К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 50 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 50 найденных, риска — весь корпус
Генеративные рекомендации 6Последовательные рекомендации 11Языковые модели и агенты 13Коллаборативные модели 50Оценка и причинность 5Объяснения и контроль 8Промышленные системы 23Кросс-домен и мультимодальность 6Реклама и рекомендации 1
Коллаборативность и геометрия представленийСбросить фильтры

  1. Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation

    Токенизатор получает текстовые описания коллаборативных соседей товара. Связь семантических и поведенческих сигналов поддерживается между стадиями генеративной рекомендации.

    Kuaishou Technology

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  2. Bilateral Intent-Enhanced Sequential Recommendation with Embedding Perturbation-Based Contrastive Learning

    Граф совместных встречаемостей задаёт структурные представления товаров. Прототипы намерений и контрастивные возмущения соединяют этот общий сигнал с персональной историей.

    Xi’an Jiaotong University

    #Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  3. Calibrating User Preferences for Cross-Domain Recommendation via Target-Guided Representation Mapping

    DCDR выбирает уверенные исходные представления по малой обучающей ошибке. Отображение из целевого домена помогает калибровать исходный сигнал перед переносом.

    University of Technology Sydney

    #Кросс-домен и мультимодальность#Коллаборативные модели

    Публикация конференцииZotero ↗

  4. FiCoRec: Fine-Grained Contrastive Learning with Dual Aggregation for Sequential Recommendation

    FiCoRec кодирует историю моделью пространства состояний и агрегирует локальные и общие признаки. Контрастивное обучение строит положительные пары на уровне представлений.

    Anhui University

    #Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  5. GSPRec: On Improving Item Representations in Graph Signal Processing for Collaborative Filtering

    GSPRec строит симметричный граф близости товаров из соседних переходов историй. Диффузия и спектральная фильтрация используют этот граф для коллаборативного скоринга.

    University of California San Diego

    #Коллаборативные модели#Последовательные рекомендации

    Публикация конференцииZotero ↗

  6. GateBoxGCN: Hard-Soft Gated Box Embeddings with Graph Convolution for Recommendation

    GateBoxGCN распространяет по графу центры и размеры боксов разными правилами. Жёсткие и мягкие гейты ограничивают вклад координат при сопоставлении пользователя с товаром.

    ZOZO Research, Waseda University +1

    #Коллаборативные модели

    Публикация конференцииZotero ↗

  7. CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation

    CoFiRec квантует атрибуты товара по явно заданной иерархии. Коллаборативный код завершает последовательную генерацию семантических уровней.

    University of Illinois Urbana-Champaign, Meta Platforms, Inc. +1

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  8. Learning Sparse Representations of Multimodal Content for Enhanced Cold Item Recommendation

    Контентные автоэнкодеры обучают широкие разреженные мультимодальные представления. Активация перед top-k отбором подавляет шумные сходства товаров.

    Queen Mary University of London

    #Кросс-домен и мультимодальность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  9. On Reranking Space for Multi-Tenant Retrieval with Adapted Queries

    Адаптер переводит запрос клиентского энкодера в пространство общего индекса. Кандидаты сравниваются в исходном или обратно восстановленном клиентском пространстве.

    Rochester Institute of Technology

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  10. 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 ↗

  11. Purifying Interaction Sequences: Topology-Aware Spectral Denoising for Side-Information Integrated Sequential Recommendation

    История представляется графом позиций и обрабатывается спектральным фильтром. Боковая информация объединяется с очищенными последовательными признаками.

    Hunan University

    #Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  12. Stabilizing Stability and Plasticity in Graph-based Continual Recommender System

    SSPRec сочетает обновляемый текстовый профиль, временные веса графа и обучение по опорной модели текущего периода. Дрейф предпочтений пользователя определяет баланс сохранения истории и адаптации.

