我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

Aug, 2023

文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

Feb, 2018

研究了匿名用户的新闻推荐问题，提出了一种基于正负反馈的用户行为建模框架，综合考虑用户和文章的观看时间等不同反馈信息，以实现更精确、多样化和出乎意料的推荐效果。

May, 2022

使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

Jun, 2024

描述了一种新的推荐算法，该算法明确地建模了负面用户偏好，以便在推荐列表的顶部推荐更多积极的物品，从而提高准确性并减少负面物品的数量。

Dec, 2018

为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

Feb, 2021

该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

Jan, 2017

研究在线用户行为的推荐系统，介绍针对在线正面评级的一类协同过滤算法，分析了用户响应概率、探索用户喜好所需评级数和更新用户偏好所需评级数之间的相关性，探讨正负评级和正面评级之间相同和不同的方面对于评级数的影响。

May, 2017

通过用户评分倾向性的分类，探究其对个性化推荐系统的影响以及预测准确性，结论表明不同倾向性的用户其行为模式不同，需要进行分组以提高推荐效果。

Jun, 2023

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020