К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 86 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 86 найденных, риска — весь корпус
Генеративные рекомендации 2Последовательные рекомендации 7Языковые модели и агенты 21Коллаборативные модели 5Оценка и причинность 86Объяснения и контроль 23Промышленные системы 29Кросс-домен и мультимодальность 19Реклама и рекомендации 4
Оценка, причинность и достоверность выводаСбросить фильтры

  1. A Control Function Framework for Mitigating Position Bias in Learning to Rank Systems

    Контрольные функции строятся из остатка модели прошлой позиции и его взаимодействий с признаками. При обучении они корректируют ранкер, а при выдаче обнуляются.

    University of Illinois Chicago, California Polytechnic State University

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  2. Adaptive Retraining of Recommender Systems via Reinforcement Learning

    Контроллер обучения с подкреплением выбирает пропуск, дообучение либо переобучение на части или всей истории. Состояние включает качество, возраст модели и оставшееся число разрешённых обновлений.

    University of Bergamo, Northwestern University +1

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  3. Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders

    Перестановки истории и диагностика повторной рекомендации измеряют опору модели на последний товар. Анализ остаточных путей связывает этот эффект с устройством причинного self-attention.

    Hokkaido University

    #Последовательные рекомендации#Оценка и причинность

    Публикация конференцииZotero ↗

  4. FASC: A Feature Aspect-Level Sentiment Consistency Framework for Explainable Recommendation Evaluation

    FASC извлекает из отзывов аспекты и их тональность с согласованием языковых моделей. Объяснение оценивается по совпадению аспектов и полярности со структурированной разметкой.

    Central China Normal University

    #Оценка и причинность#Объяснения и контроль#Языковые модели и агенты

    Публикация конференцииZotero ↗

  5. From Constraint to Control: Modeling Expected Fairness in Ranking Systems

    Мягкое ранжирование позволяет оптимизировать экспозиционную справедливость с пороговым штрафом. Калибровочная зависимость связывает управляющий параметр с ожидаемым измеримым результатом.

    Laboratoire Hubert Curien, Konduco

    #Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  6. Generalized Position-Based Model: Rethinking Position Weights in Ranking Off-Policy Evaluation

    GPBM заменяет жёсткие окна позиций непрерывной матрицей весов. Взвешивание сохраняет структуру importance sampling для оценки новой политики по старым логам.

    Radboud University, Amazon Music

    #Оценка и причинность

    Публикация конференцииZotero ↗

  7. On the Convergent Validity of Offline Evaluation Designs for Recommender Systems

    Работа сопоставляет ранги моделей на разреженной офлайн-оценке и плотной референсной разметке. Разные дизайны оценки проверяются на согласованность модельных выводов.

    Drexel University

    #Оценка и причинность

    Публикация конференцииZotero ↗

  8. Probabilistic Residual Learning for Online Recommendations

    Вероятностная модель обучается предсказывать остаток ошибки замороженного рекомендателя. Контентные априоры и пользовательские кластеры задают структуру поправки.

    Rutgers University, Meta Platforms, Inc. +2

    #Промышленные системы#Коллаборативные модели#Оценка и причинность

    Публикация конференцииZotero ↗

  9. Simulating Diverse User Behavioral Stereotypes for Evaluating Agentic Conversational Recommenders

    Симулятор варьирует способ раскрытия предпочтений при фиксированной целевой рекомендации. Синтетические диалоги учителя используются для обучения управляемого пользовательского агента.

    University of Bari Aldo Moro, University of Pisa

    #Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  10. TSMOO: Solving Multi-Objective Experimentation with Constrained Thompson Sampling

    TSMOO распределяет экспериментальный трафик ограниченным Thompson sampling. Допустимые варианты сравниваются по uplift основной метрики относительно фиксированного контроля.

    Amazon

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  11. The Cost of Continuous Time: Diagnosing Solver Sensitivity in Recommenders and Mitigating It via Training-Free Routing

    Работа сравнивает численные решатели непрерывновременного рекомендателя. Обучение не меняется, а маршрутизатор выбирает способ обновления по временным промежуткам.

    Sun Yat-Sen University

    #Последовательные рекомендации#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  12. The Utility of LLMs in Recommender Systems Explanation Evaluation

    Объяснения одной графовой рекомендации генерируются с разным составом промпта. Оценки языковых судей сопоставляются с человеческими суждениями.

