由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
基于生成范式的双视图表示学习统一搜索与推荐
原标题：Unifying Search and Recommendation with Dual-View Representation Learning in a Generative Paradigm
作者：Jujia Zhao；Wenjie Wang；Chen Xu；Xiuying Chen；Zhaochun Ren；Suzan Verberne
期刊：ACM Transactions on Information Systems
出版时间：2026/08/26
摘要：推荐系统和个人化产品搜索是现代在线平台的关键组成部分，在此其中推荐系统主动展示相关项目，而产品搜索则允许用户通过查询表达他们的需求。将两项任务在共享模型中统一起来是很有前景的，因为它可以增强用户建模和项目理解。先前的方法主要遵循判别范式，利用共享编码器处理输入特征并通过特定于每个任务的头部执行各个任务。然而，这种范式面临两个关键挑战：梯度冲突和手动架构设计开销。从信息论的角度来看，这些挑战可能都源于同一个问题——在优化过程中输入特征与特定任务的输出之间的互信息较低。
原文链接
DiffCDSR：基于扩散引导的对比学习和位置重加权的跨域序列推荐
原标题：DiffCDSR: Diffusion-guided Contrastive Learning and Position Re-weighting for Cross-Domain Sequential Recommendation
作者：Bin Sheng；Xinyu Yu；Liming Xin
期刊：ACM Transactions on Information Systems
出版时间：2026/08/25
摘要：跨域序列推荐（CDSR）旨在基于用户在多个领域中的历史行为改善下一项预测。然而，现有方法面临两个关键限制：(1) 静态时间衰减假设无法捕捉短期兴趣变化，(2) 通过随机扰动进行负采样破坏了跨域一致性。为了克服这些限制，我们提出了一种新的框架DiffCDSR，该框架结合了扩散引导的对比学习与一个位置重新加权（PR）模块。PR模块动态调整位置的重要性，使用户兴趣漂移的细粒度建模成为可能。同时，一种扩散机制生成语义扰动但结构保持的负样本，增强了对比学习过程。在三个CDSR基准测试上的实验表明，DiffCDSR在NDCG@10和HR@10方面优于大多数最先进的方法，消融研究确认了各组件的贡献。我们还提供了超参数影响的见解，并讨论了多模态集成和高效扩散设计的未来方向。项目网站：https://github.com/ShengGit/DiffCDSR.
原文链接
模态引导扩散生成在联邦推荐中的冷启动项目(MDiffFR)
原标题：MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation
作者：Kang Fu；Honglei Zhang；xuechao zou；Yidong Li
期刊：ACM Transactions on Information Systems
出版时间：2026/08/24
摘要：联邦推荐（FRs）通过在本地客户端保存用户数据来提供个性化服务的同时保护用户隐私，这近年来吸引了极大的关注。由于FR中固有的严格的隐私限制，用户-项目交互数据和用户资料在各个客户端之间的访问受到高度限制，这使得学习新（cold-start）项目的全局有效表示变得困难。因此，在推荐系统中，项目冷启动问题变得更加具有挑战性。现有的解决方案通常通过属性到嵌入映射范式预测新项目的嵌入，这建立了项目属性与其嵌入之间的固定一对一对应关系。然而，这种一对一映射范式常常无法建模变化的数据分布，并且往往会引起嵌入错位，这一点通过我们的实证研究得到了验证。为此，我们提出了一种新的基于生成的模态引导扩散方法MDiffFR，用于推荐系统中的冷启动项目。在这个框架中，我们在服务器上采用了一个定制的扩散模型来生成新项目的嵌入，这些嵌入随后被分发到客户端用于冷启动推理。为了对齐项目语义，我们部署了一个预训练的模态编码器来提取模态特征作为条件信号引导去噪过程。此外，我们的理论分析证实了所提出的方法相比现有的基于映射的方法实现了更强的隐私保护。广泛的实验证明我们的方法在FRs上始终优于所有基准方法。四个真实数据集上的实验结果表明这一点。我们的代码可在https://github.com/kangfu-sketch/MDiffFR获得。
