К содержанию
Олег НагорныйRecSys2026

Каталог

Найдено: 61 из 269 · теги в строках тоже фильтруют

Только в Zotero 269
Темы в текущей выборке · полоса — работы с тегом из 61 найденных, риска — весь корпус
Генеративные рекомендации 8Последовательные рекомендации 61Языковые модели и агенты 9Коллаборативные модели 11Оценка и причинность 7Объяснения и контроль 6Промышленные системы 35Кросс-домен и мультимодальность 5Реклама и рекомендации 3
История, время и последовательностиСбросить фильтры

  1. A Redundancy Reduction Approach for Controllable Sequential Recommendations

    Истории с одинаковым целевым товаром образуют положительные пары для декорреляции представлений. Сила вспомогательного лосса управляет геометрией признаков и распределением рекомендаций.

    Yandex, Applied AI Institute +3

    #Объяснения и контроль#Последовательные рекомендации

    Публикация конференцииZotero ↗

  2. Automated Selection-based Mixture-of-Experts with Dual-stage Input–Target Pattern Learning for Sequential Recommendation

    Общий набор экспертов дополняется экспертами, выбираемыми отдельно для каждой истории. Бинарный гейт и последующее обучение связей входа с целью адаптируют вычисления к примеру.

    Shenzhen University, Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  3. 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 ↗

  4. CONGA: Continual Neural Gated Architecture for Long-History Sequential Recommendation

    CONGA сочетает относительное позиционное кодирование и параллельные остаточные потоки для длинной истории. Дополнительная память меняет оценки при сохранённом базовом энкодере.

    University of Science, Vietnam National University

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  5. Coarse-to-Fine Long-term Interest Modeling for Generative Recommendation

    Длинная история агрегируется на грубом уровне семантических кодов. При генерации детальных кодов используется более адресная информация об интересах.

    Tsinghua University, Beijing University of Posts and Telecommunications +1

    #Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  6. DP-Rec: Towards Dynamic Patching for Efficient Long-Sequence Recommendation

    Замороженный причинный детектор оценивает сложность переходов и выделяет границы патчей. Сжатая история затем обрабатывается глобальной последовательной моделью.

    Capital One

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  7. DPGFlow: Decoupled Preference Guided Flow Matching for Cross Domain Sequential Recommendation

    Междоменный энкодер разделяет общие и специфичные предпочтения. Flow matching ведёт общее представление к целевому товару под управлением доменного сигнала.

    University of New South Wales, Macquarie University +2

    #Генеративные рекомендации#Кросс-домен и мультимодальность#Последовательные рекомендации

    Публикация конференцииZotero ↗

  8. 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 ↗

  9. 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 ↗

  10. 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 ↗

  11. GTP: Mitigating Popularity Bias in PLM-based Sequential Recommendation via Group-Aware Token Pruning

    GTP группирует текстовые токены по их связи с популярными и хвостовыми товарами. Обучаемое прореживание удаляет часть лексического сигнала до языкового кодирования истории.

    Shenzhen University, Shenzhen Technology University

    #Объяснения и контроль#Последовательные рекомендации#Языковые модели и агенты

    Публикация конференцииZotero ↗

  12. Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation

    HSR моделирует интерес как диссипативную гамильтонову динамику. Линейное уравнение решается спектральным фильтром с обучаемым затуханием.

    The Hong Kong University of Science and Technology

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  13. Information-Aware Long Sequence Compression for Sequential Recommendation

    Гейт выбирает важные события и восстанавливает их хронологический порядок. Сводка полной истории сохраняет обучающий сигнал от отброшенных событий.

    Gyeongsang National University

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  14. MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion

    MaskPoison исследует отравление историй через условную маскированную диффузию. Двусторонний контекст делает синтетические последовательности поведенчески согласованными.

    Shanghai University of Finance and Economics, Fudan University +1

    #Объяснения и контроль#Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  15. 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 ↗

  16. RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation

    RecRec сжимает историю в набор латентных интересов. Рекурсивный блок уточняет их при замороженном основном энкодере.

    University of Glasgow, Ohio State University +4

    #Последовательные рекомендации

    Публикация конференцииZotero ↗

  17. 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 ↗

  18. TRACE: Targeted Ranking-Aware Counterfactual Explanation for Sequential Recommendation

    TRACE ищет изменения истории, которые вводят целевой товар в выдачу или удаляют лидера. Поиск сначала ограничивается влиятельными позициями и подходящими кандидатами.

    Gyeongsang National University

    #Объяснения и контроль#Последовательные рекомендации

    Публикация конференцииZotero ↗

  19. 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 ↗

  20. 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 ↗

  21. Zero-Observation User Reactivation with Gap-Driven Dimensional Gating (DeltaGate)

    DeltaGate смешивает персональное представление с общим prior покоординатным гейтом. Гейт зависит от длительности отсутствия пользователя и работает поверх замороженного энкодера.