    University of Zurich, Dublin City University

    #Оценка и причинность#Объяснения и контроль#Языковые модели и агенты

    Публикация конференцииZotero ↗

  13. There’s Something About You: Epistemic Recommendation for Latent Interest Discovery

    EGRec измеряет сдвиг прогнозов замороженной модели после гипотетической реакции на кандидата. Дополнительная сеть приближает дорогой сигнал для смешивания скоров или использования контекстным бандитом.

    The Walt Disney Company

    #Объяснения и контроль#Последовательные рекомендации#Оценка и причинность

    Публикация конференцииZotero ↗

  14. When Do Contrastive Explanations Really Matter in Recommender Systems?

    Пользовательское исследование сравнивает обычное обоснование с предложением альтернатив и ответом о конкретном исключённом объекте. Вручную написанные сценарии разделяют воспринимаемую необходимость, понятность и намерение выбора.

    Graz University of Technology, University of Oulu

    #Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  15. A Causal Transformer Multi-Touch Attribution with Dual Debiasing and Explainable Visualization for Advertising Recommendation

    CT-MTA кодирует рекламные контакты с временными поправками внимания. Латентный proxy и состязательное обучение корректируют смешение при атрибуции.

    Joint Institute of Qingdao Huanghai University and Weltec, Qingdao Huanghai University

    #Реклама и рекомендации#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  16. Comparability for Recommendation Model Evaluation and Selection from a Multi-stakeholder Perspective

    Работа нормирует выгоды разных участников относительно доступных возможностей. Затем способы агрегации сравниваются как разные нормативные критерии выбора модели.

    ETH Zurich

    #Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  17. Impression Share Prediction: An Offline Evaluation Task for Ads Ranking Systems

    Работа предсказывает доли рекламных показов с учётом состояния модели и доступного объёма. Причинная схема отделяет свойства ранкера от расходования ресурса во времени.

    Meta Platforms, Inc.

    #Реклама и рекомендации#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  18. LLM-as-a-Judge for Evaluating System Responses in Conversational Music Recommendation

    Музыкальная рекомендация фиксируется, а меняется текст ответа системы. Языковые судьи оценивают персонализацию и объяснение по общей с людьми рубрике.

    KAIST, Deezer Research +2

    #Оценка и причинность#Языковые модели и агенты#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  19. Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking

    Перестановки одного набора кандидатов порождают повторные ранжирования языковой модели. Диагностика разделяет попарную, глобальную и выходную согласованность предпочтений.

    RMIT University

    #Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  20. Support Gap: Selecting Fixed-K Candidate Sets for Retained Personalized Headroom

    Support Gap оценивает разницу между лучшим кандидатом для каждого состояния и лучшим общим кандидатом. Witness scorer использует эту величину для выбора фиксированного пула.

    Stanford University

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  21. Surface Matching in Skill Recommenders: Incomplete Evaluation Hides Simplicity Bias

    Работа расширяет оценку рекомендателя навыков рубрикой поверхностных совпадений и смысловых ошибок. Варианты обучения сравниваются по полезному верху списка, а не только известным позитивам.

    TechWolf, Ghent University

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  22. When Fixed-Candidate Offline Evaluation Changes Model Selection in Two-Stage Recommenders

    Работа сравнивает системы на собственных и фиксированных кандидатах. Признаки пересчитываются для каждой системы, чтобы отделить членство в пуле от реранжирования.

    Stanford University

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  23. Codebook-Based Semantic IDs in Generative Recommendation: Enabling Interface, Emerging Bottleneck

    Работа разбирает конфликты между квантованием, обучением и поиском по семантическим кодам. Аудит базовых моделей проверяет, какие преимущества действительно связаны с интерфейсом SID.

    AXXX (не раскрыто в источнике), AI Center +1

    #Генеративные рекомендации#Оценка и причинность

    Публикация конференцииZotero ↗

  24. From User–Item Edges to Exposure Allocation: Matching Evidence to Platform-Level Recommender Claims

    Работа отделяет свидетельства о локальной рекомендации от утверждений о распределении экспозиции. Мысленные контрпримеры проверяют зависимость вывода от ресурсов и состояния платформы.

    Stanford University

    #Оценка и причинность#Промышленные системы#Объяснения и контроль

    Публикация конференцииZotero ↗

  25. Are We Really Making Progress in Group Recommendation? Unmasking the Tie-Breaking Illusion

    Одинаковые скоры оцениваются при разных правилах разрешения ничьих. Точное ожидание ranking-метрик по случайному порядку устраняет произвольное преимущество позиции позитива.

