Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation
针对序列推荐中无监督去噪易误删用户兴趣物品且忽略兴趣粒度噪声的问题，提出MGSD-WSS模型，利用弱监督信号与多高斯核感知机准确识别噪声，结合噪声加权对比学习实现物品与兴趣双重粒度去噪，在五个数据集上显著优于现有方法。
2025-10-12 cs.IR
Semantics-Aware Denoising: A PLM-Guided Sample Reweighting Strategy for Robust Recommendation
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出SAID方法，通过预训练语言模型识别语义不一致的点击交互，有效提升推荐系统的鲁棒性与准确性。
2026-02-17 cs.IR
Beyond Noisy Signals: Dual-Level Denoising for Multi-modal Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
研究多模态序列推荐中的双重噪声困境，提出DDMSR框架，从特征拓扑和序列频率角度净化信号，设计基于图的特征去噪与频域序列去噪模块，纳入多模态对比对齐目标，实验证明该框架性能优于基线。
2026-08-17 cs.IR
Self-Guided Learning to Denoise for Robust Recommendation
隐式反馈的普遍性使其成为构建现代推荐系统的默认选择。一般来说，观察到的相互作用被认为是正样本，而未观察到的相互作用被认为是负样本。然而，由于噪声积极和噪声消极的相互作用的普遍存在，隐式反馈本质上是嘈杂的。近年来，一些研究注意到了隐式反馈去噪对推荐的重要性，并在一定程度上增强了推荐模型的鲁棒性。尽管如此，它们通常无法（1）捕获硬而干净的交互以学习全面的用户偏好，以及（2）提供可应用于各种推荐模型的通用去噪解决方案。在本文中，我们深入研究了推荐模型的记忆效应，并提出了一种新的去噪范式，即，自我引导去噪学习（SGDL），能够在训练的早期阶段收集记忆的交互（即，“抗噪”时段），并利用这些数据作为去噪信号来指导后续训练（即，“噪声敏感”时期）。此外，我们的方法可以自动切换其学习阶段的记忆点从记忆到自我引导学习，并选择干净和信息的记忆数据，通过一种新的自适应去噪调度，以提高鲁棒性。我们将SGDL与四个代表性的推荐模型（即，NeuMF、CDAE、NGCF和LightGCN）和不同的损失函数（即，二进制交叉熵和BPR损失）。在三个基准数据集上的实验结果证明了SGDL的有效性，超过了最先进的去噪方法，如T-CE，IR，DeCA，甚至是最先进的基于图的鲁棒方法，如SGCN和SGL。
2022-05-17 cs.IR
Dual-domain Collaborative Denoising for Social Recommendation
针对社交网络与交互数据中的噪声及其跨GNN传播问题，本文提出DCDSR，通过结构级双向协同去噪、嵌入空间协同扰动对比学习及Anchor-InfoNCE提升社交推荐性能。
2024-05-08 cs.IR cs.SI
SSDRec: Self-Augmented Sequence Denoising for Sequential Recommendation
针对序列推荐中仅靠序列内信息去噪易出现过度/去噪不足的问题，提出三阶段SSDRec框架，通过全局关系编码、自增强和分层去噪提升去噪可靠性，在五个真实数据集上表现优于现有方法。
2024-03-07 cs.IR
ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
Xidian University（西安电子科技大学）；Shanghai Fairyland Software Co.,Ltd.（上海仙景软件有限公司）
提出ANCHOR框架，通过智能体模拟用户行为生成真实噪声标签，将推荐去噪转化为监督学习问题，实现高效噪声识别。
2026-08-04 cs.IR
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
本文通过分析去噪权重导致的头尾信号比变化，揭示小损失去噪会抑制干净但难拟合的长尾信号，提出流行度感知去噪（PAD）框架，根据物品流行度调节去噪强度，在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；University of Queensland（昆士兰大学）
本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。
2026-04-27 cs.IR
Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation
