流式推荐系统
本文旨在提出统一框架和问题陈述，以填补序列推荐系统（SRS）和基于 session 的推荐系统（SBRS）的现有不一致性，并提供数据特征，难点，现有方法，实际应用和未来研究方向的全面系统演示，以促进这个领域的进一步研究。
May, 2022
提出了一种针对实时直播推荐系统的数据流设计范式 Sliver，以解决数据标签的及时性和准确性问题，通过减小窗口大小和滑动窗口相应地实现，同时提出了一种时间敏感的重新推荐策略，通过定期请求推荐服务来减少请求和展示之间的延迟，从而提高推荐服务和特征的及时性，实验结果证明 Sliver 在多个典型的多任务推荐模型中在所有指标上均优于两个具有不同窗口大小的固定窗口数据流。在快手直播平台上部署 Sliver 后，在在线 A/B 测试中展现出显著提升的点击率（CTR）和新关注人数（NFN），进一步验证了 Sliver 的有效性。
Feb, 2024
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
本文提出了一种基于强化学习框架的工业级短视频推荐排序系统，通过协作多智能体建模和最大化用户观看时间来解决用户多方面偏好的环境下，推荐会话的马尔可夫决策过程。此外，我们的框架采用基于模型的学习方法来缓解工业推荐系统中关键但难以解决的样本选择偏差问题。大量的离线评估和实时实验验证了我们所提出方法的有效性。我们的方法已成功部署在我们的实际大规模短视频分享平台上，为数亿用户提供服务。
May, 2024
通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。
Mar, 2024