    National Taiwan University

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  26. Personalised Drug Recommender Systems based on Electronic Health Records: Reproducibility and External Validity

    Аудит медицинских рекомендателей разделяет наличие артефактов и фактическое исполнение оригинального кода. Перенос на другие данные рассматривается отдельно от совпадения опубликованных метрик.

    University of Klagenfurt

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  27. We’ve Already Been There: A Study of Data Leakage in Ephemeral Group Recommender Systems

    Аудит эфемерных групп выявляет целевые групповые взаимодействия в индивидуальных историях участников. Направленное удаление сравнивается со случайным удалением того же объёма и счётчиком общих объектов.

    Johns Hopkins University

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  28. Binge Watch: Reproducible Multimodal Benchmark Datasets for Large-Scale Movie Recommendation on MovieLens-10M and 20M

    Ресурс связывает фильмы с текстом, постерами и трейлерами через устойчивые соответствия объектов. Публикуются признаки и конвейер получения мультимодального бенчмарка.

    University of Bari Aldo Moro

    #Кросс-домен и мультимодальность#Оценка и причинность

    Публикация конференцииZotero ↗

  29. JTH: A Dataset for Evaluating Cold-Start and Temporal Dynamics in Job Recommendation

    JTH объединяет профили кандидатов, вакансии и временные этапы найма. Структурированное извлечение атрибутов дополняет оценку холодного старта и динамики рынка.

    Télécom SudParis, Institut Polytechnique de Paris

    #Кросс-домен и мультимодальность#Оценка и причинность

    Публикация конференцииZotero ↗

  30. scikit-rec: A Unified, Extensible Recommendation Library with scikit-rec-agent, a Conversational Interface

    Scikit-rec разделяет рекомендательную логику, скоринг и оценивание моделей. Разговорный агент выбирает конфигурации поверх общего программного контракта.

    Intuit

    #Промышленные системы#Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  31. τ-Rec: A Verifiable Benchmark for Agentic Recommender Systems (τ-Rec)

    τ-Rec проверяет диалог агента по скрытым ограничениям пользователя и инструментальным действиям. Успех вычисляется детерминированными предикатами каталога вместо языкового судьи.

    Princeton University

    #Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  32. WatchLens: A Configurable Platform for Online Video Recommendation Experiments

    WatchLens разделяет конфигурацию видеоэксперимента, интерфейса и рекомендательной политики. Телеметрия связывает воспроизведение с контекстом показов.

    Yonsei University

    #Оценка и причинность#Промышленные системы#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  33. WorkRB: A Community-Driven Evaluation Framework for AI in the Work Domain

    WorkRB задаёт задачи рынка труда через запрос, каталог и релевантность. Конфигурации языков и онтологий объединяются общим контрактом ранжирования.

    TechWolf, Avature +9

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  34. A Framework for Value-Aligned Modeling and Robust Experimentation

    Фреймворк связывает прогноз рекламных конверсий с денежной ценностью через взвешенную цель. Диагностика экспериментального конвейера проверяет согласованность офлайн- и онлайн-решений.

    Google

    #Реклама и рекомендации#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  35. Advancing Relevance Measurement with Vision–Language Models for Web-Scale Search

    Визуально-языковая модель оценивает релевантность поисковых результатов по запросу и метаданным. Стратифицированный сбор примеров связывает автоматические метки с экспериментальным решением.

    Pinterest

    #Оценка и причинность#Кросс-домен и мультимодальность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  36. Alignment + Accuracy: The Cascade Reward Representation for Preranking

    Cascade Reward раскладывает награду каскада по префиксам выдачи и пересечению с основным ранкером. Практический предиктор объединяет согласованность отбора и точность оценок.

    Pinterest

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  37. Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops

    Spotify разделяет план синтетического диалога и его адаптивное исполнение с живым агентом. Рубрики навыков и разбор ошибок поддерживают цикл исправлений.

    Spotify

    #Языковые модели и агенты#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  38. ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation

    ConAlign обучает отдельные башни на обычных и несмещённых взаимодействиях. Условное выравнивание избирательно переносит представления между ними.

    Kuaishou Technology

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  39. From M Passes to One: A MapReduce-Style Bootstrap for Pointwise Off-Policy Evaluation in Production Recommenders

    Факторизованный бутстрап накапливает псевдовыборки оценки политики за общий проход по логам. Детерминированные маски позволяют распределить вычисление между обработчиками.

