AITOP

推荐系统

共 30 条相关 AI 资讯
8月24日
09:39
8月18日
17:39
17:39官方账号arXiv cs.AI@Di Bai, Feng Han, Zhenwei Tang, Jintao Liu, Luoshu Wang, Jialu Liu
78°
Google Discover等大型内容平台面临陈旧推荐问题，主要源于内容替代和相关性衰减两种机制。Google 推出 SDF 系统，用于解决推荐内容的陈旧性问题。SDF 通过关系陈旧性模型和预测流量比率（PTR）模型两个过滤器来识别陈旧内容。在为期两年的生产部署中，用户提交的陈旧性报告相比基线下降了54.9%。
论文GoogleGoogle DiscoverSDF
推荐理由：Google 在 Google Discover 上部署了 SDF 系统，专门解决推荐内容变旧的问题。它用两个模型识别陈旧内容，让用户投诉下降了54.9%。
原文
15:26
8月12日
18:20
18:20官方账号arXiv cs.LG@Kaan Buyukkalayci, Kyle Pak, Merve Karakas, Christina Fragouli
该论文提出一种基于推荐系统的传感器子集选择方法，用于目标跟踪。此前研究利用低成本声学RSSI测量推荐传感器节点子集，使昂贵传感模式（如摄像头）实现高跟踪精度，但RSSI易受声学干扰。新方法采用频带声学特征和双塔多层感知机（MLP）架构，高效评分候选传感器子集。在户外车辆跟踪部署实验中，该方法相比RSSI基线将跟踪精度提升约20%，同时保持实时选择性传感所需的低计算开销。
论文传感器选择目标跟踪推荐系统
推荐理由：这篇论文用推荐系统思路解决传感器选择，抗干扰还提精度20%，做跟踪或边缘计算的朋友可以看看。
原文
18:14
8月11日
10:37
8月6日
21:11
21:11techcrunch@Lauren Forristal
初创公司由前Spotify员工创立，已筹集1000万美元资金。其平台能预测购物者下一个想买的产品，学习用户整体偏好，并根据实时行为持续微调推荐。该公司希望把Spotify的个性化推荐技术应用到电商领域。
行业Spotify推荐系统电商
推荐理由：几个Spotify出来的人拿了1000万美元，把推荐歌单那套算法搬来给电商猜你想买什么，购物体验可能会变得更懂你。
原文
8月5日
10:43
10:43官方账号arXiv cs.LG@Qianqian Wang, Wenwu Gong, Yunshan Li, Zhenqing Wu, Ruili Wang, Lili Yang
该论文提出条件可识别的潜在环境推荐模型 CILER，用于解决分布外推荐中的偏好偏移问题。CILER 用用户条件指数族建模潜在环境，用特征索引多项式描述环境对偏好的影响。在三个数据集上，CILER 在特征、时间和地理偏移下改善了全部十二项 OOD 排序指标。论文还给出了环境敏感表示的可识别性条件，并界定了部署风险的误差上界。
论文CILER分布外推荐推荐系统
推荐理由：这篇论文把推荐系统的分布外问题拆成环境识别和偏好建模两步，CILER 在三个数据集上十二项指标全涨，做法扎实，做推荐的朋友值得看看。
原文
7月31日
07:56
07:56IT之家（博客/媒体）
Meta 在第二季度财报电话会议上透露，正在利用大语言模型提高软件开发效率，加速推出新产品。扎克伯格表示，AI 帮助团队更快开发并验证新想法，已推出 Instagram Instants、独立群组应用 Forum 和 Marketplace 应用 Seller。Meta CFO 苏珊·李指出，大语言模型能理解内容主题并生成更高质量的训练数据，AI 智能体可评估内容质量、发现流行趋势。Meta 过去两次尝试孵化新应用均失败，Creative Labs 在 2015 年终止，NPE Team 测试的十余款应用也未能成功。
行业MetaFacebookInstagram
推荐理由：Meta 用 AI 快速开发新应用，过去失败很多，这次想靠 AI 翻身，看看他们能搞出啥新东西。
原文
7月30日
11:54
7月28日
09:36
09:36官方账号arXiv cs.LG@Gengyu Zhan
CALMRec使用冻结多模态语言模型将用户物品内容和反馈转换为证据基础语义原子，并维护短期、长期和暴露三种记忆。通过倾向性加权更新减少策略引起的暴露偏差，保守离线批评者重新排序候选以优化延迟满足。在电商类、新闻类和短视频类三个环境中，CALMRec相比最强基线将折扣长期价值分别提升6.1%、7.6%和6.7%。二十种子消融实验显示，缺失倾向性校正或保守支持正则化后价值显著下降（0.739±0.191和0.523±0.234）。冻结指令语言模型在语义原子NDCG上比TF-IDF提升超过一倍。
论文CALMRec推荐系统因果推断
