:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Ma, Shichao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval
Online-Zugang:	https://arxiv.org/abs/2402.13959
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems
von: Deng, Jianfeng, et al.
Veröffentlicht: (2025)

Debiased Contrastive Representation Learning for Mitigating Dual Biases in Recommender Systems
von: Huang, Zhirong, et al.
Veröffentlicht: (2024)

Bayesian Rational Search Engine User
von: Ma, Shichao
Veröffentlicht: (2026)

AURO: Reinforcement Learning for Adaptive User Retention Optimization in Recommender Systems
von: Xue, Zhenghai, et al.
Veröffentlicht: (2023)

Heterogeneous User Modeling for LLM-based Recommendation
von: Bao, Honghui, et al.
Veröffentlicht: (2025)

Graph-based Recommendation for Sparse and Heterogeneous User Interactions
von: Bruun, Simone Borg, et al.
Veröffentlicht: (2023)

Mitigating Dual Latent Confounding Biases in Recommender Systems
von: Deng, Jianfeng, et al.
Veröffentlicht: (2024)

Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
von: Huang, Zhirong, et al.
Veröffentlicht: (2024)

Modeling User Intent Beyond Trigger: Incorporating Uncertainty for Trigger-Induced Recommendation
von: Ma, Jianxing, et al.
Veröffentlicht: (2024)

The Importance of Cognitive Biases in the Recommendation Ecosystem
von: Schedl, Markus, et al.
Veröffentlicht: (2024)

Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems
von: Bakhshi, Saeideh, et al.
Veröffentlicht: (2025)

Heterogeneous Influence Maximization in User Recommendation
von: Hou, Hongru, et al.
Veröffentlicht: (2025)

Stratified Expert Cloning for Retention-Aware Recommendation at Scale
von: Lin, Chengzhi, et al.
Veröffentlicht: (2025)

Modeling User Retention through Generative Flow Networks
von: Liu, Ziru, et al.
Veröffentlicht: (2024)

Improving Sequential Recommender Systems with Online and In-store User Behavior
von: Ma, Luyi, et al.
Veröffentlicht: (2024)

Break the Inaccessible Boundary: Distilling Post-Conversion Content for User Retention Modeling
von: Ma, Tianbao, et al.
Veröffentlicht: (2026)

Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
von: Jiang, Weijie, et al.
Veröffentlicht: (2025)

Temporal-Aware User Behaviour Simulation with Large Language Models for Recommender Systems
von: Wanyan, Xinye, et al.
Veröffentlicht: (2025)

The Role of Fake Users in Sequential Recommender Systems
von: Betello, Filippo
Veröffentlicht: (2024)

User Feedback Alignment for LLM-powered Exploration in Large-scale Recommendation Systems
von: Wang, Jianling, et al.
Veröffentlicht: (2025)

Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems
von: Zhang, Shengyu, et al.
Veröffentlicht: (2024)

HHFT: Hierarchical Heterogeneous Feature Transformer for Recommendation Systems
von: Yu, Liren, et al.
Veröffentlicht: (2025)

Biases in LLM-Generated Musical Taste Profiles for Recommendation
von: Sguerra, Bruno, et al.
Veröffentlicht: (2025)

Mitigating Propensity Bias of Large Language Models for Recommender Systems
von: Zhang, Guixian, et al.
Veröffentlicht: (2024)

Uplift Modeling for Target User Attacks on Recommender Systems
von: Wang, Wenjie, et al.
Veröffentlicht: (2024)

A Serendipitous Recommendation System Considering User Curiosity
von: Xu, Zhelin, et al.
Veröffentlicht: (2025)

On the Reliability of User-Centric Evaluation of Conversational Recommender Systems
von: Müller, Michael, et al.
Veröffentlicht: (2026)

Sequential Recommendation for Optimizing Both Immediate Feedback and Long-term Retention
von: Liu, Ziru, et al.
Veröffentlicht: (2024)

Retentive Decision Transformer with Adaptive Masking for Reinforcement Learning based Recommendation Systems
von: Wang, Siyu, et al.
Veröffentlicht: (2024)

Interaction-Data-guided Conditional Instrumental Variables for Debiasing Recommender Systems
von: Huang, Zhirong, et al.
Veröffentlicht: (2024)

Counterfactual Reciprocal Recommender Systems for User-to-User Matching
von: Kawamura, Kazuki, et al.
Veröffentlicht: (2025)

FairFS: Addressing Deep Feature Selection Biases for Recommender System
von: Wang, Xianquan, et al.
Veröffentlicht: (2026)

Identifying Breakdowns in Conversational Recommender Systems using User Simulation
von: Bernard, Nolwenn, et al.
Veröffentlicht: (2024)

User Welfare Optimization in Recommender Systems with Competing Content Creators
von: Yao, Fan, et al.
Veröffentlicht: (2024)

Treatment Effect Estimation for User Interest Exploration on Recommender Systems
von: Chen, Jiaju, et al.
Veröffentlicht: (2024)

Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems
von: Zhang, Hao, et al.
Veröffentlicht: (2023)

DUET: Joint Exploration of User Item Profiles in Recommendation System
von: Chen, Yue, et al.
Veröffentlicht: (2026)

Revealing Potential Biases in LLM-Based Recommender Systems in the Cold Start Setting
von: Andre, Alexandre, et al.
Veröffentlicht: (2025)

LLMs for User Interest Exploration in Large-scale Recommendation Systems
von: Wang, Jianling, et al.
Veröffentlicht: (2024)

Reproducibility Companion Paper:In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
von: Liu, Yixiu, et al.
Veröffentlicht: (2025)