计算机科学-推荐与用户

📄 中文摘要:
大规模推荐系统在处理海量日常用户交互数据中扮演着关键角色,需要有效建模高基数和异构特征以确保预测的准确性。本研究在前人工作的基础上,聚焦于分层序列转换器(HSTU),这是一种基于注意力机制的架构,专门用于处理高基数、非平稳的流式推荐数据,并在生成推荐框架(GR)中展现出良好的扩展性。近期研究表明,关注更长的用户历史序列能够显著提升推荐指标。然而,扩展序列长度会带来较高的激活计算负担,因此需要并行化解决方案来有效分片激活内存。在基于Transformer的大型语言模型(LLM)中,上下文并行性(CP)是一种常见技术,通过沿序列长度维度在多个GPU上分配计算任务,有效减少注意力激活的内存使用。然而,生产环境中的排名模型通常使用不规则输入张量(jagged tensor)来表示用户交互特征,这为CP的实现带来了独特挑战。本文提出了一种支持不规则张量的HSTU注意力上下文并行方法,为扩展序列维度奠定了基础能力。实验结果表明,该方法使支持的用户交互序列长度增加了5.3倍,同时结合分布式数据并行性(DDP)实现了1.55倍的扩展因子。这一创新为推荐系统在处理长序列数据时提供了高效的解决方案,对提升推荐精度和系统性能具有重要意义。研究结论表明,上下文并行性结合不规则张量支持是未来大规模推荐系统扩展的重要方向。

📄 中文摘要:
随着对推荐系统中隐私保护的日益重视,联邦学习(Federated Learning, FL)作为一种隐私保护解决方案被广泛采用,允许在不共享用户数据的情况下进行协作训练。尽管联邦推荐(FedRec)有效保护了隐私,但现有方法在处理非平稳数据流时表现不佳,无法随时间保持一致的推荐质量。另一方面,持续学习推荐(Continual Learning Recommendation, CLRec)方法能够应对用户偏好的变化,但通常假设数据集中访问,这与联邦学习的约束条件不兼容。为解决这一问题,本文提出了联邦持续推荐(Federated Continual Recommendation, FCRec),这是一个结合FedRec和CLRec的新任务,要求模型在保护隐私的同时从流式数据中学习。作为解决方案,本文提出了F3CRec框架,旨在在FCRec的严格约束下平衡知识保留与适应能力。F3CRec引入了两个关键组件:客户端的适应性回放记忆(Adaptive Replay Memory),根据用户特定的偏好变化选择性地保留过去的信息;以及服务器端的项目级时间均值(Item-wise Temporal Mean),在保留先前信息的同时整合新知识。大量实验表明,F3CRec在联邦环境中随时间保持推荐质量方面优于现有方法。本研究为隐私保护与动态推荐的结合提供了重要思路,对推荐系统领域具有潜在的应用价值。

📄 中文摘要:
多模态推荐已成为现代推荐系统中的关键技术,利用先进的的多模态大型语言模型(MLLM)生成内容表示。为了确保这些表示能够良好适应推荐系统,与系统的对齐至关重要。然而,评估MLLM在推荐中的对齐效果面临三大挑战:(1)静态基准测试因现实应用的动态性而不够准确;(2)在线系统评估虽然准确,但在大规模应用中成本过高;(3)传统度量方法在学习表示表现不佳时无法提供可操作的见解。为解决这些问题,本文提出了一种新的多模态推荐度量方法——泄露影响分数(Leakage Impact Score, LIS)。LIS并非直接评估MLLM,而是高效地测量偏好数据的上限,为多模态推荐提供了一种创新的评估方式。此外,本文还分享了在现实场景中结合LIS部署MLLM的实用见解。通过在小红书探索信息流的内容推荐和展示广告两个场景中进行的在线A/B测试,验证了所提出方法的有效性。测试结果显示,该方法显著提升了用户停留时间和广告主价值,证明了LIS在实际应用中的潜力。本研究为多模态推荐系统的对齐评估提供了新的视角和工具,有助于推动推荐系统在动态环境下的性能优化。