原文链接
推荐中的多因素偏见不公平性
原标题：The Unfairness of Multifactorial Bias in Recommendation
作者：Masoud Mansoury；Jin Huang；Mykola Pechenizkiy；Herke van Hoof；Maarten de Rijke
期刊：ACM Transactions on Information Systems
出版时间：2026/08/19
摘要：流行偏差和积极偏差是推荐系统中的两个显著偏差来源。都源自输入数据，通过推荐模型传播，并导致不公平或次优的结果。流行偏差发生在一小部分项目接收了大多数互动时，而正面偏差源于高评分值的过度代表。尽管每一种偏差都已独立研究过，它们的综合影响，我们称之为多因素偏差(multifactorial bias)，仍然有待探索。在这项工作中，我们研究了多因素偏差如何影响项目侧公平性，重点关注曝光偏差，它反映了推荐输出中项目可见性的不平等。通过模拟研究，我们发现正向偏见在流行项目上过度集中，进一步放大了它们的过度曝光。受此洞察启发，我们将基于百分位的评分转换作为预处理策略，以减轻多因素偏见。使用六种推荐算法跨四个公共数据集进行的实验表明，这种方法在几乎不损失准确率的情况下提高了曝光公平性。我们也证明了将这一预处理步骤整合到后处理公平性流水线中可以增强其有效性和效率，从而在降低计算成本的情况下实现可比的或更好的公平性。这些发现强调了应对多因素偏见的重要性，并展示了简单且基于数据的预处理方法在提高推荐系统公平性方面的实际价值。
原文链接
RuleAgent：使用自主语言代理发现推荐去噪规则
原标题：RuleAgent: Discovering Rules for Recommendation Denoising with Autonomous Language Agents
作者：Zongwei Wang；Min Gao；junliang Yu；Yupeng Hou；Shazia Sadiq；Hongzhi Yin
期刊：ACM Transactions on Information Systems
出版时间：2026/08/19
摘要：现实中的推荐系统中隐式反馈（e.g. clicks）常常容易受到无意交互引起的严重噪声的影响，例如误点击或出于好奇的行为。一种常见的去噪方法是基于训练损失模式的观察手动制定规则。然而，这种方法劳动强度大，并且由此产生的规则往往缺乏在不同场景中的泛化能力。为了克服这些限制，我们引入了RuleAgent，一个基于语言代理的框架，模仿现实世界的数据专家自主发现推荐去噪规则。与高成本的手动规则挖掘过程不同，RuleAgent 提供快速且动态的规则发现，确保适应不断变化的数据和不同的场景。为了实现这一目标，RuleAgent 配备了定制的配置文件、记忆、规划和行动模块，并利用反思机制来增强其推理能力以发现规则。此外，我们提出了两种灵活的应用范例来适应不同的数据规模。对于全规模端到端去噪，RuleAgent 直接对整个数据集进行操作，并采用一种卸载策略，LossEraser，来简化模型优化并避免频繁重新训练。为了更高效的资源利用场景，RuleAgent可以从少量数据中提取规则，并将其转移到更大的系统中实现可扩展部署。在基准数据集上的实验表明，与现有的去噪方法相比，RuleAgent 不仅能够获得最佳的推荐性能，而且还生成了可泛化的去噪规则，帮助研究人员高效地进行数据清洗。
原文链接
GenTREC：用于评估信息检索系统的首个由大型语言模型生成的测试集合
原标题：GenTREC: The First Test Collection Generated by Large Language Models for Evaluating Information Retrieval Systems
作者：Mehmet deniz Türkmen；Mucahid Kutlu；Bahadir Altun；Gokalp Cosgun
期刊：ACM Transactions on Information Systems
出版时间：2026/08/19