针对现有序列推荐去噪方法易过拟合或丢失有效信息的问题，提出融合跨信号对比学习的多级序列去噪模型MSDCCL，结合软硬去噪策略与扩展课程学习，可适配多数推荐模型，在五个公开数据集上表现优于SOTA基线。
2024-06-20 cs.IR
Denoising Self-attentive Sequential Recommendation
基于transformer的顺序排序器非常强大，可以捕获短期和长期的顺序项依赖关系。这主要归功于他们独特的自我注意力网络，以利用序列中的成对项目-项目交互。然而，现实世界的项目序列往往是嘈杂的，这是特别真实的隐式反馈。例如，很大一部分点击与用户偏好不一致，许多产品最终得到负面评价或被退回。因此，当前用户操作仅取决于项目的子集，而不是整个序列。许多现有的基于transformer的模型使用完全注意力分布，这不可避免地将某些学分分配给不相关的项目。如果Transformers没有被适当地正则化，这可能导致次优性能。
2022-12-08 cs.IR
Denoising and Prompt-Tuning for Multi-Behavior Recommendation
在实际的推荐场景中，用户经常在多类型行为下与项目交互（例如，点击、添加到购物车和购买）。传统的协同过滤技术通常假设用户对项目仅具有单一类型的行为，使得其不足以利用复杂的协同信号来学习信息表示并推断实际的用户偏好。因此，一些先驱研究探索建模多行为异质性，以学习更好的表示和提高目标行为的推荐性能。然而，大量的辅助行为（即，点击和添加到购物车）可能会将不相关的信息引入购物车，这可能会误导目标行为（即，购买）推荐，呈现两个关键挑战：（i）对辅助行为进行去噪，以及（ii）弥合辅助行为和目标行为之间的语义鸿沟。基于上述观察，我们提出了一个新的框架-去噪和提示微调（DPT）与三阶段学习范式来解决上述挑战。特别是，DPT在第一阶段配备了模式增强的图形编码器，以数据驱动的方式学习复杂的模式作为先验知识，以指导后续阶段学习信息表示和精确定位可靠的噪声。因此，我们在接下来的阶段中采用不同的有效和高效的轻量级调优方法，以进一步减弱噪声的影响，并缓解多类型行为之间的语义鸿沟。在两个真实世界数据集上的大量实验证明了DPT在各种最先进方法上的优越性。实现代码可在https://github.com/zc-97/DPT上在线获得。
2023-02-12 cs.IR
Teach Me How to Denoise: A Universal Framework for Denoising Multi-modal Recommender Systems via Guided Calibration
提出通用引导同步蒸馏降噪框架GUIDER，通过重校准识别噪声交互、DBPR损失处理隐式反馈及最优传输蒸馏对齐模态与推荐语义，可即插即用提升多模态推荐系统性能。
2025-04-19 cs.IR
Joint Behavior-guided and Modality-coherence Conditional Graph Diffusion Denoising for Multi Modal Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出JBM-Diff模型，通过多视图信息传播和特征融合去除多模态特征中的冗余信息，并从行为角度检测样本对的偏序一致性以提升推荐准确性。
2026-04-04 cs.IR
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
Denoising Implicit Feedback for Recommendation
普遍存在的隐式反馈使其成为构建在线推荐系统的默认选择。虽然大量的隐式反馈消除了数据稀疏性问题，但缺点是它们在反映用户的实际满意度方面并不干净。例如，在电子商务中，很大一部分点击并没有转化为购买，许多购买最终都得到了负面评价。因此，它是至关重要的，以考虑到不可避免的噪声在隐式反馈的推荐训练。然而，很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中，我们探讨了去噪隐式反馈推荐训练的中心主题。我们发现嘈杂的隐式反馈的严重负面影响，即，拟合噪声数据阻止了推荐器学习实际的用户偏好。我们的目标是识别和修剪噪声的相互作用，从而提高推荐训练的质量。通过观察正常推荐训练的过程，我们发现，噪声反馈通常在早期阶段具有较大的损失值。受此启发，我们提出了一种新的训练策略，称为自适应去噪训练（ADT），它自适应地修剪训练过程中的噪声相互作用。具体来说，我们设计了两种自适应损失公式化的范例：截断损失，丢弃大损失的样本在每次迭代中的动态阈值;和重加权损失，自适应地降低大损失样本的权重。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例，并在三个有代表性的机器上测试了所提出的ADT策略。在三个基准测试上的大量实验表明，ADT显著提高了推荐的质量。
