推荐系统

本文从图神经网络（GNN）的视角，系统梳理了基于GNN的链接预测方法，提出基于技术和应用的新型分类法，并探讨了当前面临的挑战与未来方向。

研究者利用大语言模型模拟人类对公平性、满意度和共识的主观判断，开发出能根据群体内部偏好分布动态调整推荐策略的系统，在用户研究中获得更高满意度评分。

研究者提出RouteRec框架，系统评估推荐系统中不同智能体的选择与聚合策略，发现项目级聚合比请求级选择更具潜力。

研究指出，传统智能体常预设用户是专家，已有明确偏好，但现实中用户常因缺乏领域知识而无法准确表达需求。研究提出新框架CoPref，强调智能体应通过对话帮助用户构建偏好，而非仅通过提问来获取偏好。

研究者提出一种多目标强化学习框架，将推荐系统建模为语义多目标马尔可夫决策过程，通过帕累托DQN智能体平衡用户参与度、信息多样性和内容公平性。

针对推荐系统中冷启动物品易受隐式反馈噪声影响的问题，研究团队提出模型无关的去噪方法DIF，通过内容相似性生成伪标签并自适应修正噪声，已在快手亿级用户场景中验证效果。