摘要：构建用于信息检索评估的测试集合传统上是一项资源密集型且耗时的任务，因为依赖于人工相关性判断。尽管已经探索了各种成本效益高的策略，此类收藏的开发仍然是一项重大挑战。本文介绍了GenTREC，第一个完全由大型语言模型（LLM）生成的文档构建的测试集合，消除了手动相关性判断的需要。假设大型语言模型生成的文档与其提示本质上是相关的，我们使用TREC搜索主题来生成文档，并且仅将其视为对其生成提示相关的文档。为了引入现实的检索挑战，我们也生成了非相关文档，确保信息检索系统能够接受多样且强大的材料集的测试。生成的GenTREC集合包含96,196份文档和300个主题。//请注意，此处的换行不影响最终输出格式，实际应保持原文本结构不变。正确的输出格式应为一行，如下所示：{我们进行了广泛的实验来评估GenTREC在文档质量、相关性判断准确性和评价可靠性方面的表现。我们的结果表明，使用GenTREC的IR系统排名在P@100、MAP、RPrec和nDCG指标上与传统的TREC测试集合一致。我们的研究结果表明GenTREC提供了一个有前景的低成本选择用于信息检索评估，显著减少了构建和维护未来的信息检索评估资源的负担。
原文链接
基于文本的人检索中的带噪声对应关系的动态不确定性学习
原标题：Dynamic Uncertainty Learning with Noisy Correspondence for Text-based Person Retrieval
作者：Zequn Xie；Chuxin Wang；Sihang Cai；Fangming Feng；Guijin luo；Qifei Zhang；Jingyuan Chen；Tao Jin
期刊：ACM Transactions on Information Systems
出版时间：2026/08/18
摘要：基于文本的人检索（TBPR）旨在根据自然语言描述在图像数据库中定位一个人。虽然在理论上有效，但由于嘈杂的对应关系（错配或弱相关的图像-文本对），TBPR 在实际场景中面临重大挑战，这些因素显著降低了检索性能。现有方法常常过分强调难例挖掘，这无意中放大了此类噪声的影响。为了解决这个问题，我们提出了带噪声对应关系的动态不确定性框架（DUNC），该框架包含两个关键组件：(1)跨模态证据学习（CEL），使用狄利克雷分布建模双向对齐不确定性，以捕捉图像-文本相似性的置信度；(2)动态鲁棒损失（DRL），自适应地选择和聚合难例样本，以减少噪声实例的影响并提高模型的健壮性。不同于传统的全局对齐方法，DUNC利用细粒度的局部对应关系来增强模态间的语义对齐。通过集成不确定性感知建模和自适应对比监督，我们的方法能够有效地分离噪声训练对和可靠训练对。在三个基准数据集——CUHK-PEDES、ICFG-PEDES 和 RSTPReid 上进行的大量实验表明，DUNC 一直保持最先进的性能，并且在广泛的噪声条件下表现出强大的鲁棒性。代码可在https://github.com/ASL-forever/DUNC获得。
原文链接
多模态语义协同与差异潜力探索在基于特征融合的视频推荐中的应用
原标题：Exploring the Synergetic and Divergent Potentials of Multimodal Semantics for Feature Fusion-based Video Recommendation
作者：Ziyi Cao；Rui Liu；Rui Sun；Hongrui Lian；Yong Chen；Dell Zhang
期刊：ACM Transactions on Information Systems
出版时间：2026/08/14
摘要：传统的多模态视频推荐系统通常侧重于不同模态之间的语义协同作用（例如，文本，图像，视频），通过采用注意力机制来加权和聚合特征，而忽视了模态之间语义差异的潜在益处，这种差异往往被视为噪声。此外，在基于网格的视频推荐平台上，现有方法将隐含的视频内容融合进视频编码器中而不显式地考虑用户的可见性，导致事实上的不一致表示。为了解决这些限制，我们提出了ESDvr（探索多模态语义的协同和分歧潜力用于基于特征融合的视频推荐），一个新颖的框架，该框架联合建模跨模态语义分歧和协同作用。具体来说，我们引入高斯模糊门控混合（MoGG），用于捕捉封面图像与文本之间的语义差异，同时整合协同特征。此外，基于跨模态语义协同，我们设计了一个可学习的阈值机制，动态模拟用户的悬停行为，自适应地增强视频编码，使其内容更适合个体用户。对于用户编码，我们利用最近观看的视频来建模个性化兴趣。此外，提出了一种对比损失，用于对齐源自多模态语义的视频特征与那些来自用户-项目交互历史的特征，确保语义一致性。在MicroLens和MovieLens数据集上的丰富实验表明，ESDvr优于最先进的(SOTA)基准，实现了显著的改进，分别为10.15%(Recall@5)，10.22%(NDCG@10)。