    LinkedIn

    #Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  40. LLM Reasoning for Subjective Tasks: Failure Modes, Mitigation, and Dynamic Reasoning Routing

    Работа сравнивает прямые ответы и режимы рассуждения на субъективных рекомендательных задачах. Обучение и маршрутизация выбирают подходящий режим по задаче.

    Duke University, Netflix

    #Языковые модели и агенты#Оценка и причинность

    Публикация конференцииZotero ↗

  41. Long-term User Engagement Optimization through Model-agnostic Downstream Rewards Learning

    Потенциальные долгосрочные proxy отбираются по нормированным действиям вокруг опорного дня. Проверенная конфигурация наград включается в существующий многозадачный ранкер.

    Pinterest

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  42. Mend the Measurement Gap: Latent User Preference Modeling for Short-Form Video Recommendation

    FLVM отдельно моделирует базовые поведенческие склонности и латентный остаток предпочтений. Несколько сигналов обратной связи связываются через структурированное вероятностное представление.

    Google, Google YouTube

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  43. Towards Reliable Social A/B Testing: Spillover-Contained Clustering with Robust Post-Experiment Analysis

    Balanced Louvain формирует социальные кластеры с контролем размера для рандомизации. Анализ агрегированных исходов учитывает кластерную единицу назначения и сетевые spillover.

    Kuaishou Technology

    #Оценка и причинность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  44. Uncertainty-Aware Reward Modeling: A Large-Scale Case Study in Video Recommendation

    Лёгкий ранкер YouTube использует байесовский последний слой либо квантили награды для исследования кандидатов. Квантильная политика добавляет к медиане бонус за ширину интервала с отдельным правилом для телевизоров.

    Google YouTube, Google DeepMind

    #Промышленные системы#Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  45. Which LLM to Fine-Tune? Agent-Driven Model Selection at Scale

    AgentRec фильтрует модели по ограничениям развёртывания и дешёвым оценкам пригодности. Последующие этапы распределяют бюджет дообучения между разнообразными кандидатами.

    Amazon Search, Amazon

    #Языковые модели и агенты#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  46. Calibrating Recommendations on Ordinal Attributes

    Калибровка по упорядоченным атрибутам использует расстояния, учитывающие соседство значений. Эти меры становятся целью жадного реранжирования.

    Johannes Kepler University Linz, Albatross AI +1

    #Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  47. Cross-Spectrum Candidate Set Analysis for Popularity-Aware Recommendation

    Работа сравнивает кандидатные множества голов с разным отношением к популярности. Все головы обслуживают каждого пользователя, позволяя измерить реальную комплементарность списков.

    Gyeongsang National University

    #Оценка и причинность#Объяснения и контроль

    Публикация конференцииZotero ↗

  48. Deadweight Loss in Recommendation Systems

    Приближённая Pareto-граница связывает пользовательскую и создательскую полезность. Гипотетические вставки оцениваются как потери относительно этой границы.

    Gyeongsang National University

    #Реклама и рекомендации#Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  49. Do SID Alignments Help Generative Recommendation? A Research and Practice Note on OpenOneRec Diagnostics

    Диагностика OpenOneRec проверяет соответствие SID языковым представлениям. Контролируемое сравнение меняет инициализацию кодов при одинаковой задаче SID-to-SID.

    Tsinghua University

    #Генеративные рекомендации#Языковые модели и агенты#Оценка и причинность

    Публикация конференцииZotero ↗

  50. Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?

    Capacity probes намеренно ограничены суммой попарных свидетельств без взаимодействий высшего порядка. Их огибающая проверяет, требует ли бенчмарк сложного последовательного моделирования.

    Spotify

    #Оценка и причинность#Последовательные рекомендации

    Публикация конференцииZotero ↗

  51. How Faithful Is the Reasoning of LLM Recommenders? A Counterfactual Audit

    Контрфактический аудит меняет объясняющий текст при фиксированном запросе и кандидатах. Перефразирование и повтор исходного reasoning служат контролями изменения ранжирования.

    Microsoft

    #Оценка и причинность#Объяснения и контроль#Языковые модели и агенты

    Публикация конференцииZotero ↗

  52. In-Batch Negatives Can Silently Cripple LLM-Encoded Sequential Recommenders

    Работа диагностирует обучение последовательного рекомендателя с замороженными языковыми признаками. Ограниченный in-batch негативный пул сравнивается с полным каталогом и изменением обработки представлений.