    Jilin University, The Hong Kong Polytechnic University +1

    #Коллаборативные модели#Языковые модели и агенты#Промышленные системы

    Публикация конференцииZotero ↗

  13. TAGRec: Tailness-Aware Gate for Sequential Recommendation under Long-Tailed Distributions

    TAGRec объединяет текстовое и коллаборативное представления через обучаемый гейт. Гейт получает вычисленный по обучающей истории сигнал принадлежности к хвосту.

    Guilin University of Electronic Technology, Guangxi Zhuang Autonomous Region Information Center

    #Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  14. Topology-Aware Tokenization for Generative Recommendation

    TopoTok дистиллирует соседство исходных представлений в уровни квантования. Разные лоссы сохраняют межгрупповую, внутригрупповую и товарную структуру.

    University of Illinois Urbana-Champaign

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  15. Assessing Sentiment Semantics in KG-Based Explainable Recommender Systems

    Граф знаний разделяет отношения покупки, упоминания и тональности аспектов. Обучаемая политика выбирает объясняющие пути по sentiment-aware представлениям.

    University of Barcelona, University of Cagliari

    #Коллаборативные модели#Объяснения и контроль

    Публикация конференцииZotero ↗

  16. Candidate Retrieval for Provider Fairness under Severe Recommendation Imbalance

    FairSAE кодирует замороженные представления разреженным автоэнкодером. Сдвиг пользователя вдоль группового контраста меняет состав retrieval-кандидатов.

    Charles University, University of Cagliari

    #Объяснения и контроль#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  17. Choosing What Matters: Query-Aware Multimodal Routing for Conversational Recommendation

    Диалог и сущности кодируются раздельно с графовыми, текстовыми и визуальными каналами. Зависимый от запроса маршрутизатор выбирает вклад каждой модальности.

    Sungkyunkwan University

    #Языковые модели и агенты#Кросс-домен и мультимодальность#Коллаборативные модели

    Публикация конференцииZotero ↗

  18. Distribution-Level Contrastive Supervision for Generative Recommendation

    SODA превращает близость товара к кодовым словам в мягкие распределения. Контрастивное согласование передаёт этот сигнал представлению истории без изменения декодера.

    University of Science and Technology of China, Upwork +2

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  19. Dual Conditional Diffusion for Generative Cross-Domain Recommendation via Disentangled Knowledge Transfer

    DCD-XRec обучает условную диффузию переносить пользовательские представления между доменами с общими пользователями. Реальные цели другого домена дополняются искусственными гибридами общих и частных компонент.

    Indian Institute of Technology, Guwahati, Meesho

    #Генеративные рекомендации#Кросс-домен и мультимодальность#Коллаборативные модели

    Публикация конференцииZotero ↗

  20. Enriching Graph-Based Modeling with Sequential Signals for Explainable Course Recommendation

    Twiner объединяет граф направленных переходов между корзинами с рекуррентной историей пользователя. Объяснения строятся как кратчайшие пути по графу с обученными весами внимания.

    Christopher Newport University, Florida International University

    #Коллаборативные модели#Последовательные рекомендации#Объяснения и контроль

    Публикация конференцииZotero ↗

  21. Personalized Recommendation Tool Learning via Autonomous Language Agents

    PRTA хранит персональные веса заранее обученных рекомендательных инструментов. Языковой агент обновляет смесь по профилю и обратной связи.

    University of Illinois Chicago, Microsoft +1

    #Языковые модели и агенты#Коллаборативные модели#Последовательные рекомендации

    Публикация конференцииZotero ↗

  22. Probing the LLMs for Generating User Profile of Session-based Social Recommendation

    UPRec объединяет текст истории с профилями, сформированными языковой моделью. Социальный сигнал поступает через фиксированное взвешивание представлений соседей.

    Tsinghua University, Pengcheng Laboratory +3

    #Языковые модели и агенты#Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  23. Scaling LLM-Enhanced Linear Autoencoders to Industrial-Size Catalogs

    Метод переносит семантическую надстройку линейного автоэнкодера на разреженную алгебру. Матричные преобразования устраняют необходимость хранить плотное сходство каталога.