📄 中文摘要:
个性化序列推荐旨在根据用户的行为序列预测适合用户的项目。为了缓解数据稀疏性和兴趣漂移问题,传统方法通常通过跨域转换引入其他领域的辅助行为。然而,现有的跨域序列推荐(CDSR)方法往往遵循先对齐后融合的范式,在多个领域之间进行表示层面的对齐,并机械地组合它们进行推荐,忽略了领域特定偏好的细粒度融合。受扩散模型(DMs)在分布匹配方面的最新进展启发,本文提出了一种用于CDSR的对齐融合框架,通过双向扩散模型协调三重偏好,命名为HorizonRec。具体而言,本文研究了扩散模型的不确定性注入问题,并发现随机噪声是现有基于DM的推荐系统不稳定性的关键来源。为此,提出了一种混合条件分布检索策略,利用从用户真实行为逻辑中检索的分布作为跨域的语义桥梁,实现一致的多域偏好建模。此外,还提出了一种双向偏好扩散方法,在多域用户表示融合过程中抑制潜在噪声并强调目标相关兴趣。在来自两个不同平台的四个CDSR数据集上的大量实验表明,HorizonRec在细粒度三域偏好融合方面的有效性和鲁棒性。

📄 中文摘要:
本文提出了一种新颖的端到端多目标集成排序框架(EMER),用于短视频推荐系统中至关重要的多目标集成排序模块。EMER通过将手动设计的启发式公式替换为端到端建模范式,显著增强了个性化推荐能力。针对集成排序中定义有效监督信号的根本挑战(即单一真实标签无法完全捕捉用户满意度),EMER设计了一种精巧的损失函数。此外,EMER引入了创新的样本组织方法和基于Transformer的网络架构,以捕捉候选项之间的比较关系,这对有效排序至关重要。同时,本文提出了一种线下-线上一致的评估系统,以提升线下模型优化的效率,解决了多目标排序领域中长期存在的行业难题。在真实工业数据集上进行的广泛实验充分验证了所提框架的有效性。值得注意的是,该框架已部署在快手这一拥有数亿日活跃用户的短视频推荐平台的主要场景中,实现了整体应用停留时间1.39%的提升以及7天用户生命周期(LT7)0.196%的增长,取得了显著的改进效果。研究结果表明,EMER框架在提升推荐系统性能和用户体验方面具有重要价值,为工业界多目标排序问题提供了有效的解决方案。

📄 中文摘要:
本文研究了推荐系统中的自然语言解释问题,指出当前将解释框架化为评论生成任务的常见做法存在局限性,即将用户观点与系统推理混淆,导致解释虽流畅但未能真实反映推荐背后的逻辑。作者重新审视了可解释推荐的核心目标:通过连接用户需求与相关项目特征,透明地传达推荐原因。通过对多个基准数据集上现有方法的全面分析,作者发现当前解释方法普遍存在与模型预测对齐性弱、用户意图识别模糊或不准确、解释内容重复或过于泛化等问题。为解决这些挑战,作者提出了FIRE(Faithful Interpretable Recommendation Explanations),一个轻量级且可解释的框架。FIRE结合基于SHAP的特征归因与结构化的、提示驱动的语言生成技术,生成忠实、多样且与用户意图一致的解释,并基于模型的实际决策过程。实验结果表明,FIRE不仅在推荐准确性上具有竞争力,而且在对齐性、结构性和忠实性等关键维度上显著提升了解释质量。本文强调了超越“评论即解释”范式的必要性,倡导开发既负责任又可解释的解释方法,为推荐系统的透明性和用户信任提供了新的视角和解决方案。

📄 中文摘要:
序列推荐系统通过分析用户的历史交互数据来预测用户偏好。如何有效整合用户多样化的行为模式与物品丰富的多模态信息,以提升序列推荐的准确性,是一个新兴且具有挑战性的研究方向。本文聚焦于多模态多行为序列推荐问题,旨在解决以下挑战:(1)缺乏对不同行为下模态偏好的有效表征,因为用户对物品不同模态的关注度因行为而异;(2)难以有效缓解用户行为中的隐性噪声,例如意外点击等无意行为;(3)无法处理多模态表示中的模态噪声,这进一步影响了用户偏好的准确建模。为此,本文提出了一种新颖的多模态多行为序列推荐模型(M$^3$BSR)。该模型首先通过条件扩散模态去噪层去除多模态表示中的噪声;随后,利用深层行为信息指导浅层行为数据的去噪,通过条件扩散行为去噪缓解隐性反馈中的噪声影响;最后,通过引入多专家兴趣提取层,M$^3$BSR 显式建模行为和模态间的共同与特定兴趣,从而提升推荐性能。实验结果表明,M$^3$BSR 在基准数据集上显著优于现有的最先进方法,验证了其在处理多模态多行为序列推荐问题上的有效性。本研究为推荐系统领域提供了一种创新的解决方案,尤其在处理复杂用户行为和多模态数据噪声方面具有重要意义。

