我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

Jun, 2017

本文提出了一种基于分层上下文注意力的 GRU 网络，用于应对循环神经网络中序列的单调时间依赖案例中用户短期兴趣方面的问题，实验表明该网络在两个真实数据集上表现出强大的个性化推荐能力和显著提高。

Nov, 2017

本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

Aug, 2018

本文介绍了一种更加强大的机制，使用上下文向量控制循环层权重矩阵的低秩变换来调整循环神经网络，实验证明，允许更多模型参数进行调整对于若干种上下文类型有益于复杂度和分类。

Oct, 2017

本文介绍了一种上下文集成循环神经网络 (Context Integrated RNN， CiRNN) 模型，用于处理含有传感器数据和上下文信息的数据，在引擎健康预测领域的实验中表现出比现有模型 39% 和 87% 的示范性改进，特别是在使用非对称分数函数作为测量指标时。

Jan, 2023

该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

Jan, 2020

本文提出了一种基于深度神经网络的协同式时序推荐网络（CSRNs）框架，将利用用户最近的浏览历史来预测未来事项的 RNN 序列推荐方法与 UserCF 的关键想法相结合，考虑到新闻阅读中的社会影响，通过建立用户之间的定向共读网络来捕捉细粒度的主题特定的相似性，并利用邻居模型来选择新闻文章并进行个性化推荐，实验表明，该模型明显优于现有的最先进方法。

Apr, 2020

本文研究了利用连续的语义表征通过递归神经网络生成特定情境下的自然语言的方法，提出了两种新方法，其中包含了注意力机制以解决因长序列引起的长程依赖问题，并在用户评论数据上进行了实验，展示了该方法生成的虚假评论非常自然，并且大部分能够躲过现有的虚假评论检测算法。

Nov, 2016

提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

Apr, 2019

我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法，考虑到实际问题和数据缺乏的情况，并引入了一些修改，如排序损失函数。实验结果表明，与广泛使用的方法相比，我们的方法在两个数据集上都有明显的改进。

Nov, 2015