原文链接
检索引擎的逆向工程：查询性能预测作为逆向学习任务
原标题：Reversing the Retrieval Engine: Query Performance Prediction as an Inverse Learning Task
作者：Rabeb Mbarek；Hawete Hattab
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：查询性能预测（QPP）旨在在没有明确的相关性判断的情况下估计搜索查询的有效性。现有方法通常依赖于手工制作的特征或从检索信号到效果指标的学习前向映射。在这项工作中，我们提出了一种将QPP作为逆向学习问题的新公式化方法，其动机在于假设观察到的有效性得分源自于可以通过逆转检索过程重建的潜在查询特征。
原文链接
超越点对点：利用LLMs预测查询性能的比较方法探索
原标题：Beyond Pointwise: Exploring Comparative Approaches for Predicting Query Performance Using LLMs
作者：Cezary Golecki；Adrian Racki；Jakub Król；Paweł Zawistowski；Alekser Wawer
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：查询性能预测(QPP)是一种评估给定查询的搜索系统的检索质量的技术，无需依赖人工相关性判断。最近，大型语言模型（LLMs）为此任务展示了令人鼓舞的前景。然而，尽管现有的点对点方法已经证明是有效的，它们并没有充分利用比较分析所提供的潜在优势，例如检索元素之间的成对比较。我们的研究评估了这些方法在检索后基于LLM的QPP中的适用性。我们进行了全面分析，比较了大型语言模型（Llama-3.1-8B-Instruct 和 Qwen3-8B）的输出与人类评判的表现，并使用诸如NDCG@10和RR@10等指标的相关性进行评估，并根据大型语言模型推理的数量评估了计算效率。在评估实际检索性能与LLM方法预测的性能之间的相关性时，在不进行微调的情况下，几乎所有成对的方法都优于点对基线，并且在选定的微调场景中也是如此。此外，成对方法与ANCE检索器显示出显著更高的相关性，而它们与BM25的相关性因方法不同而异，有些方法表现出更强的一致性，其他一些则表现类似或不如点对点方法。我们的方法通过仅对选定的一组参考项目进行比较来降低计算复杂性。
原文链接
通过来源认证增强小型语言模型以实现更好的医学问答
原标题：Augmenting Small Language Model for Better Medical Question Answering through Source Authentication
作者：Sourav Das；Sanjay Chatterji；Imon Mukherjee
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：医学问答(QA)系统需要兼具事实可靠性和计算效率才能在实际中部署我们通过引入一个资源受限的框架来应对这一双重挑战，该框架整合了一个经过微调的15亿参数的小型语言模型与检索增强生成（RAG）以及专门针对医疗领域约束优化的校准事实核查模块。我们的主要贡献不仅在于组件集成，还在于展示了内部系统指标，特别是我们的事实一致性得分(FCS)，如何作为复杂检索增强生成(RAG)管道中答案可靠性的有效查询性能预测(QPP)指标，这是当前信息检索(IR)范式中的一个关键缺口。在PubMedQA和标准医学基准上进行评估，我们的方法在单个T4 GPU上运行，内存占用量为7GB的情况下实现了具有竞争力的表现，所需资源比同类的70亿参数医学LLM少85％。该框架通过事实核查基线对比减少了37％（measured by FCS）幻觉，尽管目前在处理多跳医疗推理和跨句子验证方面存在局限性。我们的工作提供了开发可访问的、值得信赖的医疗问答系统的实用蓝图，在性能与基础设施限制之间取得平衡，并证明了内部一致性指标可以在传统QPP方法不足之处有效预测答案质量。该实现表明，在仔细设计的验证机制被整合到检索生成管道中时，资源受限的环境不必牺牲可靠性。