    —

    #Последовательные рекомендации#Языковые модели и агенты#Оценка и причинность

    Публикация конференцииZotero ↗

  53. Intent-Description Anchoring Bias in LLM-as-a-Judge Evaluation of Recommender Systems

    Один и тот же музыкальный список предъявляется судье под разными описаниями алгоритма. Слепое и информированное условия измеряют влияние заявленного намерения системы.

    Spotify

    #Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  54. Monte Carlo Power Analysis for Small-System A/B Trials: Detecting Differences in Newsletter Engagement

    Иерархическая симуляция воспроизводит индивидуальную интенсивность кликов и избыток нулевых писем. Monte Carlo повторяет эксперимент и статистический вывод для оценки мощности.

    Drexel University, University of Minnesota +2

    #Оценка и причинность

    Публикация конференцииZotero ↗

  55. More Test Users, More Overconfidence: Seed Variance in Sequential Recommender Tests

    Разность метрик раскладывается на пользовательские и сидовые случайные эффекты. Анализ сравнивает неопределённость отдельных checkpoint с неопределённостью процедуры обучения.

    AXXX (не раскрыто в источнике), AI Center +2

    #Оценка и причинность#Последовательные рекомендации

    Публикация конференцииZotero ↗

  56. Music Discovery Quality and the Value of Familiarity

    Качество музыкального открытия определяется последующими завершёнными и повторными прослушиваниями. Признаки знакомости артиста объединяются с представлениями для прогноза исхода.

    Johannes Kepler University Linz, Loria +3

    #Кросс-домен и мультимодальность#Оценка и причинность

    Публикация конференцииZotero ↗

  57. Pairwise Ranking Outperforms Single-Action RL for Offline Explanation Selection: A Practical Lesson

    Для каждого запроса заранее создаётся пул объяснений с признаками текста и происхождения. Парный ранкер выбирает вариант и сравнивается с одношаговыми RL-подходами.

    Amazon

    #Объяснения и контроль#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  58. Predicting Custom-Feed Returns for New Bluesky Posts: A Prospective Study

    Для нового поста гибридные каналы находят подходящие пользовательские ленты. Ранкер прогнозирует наблюдаемый возврат поста в будущих снимках выдачи.

    Northeastern University (Boston, USA)

    #Кросс-домен и мультимодальность#Оценка и причинность#Промышленные системы

    Публикация конференцииZotero ↗

  59. Repetition Is Not Enough: Evaluating Repeat Recommendations Through Utility and Timing

    Метрики повторной рекомендации учитывают последующее возвращение к товару. Временные веса различают уместность момента и скорость повторного потребления.

    Indian Institute of Management Visakhapatnam

    #Оценка и причинность

    Публикация конференцииZotero ↗

  60. Revisiting the Assumptions of Shared-Account Sequential Recommendation

    Истории разных пользователей объединяются по времени без удаления событий. Общие последовательные модели сравниваются на исходных и смешанных аккаунтах.

    Gyeongsang National University

    #Оценка и причинность#Последовательные рекомендации#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  61. SERA: A Multi-Dimensional Evaluation Framework for Retail Agentic Shopping Assistants

    SERA переводит продуктовые и нормативные требования торгового агента в отдельные рубрики. Языковой судья оценивает полезность, соблюдение ограничений и риски с учётом контекста.

    Target Inc.

    #Оценка и причинность#Языковые модели и агенты#Объяснения и контроль

    Публикация конференцииZotero ↗

  62. Should I Be Polite to My LLM Relevance Judge? Tone as a Severity Operating-Point Shift

    Неизменная рубрика релевантности оборачивается промптами разного тона. Перефразировки позволяют оценить сдвиг строгости языкового судьи.

    —

    #Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  63. The Illusion of Control: Commensurability, Concentration, and Correlation in Multi-Objective Recommendation

    Работа измеряет доминирование целей в смешанном top-k по пересечению с отдельными выдачами. Нормировка и декорреляция скоров проверяют сопоставимость управляющих весов.

    Charles University

    #Объяснения и контроль#Оценка и причинность

    Публикация конференцииZotero ↗

  64. Towards Dynamic Relationship Schema Discovery for Complementary News Recommendation

    DRSD предлагает языковой моделью новые отношения между новостями для трудных пар. Эксперты отношений сохраняются или удаляются по вкладу в валидационную потерю прогноза клика.

