本研究探讨了机器学习在推荐系统中的应用，分析了用户动态和推荐系统行为对 “回声室” 和 “筛选气泡” 现象的影响及其解决方案。该研究有助于理解和解决该领域仍然存在的复杂时间情景及其常见问题。
Feb, 2019
提出了一个去混淆因素的因果协作过滤模型，解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题，且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。
Oct, 2021
通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统，能够以更好的结果在多个数据集上提升用户体验。
Oct, 2019
本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。
Sep, 2014
提出了一种名为 SLFR 的新框架，通过解开用户偏好和未测量混淆因素的联系，识别反事实反馈，以捕捉用户的真实偏好，并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。
Nov, 2023
使用神经模型通过条件扩散框架来恢复掩盖的反馈，在隐式反馈数据上实现了前向扩散，利用图傅里叶变换在图谱域中等效地表征模型，并在一个数据集上大幅超越最先进的方法，并在其他数据集上获得有竞争力的结果。
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
本文提出了一种具有循环过程的因果图并使用马尔可夫过程分析了回音室等数学特性，设计了一种动态因果协作过滤模型来减轻回音室现象并通过多次实验证明其优越性。
Aug, 2022
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
推荐系统通过因果分析的方法解决了推荐过程中潜在变量的干扰，引入去混淆因素的推荐模型成功地提高了推荐准确性。
Aug, 2018