2021-01-03 cs.IR
Denoising Time Cycle Modeling for Recommendation
Ant Group（蚂蚁集团）
本文提出DiCycle方法，通过去噪用户行为并选择与目标物品高度相关的子集，显式建模多样化时间周期模式，在公共和真实数据集上超越现有推荐方法。
2024-02-05 cs.AI cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Central University（国立中央大学）
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出自适应集成学习（AEL）去噪推荐方法，利用稀疏门控网络动态选择专家，并通过组件堆叠构建多样性子推荐器，在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
Wuhan University（武汉大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
最近，快手、抖音等微视频分享平台成为人们生活的主要信息来源。由于这些服务的大流量，短视频寿命和流媒体时尚，它已经变得越来越迫切，以提高现有的推荐系统，以适应这些挑战，在一个具有成本效益的方式。提出了一种新的概念感知去噪图神经网络（CONDE）微视频推荐方法。CONDE由三个阶段的图卷积过程组成，以获得用户和微视频表示：预热传播，图去噪和偏好细化。通过将用户节点与视频节点连接，以及将视频节点与从视频的字幕和评论中提取的相关联的概念节点连接，来构造异构三分图。为了解决图中的噪声信息，我们引入了面向用户的图去噪阶段，以提取更能反映用户偏好的子图。尽管本文的主要重点是微视频推荐，但我们也表明，我们的方法可以推广到其他类型的任务。因此，我们还进行了一个著名的公共电子商务数据集的实证研究。实验结果表明，建议CONDE实现显着更好的推荐性能比现有的国家的最先进的解决方案。
2021-09-28 cs.IR cs.LG
Automated Data Denoising for Recommendation
本文提出AutoDenoise框架，利用少量显式反馈作为验证集，通过控制器网络和强化学习自动为带噪隐式反馈动态分配权重，从而提升推荐系统在多个基准数据集上的性能。
2023-05-26 cs.IR
Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
City University of Hong Kong（香港城市大学）；Harbin Engineering University（哈尔滨工程大学）
针对序列推荐仅靠协同信息去噪易出现过度去噪（尤其对冷物品）的问题，提出融合协同与语义信息的IADSR两阶段框架，经四个公开数据集验证有效且兼容不同序列推荐系统。
2025-10-05 cs.AI cs.IR
IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation
School of Information Technology, Carleton University（卡尔顿大学信息技术学院）
IGDMRec通过行为条件图扩散和条件去噪网络，利用用户行为信息去噪多模态推荐的语义物品图，提升推荐性能。
2025-12-23 cs.IR
Multi-Modal Multi-Behavior Sequential Recommendation with Conditional Diffusion-Based Feature Denoising
Peking University（北京大学）；Wuhan University（武汉大学）；Shanghai University of International Business（上海国际商务大学）；Microsoft（微软公司）
针对多模态多行为序列推荐中模态偏好刻画不足、行为噪声和模态噪声问题，提出M$^3$BSR模型，利用条件扩散去噪和多专家兴趣提取，显著提升推荐性能。
2025-08-07 cs.AI cs.IR
Denoising Long- and Short-term Interests for Sequential Recommendation
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；College of Computer Science, Chongqing University（重庆大学计算机学院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出长短期兴趣去噪网络（LSIDN），通过会话级提取和对比学习分别去噪长期与短期兴趣，在公开数据集上超越现有模型，实现稳健的序列推荐。
2024-07-20 cs.AI cs.IR