📄 中文摘要:
多模态推荐系统因其整合多种数据类型的潜力而日益受到关注,旨在提升推荐性能。然而,多模态整合的实际效益仍不明朗,关于其在何种情况下以及如何真正改善推荐效果的问题亟待解答。本研究提出了一种结构化的评估框架,从四个维度系统性地评估多模态推荐系统:比较效率、推荐任务、推荐阶段和多模态数据整合。我们对一组可复现的多模态模型进行了基准测试,并将其与强大的传统基线模型进行对比,评估了它们在不同平台上的表现。研究发现,多模态数据在稀疏交互场景和推荐流程的召回阶段尤为有益。此外,各模态的重要性与任务密切相关,例如在电子商务中文本特征更为有用,而在短视频推荐中视觉特征效果更佳。我们还探索了不同的整合策略和模型规模,发现基于集成的学习方法优于基于融合的学习方法,且更大的模型并不必然带来更好的结果。为了加深理解,本文纳入了案例研究并回顾了其他推荐领域的研究成果。研究为构建高效且有效的多模态推荐系统提供了实用见解,强调了在模态选择、整合策略和模型设计上的深思熟虑的重要性。本文还指出了未来研究方向,包括更精细的模态交互机制和跨领域的应用探索,旨在进一步释放多模态推荐系统的潜力。

📄 中文摘要:
离线评估在推荐系统基准测试中扮演着核心角色,尤其是在在线测试不切实际或存在风险的情况下。然而,离线评估容易受到两种主要偏差的影响:曝光偏差,即用户仅与展示的项目互动;以及采样偏差,即评估基于日志项目的子集而非完整目录时引入的偏差。尽管已有研究提出了缓解采样偏差的方法,但这些方法通常在固定的日志数据集上进行评估,而非针对其在不同曝光条件下的模型比较可靠性或与真实用户偏好的对齐能力进行测试。本文研究了不同的日志记录和采样选择组合如何影响离线评估的可靠性。作者以完全观测的数据集作为真实基准,系统性地模拟了多种曝光偏差,并从四个维度评估了常见采样策略的可靠性:采样分辨率(推荐模型的可区分性)、保真度(与完整评估的一致性)、鲁棒性(在曝光偏差下的稳定性)以及预测能力(与真实基准的对齐程度)。研究发现表明,采样会在何时以及如何扭曲评估结果,并为选择能够产生忠实且鲁棒的离线比较的策略提供了实用指导。通过这些分析,本文揭示了采样策略对离线评估可靠性的深远影响,强调了在设计和实施离线评估时需谨慎选择采样方法,以确保评估结果能够真实反映推荐系统的性能,并为未来的研究和应用提供了重要的参考依据。

📄 中文摘要:
直播平台已成为在线内容消费的主导形式,其动态变化的内容、实时互动以及高度吸引用户的体验带来了与传统推荐系统不同的新挑战。尽管业界近年来对直播推荐的关注日益增加,但学术界由于缺乏能够真实反映直播环境动态特性的公开数据集,研究进展受到限制。为解决这一问题,本文介绍了KuaiLive,这是首个从中国领先的直播平台快手(拥有超过4亿日活跃用户)收集的实时交互数据集。KuaiLive记录了23,772名用户和452,621名主播在21天内的交互日志。与现有数据集相比,KuaiLive具有多项优势:包括精确的直播间开始和结束时间戳、多种类型的实时用户交互(如点击、评论、点赞、送礼)以及用户和主播的丰富侧信息特征。这些特性支持更真实的动态候选项目模拟,并更好地建模用户和主播行为。本文从多个角度对KuaiLive进行了深入分析,并在其上评估了多种代表性推荐方法,为未来研究建立了坚实的基准。KuaiLive可支持直播领域的多种任务,包括Top-K推荐、点击率预测、观看时长预测和礼物价格预测。此外,其细粒度的行为数据还支持多行为建模、多任务学习和公平性感知推荐等研究方向。数据集及相关资源已公开发布,为直播推荐领域的研究提供了宝贵资源。