原文链接
玫瑰PO：基于LLM的个性化偏好对齐
原标题：RosePO: Customized Preference Alignment in LLM-Based Recommendation
作者：Jiayi Liao；Xiangnan He；Ruobing Xie；Jiancan Wu；Yancheng Yuan；Xingwu Sun；Zhanhui Kang；Jingru Duan；Wenyu Zang；Xiang Wang
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：最近在大型语言模型（LLMs）方面取得的进展激发了它们在顺序推荐系统中的应用，通常通过监督微调（SFT）实现。然而，传统的SFT方法往往难以捕捉项目之间的细微比较关系。最近的方法利用了直接偏好优化（DPO），但仍受制于建模定制化偏好的挑战，包括捕捉细粒度的用户偏好以及易受语义幻觉和流行度偏差的影响。为了克服这些挑战，我们提出了RosePO，一个通过成对偏好优化结合个性化平滑来精炼基于大模型的推荐框架。我们通过三个与基于LLM的推荐相关的关键偏好示例来阐述这一概念。我们设计了针对每种定制偏好量身定做的拒绝采样策略。为了增强对自动构建的偏好数据中存在的不确定标签的鲁棒性，我们将一个由用户预言机预测的个性化平滑因子纳入优化目标中。实证评估表明我们的方法在三个真实世界的数据集上有效，不仅展示了有前景的推荐性能，还减轻了语义幻觉和流行度偏差。我们希望这项工作能够为未来建立有益且无害的基于LLM的推荐服务铺平道路。
原文链接
RAQG-QPP：基于检索查询变体和增强检索的查询生成的查询性能预测
原标题：RAQG-QPP: Query Performance Prediction with Retrieved Query Variants and Retrieval-Augmented Query Generation
作者：Fangzheng Tian；Debasis Ganguly；Craig MacDonald
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：查询性能预测(QPP)估计排名模型的检索质量而不使用任何人工评估的相关性判断，并在特定查询的选择性决策中找到应用以提高整体检索效果。尽管无监督的QPP方法对词汇检索模型有效，但它们通常对于神经排序器表现较弱。最近的研究表明，利用查询变体（QVs），即具有潜在相似信息需求的给定查询，可以提高无监督查询性能预测的准确性。然而，现有的基于QV的预测方法依赖于通过输入查询的术语扩展生成的QVs，这可能会产生不连贯、幻觉和偏离主题的QVs。在本文中，我们建议利用从过去查询日志中检索到的查询作为QV，以便随后用于QPP。除了在QPP中直接应用检索到的QV外，我们进一步提出利用大型语言模型根据检索到的QV生成QV，从而减轻仅依赖日志中存在的查询的限制。在TREC DL’19和DL’20上的实验表明，通过增强检索增强的查询生成的QPP优于现有的基于QV预测方法最多可达30%，特别是在神经排序模型如MonoT5上。
原文链接
脑电图在查询性能预测中的应用
原标题：On the Use of Electroencephalography in Query Performance Prediction
作者：Iakovos Tenedios；Niall McGuire；Yashar Moshfeghi
期刊：ACM Transactions on Information Systems
出版时间：2026/08/11
摘要：查询性能预测(QPP)使信息检索系统能够在不需明确相关性判断的情况下估计搜索效果。传统的问答对齐研究一直专注于文本特征，我们通过整合在听读过程中捕获的脑电图（EEG）和眼动信号来探索增强问答对齐的多模态方法。我们利用了一个专门的数据集，在该数据集中查询被表示为文本，并且对应有神经生理记录，多个文档具有分级的相关性判断。我们的方法采用了一种集成架构，其中每一种模态都有专门的模型，并通过一个元学习器生成最终预测。实验评估表明，在阅读和听讲任务中，跨受试者训练的一般化模型在仅基于文本的基线之上实现了持续改进，其中三模态配置（EEG+眼动追踪+文本）在ZuCo阅读数据集中达到了皮尔逊相关系数0.458，而双模态EEG+文本模型在叙事听讲数据集中达到0.417，这比个性化单一受试者的模型性能高出50-80%。查询级别分析显示，神经生理信号显著改善了片段化或语义模糊的查询情况下的预测，而大多数情况下则显示出中性效果。这些发现确立了在特定条件下进行神经生理学质量预测参数化的可行性，并提供了将脑机接口整合到信息检索系统中的设计原则。我们的代码可以在这里找到。
