级通常非常稀疏,导致基于CF的方法在其推荐性能方面显着下降。为了解决该稀疏性问题,可以利用诸如项目内容信息的辅助信息。协作主题回归(CTR)是一个有吸引力的最近的方法,采用这种方法,紧密耦合的两个组件,从两个不同的信息源学习。然而,当辅助信息非常稀疏时,CTR学习的潜在表示可能不是很有效。为了解决这个问题,我们从i.i.d.中概括了深度学习的最新进展。输入到非i.i.d.(基于CF的)输入,并提出了一种称为协作深度学习(CDL)的分层贝叶斯模型,该模型联合执行内容信息的深度表示学习和评级(反馈)矩阵的协作过滤。在来自不同领域的三个真实世界数据集上进行的大量实验表明,CDL可以显着提高最先进的技术水平。
2015-06-18 cs.CL cs.IR cs.LG
sustain.AI: a Recommender System to analyze Sustainability Reports
Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);PricewaterhouseCoopers GmbH(普华永道有限公司)
本文提出 sustainAI 推荐系统,通过 BERT 编码与多标签分类相结合,将可持续发展报告文本与 GRI 法规自动匹配,并在德语数据集上显著优于多个基线。
2023-05-26 cs.AI cs.CL cs.LG
FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems
Pinterest(Pinterest公司)
本文提出与模型无关的生产级框架FORTE,用于工业推荐系统的特征评估与弃用,通过分组消融、谱系追踪等方法在两个大规模推荐系统上验证,成功移除大量特征并提升效率、降低成本且无性能下降。
2026-10-12 cs.AI cs.LG
Learning Binarized Graph Representations with Multi-faceted Quantization Reinforcement for Top-K Recommendation
学习向量化嵌入是各种用户-项目匹配推荐系统的核心。为了进行有效的在线推理,表示量化,旨在嵌入一个紧凑的序列的离散数字的潜在功能,最近显示出有前途的潜力,优化内存和计算开销。然而,现有的工作仅仅集中在数值量化,而忽略了随之而来的信息丢失的问题,这,因此,导致显着的性能下降。在本文中,我们提出了一种新的量化框架来学习Top-K推荐的二值化图表示(BiGeaR)。BiGeaR在二值化表示学习的前、中、后阶段引入了多方面的量化强化,基本上保留了嵌入二值化的表示信息。除了节省内存占用外,BiGeaR还通过逐位操作进一步开发了可靠的在线推理加速,为实际部署提供了替代灵活性。在5个大型的实际基准测试中的实验结果表明,BiGeaR比现有的基于量化的推荐系统性能提高了约22%~40%,在时间和空间减少8倍以上的情况下,恢复了最佳全精度推荐系统性能的95%~102%.
2022-06-05 cs.IR
Privacy-Preserving Personalization in Education: A Federated Recommender System for Student Performance Prediction
Federal Institute of Education, Science, and Technology of Rio Grande do Norte(IFRN)(里约格朗德杜斯北联邦教育、科学和技术研究所)
针对教育数字化中数据驱动个性化与学生数据隐私的矛盾,本文提出基于联邦学习(FL)的隐私保护推荐系统,通过DNN和ASSISTments数据集特征,对比聚合策略发现FedProx更优,模型F1达76.28%(为集中式XGBoost的92%),解决个性化-隐私困境。
2025-11-10 cs.AI cs.CY cs.LG
Fuzzy Norm-Explicit Product Quantization for Recommender Systems
University of Essex(埃塞克斯大学);University of Jaén(哈恩大学)
针对推荐系统中乘积量化需兼顾召回率与复杂度的问题,提出基于二型模糊集的模糊范数显式乘积量化方法,在多数据集上召回率优于现有PQ方法且计算效率持平。
2024-12-08 cs.AI cs.IR
Learning Category Trees for ID-Based Recommendation: Exploring the Power of Differentiable Vector Quantization
本文提出CAGE,一种基于可微向量量化的自动类别树生成方法,用于基于ID的推荐,可端到端学习类别代码和实体嵌入,提升多种推荐任务性能。
2024-03-15 cs.IR
When Do Pretrained Audio Representations Help Music Recommendation? A Study Across Ranking and Generative Interfaces
University of New South Wales(新南威尔士大学);School of Computing, Macquarie University(麦考瑞大学计算学院)
该研究评估六种音频编码器在三类音乐推荐系统中的效果,分析残差量化设计的影响,为现代音乐推荐系统的音频编码器选择及语义ID设计提供实用指导。
2026-10-28 cs.IR
Towards Low-loss 1-bit Quantization of User-item Representations for Top-K Recommendation
由于量化表示学习在空间压缩和推理加速方面的优势,近年来已成为推荐系统的一个新兴研究方向。由于目标是在离散的嵌入空间中嵌入潜在特征,因此开发具有少量低精度整数的用户项表示的量化面临着高信息损失的挑战,从而导致Top-K推荐的性能不理想。在这项工作中,我们研究的问题,表示学习的建议与1位量化。提出了一种低损失量化图卷积网络(L^2 Q-GCN)模型。与以往将量化作为用户项嵌入的最终编码器的工作不同,L^2 Q-GCN学习量化表示,同时捕获不同语义级别的用户项交互图的结构信息。这实现了中间交互信息的大量保留,减轻了由数值量化引起的用于排名的特征平滑问题。为了进一步提高模型的性能,我们还提出了一种改进的解决方案,称为L^2 Q-GCN-anl与量化近似和退火训练策略。我们在Top-K推荐任务的四个基准上进行了广泛的实验。实验结果表明,L^2 Q-GCN-anl在近9倍的表示存储压缩下,与现有模型相比,性能恢复率约为90~99%.
2021-12-03 cs.IR