📄 中文摘要:
本文提出了一种新型任务——对话销售(CSALES),旨在通过对话推荐系统(CRS)将偏好获取、推荐和说服整合到一个统一的对话框架中,以应对电子商务中复杂的用户决策过程。传统CRS主要关注用户偏好的获取和物品推荐,而CSALES通过捕捉用户在决策中考虑的多重因素(如上下文和个性化需求),进一步提升交互的复杂性和实用性。为支持真实且系统的评估,作者设计了CSUSER评估协议,该协议基于大型语言模型(LLM)的用户模拟器,并结合真实行为数据构建细粒度的用户画像,实现个性化的交互模拟。此外,作者提出了CSI,一个对话销售代理系统,能够主动推断上下文用户画像,并通过对话战略性地选择行动。实验结果表明,CSI在不同用户画像下显著提高了推荐成功率和说服效果,验证了其在个性化对话销售中的潜力。本研究不仅为对话推荐系统的发展提供了新的视角,也为电子商务中的用户交互设计提供了重要的技术支持。未来,该框架可进一步扩展到其他需要复杂决策支持的领域。

📄 中文摘要:
本文介绍了PinRec,一种新型生成式检索模型,专门为Pinterest等工业级推荐系统设计。生成式检索方法通过利用生成式序列建模技术(如Transformer)来生成候选项目,在学术基准测试中已展现出优于传统检索模型(如双塔架构)的潜力。然而,现有生成式检索方法在工业推荐系统中的可扩展性不足,且难以满足现代系统多指标优化的需求。PinRec通过结果条件化生成技术,允许建模者指定如何平衡不同结果指标(如保存次数和点击次数),从而有效对齐业务目标和用户探索需求。此外,PinRec引入了多标记生成机制,以在优化生成效率的同时提升输出多样性。实验结果表明,PinRec能够在性能、多样性和效率之间实现良好平衡,并通过生成式模型为用户带来显著的正面影响。本文是生成式检索领域的重要里程碑,首次在Pinterest的规模上对生成式检索的实现进行了严谨研究。研究背景方面,生成式检索作为推荐系统的新兴技术,旨在通过生成模型直接预测用户可能感兴趣的项目,而非依赖传统的检索和排序机制。PinRec的关键创新在于其灵活性和可扩展性,使其能够适应工业环境中的复杂需求。研究发现,PinRec不仅提升了推荐系统的核心指标,还通过多样性输出增强了用户体验。总之,PinRec为工业级推荐系统中的生成式检索提供了切实可行的解决方案,并为未来研究奠定了基础。

📄 中文摘要:
语言表示学习因其能够学习泛化表示而成为序列推荐领域的一个有前景的方法。然而,该方法仍面临数据稀疏性和对用户常识偏好理解不足的挑战。为解决这些问题,本文提出了JEPA4Rec框架,该框架结合了联合嵌入预测架构(Joint Embedding Predictive Architecture)与项目文本描述的语言建模。JEPA4Rec通过捕捉语义丰富且可迁移的表示,显著提升了推荐性能,并减少了对大规模预训练数据的依赖。具体而言,JEPA4Rec将项目表示为文本句子,通过展平描述信息(如标题、类别等属性)来构建项目描述。为编码这些句子,作者采用了双向Transformer编码器,并对嵌入层进行了修改以适应推荐数据集中的项目信息捕捉需求。通过对文本句子进行掩码处理并预测未掩码句子的表示,模型能够学习到泛化的项目嵌入。此外,为进一步提升推荐性能和语言理解能力,JEPA4Rec采用了包含自监督学习损失的两阶段训练策略。在六个真实世界数据集上的实验结果表明,JEPA4Rec在跨领域、跨平台以及低资源场景下持续优于现有最先进方法,展现了其在序列推荐任务中的强大潜力。研究结果不仅验证了语言表示学习在推荐系统中的应用价值,也为解决数据稀疏性问题提供了新的思路。作者通过结合文本信息和自监督学习,成功改进了推荐系统的性能,尤其是在资源受限的环境中具有显著优势。