    MicroAd, Inc.

    #Языковые модели и агенты#Кросс-домен и мультимодальность#Оценка и причинность

    Публикация конференцииZotero ↗

  65. Training seeds and model-selection stability in recommender-system evaluation

    При фиксированных данных и гиперпараметрах варьируется сид обучения. Анализ разделяет изменение метрики, победителя и состава рекомендаций.

    Aalborg University, Johannes Kepler University Linz +1

    #Оценка и причинность

    Публикация конференцииZotero ↗

  66. What price fairness? Evaluating Energy – Fairness – Accuracy Trade-off in Recommender Systems

    Работа сравнивает fairness-вмешательства внутри обучения, графа и готового списка. Качество и распределение экспозиции оцениваются вместе с энергозатратами.

    Johannes Kepler University Linz, ISISTAN, CONICET-UNCPBA

    #Объяснения и контроль#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  67. Whose Posts Get Ranked: Identical-Text Exposure Gaps in Bluesky Custom Feeds

    Естественные идентичные тексты разных авторов сравниваются в снимках одинаковой ленты. Фиксация текста и времени позволяет аудитировать разрывы ранговой видимости извне.

    Northeastern University (Boston, USA)

    #Оценка и причинность#Объяснения и контроль

    Публикация конференцииZotero ↗

  68. Why Do CF and Review Models Disagree? User-Specific Rating–Review Scale Gaps

    Рейтинговая и текстовая модели сравниваются на общих пользовательских данных. Индивидуальная шкала оценивания используется для анализа направления их расхождения.

    Gyeongsang National University

    #Оценка и причинность#Коллаборативные модели

    Публикация конференцииZotero ↗

  69. Your 5-Core Train Split May Not Be 5-Core: Core Filtering and Temporal Splitting Do Not Commute

    Работа меняет порядок core-фильтрации и временного разбиения при общей границе времени. Сравниваются полученные популяции, допустимые объекты и выводы о моделях.

    AXXX (не раскрыто в источнике), AI Center +1

    #Оценка и причинность

    Публикация конференцииZotero ↗

  70. AutoRecLab: An Autonomous Recommender Systems Lab

    AutoRecLab переводит запрос в контракт эксперимента и генерирует код по документации библиотек. Статические и исполнительные проверки запускают цикл исправлений.

    University of Siegen, University of Göttingen

    #Языковые модели и агенты#Оценка и причинность

    Публикация конференцииZotero ↗

  71. FINALLY: A Dataset Recommender for RecSys Experiments

    FINALLY дополняет обязательные датасеты при заданных ограничениях и размере итогового набора. Стратегии используют случайный выбор или разнообразие в пространстве результатов портфеля алгоритмов.

    University of Siegen, University of Antwerp

    #Оценка и причинность#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  72. GroupRec: A Unified Toolkit for Reproducible and Inspectable Group Recommendation Research

    GroupRec объединяет правила агрегации персональных оценок и обучаемые групповые модели. Общий слой данных и оценки делает их доступными для сопоставимого исполнения.

    Charles University, University of Cagliari

    #Кросс-домен и мультимодальность#Оценка и причинность

    Публикация конференцииZotero ↗

  73. Scikit-Rank: Scikit-learn-Compatible Neural Ranking Models for Tabular Recommender Systems

    Scikit-Rank соединяет нейронный табличный ранкер с интерфейсом scikit-learn и настраиваемыми энкодерами. Компонентные сравнения отделяют числовое кодирование, хеширование категорий и обучающие потери.

    T-Tech, HSE University

    #Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

  74. StreamlitRecommenders: Towards Recommendation Inspectability as a New Reproducibility Standard

    StreamlitRecommenders подключает готовые модели к общему интерактивному интерфейсу истории и выдач. Сравнение идёт в одном пользовательском контексте с изменением параметров и обратной связью.

    Charles University, Recombee

    #Оценка и причинность#Объяснения и контроль

    Публикация конференцииZotero ↗

  75. ValueVet: Auditing Recommender Systems for Fairness and Value Alignment Using Constitutional AI Principles

    ValueVet превращает заданные принципы в критерии внешнего аудита. Парные сценарии меняют контролируемые пользовательские атрибуты для сравнения рекомендаций.