推荐理由：这篇论文提出CALMRec框架，通过分离记忆和因果校正解决推荐系统的反馈循环，在三个场景提升长期价值6-7%，做推荐系统的值得看看。
原文
7月27日
19:09
7月25日
00:01
00:01官方一手AWS Machine Learning Blog@Ayush Singh Chauhan
精选
AWS博客介绍了如何利用Amazon SageMaker AI和PyTorch构建一个可解释的银行下个最佳产品推荐系统。该系统采用多塔神经网络与注意力机制，实现高准确率的个性化推荐。关键设计包括可解释性模块，满足银行监管对推荐原因透明化的要求。文章提供了完整的架构设计和决策说明。
技巧Amazon SageMaker AIPyTorch推荐系统
推荐理由：AWS官方手把手教你怎么用SageMaker和PyTorch搭推荐系统，还能解释为什么推荐这个产品，银行做合规推荐正需要这个。
原文
7月22日
12:15
7月17日
11:55
11:55官方账号arXiv cs.LG@Hector J. Garcia, Nick Clayton
推荐系统两阶段架构中嵌入陈旧性是常见瓶颈：用户对新物品评分后，其嵌入需等待重训练循环才能更新。论文提出可变草图方法，用KP-tree（带求和聚合的稀疏线段树）存储用户偏好，仅需一次低秩投影就能在评分到达时动态重算嵌入。理论证明每新增观测值都会单调收紧预测误差范围（Theorem 1），这是FunkSVD和eALS不具备的保证。在KuaiRec数据集上，可变草图仅读取1.8%的数据就达到0.810 RMSE，而ALS使用100%数据为0.822，且每批更新速度提升8倍。新用户在首次评分后不到1毫秒即可获得个性化推荐，无需任何模型重训练。
论文Mutable Low-Rank SketchesKP-tree推荐系统
推荐理由：这篇论文提出了一种不用重训练就能实时更新用户嵌入的方法，用KP-tree存储偏好，在KuaiRec上只用1.8%数据就比ALS效果好，速度还快8倍。
原文
7月16日
01:03
7月14日
11:02
11:02官方一手arXiv: DeepSeek@Cedric Waterschoot, Nava Tintarev, Francesco Barile
该论文研究如何让LLM根据群体内偏好分布（如少数派或联盟）动态选择最佳聚合策略。研究人员从DeepSeek-V3.1蒸馏出推理数据，并基于人类真实评估微调出Judgmental Llama和Judgmental OLMo模型。提出的管道先生成多个推荐候选，再通过模型预测人类评价来动态选择最优方案。在284人参与的用户研究中，该方法在满意度和群体共识上取得最高分，且LLM判断与人类感知高度对齐。
论文DeepSeek-V3.1Judgmental LlamaJudgmental OLMo
推荐理由：如果你想用LLM做群体推荐，这篇论文给出了一个基于微调和动态策略选择的新方案，284人的实验验证比传统方法更让人满意。
原文
10:55
10:55官方账号arXiv cs.LG@Johannes Kruse, Kasper Lindskow, Michael Riis Andersen, Ryotaro Shimizu, Julian McAuley, Pierre-Alexandre Mattei, Jes Frellsen
NAILS是一种简单可扩展的方法，通过内部标签转移将推荐系统输出与物品属性的目标分布对齐。它不需要重训练现有模型，只修改用户条件物品分布来诱导指定的边际分布。实验在多个推荐基准上显示，NAILS能持续改善属性级对齐度，且对用户参与度影响极小。该方法适用于公平性、多样性等规范性目标。
论文NAILS推荐系统规范对齐
推荐理由：NAILS不用重训练就能让推荐结果更符合公平、多样性的规范，而且几乎不牺牲用户参与度，很实用。
原文
7月4日
18:20
18:20官方一手Pandaily@contact@pandaily.com (Pandaily)
精选
傅聪团队与厦门大学联合提出ManCAR框架，一种流形约束自适应推理方法。在推荐任务上，ManCAR在NDCG@10指标上取得最高46.88%的提升。该框架通过流形约束捕捉用户偏好的非线性结构，结合自适应推理增强生成式推荐的准确性。实验结果在多个基准数据集上验证了其有效性。
AI模型ManCAR傅聪推荐系统
推荐理由：傅聪团队和厦大搞了个ManCAR新框架，做推荐比之前方法强了将近一半，用流形约束让推荐结果更准更靠谱。
原文
7月1日
10:16
