为解决推荐系统中的分页机制问题，研究者提出了一种名为 Mobile Supply 的新模块，将推荐系统的流程扩展为 “retrival->pre-ranking->ranking->re-ranking->Mobile Supply->mobile ranking”。该模块通过引入列表值概念和采用点对点方法来近似评估列表排序方式，并设计了一种新的移动排序算法，考虑了移动设备之间的差异。大量的离线和在线实验显示了该方法的优越性，并证明了 Mobile Supply 可以进一步提升边缘推荐系统和用户体验的性能。Mobile Supply 已经在一个大规模在线食品平台的主页上部署，并带来了可观的利润。

Aug, 2023

在这篇论文中，作者描述了从关系数据库管理系统（RDBMS）到分布式大数据分析平台的转变，这个平台适用于大规模机器学习和数据挖掘，利用通信服务提供商 (CSPs) 的大规模交易数据资产以及数据分析技术，用于服务个性化、预测建模和产品优化，而这种数据分析技术是实现对数据的利用和挖掘的关键。

Feb, 2015

PicPay 利用 Switching Hybrid Recommender System 进行 A/B 测试来提升推荐策略，结果显示相比默认策略，用户体验有了 3.2% 的提升。

Oct, 2023

提出了一个新的置换相关的推荐系统架构 PRF，并且通过在淘宝应用程序的实际应用中取得 11.0％的 PV 平均值和 8.7％的 IPV 平均值，性能超过当前最先进的方法。

Feb, 2021

该研究描述了一个名为 Frappe 的上下文感知移动应用推荐系统的实际部署，并结合了 1000 名安卓用户和 33 名本地用户进行了大规模应用市场部署与小规模本地用户研究。研究结果发现了上下文相关的应用使用和终端用户与上下文感知移动应用推荐互动时的感受与体验，并且从小规模研究中揭示了一些负面的用户体验。结果指出在真实用户中设计、部署和评估移动上下文感知推荐系统的一些创新性教训。

May, 2015

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

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

华为的愿景与使命是构建一个完全互联的智能世界。自 2013 年以来，华为诺亚方舟实验室帮助了许多产品构建推荐系统和搜索引擎，为用户提供合适的信息。在这篇研究论文中，我们将分享十个重要且有趣的挑战，希望能够激发 RecSys 社区，并创造更好的推荐系统。

Oct, 2023

本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

Feb, 2020

本文提出了一种灵活且统一的文本到文本范式（P5），将各种推荐任务统一到一个共享框架中，使用自然语言序列捕捉深层次的语义，通过自适应的个性化提示进行预测，并在多个推荐基准上证明了其有效性。

Mar, 2022