    Ural Federal University, T-Bank +1

    #Промышленные системы#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  24. Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation

    Регуляризация проектора сохраняет геометрию поведенческих представлений при вводе в языковую модель. Основной промпт и генеративная цель остаются прежними.

    National Taiwan University

    #Языковые модели и агенты#Коллаборативные модели#Последовательные рекомендации

    Публикация конференцииZotero ↗

  25. Towards Efficient Hyperbolic Representation Learning for Recommender Systems

    HyperbRec обучает представления непосредственно на гиперболоиде. Линейное внимание на основе косинусного преобразования сокращает вычисления.

    Dublin City University

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  26. Exploiting ID-Text Complementarity via Ensembling for Sequential Recommendation

    EnsRec независимо кодирует ID-историю и текстовые признаки товаров. Ансамбль объединяет предсказания, а пересечение успешных случаев измеряет комплементарность ветвей.

    Snap

    #Последовательные рекомендации#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  27. EachMovie: archaeology of a first latent recommender system

    EachMovie восстанавливается как ранняя латентная модель оценок. Регуляризованная ошибка считается только по наблюдениям, а профили обновляются отдельно от фоновой оптимизации.

    Digital Equipment Corporation

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  28. From Side Information and Knowledge Graphs to Large Language Models: Two Decades of Knowledge Integration in Recommender Systems

    Обзор сравнивает способы представления знаний от правил до графов и языковых моделей. Каждая смена представления анализируется по обновлению знания и возможности объяснить вычисление.

    Politecnico di Bari, University of Cagliari

    #Коллаборативные модели#Языковые модели и агенты#Объяснения и контроль

    Публикация конференцииZotero ↗

  29. Attacking and Defending Multi-Agent Collaborative Filtering Systems Through Connectivity

    Исследование варьирует связность многоагентной коллаборативной системы. Анализируется распространение нежелательного содержимого через обновляемую память и взаимодействия агентов.

    University of Oxford, Amazon

    #Объяснения и контроль#Языковые модели и агенты#Коллаборативные модели

    Публикация конференцииZotero ↗

  30. hoploy: a Plugin-Based Inference Layer for Path-Based Explainable Recommendation over Knowledge Graphs

    Hoploy оборачивает готовые графовые рекомендатели плагинами предметных областей. Обработчики переводят ограничения запроса в допустимые пути и разворачивают результаты в объяснения.

    University of Cagliari

    #Промышленные системы#Коллаборативные модели#Объяснения и контроль

    Публикация конференцииZotero ↗

  31. EGR: Embedding-Native Generative Retrieval with a Shared LLM

    EGR совместно кодирует товары и истории общим языковым энкодером. Контрастивные цели связывают совместное потребление и следующий товар в одном векторном пространстве.

    Snap

    #Языковые модели и агенты#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  32. Embedding Subspace Partitioning for Dynamic Multi-Objective Retrieval

    ESP выделяет отдельные подпространства эмбеддинга разным целям. Их веса меняются на стороне запроса при сохранении общей модели и индекса.

    LinkedIn

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  33. Entity Representation Learning Through Onsite-Offsite Graph for Pinterest Ads

    TransRA объединяет площадочные и разрешённые внешние действия в неоднородный граф. Типовые преобразования приводят сущности к общему пользовательскому пространству для downstream-ранкера.

    Pinterest

    #Реклама и рекомендации#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  34. Interest Sequence for User Modeling in Industrial Short-Form Video Recommendation

    Иерархическая таксономия видео задаёт дерево накопленных пользовательских интересов. Семантическая долгосрочная статистика подаётся промышленному ранкеру отдельным входом.

    Google YouTube

    #Промышленные системы#Последовательные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  35. MESH: Scaling Up Retrieval with Heterogeneous Content Unification

    MESH разделяет пользовательские, объектные и контекстные признаки по подбашням. Нормировка и управляемое объединение ограничивают доминирование частого типа контента.