原文链接
UniRec：通用序列推荐的统一空间学习
原标题：UniRec: Unified Space Learning for Generalizable Sequential Recommendation
作者：jiarui yang；Junmei Feng；Yihan Zhang；Zhaoqiang Xia
期刊：ACM Transactions on Information Systems
出版时间：2026/08/08
摘要：顺序推荐旨在根据用户的历史互动预测他们下一个感兴趣的项目。最近，在这个领域大型语言模型（LLMs）由于其强大的语义理解能力显示出巨大的潜力。然而，现有方法面临两个核心挑战：首先，由于幻觉，大型语言模型可能会生成不存在的推荐；其次，在利用大型语言模型生成的嵌入转移到不同领域的下游推荐任务中，空间之间的维度和结构差异加剧了空间错配问题。为了解决这些挑战，我们提出了UniRec，一个统一的空间学习框架，通过层次空间转换路径实现深度对齐：语言空间 → 协作空间 → 真实空间。该框架采用两阶段学习机制：第一阶段通过协作指令微调引导大规模语言模型对齐语义和协作空间，引入实空间约束生成机制以减少幻觉问题，并针对大规模应用进行优化；第二阶段通过奇异值分解提取核心语义主成分并冻结表示，结合门控网络自适应融合语义和特定领域协作信号，实现高效的跨域迁移。实验表明，UniRec 在领域内的数据集上实现了超过 27% 的平均改进，在领域外的数据集上实现了 24%，同时保持了较低的内存开销。
原文链接
可控增强和细粒度偏好建模的提示引导图对比学习用于推荐
原标题：Prompt-Guided Graph Contrastive Learning with Controllable Augmentation and Fine-Grained Preference Modeling for Recommendation
作者：Shoujia Zhang；Enhao Cheng；Han Liu；Jianhua Yin；Tian Gan；Xuemeng Song；Yinwei Wei；Weili Guan
期刊：ACM Transactions on Information Systems
出版时间：2026/08/07
摘要：图对比学习(GCL)是一种有望改进协同过滤(CF)的方法，特别是在稀疏交互设置中。尽管它们的有效性，大多数现有的基于GCL的推荐方法通过依赖不可控的图增强而存在破坏有意义的合作信号的风险。此外，这些方法未能明确捕获并整合各种细粒度的偏好，因为它们在粗粒度层面上建模用户-项目交互。为了解决这些问题，我们提出了由引导提示的图对比学习(PGCL)，这是一种新的框架，它引入了可学习的提示节点来构建可控增强图，并实现细粒度偏好建模。这些提示节点充当潜在的细粒度偏好，并可以根据语义相关性动态地连接到图中的用户和项目节点。通过这个提示引导的增强图，PGCL 然后融合了两个模块：提示引导模块和交互增强对比学习模块。前者自适应地将用户和项目与其最语义相关的提示节点对齐，使模型能够捕获和区分多维偏好信号。后者采用真实的用户-物品交互对作为监督，减轻了来自提示语义的潜在偏差，并强化了协同信号学习。这些设计共同使PGCL能够通过一个更为语义引导的增强过程来建模细粒度偏好。广泛的实验证明，PGCL在五个公共数据集上始终优于最先进的基准，从而验证了其在推荐任务中的有效性。
原文链接
基于协同过滤增强的大规模语言模型的个性化时尚搭配推荐(CFALR)
原标题：CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
作者：Yujuan Ding；Junrong Liao；Yunshan Ma；Yi Bin；Wenqi Fan；Tat-Seng Chua；Qing Li
期刊：ACM Transactions on Information Systems
