本文详细介绍了 Cortexica 的推荐框架，使用了条件随机场和深度神经网络的混合视觉推荐系统，结合了知识基础和内容基础来构建推荐系统，可解决缺少用户偏好数据的问题。

May, 2017

本文使用深度神经网络对包含未排序的可变长度服装搭配的推荐进行评级，通过在流行的时尚分享网站 Polyvore 上收集大量服装数据，并结合众包平台的人类判断，验证模型性能，最终构建了服装搭配助理的实用模型。

Apr, 2018

推荐系统通过分析用户的购物历史提供准确的推荐。然而，在真实应用中，用户更喜欢价格最低的电子商务平台。本研究假设任何电子商务平台都能完整记录用户的历史，但只能访问其中的一部分，如果推荐系统能够首先预测丢失的部分并正确丰富用户的购物历史，则可以更准确地推荐下一个商品。我们的推荐系统利用用户的购物历史来提高预测准确性，所提出的方法在 NDCG@10 和 HR@10 指标上取得了显著改进。

Mar, 2024

本文提出了两种可视化推荐系统，该系统可以自动为客厅家具配套筛选整个选择，以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明，从包括视觉和文本数据的产品集合中发现补充风格效果最好。

Jun, 2018

本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

Feb, 2016

本文提出基于协作和内容的混合推荐系统，结合顶级评论家一致性和电影评分，建立一个推荐模型，可基于用户喜好和评论家评分综合推荐电影。

Dec, 2021

通过使用词袋和基于神经网络的文档组合方法（Doc2Vec），本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统，通过使用这两种文档表示方法，在产品特性（成分、包装、营养表，过敏原等）等方面提供最佳的推荐，调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。

Dec, 2023

本研究提出了一种解释型时尚推荐系统，能够通过量化每个物品的每个特征对得分的影响来解释评分，并且能够识别哪些物品和哪些特征使造型好或不好。实验结果表明该方法能够准确地检测降低评分的不好物品。

Jan, 2019

通过整合用户反馈建立实时用户画像，并利用强化学习代理提供适宜的服装建议，提高推荐的准确性和用户满意度。

Feb, 2024

通过高级分类和图像，利用新型的风格编码器网络生成符合实际穿着风格或主题的时装推荐，并通过严谨的实验分析表明其优于现有的最先进的基线。

Mar, 2022