10:16官方账号arXiv cs.AI@Yufei Li, Zaiwei Zhang, Mingfu Liang, Kavosh Asadi, Jay Xu, Jimmy Kim, Chongyang Bai, Jieyi Zhang, Hongye Xie, Prachi Agrawal, Dian Yu, Tianyi Chen, Jean-Pascal Billaud, Garret Buell, YK, Zhu, Sachin Patil, Brooke Bian, Zhou Fang, Kevin Huang, Shiva Sudanagunta, Yuzhen Huang, Emma Lu, Chris O'Brien, Yang Song, Lihong Li, Jacob Tao, Zhicheng Zhu, Chao Li, Gaoxiang Liu, Neil Wu, Zhongyin Hu, Li Han, Loki Chen, Ming Lei, Greg Rehm, Siyuan Song, Tianwei Zhang, Li Li, Ketan Singh, Yavuz Yetim, Ilyas Atishev, Satendra Gera, Ashkan Sadeghi, Rachel Yan, Nikko Mizutani, Shuaiwen Wang, Song Yang, Zhijing Li, Jiang Liu, Mengying Sun, Fei Tian, Xiaohan Wei, Chonglin Sun, Parish Aggarwal, Kaushik Rangadurai, Zhi Hua, Frank Shyu, Ruchit Sharma, Liyuan Li, Shike Mei, Wenlin Chen, Santanu Kolay, Ben Schulte, Deepak Chandra, Adam, Song, Sandeep Pandey, Xi Liu, Hamed Firooz, Luke Simon
GR2是一个端到端的生成式推理重排序框架，面向工业推荐系统的重排序阶段。它采用语义ID分词器（唯一性≥99%）、从更强教师模型进行推理蒸馏，以及基于可验证奖励的强化学习。在工业规模流量上，GR2相比基线实现R@1提升18.7%、R@3提升7.1%、N@3提升9.6%。论文还发现奖励设计至关重要，LLM可能通过保持输入顺序或利用位置偏差来“欺骗”奖励。
论文GR2推荐系统重排序
推荐理由：这篇论文提出了GR2，在工业重排序上拿下了18.7%的召回提升，还解决了LLM作弊奖励的问题，做推荐系统的可以看看。
原文
6月25日
02:27
02:27官方账号Greg Brockman@gdb
72°
OpenAI推出新版GPT-5.5 Instant，对话体验更风趣。模型能更好理解用户问题意图并动态调整回应。它处理复杂约束更可靠，购物和本地推荐也更实用。今天向付费用户开放，明天免费用户可用。
AI产品GPT-5.5 InstantOpenAI对话模型
事件专题
推荐理由：OpenAI把GPT-5.5 Instant升级了，聊天更带劲，能猜准你心里想啥，推荐东西也更靠谱，免费党明天就能体验。
原文
6月23日
10:32
10:32官方账号arXiv cs.LG@Mathieu Delcluze, Léa Briand, Benjamin Chapus, Deniz Mekik, Guillaume Salha-Galvan
Deezer在2025年部署了基于大型语言模型（LLM）的自动播放列表标注系统。该系统为Daily Mix功能生成自然语言描述，覆盖数百万用户。部署后用户参与度显著提升，表明语义描述如何影响用户对个性化推荐的感知。论文发表于arXiv，编号2606.22460v1。
论文DeezerLLM播放列表生成
推荐理由：Deezer用LLM给每日推荐写标题，百万用户真用上了，参与度还涨了——不是PPT，是上线产品。
原文
6月18日
10:31
10:31官方账号arXiv cs.LG@Daochen Zha, Chun How Tan, Xin Liu, Bin Xu, Han Zhao, Xiaowei Liu, Tracy Yu, Hui Gao, Huiji Gao, Liwei He, Stephanie Moyerman, Sanjeev Katariya
JourneyFormer是Airbnb提出的序列建模解决方案，用于处理搜索排序中客人序列长、探索性强且标签稀疏的问题。模型设计涵盖事件选择、ID嵌入、模型架构和标签归因等关键环节，并采用专门策略加速训练和推理。JourneyFormer已部署到Airbnb生产环境，离线排名指标和线上A/B测试（覆盖2个生产表面）均显示关键业务指标显著提升。
AI模型JourneyFormerAirbnb序列建模
推荐理由：Airbnb搞了个JourneyFormer，专治搜索排序中又长又乱的用户序列，实测线上A/B测试效果很不错。
原文
6月16日
12:52
12:52官方账号arXiv cs.AI@Eduardo Ferreira da Silva, Mayki dos Santos Oliveira, Joel Machado Pires Denis Dantas Boaventura, Frederico Araújo Durão