On Efficiency-Effectiveness Trade-off of Diffusion-based Recommenders
针对扩散推荐系统多步去噪的离散化误差导致的效率-效果权衡问题，提出两阶段框架TA-Rec，通过时间一致性正则化实现单步生成，结合自适应偏好对齐提升效果，实验验证其可同时优化效率与推荐性能。
2025-10-22 cs.IR
Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
Northeastern University（东北大学）
本文提出AdaptedKG，通过为每个训练样本推导校准后的知识图谱证据，实现序列推荐中的行为去噪，在标准及多个行为去噪序列推荐器上均取得性能提升。
2026-08-24 cs.AI cs.IR
Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation
Amirkabir University of Technology (Tehran Polytechnic)（阿美里卡布大学（德黑兰理工大学））
针对基于图的序列推荐系统面临的噪声和静态表示问题，提出ALDA4Rec方法，通过社区检测去噪、丰富交互并结合自适应加权策略学习表示，实验表明其在四个数据集上的准确性和鲁棒性优于现有基线。
2025-04-18 cs.AI cs.IR cs.NE
Denoised Recommendation Model with Collaborative Signal Decoupling
College of Computer Science Sichuan University Chengdu, China（计算机科学学院 四川大学 成都）
本文提出DRCSD模型，通过协同信号解耦和逐阶去噪两个核心模块解决单图去噪导致的协同信号衰减问题，在三个真实数据集上验证了其对不稳定交互的鲁棒性和推荐准确率的显著提升。
2025-11-06 cs.AI cs.IR
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
Efficient Bi-Level Optimization for Recommendation Denoising
Chongqing University（重庆大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The University of Queensland（昆士兰大学）
该研究将隐式反馈推荐去噪建模为双层优化，通过内层学习推荐模型与权重、外层依据梯度及历史影响调整权重，并用权重生成器和一阶梯度匹配损失提升效率，在三个基准上超过现有通用与去噪推荐模型。
2023-06-01 cs.IR cs.LG
A Tale of Two Graphs: Freezing and Denoising Graph Structures for Multimodal Recommendation
针对多模态推荐中现有物品潜在图结构学习低效的问题，提出FREEDOM模型，通过冻结物品-物品图、度敏感剪枝去噪用户-物品交互图，在准确率提升的同时大幅降低内存开销。
2023-08-23 cs.IR cs.MM
Large Language Model Enhanced Hard Sample Identification for Denoising Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对隐式反馈推荐中难样本与噪声样本模式相似难以区分的问题，提出LLMHD框架，通过LLM语义评分识别难样本，结合剪枝策略与迭代偏好更新提升去噪推荐效果，经多数据集与骨干模型验证有效。
2024-09-16 cs.AI cs.IR
Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach
Rutgers University（罗格斯大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MYbank, Ant Group（蚂蚁集团 MYbank）
针对开放世界跨域序列推荐中长尾和冷启动用户导致的性能下降及多行为语义鸿沟问题，提出一种模型无关的对比去噪方法以提升推荐一致性与有效性。
2024-06-05 cs.IR cs.LG
Denoising User-aware Memory Network for Recommendation
Alibaba Group（阿里巴巴集团）；University of Science and Technology of China（中国科学技术大学）