    Fudan University, Huawei Technologies

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  22. Beyond Index-Only RoPE: Integrating Time and Order for Generative Recommendation

    TO-RoPE включает время события и порядковую позицию в вращения query и key. Варианты разделения частот позволяют сочетать временные интервалы с порядком.

    Roblox, University of Maryland

    #Последовательные рекомендации#Генеративные рекомендации

    Публикация конференцииZotero ↗

  23. Covariance-Aware Newton-Schulz Orthogonalization for Noise-Robust Sequential Recommendation

    CovNS накапливает второй момент градиентов и периодически фильтрует направления обновления. Отфильтрованный градиент проходит ортогонализацию внутри оптимизатора.

    Alibaba International Digital Commerce Group

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  24. 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 ↗

  25. 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 ↗

  26. 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 ↗

  27. 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 ↗

  28. Uncertainty-Aware Gated Context Fusion for Next POI Recommendation

    Гейт смешивает представления места и его категории до последовательного энкодера. Стохастический вариант регуляризует распределение весов смешивания.

    Sungkyunkwan University

    #Кросс-домен и мультимодальность#Последовательные рекомендации

    Публикация конференцииZotero ↗

  29. 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 ↗

  30. A Self-Triggered Agentic Push Recommendation System

    STEPS обучает политику времени следующего push через условие на будущую награду. Порядковая регрессия задаёт интервал, а ценностная модель контролирует исполнение.

    ByteDance, Peking University

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  31. A Unified Generative Re-ranking Framework with Adaptive Multi-objective Fusion

    MAMGR делит адаптивные пользовательские веса целей между генератором перестановок и оценщиком списков. Общий контекст сочетает локальные свёртки с моделированием длинных зависимостей.

    Ant Group

    #Генеративные рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  32. Building a User Foundation Model for the Open Web

    Пользовательская foundation-модель предобучается на последовательностях веб-событий. Полученные представления интегрируются в действующий CTR-ранкер.

    Teads

    #Реклама и рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  33. CAPTS: Channel-Aware, Preference-Aligned Trigger Selection for Multi-Channel Item-to-Item Retrieval

    CAPTS оценивает исторический trigger по полезности его товарных соседей в будущем окне. Канальные модели выбирают события, наиболее подходящие для предварительного поиска.

    Kuaishou Technology

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  34. DART - Drift Aware Ranking with forecasTing and uncertainty

    DART прогнозирует временное состояние групп предложений. Кэшируемые представления и неопределённость прогноза подаются действующему ранкеру.

    Amazon

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  35. DRanker: A Transformer-Based Multi-Task Ranking Model for the Disney+ Homepage

    DRanker обучает многозадачную модель на первых содержательных просмотрах. Контекст профиля и отбор примеров согласуются с задачей открытия новых тайтлов.

    The Walt Disney Company

    #Промышленные системы#Кросс-домен и мультимодальность#Последовательные рекомендации

    Публикация конференцииZotero ↗

  36. From Placements to Pages: Modeling Recommendation Module Interactions with Sequential Transformer Neural Bandits

    STNB кодирует ранее выбранные семейства модулей страницы причинным Transformer. Быстро обновляемая bandit-политика выбирает варианты отдельно от стабильного представления семейств.

    eBay Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  37. HIPA-Net: Heterogeneous Intent Projection Alignment for Feedback Calibration in CVR Prediction

    HIPA-Net отдельно кодирует разные типы положительной, отрицательной и неоднозначной обратной связи. Выравнивание намерений калибрует их вклад в прогноз конверсии.

    Kuaishou Technology

    #Реклама и рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  38. 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 ↗

  39. POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation

    POEM превращает предыдущий набор кандидатов и многозадачные скоры в частично упорядоченную последовательность. Эта история системных решений дополняет пользовательские события в retrieval.

    Kuaishou Technology

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  40. Progressive Alignment of Recommender Foundation Model through Multi-Phase Post-Training

    Предобученный пользовательский энкодер адаптируется последовательными стадиями post-training. Новые головы и контекст поверхности сначала согласуются с замороженной базой, затем оптимизируются дальше.

    NAVER WEBTOON

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  41. RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation

    RECAP обновляет тематическую память по хронологическим блокам истории и ссылкам на поддерживающие события. Детерминированная машина состояния управляет давностью и приоритетами записей.

    University of Science and Technology of China, Kuaishou Technology +1

    #Языковые модели и агенты#Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  42. Sample Is Feature: Beyond Item-Level, Toward Sample-Level Tokens for Unified Large Recommender Models

    Sample Is Feature квантует снимок пользовательских, товарных и контекстных признаков события. История состоит из токенов взаимодействий, а не только ссылок на товары.

