本文提出了 Response Aware Probabilistic Matrix Factorization (RAPMF) 方法，它可以更好地建模用户的反应模式，从而提高推荐系统的准确性和可解释性。

Oct, 2012

本文提出了一种基于查询信息引导的注意力和自适应原型融合的新型流程 RAPS，以更有效地泛化到新的关系，该方法在 FewRel 1.0 数据集上取得了显著的改进，优于现有最先进方法。

Oct, 2022

该研究利用胶囊网络结合情感分析和逻辑单元技术，从用户评论中挖掘出用户的观点和产品特征，并发现它们之间的关系和情感倾向，从而实现更准确的评级预测和解释。实验结果表明，该方法在七个真实数据集上获得了比最先进的模型更好的预测精度，并可以成功地挖掘出更精细的可解释原因。

Jul, 2019

本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

Feb, 2018

研究论文提出了一种新的监督个性化排序（SPR）损失函数，改进了常用的点级和对级损失函数的问题，通过利用先前的知识信息，构造 <用户、相似用户、正面项目、负面项目> 四元组，大大加快了收敛速度，提高了推荐性能。

Jul, 2022

该研究提出了三种相关的斜率一候选推荐方案，采用预测器 f (x) = x + b 的形式，以预测用户对电影的评分，通过考虑用户喜欢和不喜欢的物品，实现了与较慢的基于内存的方案竞争性能的结果，并更好地满足协同过滤应用的要求， 这使它们成为真实世界系统的良好候选项。

Feb, 2007

本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

Apr, 2019

该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

Jan, 2013

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

本文提出了一种基于语义分析和生成模型的推荐系统方法（SAR），能够从用户评分数据中学习出用户和物品的语义表示，并通过语义匹配得出更精准的推荐结果，实验证明 SAR 大幅优于其他同类算法。

Feb, 2017