该论文系统评估了文本信息对矩阵分解推荐模型的实际贡献。作者提出了可学习的门控机制和交叉注意力机制，用于融合用户/物品主题分布和全文嵌入两种文本表征。在多个基于评论的数据集上测试了六种变体，发现即使自适应融合机制提升了表征灵活性，相对于协同过滤主干，文本信号的边际贡献仍有限。这表明在典型评分预测场景下，协同信息仍主导性能。
论文Matrix Factorization推荐系统文本增强
推荐理由：这篇论文告诉你：别盲目堆文本特征做推荐，协同过滤本身已经很强了，加文本未必有多大提升。
原文
6月10日
09:05
09:05官方一手arXiv: DeepSeek@Bharath Sivaram Narasimhan, Karthik R Narasimhan
精选
推荐系统正转向多轮对话式智能体，但现有评估依赖“LLM作为裁判”，存在主观性、高成本和不一致问题。τ-Rec 基准用可验证奖励和揭示标签引导机制替代主观评估，通过结构化目录谓词和 pass^k 可靠性指标测试智能体的推理一致性。对 GPT-5.4、Claude Sonnet 4.6 等 9 种配置的评估显示，最佳模型 pass^1 仅约 57%，pass^4 约 38%，暴露了当前对话智能体部署中的可靠性悬崖。所有代码和数据已开源。
论文推荐系统智能体评估基准
推荐理由：做推荐系统或对话智能体评估的团队，终于有了一个可复现、低成本的客观基准，直接拿来测自己的模型会看到真实差距。
原文
6月9日
12:40
12:40官方账号arXiv cs.LG@Udvas Das, Waris Radji, Debabrota Basu, Odalric-Ambrym Maillard
精选
本文提出了一种名为 Dri-MED 的算法，用于解决线性上下文随机多臂赌博机问题，其中学习者需为具有个性化偏好的用户群体提供推荐，且上下文分布随时间漂移。在实用假设下，该问题被简化为具有异方差非平稳噪声的平稳均值线性赌博机。算法还确保每次决策的平均奖励不低于基线策略，实现了与约束感知次优间隙相关的实例相关遗憾界，并具有理论保证的约束违反次数。数值实验表明，Dri-MED 显著优于忽略漂移和偏好结构的保守基线方法。
论文在线学习上下文赌博机非平稳环境
推荐理由：在线推荐系统常面临用户偏好漂移和基线约束的挑战，Dri-MED 为这类问题提供了理论扎实且效果显著的解决方案，做推荐系统或在线学习的团队值得关注其算法设计。
原文
6月8日
11:09
11:09官方账号arXiv cs.LG@Ekaterina Grishina, Stepan Kuznetsov, Askar Tsyganov, Ilya Ivanov, Daria Korovaitceva, Margarita Rusanova, Uliana Parkina, Alexander Derevyagin, Evgeny Frolov, Sergey Samsonov, Anton Lysenko
推荐算法排名因数据集特性（稀疏性、序列结构、规模）而异，简单平均指标（如NDCG）会产生误导。研究者提出基于Bradley-Terry模型的排名方法，能根据数据集统计特征生成更可靠的排名。该方法还引入新指标评估排名一致性，并能在不运行模型的情况下预测新数据集上的算法表现。这对推荐系统开发者选择算法和评估基准有重要参考价值。
论文推荐系统算法排名Bradley-Terry模型
推荐理由：推荐系统团队做算法选型时，别再被平均指标骗了——BT模型帮你根据数据集特性精准排名，省去跑全量模型的成本，做评估基准的开发者值得一试。
原文
5月28日
11:56
11:56官方账号arXiv cs.LG@Audrey Chan, Aaron Labbé, Jacob Lavoie, Jordan Bannister, Arsène Fansi Tchango, Guillaume Lajoie, Laurent Charlin
该论文提出AMRS情感音乐推荐系统，部署于LUCID健康平台，服务临床用户（如神经认知障碍老年人）和普通用户。系统使用因果Transformer构建世界模型，基于历史日志数据预测用户参与度、评分及情感状态（效价与唤醒度）。通过行为克隆初始化推荐策略，再使用直接偏好优化（DPO）离线微调，避免在线情感实验的伦理问题。实验表明，世界模型在冷启动场景下能有效预测行为与情感信号，DPO在保持推荐多样性的同时提升了情感指标。该工作为无法进行在线实验的情感推荐场景提供了可部署的验证方案。
论文推荐系统情感计算离线优化
推荐理由：做健康/情感类推荐系统的团队终于有了一个可落地的离线优化方案——用世界模型模拟用户情感反馈，避免在线实验的伦理风险，做医疗或老年人应用的开发者可以直接参考其方法论。
原文
5月17日
00:04
5月16日
17:27