2026年1月19日，MMRC实验室团队在推荐领域负采样技术的综述工作成果被信息检索领域的CCF A类学术期刊ACM TOIS（ACM Transactions on Information Systems）录用。

论文名称：Negative Sampling in Recommendation: A Survey and Future Directions

论文作者：马浩凯（山东大学，新加坡国立大学）；谢若冰（腾讯）；孟雷*（山东大学，山东省工业技术研究院）；冯福利（中国科学技术大学）；杜晓宇（南京理工大学）；孙兴武（腾讯）；康战辉（腾讯）；孟祥旭（山东大学）

Paper链接：

https://arxiv.org/abs/2409.07237

Code链接：

https://github.com/hulkima/NS4RS

论文简介：在信息爆炸的时代，推荐系统（Recommender System）通过从海量用户行为中捕捉个性化偏好，已成为各类在线平台的关键基础设施。然而，“信息茧房”、交互稀疏、冷启动以及推荐-反馈循环等问题，使得用户往往只与少量内容发生交互，进一步加剧了偏好建模的难度。现有推荐算法通常更关注用户的正向历史行为，却忽视了负反馈在理解用户偏好中的关键作用。负采样（Negative Sampling）作为一个前景广阔却容易被忽略的研究方向，能够有效揭示用户行为中真实的“负向”偏好信息，并已成为推荐系统训练与优化过程中不可或缺的环节。本文综述首先系统讨论了推荐系统中的用户反馈形式、负采样的重要性以及常见优化目标，并深入分析了长期制约该领域发展的核心挑战。随后，我们对推荐系统中的负采样策略进行了全面的文献回顾，将现有方法归纳为五大类别，并总结其各自的技术特点与差异。最后，本文进一步梳理了面向不同推荐场景的定制化负采样策略所带来的启示，并展望了值得社区持续投入的未来研究方向，以期为后续研究与应用提供参考。

图1：个性化推荐系统的训练阶段示意图

图2：推荐系统中负采样策略的整体分类法框架

ACM Transactions on Information Systems》(ACM TOIS) 是美国计算机协会（ACM）出版的英文学术期刊，创刊于1983年。‌该刊专注于信息系统领域，特别是信息检索、数据挖掘、推荐系统、搜索引擎架构、用户行为建模及隐私保护等方向。‌TOIS 在学术界享有极高声誉，被中国计算机学会（CCF）列为数据库/数据挖掘/内容检索领域的A类国际期刊。‌它也被教育部第四轮学科评估列为计算机学科A类期刊，并被清华大学TH-CPL推荐为“数据库与数据挖掘”方向的顶级期刊。‌期刊主要发表高质量原创研究论文，其研究覆盖范围广泛，包括新型信息检索模型与算法、现有技术的应用与局限分析、多模态内容分析方法、用户信息偏好与交互行为的计算模型，以及评估方法的创建与分析等。‌近年来，期刊重点关注预训练模型驱动的检索与推荐融合、检索增强生成、联邦学习与隐私保护、用户行为脆弱性与系统公平性等前沿议题。‌