    Pinterest

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  36. Mosaic: A Fleet of User Embedding Specialists for Recommendation at Meta

    Mosaic обучает специализированные пользовательские башни с разными источниками сигнала. Только их выходные представления поступают downstream-ранкерам, отделяя тяжёлое обучение от выдачи.

    Meta Platforms, Inc.

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  37. Personalizing Incremental Video Search with Hybrid Text and ID Embeddings

    Текстовые и ID-представления обучаются отдельно на поведенческой близости. Их персональные cosine-affinity добавляются в ранкер инкрементального видеопоиска.

    Apple

    #Промышленные системы#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  38. RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation

    RankGraph согласует построение графа, отбор соседей и контракт выдачи представлений. Связи однотипных узлов выводятся из поведения без внешней социальной сети.

    Meta Platforms, Inc.

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  39. Space Efficient Item Embeddings for Large Recommender Systems

    Гибридная таблица сохраняет отдельные большие векторы популярных объектов и сжимает хвост общими представлениями. Низкоранговое разложение или множественное хеширование позволяют распределять ёмкость неравномерно.

    Boston University, Google

    #Промышленные системы#Коллаборативные модели#Объяснения и контроль

    Публикация конференцииZotero ↗

  40. Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation

    Метод строит разреженный граф совместного потребления как схему интересов. Структура графа используется для организации и токенизации пользовательского контекста.

    University of Illinois Urbana-Champaign, Meta Platforms, Inc.

    #Генеративные рекомендации#Коллаборативные модели

    Публикация конференцииZotero ↗

  41. TSSR-Beta: Enhancing Billion-Scale E-Commerce Semantic Retrieval via Representation-Level Interaction

    TSSR-Beta добавляет взаимодействующую голову поверх готовых нормированных векторов двухбашенной модели. Покомпонентные признаки и Transformer-ветка уточняют оценку пары.

    East China Normal University, Taobao & Tmall Group of Alibaba

    #Промышленные системы#Коллаборативные модели

    Публикация конференцииZotero ↗

  42. 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 ↗

  43. UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing

    UniShare совместно моделирует выбор видео и адресата социальной отправки. Представления интересов обеих сторон согласуются с содержанием и типом отношений.

    Kuaishou Technology

    #Кросс-домен и мультимодальность#Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  44. Blended User Embeddings for Steerable Matrix Factorization

    BLUE кодирует текстовую сводку предпочтений и смешивает её с пользовательским фактором. Правка текста позволяет направлять матричную факторизацию без переобучения всей системы.

    Politecnico di Milano, Politecnico di Torino

    #Объяснения и контроль#Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  45. Sparse Autoencoders as Semantic Domain Adapters for Recommender Systems

    Разреженный автоэнкодер адаптирует замороженные текстовые эмбеддинги через реконструкцию. Наиболее сильные координаты формируют нормированное представление без обучающих взаимодействий.

    Recombee, Charles University +2

    #Коллаборативные модели#Языковые модели и агенты

    Публикация конференцииZotero ↗

  46. 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 ↗

  47. COMPRESSO: Espresso-Style Sparse Representation Learning for Interpretable Recommender Systems

    COMPRESSO предоставляет интерфейсы обучения и применения разреженных автоэнкодеров. Каталожное обучение отделяется от кодирования новых объектов.

    Recombee, Charles University +2

    #Коллаборативные модели#Промышленные системы

    Публикация конференцииZotero ↗

  48. Fusion AutoEncoder: Feature-Grounded Embeddings for Products with Mixed Structured Attributes

    Fusion AutoEncoder сохраняет типы категориальных, численных и многозначных полей. Маскированная реконструкция обучает компактное представление структурированного товара.

    MakeMyTrip Pvt Ltd

    #Коллаборативные модели#Кросс-домен и мультимодальность

    Публикация конференцииZotero ↗

  49. 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 ↗

  50. 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 ↗

RecSys2026

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