📄 中文摘要:
近年来,可解释推荐系统的进展显著提升了用户体验,通过阐明决策依据增强了用户对推荐结果的信任。然而,现有方法由于依赖传统的监督学习范式,在稀疏交互数据中无法提供有效的反馈信号来优化生成的解释质量。为解决这一问题,本文提出了一种新颖的类人类反馈驱动的优化框架。该框架通过动态交互优化机制,实现了以人为中心的可解释性需求,同时避免了高昂的人力成本。具体而言,作者利用大型语言模型(LLMs)作为人类模拟器,预测类人类反馈以指导学习过程。为使LLMs深入理解任务本质并满足用户的多样化个性化需求,作者引入了一种人类诱导的定制化奖励评分方法,激发LLMs的语言理解和逻辑推理能力。此外,考虑到解释质量不同视角之间的潜在冲突,作者提出了一种基于原则的帕累托优化方法,将多视角质量提升任务转化为多目标优化问题,以提升解释性能。最后,为实现高效的模型训练,作者设计了一种离策优化流程,通过引入回放缓冲区和解决数据分布偏差问题,有效提高数据利用率并增强模型泛化能力。在四个数据集上的广泛实验表明,该方法在可解释推荐领域具有显著优越性,验证了其在提升解释质量和用户满意度方面的潜力。

📄 中文摘要:
近年来,多目标跨域推荐(MTCDR)引起了广泛关注,其目标是同时提升多个领域内的推荐性能。现有的MTCDR方法主要依赖于领域共享实体(如用户或物品)来融合和传递跨域知识。然而,在非重叠推荐场景中,这些共享实体可能并不存在,因此限制了方法的适用性。一些研究尝试将用户偏好和物品特征建模为领域共享的语义表示,以解决MTCDR任务,但这些方法通常需要大量的辅助数据进行预训练,增加了实现的复杂性。本文提出了一种生成式多目标跨域推荐方法,旨在克服现有方法的局限性。该方法通过构建一个统一的生成模型,捕捉跨域用户偏好和物品特征的潜在关联,而无需依赖共享实体或大规模预训练数据。实验结果表明,该方法在多个公开数据集上显著提升了推荐性能,尤其是在非重叠领域场景中表现出色。研究还揭示了生成模型在跨域知识迁移中的潜力,特别是在数据稀疏的情况下,能够有效提高推荐的准确性和多样性。作者进一步讨论了方法的局限性,如对复杂领域关系的建模能力仍有提升空间,并指出了未来研究方向,包括如何结合更多上下文信息以进一步优化推荐效果。总之,本研究为MTCDR提供了一种新颖且有效的解决方案,对推荐系统领域具有重要的理论和实践意义。

📄 中文摘要:
重排序在推荐系统中至关重要,通过优化推荐列表的顺序来提升用户满意度和平台收益。传统的重排序方法多采用生成-评估范式,其中评估器估算每个候选列表的整体价值。然而,这些方法往往忽略了用户可能在未浏览完整列表前就离开的事实,导致估算的生成价值与实际消费价值不匹配。为解决这一问题,本文提出了CAVE(个性化消费感知列表价值估计框架)。CAVE将列表价值定义为子列表价值的期望,通过用户在每个位置的特定退出概率进行加权。退出概率被分解为兴趣驱动部分和随机部分,后者通过Weibull分布建模,以捕捉疲劳等随机外部因素。通过联合建模子列表价值和用户退出行为,CAVE能够更准确地估算实际列表消费价值。此外,本文还贡献了来自快手平台的三个大规模真实世界列表基准数据集,这些数据集在规模和用户活动模式上各不相同。在这些基准数据集、两个亚马逊数据集以及快手平台的在线A/B测试中进行的广泛实验表明,CAVE始终优于强大的基线方法,凸显了在重排序中明确建模用户退出行为的优势。研究结果表明,考虑用户消费行为的个性化价值估计能够显著提升推荐系统的效果,为未来的推荐算法设计提供了新的思路和实践指导。