为了更好的用户满意度和商业效率，基于序列的推荐系统越来越受到关注，它被用来推断用户的动态偏好的演变，最近的研究已经注意到，用户的偏好的演变可以更好地理解从隐式和显式反馈序列。然而，现有的推荐技术大多没有考虑隐式反馈中的噪声，这将导致用户兴趣的偏差表示和次优推荐性能。同时，现有的方法利用项目序列来捕捉用户兴趣的演变。这些方法的性能受到序列长度的限制，不能有效地对长时间内的长期兴趣建模。基于这一观察，我们提出了一种新的CTR模型命名为去噪用户感知记忆网络（DUMN）。具体而言，该框架：（1）提出了一种基于正交映射的特征净化模块，该模块利用显式反馈的表示对隐式反馈的表示进行净化，有效地去除了隐式反馈的噪声;（2）通过对已有方法忽略的用户记忆网络进行改进，设计了一种用户记忆网络，对用户长期兴趣进行细粒度建模;以及（iii）开发偏好感知交互式表示组件以基于门控融合用户的长期和短期兴趣，从而理解用户的无偏偏好的演变。在两个真实的电子商务用户行为数据集上的大量实验表明，DUMN在最先进的基线上有显着的改进。DUMN模型的代码已作为附加材料上传。
2021-07-12 cs.AI cs.IR
END4Rec: Efficient Noise-Decoupling for Multi-Behavior Sequential Recommendation
针对多行为序列推荐中序列过长导致效率低及噪声干扰问题，提出高效行为序列挖掘器EBM及硬软去噪模块，并结合对比损失与引导训练实现噪声解耦，实验验证了方法的有效性与效率。
2024-03-26 cs.IR
Denoising Attention for Query-aware User Modeling in Personalized Search
针对个性化搜索中标准注意力机制的归一化缺陷和噪声过滤不足，提出去噪注意力机制，通过稳健归一化与过滤机制改进用户建模，实验验证其优于其他注意力变体。
2023-08-30 cs.IR
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
Partial Relaxed Optimal Transport for Denoised Recommendation
推荐系统（RS）使用的交互数据不可避免地包含由错误或探索性点击引起的噪声，特别是在隐式反馈下。如果没有适当的去噪，RS模型就无法有效地捕捉用户的内在偏好以及用户与物品之间的真实交互。为了解决这样的噪声，现有的方法主要依赖于辅助数据，这些数据并不总是可用的。在这项工作中，我们基于最优传输（OT）来全局匹配用户嵌入空间和项目嵌入空间，允许非深度和深度RS模型在没有监督的情况下区分内在和噪声交互。具体来说，我们首先利用OT框架通过Sinkhorn距离计算连续的多对多用户项匹配分数。然后，我们放松正则化的Sinkhorn距离，以实现一个封闭的形式的解决方案，降低了时间复杂度。最后，考虑到个人用户行为的去噪，我们开发了一个部分OT框架，通过个性化的阈值机制自适应地重新标记用户-项目交互。大量的实验表明，我们的框架可以显着提高现有的RS模型的性能。
2022-04-19 cs.IR
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
Session-based Recommendation with Self-Attention Networks
基于会话的推荐旨在通过当前会话和先前的匿名会话预测用户的下一个行为。在基于会话的推荐中，捕获项目之间的长距离依赖关系是一个重要的挑战。提出了一种新的基于会话的推荐方法，并将自注意网络（SR-SAN）作为一种补救措施。自注意网络（SAN）允许SR-SAN捕获会话的所有项目之间的全局依赖关系，而不管它们的距离。在SR-SAN中，使用单个项目的潜在向量来捕获当前兴趣和全局兴趣，而不是由当前兴趣嵌入和全局兴趣嵌入组成的会话嵌入。在一些开放的基准数据集上进行了一些实验。实验结果表明，该方法优于一些国家的艺术比较。
2021-02-03 cs.IR
Pay Attention to Attention for Sequential Recommendation
本文提出 AWRSR，通过显式关注并细化注意力权重来增强自注意力，以捕捉序列推荐中的高阶物品依赖，实验证明其持续优于现有 SR 模型。
2024-10-28 cs.IR
Attention Is Not the Only Choice: Counterfactual Reasoning for Path-Based Explainable Recommendation
针对基于路径推荐中注意力权重不稳定且不符直觉的问题，提出用反事实推理学习路径可解释权重，并设计两种算法及定性定量评估方案，实验验证其有效可靠。
2024-03-03 cs.IR
Next Item Recommendation with Self-Attention
在本文中，我们提出了一种新的序列感知推荐模型。我们的模型利用自我注意力机制，从用户的历史交互推断项目之间的关系。通过自注意，它能够估计用户交互轨迹中每个项目的相对权重，以更好地学习用户瞬时兴趣的表示。该模型最终在度量学习框架中进行训练，同时考虑短期和长期意图。在不同领域的广泛数据集上的实验表明，我们的方法远远优于最先进的方法。