出版时间：2026/08/06
摘要：个性化服装推荐在电子商务和社会媒体平台中面临重大挑战，需要平衡用户偏好与美学兼容性的系统。协同过滤（CF）为此提供了一种传统解决方案，但在数据稀疏场景以及复杂用户-项目-套装关系中表现挣扎。同时，现有的基于模板的方法受到刚性预设结构的限制。为了解决这些研究缺口，我们引入了CFALR（Collaborative Filtering-Augmented Large Language Model for Recommendation），这是一个将协同过滤与大型语言模型相结合的新框架，用于个性化服装推荐。具体而言，CFALR 用自然语言描述用户与服装的互动，并利用大模型捕捉时尚语义，同时采用增强的协同过滤嵌入来连接语义空间和协作交互空间。我们的技术贡献包括：(1) 第一个专门用于个性化服装推荐的基于大语言模型的架构，(2) 一种增强的协同过滤生成机制，能够高效地在服装项目的广泛组合空间中导航，(3) 可训练的投影层，能够优化整合关系和内容特征。在Polyvore和IQON基准上的实验表明，CFALR在个性化填空和个性化搭配生成任务中均优于传统的基于CF的方法和基于LLM的方法。
原文链接
模块化RAG：将RAG系统转变为LEGO式的可重构框架
原标题：Modular RAG: Transforming RAG Systems into LEGO-like Reconfigurable Frameworks
作者：Yunfan Gao；Yun Xiong；Meng Wang；Haofen Wang
期刊：ACM Transactions on Information Systems
出版时间：2026/08/03
摘要：基于检索的增强生成（RAG）在知识密集型任务上大幅提升了大型语言模型（LLMs）的表现。尽管最近的进展引入了复杂的检索器、编排机制和优化策略，这些都超出了简单的检索然后生成的方法，但仍然缺乏一种统一的范式来系统地设计和优化跨各种任务的RAG系统。本文介绍了模块化RAG，一种统一的范式，它将RAG系统组织成三层模块结构，包括模块、子模块和操作符。我们将八个L1模块内的四十多个专业化操作符形式化，并进一步总结了典型的RAG设计模式，包括线性、条件、分支和循环，以建模检索和生成过程的编排。通过广泛的实验，我们展示了不同的RAG工作流程对典型任务的适应性。我们进一步引入节点级诊断来识别性能瓶颈，并量化效率与效果之间的权衡。通过建立统一的范式和实证支持的映射指南，Modular RAG 为研究人员和实践者提供了设计、实施和优化跨多种应用场景的 RAG 系统的系统框架。
原文链接
文本提示学习在异质信息网络中的应用(Prompt Learning for Textual Heterogeneous Information Networks)
原标题：Prompt Learning for Textual Heterogeneous Information Networks
作者：Yang Fang；Xiang Zhao；Daojian Zeng；Weidong Xiao；Maarten de Rijke；Minnan Luo；Xinwang Liu
期刊：ACM Transactions on Information Systems
出版时间：2026/08/01
摘要：异构信息网络（HINs）在各种特定领域的应用中扮演着不可或缺的角色，从推荐系统到对话平台。包含丰富文本信息的异构信息网络（HINs）。目前，大多数从HINs中挖掘文本特征的先进方法遵循“预训练和微调”的模式，这可能会导致“负迁移”问题，因为预训练任务和下游任务之间存在差距。我们提出了一种提示学习框架P-HIN，它从一个新的角度对齐了文本信息和图信息，同时缩小了预训练模型与各种下游任务之间的差距。据我们所知，我们是最早将提示学习引入并应用于对齐超图网络特征和文本特征的研究之一。所提出的框架P-HIN由一个文本编码器和一个图编码器组成，并使用对比学习来对齐和融合图-文本对。这种预训练操作自然适应少量样本学习设置。对于图编码器，我们引入了两个图预训练任务，掩码节点建模和边重建，以利用自监督信息。在优化过程中，我们使用可学习的连续文本（而不是手工制作的提示），这使得更高效且任务相关的知识能够转移到下游数据集。我们考虑使用残差连接来利用图中的上下文提示文本编码器。在实验中，P-HIN 在所有真实数据集上始终显著优于最先进的替代方法。
原文链接