    Meituan

    #Промышленные системы#Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  43. SequenceO1: End-to-End Ultra-Long (100K) Sequence Modeling in Recommendation with Low-Rank Caching

    Модель распределяет события между общими прототипами и кэширует компактную историю. Свежие события дополняют представление без повторной обработки всей последовательности.

    ByteDance

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  44. Soft Curriculum Learning for Optimizing Fresh and Generalized Recommendations

    Soft Curriculum меняет вес каждого примера по трудности и прогрессу обучения. Поток сохраняется полностью, а расписание постепенно меняет вклад сложных событий.

    Google, Google YouTube

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  45. Token Factory: Efficiently Integrating Diverse Signals into Large Recommendation Models

    Token Factory преобразует группы разнородных признаков в обучаемые непрерывные токены фиксированной длины. Эти токены совместно оптимизируются с большой рекомендательной моделью.

    Google YouTube, Google DeepMind

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  46. Towards Generalizable and Efficient Large-Scale Generative Recommenders

    Работа сочетает масштабирование генератора с предсказанием множества будущих ценных действий. Семантические ветви и маскирование ID поддерживают обобщение на новые тайтлы.

    Netflix Research

    #Генеративные рекомендации#Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  47. TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation

    Архитектура разделяет пожизненные действия, свежую историю и показы. Отбор под кандидата позволяет использовать дальнее поведение без полного удлинения дорогого входа.

    Pinterest, OpenAI

    #Последовательные рекомендации#Промышленные системы

    Публикация конференцииZotero ↗

  48. TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery

    TubiFM сериализует поиски, сессии и просмотры в общую пользовательскую историю. Один интерфейс ранжирования обслуживает объекты, карусели и поиск.

    Tubi

    #Промышленные системы#Последовательные рекомендации#Языковые модели и агенты

    Публикация конференцииZotero ↗

  49. UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale

    UniPinRec объединяет retrieval и ranking на общем последовательном backbone. Совместные представления и задачи обучения дополняются оптимизацией развёртывания.

    Pinterest

    #Промышленные системы#Генеративные рекомендации#Последовательные рекомендации

    Публикация конференцииZotero ↗

  50. UniTraj: Cross-Domain Long-Sequence Modeling for Commercial Recommendation

    UniTraj объединяет рекламные и контентные события в длинную траекторию. Общие товарные и категорийные связи поддерживают иерархический отбор истории для ранкера.

    Tencent, University of Science and Technology of China

    #Реклама и рекомендации#Последовательные рекомендации#Кросс-домен и мультимодальность#Промышленные системы

    Публикация конференцииZotero ↗

  51. Versioned Late Materialization for Ultra-Long Sequence Training in Recommendation Systems at Scale

    Versioned Late Materialization хранит изменяемый хвост истории в примере, а старую часть восстанавливает по границам. Обучающие worker обращаются только к историческому хранилищу.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  52. WHALE: A Scalable Unified Model for Recommendation with Wukong-HSTU Architecture

    WHALE сохраняет отдельные пути для пересечений признаков и последовательной истории. Перекрёстное внимание связывает выходы Wukong и HSTU на уровнях сети.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  53. 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 ↗

  54. 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 ↗

  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. 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 ↗

  57. Scaling Sequence Learning under Production Latency Constraints

    Граф последовательной модели разделяется по зависимости от пользователя и кандидата. Тяжёлые пользовательские сводки вычисляются общим запросным путём, а кандидатные взаимодействия остаются отдельно.

    Meta Platforms, Inc.

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  58. Perseus: A Demo of Modular Personalization over Heterogeneous Event Sequences

    Perseus собирает разнородные события строго до заданной точки предсказания. Типизированные кодировки и общий Event Hub поддерживают переиспользуемый цикл обучения и выдачи.

    T-Tech, ITMO University +1

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  59. SeqPack: Interactive Composable Sequence Compression for Real-time Recommender Systems

    SeqPack подбирает композиции кодеков для разных полей последовательности. Кодирование без потерь отделяется от квантования с потерями.

    Capital One

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

  60. What Reasoning Should a Recommender Have? Designing Reasoning for Inference-Time Scaling in Recommendation

    Программа разделяет состояние рассуждения и предсказывающие векторы интересов. Выполненная RecRec служит основой дальнейшего исследования inference-time вычислений.

    University of Glasgow

    #Последовательные рекомендации#Языковые модели и агенты

    Докторантский симпозиумZotero ↗

  61. End-to-End User and Item Embeddings: Specializing Retrieval Representations for Ranking

    Пользовательское состояние замороженного последовательного retrieval добавляется к признакам ранкера. Такой дизайн проверяет перенос полезного сигнала без адаптации самого энкодера.

    Amazon Music

    #Промышленные системы#Последовательные рекомендации

    Публикация конференцииZotero ↗

RecSys2026

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