2018-08-25 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
DiffuReason: Bridging Latent Reasoning and Generative Refinement for Sequential Recommendation
Tencent（腾讯）
DiffuReason通过联合潜在推理与生成细化，提升序列推荐的准确性和实用性。
2026-02-12 cs.IR
MLSA4Rec: Mamba Combined with Low-Rank Decomposed Self-Attention for Sequential Recommendation
School of Computer Science, South China Normal University（华南师范大学计算机学院）
MLSA4Rec通过结合Mamba和低秩分解自注意力，提升序列推荐的准确性与效率。
2024-07-18 cs.IR
DCAN: Diversified News Recommendation with Coverage-Attentive Networks
基于自我注意的模型被广泛应用于新闻推荐任务中。然而，以往的Attention体系结构没有约束用户历史行为中的重复信息，这限制了隐藏表示的能力，并导致了信息冗余和过滤气泡等问题。为了解决这个问题，我们提出了一个个性化新闻推荐模型DCAN，它通过新闻编码器和用户编码器捕获多粒度的用户-新闻匹配信号。我们不断更新覆盖向量来跟踪新闻关注的历史，并以4种方式增加向量。然后将扩展后的Coverage向量输入到多头自注意模型中，帮助调整未来注意力，并在损失函数（CRL）中加入Coverage规则，使推荐系统能够更多地考虑差异化信息。在微软新闻推荐数据集（MIND）上的大量实验表明，我们的模型在准确性方面的牺牲最小的情况下，显着提高了新闻推荐的多样性。
2022-06-02 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
Linear-Time Self Attention with Codeword Histogram for Efficient Recommendation
自注意由于其有效性，在从自然语言处理到推荐的各种序列建模任务中变得越来越流行。然而，自注意具有二次计算和存储复杂性，限制了其在长序列上的应用。解决这个问题的现有方法主要依赖于稀疏注意上下文，或者使用本地窗口，或者通过局部敏感哈希（LSH）或排序获得的置换桶，而关键信息可能会丢失。受矢量量化思想的启发，提出了一种LISA（LNear-time Self Attention）算法，该算法既具有自注意的有效性，又具有稀疏注意的高效性。LISA随序列长度线性缩放，同时通过计算码字分布的可微分直方图来实现完全的上下文注意力。同时，与一些有效的注意力方法不同，我们的方法对偶然掩蔽或序列长度没有限制。我们评估我们的方法在四个现实世界的数据集顺序推荐。结果表明，LISA在性能和速度方面都优于最先进的高效注意力方法;它比香草自我注意力快57倍，内存效率高78倍。
2021-05-28 cs.IR
Denoising Implicit Feedback for Cold-start Recommendation
Hong Kong Baptist University（香港浸会大学）；Independent Researcher（独立研究员）；Peking University（北京大学）；Nanjing University（南京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
针对冷启动推荐中隐式反馈噪声问题，提出模型无关的去噪方法DIF，通过内容相似性推断伪标签并建模置信度与不确定性，在快手应用中显著提升冷启动场景商业指标。
2026-06-19 cs.AI cs.IR cs.MM
Integrating Structure-Aware Attention and Knowledge Graphs in Explainable Recommendation Systems
本文提出一种融合知识图谱与结构感知注意力机制的可解释推荐模型，通过图神经网络多跳聚合和动态权重分配捕捉隐式偏好，在Amazon Books数据集上验证了其优越性能与稳定性。
2025-10-11 cs.IR
Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；SUN YAT-SEN University（中山大学）；Huawei（华为）
针对多行为序列推荐中计算复杂度高且数据噪声大的问题，提出DPCPL范式，通过EBM模块多尺度去噪预训练和CPL模块高效定制化提示微调，在仅需极少参数调整的情况下，于多个真实数据集上超越了最先进性能。
2024-08-21 cs.AI cs.IR
