MovieLens 1M
PulseAugur coverage of MovieLens 1M — every cluster mentioning MovieLens 1M across labs, papers, and developer communities, ranked by signal.
-
研究：开放索引在搜索推荐系统中提供效率
一篇新的研究论文探讨了共享搜索和推荐索引之间的权衡，发现双编码器检索系统可以在不显著损失准确性的情况下保持索引对新项目的开放。这种方法与需要为新内容重新训练的传统ID-softmax推荐器形成对比。该研究使用MovieLens 1M和MIND等数据集，量化了开放索引和重新训练模型之间的准确性差距，并强调虽然开放索引更有效，但在大规模实现精确质量训练仍然是一个悬而未决的挑战。
-
RetrievalFormer: 双编码器Transformer用于冷门商品推荐
研究人员开发了RetrievalFormer，一个双编码器Transformer模型，用于高效的近似最近邻检索和冷门商品推荐。该模型解决了在不重新训练的情况下将新商品纳入搜索和推荐索引的挑战，这是ID-softmax推荐器普遍存在的问题。RetrievalFormer仅根据特征对新商品进行评分，从而保持开放索引，并在MovieLens-1M和MIND等数据集上取得了有竞争力的性能，尤其是在冷启动场景下。
-
Pairwise ranking beats RL for LLM explanation selection in recommendation systems
研究人员开发了一种从大型语言模型（LLM）中选择推荐系统解释的新方法，显著降低了服务成本和延迟。通过预先生成解释池并使用驻留在CPU上的选择器，该系统无需GPU即可在100毫秒内响应。研究发现，成对学习排序方法（特别是LambdaRank）在选择最佳解释方面优于单动作强化学习方法，在基准数据集上取得了更高的F1分数。
-
X-KGRank框架利用知识图谱和LLM增强推荐系统
研究人员开发了X-KGRank，一个结合知识图谱检索和大型语言模型（LLM）以改进推荐系统的新框架。该方法通过将LLM的解释 grounding 在用户历史和结构化数据中，解决了现有方法的局限性，从而减少了幻觉。该框架构建了一个异构知识图谱，并采用LightGCN ranker，在MovieLens-1M数据集上的表现优于基线方法。
-
LLMAR框架利用LLM推理进行稀疏工业推荐
研究人员开发了LLMAR，一个旨在改进稀疏、富文本工业领域推荐系统的新型框架。与在数据有限或LLM微调成本高昂的情况下挣扎的传统方法不同，LLMAR在没有任何训练过程的情况下利用LLM推理。它通过一个推理驱动的注释系统（将用户行为转化为语义动机）、一个用于自我纠正的反射循环和一个成本效益高的架构来实现这一点。评估表明，LLMAR的性能显著优于现有模型，为B2B应用提供了一种实用且高效的替代方案。
-
新的损失函数改进了用于推荐的图神经网络
研究人员开发了一种名为基数分解损失（CDL）的新方法，以提高图神经网络在推荐系统中的性能。传统方法通常使用单一损失函数，如贝叶斯个性化排序（BPR），这可能导致属性嵌入崩溃并对下游任务产生负面影响。CDL 将交叉熵（CE）与 BPR 相结合，以更好地优化具有不同基数的关系，从而提高属性嵌入的可区分性。CDL 的有效性在五个数据集上得到了证明，其性能受到语义对齐和拓扑泄露等图属性的影响。
-
RouteRec框架解决了推荐系统中代理的选择问题
一个名为RouteRec的新框架已被开发出来，用于解决在面对多个异构选项时，为推荐系统选择最佳代理的挑战。该框架将硬选择代理与学习聚合进行比较，并在MovieLens 1M数据集上评估性能。结果表明，虽然硬选择难以超越BM25等基线方法，但学习聚合显示出潜力，一种门控全代理方法实现了更高的HR@10和NDCG分数，尽管LLM使用量很大。
-
RouteRec框架评估LLM在推荐系统中的集成
一篇新的研究论文介绍了一个名为RouteRec的框架，该框架旨在评估推荐系统如何从包括传统方法和LLM重新排序器在内的各种代理中选择和聚合信息。研究发现，虽然一个完美的Oracle系统具有巨大潜力，但在成本限制下的简单硬选择方法并未优于现有的基线（如BM25）。然而，学习到的聚合策略，特别是在项目层面，显示出希望，其中一个变体匹配了BM25，另一个在管理LLM使用的情况下实现了更高的HR@10分数。
-
新AI方法优先考虑对弱势用户的媒体推荐安全
研究人员开发了RankAid，一种新颖的重新排序方法，旨在提高媒体推荐系统中用户的安全性，特别是对于经历心理健康危机用户。该方法作为现有算法的附加组件，根据用户脆弱性对有害内容进行惩罚，并推广治疗性替代方案。使用MovieLens 1M数据集的评估表明，RankAid在关键时期有效阻止危险推荐并缓和情绪状态，同时对标准准确性指标的影响很小。
-
CASP算法改进了两阶段推荐系统的离线策略选择
研究人员推出了一种用于两阶段推荐系统策略选择的新方法CASP（Coupled Action-Set Pessimism，耦合动作集悲观法）。该方法解决了初始物品生成器改变会同时改变估计策略值和支持该估计的数据的挑战。CASP结合了双重稳健值估计和弱数据支持的惩罚项，旨在通过考虑数据的可信度来选择更可靠的策略。