📄 中文摘要:
本文研究了社交推荐领域中社区推荐的独特挑战,提出了一种社区感知的社交社区推荐方法。社交推荐通过利用用户之间的社交联系来缓解用户-项目交互的稀疏性问题,已成为提升推荐系统个性化服务的重要技术。然而,现有社交推荐模型主要针对博客、图片和产品等常规项目的推荐,而在社区推荐中效果不佳,原因在于忽视了社区的独特特性。社区由个体组成,这些个体在社交网络中表现出高度动态性,并与丰富的结构模式相关联。针对这一问题,本文提出了一种新颖的框架,综合利用社区成员的动态性及其在社交网络中的结构信息进行推荐。具体而言,研究首先分析了社区的构成特性及其在社交网络中的关联模式,随后设计了一种模型,能够捕捉用户与社区之间的潜在联系,并结合社交关系增强推荐效果。实验结果表明,该方法在多个数据集上显著优于传统社交推荐模型,尤其是在社区推荐的准确性和个性化方面取得了重要突破。此外,本文还探讨了社区推荐中可能面临的数据稀疏和冷启动问题,并提出了相应的解决方案。研究结论表明,充分挖掘社区的个体动态性和网络结构特性对于提升推荐系统的性能至关重要,为未来在社交推荐领域的进一步研究提供了新的视角和思路。

📄 中文摘要:
在音乐推荐领域,序列推荐系统在捕捉音乐消费的动态特性方面表现出色。音乐消费的一个关键特征是重复收听,用户经常重复播放熟悉的曲目。为了捕捉这种重复模式,近期研究引入了个性化流行度评分(PPS),通过历史频率量化用户特定的偏好。然而,PPS虽然提升了推荐的相关性,却往往强化了用户已知的内容,限制了系统推荐新颖或意外项目的能力,而这些是促进长期用户参与和满意度的关键因素。为解决这一局限性,本研究基于RecJPQ框架进行扩展。RecJPQ是一个基于Transformer的框架,最初用于通过子项目分解提升大项目目录的可扩展性。本研究重新利用RecJPQ的子项目架构,以更细粒度建模个性化流行度,从而捕捉子嵌入中共享的重复模式——这些模式在项目级流行度中无法获取。我们提出了一种在RecJPQ框架内集成子ID级个性化流行度的新方法(sPPS),实现了对准确性和个性化新颖性之间权衡的显式控制。实验结果表明,子ID级PPS方法在不牺牲推荐准确性的前提下,显著提高了个性化新颖性,持续优于项目级PPS方法。相关代码和实验已公开,可在https://github.com/sisinflab/Sub-id-Popularity获取。本研究为音乐推荐系统提供了一种创新方法,有助于提升用户体验和长期参与度。

📄 中文摘要:
[基于标题推测] 本论文可能探讨了如何通过强化学习与人类反馈(RLHF)对大型语言模型(LLMs)进行微调,以使其在对话推荐系统中更好地与用户的隐式反馈对齐。研究背景可能聚焦于对话系统在推荐任务中的挑战,例如理解用户未明确表达的偏好或意图。论文可能提出了一种创新方法,利用RLHF技术捕捉用户的隐式信号(如对话中的语气、上下文或行为模式),从而优化模型的推荐性能。关键内容可能包括模型微调的具体框架、隐式反馈的定义与建模方式,以及在实际对话场景中的实验验证。研究价值在于提升对话推荐系统的个性化能力和用户体验,可能对智能助手、电商推荐等领域产生积极影响。

📄 中文摘要:
随着金融科技(FinTech)的兴起,金融服务逐步转向线上平台,但股票投资推荐系统相较于其他行业受到的关注较少。个性化的股票推荐能够显著提升行业内的客户参与度和满意度。然而,传统的投资推荐往往基于现代投资组合理论,聚焦于高回报股票或高度分散的投资组合,忽视了用户的个性化偏好。而协同过滤(CF)方法也无法直接应用于股票推荐,因为仅仅推荐用户喜欢的股票并不合适。关键在于如何将用户偏好与投资组合理论有效结合。目前,推荐系统领域内针对股票推荐的研究相对有限,且现有模型未同时考虑用户偏好与股票的风险-收益特性。为此,本文提出了一种均值-方差高效协同过滤(MVECF)模型,用于股票推荐,兼顾用户偏好与风险-收益特性。该模型通过系统性地处理股票价格的不确定性,旨在改善风险(收益方差)与回报(平均收益)之间的帕累托最优性(均值-方差效率)。通过正则化方法将这些改进融入MVECF模型,并重构模型以适应普通的矩阵分解框架,从而提升计算效率。在真实世界基金持有数据的实验中,MVECF模型在仅牺牲少量平均精度和召回率的情况下,显著提高了推荐投资组合的均值-方差效率。此外,本文进一步展示了MVECF模型能够轻松应用于最先进的基于图的排名模型。这一研究为股票推荐系统提供了新的视角和方法,具有重要的理论和实践意义。