    University of Washington

    #Объяснения и контроль#Оценка и причинность#Языковые модели и агенты

    Публикация конференцииZotero ↗

  76. A Design-Space Approach to Robust Agentic Conversational Recommendation

    Диссертационная программа задаёт переключаемые оси представления предпочтений, инструментов и уточнений. Общий каркас нужен для контролируемых сравнений агентных решений.

    University of Pisa

    #Языковые модели и агенты#Оценка и причинность

    Докторантский симпозиумZotero ↗

  77. Discover Weakly No More: User-Centric Design Criteria for Discovery in Music Recommendation

    Программа исследования музыкальных открытий разделяет случайную встречу, обновление и обогащение опыта. Предварительная модель допускает разные сочетания условий, включая возвращение к давним вкусам.

    University of Oxford

    #Объяснения и контроль#Оценка и причинность#Кросс-домен и мультимодальность

    Докторантский симпозиумZotero ↗

  78. From Click Modeling to Offline and Off-Policy Evaluation in Carousel Recommendation

    Программа связывает eye-tracking и навигацию с моделью реально рассмотренного множества в карусели. На этой основе предлагается строить офлайн- и off-policy-оценивание.

    University of Amsterdam

    #Оценка и причинность#Кросс-домен и мультимодальность

    Докторантский симпозиумZotero ↗

  79. Human Value in Recommendations: Towards Improved Evaluation Measures

    Программа планирует собирать пользовательские оценки интереса, знакомости и ожидаемости объектов. Конструируемые по этой разметке списки должны помочь проверить человеческую ценность метрик.

    University of Waterloo

    #Оценка и причинность#Объяснения и контроль

    Докторантский симпозиумZotero ↗

  80. Unbiased Recommender Systems with Implicit Feedback

    Программа связывает контрольные функции позиции с коррекцией геометрии embeddings и графового распространения. Разные вмешательства рассматриваются как способы исправления неявной обратной связи.

    University of Illinois Chicago

    #Оценка и причинность#Коллаборативные модели

    Докторантский симпозиумZotero ↗

  81. Keeping the Index Open: The Recommendation-Side Cost of Shared Search and Recommendation

    RetrievalFormer используется как инструмент сравнения открытого общего индекса поиска и рекомендаций. Абляции исследуют цену совместимости относительно специализированных рецептов обучения.

    Amazon Web Services

    #Промышленные системы#Коллаборативные модели#Оценка и причинность

    ВоркшопZotero ↗

  82. Cognitive Biases in Recommender Systems — материалы COBIS RecSys 2026

    Материалы COBIS связывают психологические механизмы с поведением рекомендательных систем. Слайды и практикум показывают, как отделять гипотезу об искажении от измерения алгоритма.

    Johannes Kepler University Linz, Linz Institute of Technology

    #Объяснения и контроль#Оценка и причинность

    Материалы tutorialZotero ↗

  83. Reward Optimizing Recommender Systems

    План tutorial противопоставляет агрегатные A/B-сравнения моделированию пользовательских реакций на действия. Обсуждается, какие предпосылки нужны оптимизации награды по наблюдениям.

    Criteo AI Lab

    #Оценка и причинность#Промышленные системы

    Аннотация tutorialZotero ↗

  84. Cognitive Biases in Recommender Systems

    План COBIS сопоставляет когнитивные эвристики с позиционными и популярностными смещениями. Темы связывают решения человека с проектированием и оценкой рекомендателей.

    Johannes Kepler University Linz, Linz Institute of Technology +2

    #Объяснения и контроль#Оценка и причинность

    Аннотация tutorialZotero ↗

  85. Calibrating Reproduced Claims in Recommender Systems

    Работа сопоставляет исходное утверждение с тем, что фактически поддерживает воспроизведение. Условия, непроверенные части и несопоставимые результаты фиксируются отдельно.

    University of Gothenburg

    #Оценка и причинность

    ВоркшопZotero ↗

  86. Timing-Aware Repurchase Prediction for Web-Scale E-Commerce: Survival Models for Multi-Surface Grocery Recommendation

    Повторная покупка моделируется как время до события с учётом цензурирования. Survival-цели сравниваются при общих признаках и базовой архитектуре.

    Walmart Global Tech

    #Кросс-домен и мультимодальность#Промышленные системы#Оценка и причинность

    Публикация конференцииZotero ↗

RecSys2026

Разборы работ RecSys 2026 · обновлено 2026-10-16.