本文提出了一种基于神经网络的方法，使用用户对不同商品的评分来预测用户如何描述该商品，并生成自然语言解释，通过实验验证模型可以生成接近真实用户写的评论。

Jul, 2017

本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

Apr, 2017

本研究提出了一个利用用户评论的神经序列推荐模型，以考虑长期偏好和短期时序，通过使用评论提取方面感知表示来编码每个用户或项目，并在联合级别和个人级别上采用新颖的分层注意力机制来捕捉顺序模式，并在三个真实世界数据集上取得显着的性能改进。

Jul, 2019

该研究使用 Graph Convolutional Network 模型结合文本内容及用户偏好来进行推荐，取得了较好的效果。

May, 2023

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

通过使用个性化的检索系统来增强生成器，构建能够更可靠地生成存在检索关系、多样化且被人工评估认为更信息丰富的解释的模型。

Sep, 2022

通过使用递归神经网络模型，本文提供了一种生成个性化产品评论、分类和情感识别的方法。

Nov, 2015

论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

Jul, 2018

通过历史数据中的 `persona' 信息，提出了一个基于对抗自编码器的框架，用于将信息可视化为潜在变量，并开发了一个新的记忆储存方案，用于存储用户和项目的相关信息，然后使用递归神经网络生成出反映个性化评价的广告语。

Mar, 2019

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018