该论文论述了在线约会存在信息过载的问题，使用协同过滤算法的推荐系统可以有效提高用户体验和商业价值。

Mar, 2007

在此篇论文中，我们介绍和广泛评估了 “相互解释” 的使用，即提供为什么双方都有望从匹配中受益的推荐系统解释。通过在包括 287 名人类参与者的模拟和真实世界的约会平台中进行广泛的实证评估，我们发现当接受建议涉及重大成本（例如金钱或情感）时，“相互解释” 优于考虑仅推荐接收方的传统解释方法。但是，与人们可能期望的相反，当接受建议的成本微不足道时，相互解释显示出比传统解释方法效果差。

Jul, 2018

本文介绍了先进推荐系统技术的快照，重点关注了 Recommender Systems，Reciprocal Recommender System 等 RRS 算法，以及融合过程和社交推荐应用的挑战和机遇。

Jul, 2020

本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。

Feb, 2023

该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

Jun, 2023

本文详细介绍了推荐系统的评估方法，包括内容推荐和协同过滤机制的相似度指标，候选生成度量，预测指标，排名指标以及与经济目标相关的商业指标。同时强调了这些指标的上下文应用和相互依赖，提出了一种选择和解释这些指标的框架，以促进推荐系统的改进和商业目标的实现。

Dec, 2023

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

May, 2023

对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

Mar, 2018

该研究论文概述了可信度推荐系统的六个最重要方面：安全性与鲁棒性、非歧视与公平性、可解释性、隐私性、环境福祉以及问责与审计，并讨论了未来实现可信度推荐系统的潜在研究方向。

Sep, 2022