本文提出了一种基于注意力机制的基于方面的推荐模型来提高推荐性能并解决了协同过滤方法中面临的问题，例如用户 - 产品之间的稀疏性和用户兴趣动态变化。

Nov, 2018

本文介绍了一种名为 NMTR 的新型解决方案，其可以从多种类型的用户行为数据中学习推荐系统，并且在真实数据集上的实验表明，它明显优于其他现有的推荐系统，特别适用于缺乏数据交互的稀疏用户。

Sep, 2018

本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

May, 2020

提出一种名为自适应目标 - 行为关联图网络 (ATBRG) 的框架，用于对知识图谱中的用户 - 商品对进行有效的结构关系提取，广泛超越了现有最先进的方法的性能水平，并在淘宝 APP 的一个流行推荐场景中实现了 5.1％的 CTR 指标性能提升。

May, 2020

在推荐系统的背景下，处理多行为用户交互对于理解不断演变的用户行为变得至关重要。最近的模型利用图神经网络和注意机制等技术来建模多样的行为，但是捕捉历史交互中的顺序模式仍然具有挑战性。为了解决这个问题，我们引入了基于层次掩码注意力的多行为推荐模型 (HMAR)。具体而言，我们的方法对相同行为的项目应用掩码自注意力，然后在所有行为之间进行自注意力。另外，我们还提出了历史行为指标来编码输入序列中每个项目行为的历史频率。此外，HMAR 模型在多任务设置中运作，可以同时学习项目行为及其相关的排序分数。在四个真实世界数据集上进行广泛的实验结果表明，我们提出的模型优于最先进的方法。我们的代码和数据集可在此处获得 (this https URL)。

Apr, 2024

本论文提出了一种交互式注意力门控循环网络 (IARN)，该方法采用注意力模型来衡量推荐过程中每个时间步的相关性，旨在更好地建模用户和物品的动态变化以及它们对用户 - 物品交互的共同影响，实现了对用户历史记录中不同时间步的有针对性的记忆，得到了比同类方法更好的推荐效果。

Sep, 2017

人类行为建模方面取得的进展涉及对隐含的、早期的感知行为（如注意力）以及明确的、后期的行为（如主观评分 / 喜好）的理解。然而，大部分先前的研究都集中在隔离地建模隐含和明确的人类行为上。我们能否建立一个统一的人类注意力和偏好行为模型，可在各种类型的视觉内容中可靠地工作？这样的模型将能够预测主观反馈，如整体满意度或审美质量评级，以及潜在的人类注意力或互动热图和浏览顺序，从而使设计师和内容创作模型能够优化其创作以实现以人为中心的改进。在本文中，我们提出了 UniAR - 一个统一的模型，可以在不同类型的视觉内容上预测隐含和明确的人类行为。UniAR 利用了一种多模态变换器，具有每个方面的不同预测头，并预测注意力热图、扫描路径或浏览顺序，以及主观评级 / 喜好。我们在涵盖自然图像、网页和图形设计的多样公共数据集上训练 UniAR，并在不同图像领域和各种行为建模任务上取得了领先的性能。潜在应用包括即时提供对界面 / UI 设计 / 图像有效性的反馈，并作为奖励模型进一步优化设计 / 图像创作。

Dec, 2023

该研究旨在解决当前推荐系统仅考虑用户与物品的单一交互类型，无法识别具有复合行为关系的交互信号的问题，通过提出使用记忆 - 增强变压器网络（MATN）的方法实现多重行为关系信息推荐。经过实验证明，该方法在两个基准数据集和真实世界的电子商务用户行为数据方面均取得了显著的改进。

Oct, 2021

本研究提出了一种新型的自调节注意力网络来学习动态用户偏好，并在三个大规模真实数据集上实验表明，该模型可以实现最先进的顺序推荐性能。

Mar, 2022

本研究提出了一种基于注意力机制的模块化神经框架，可应用于计算机视觉领域中的目标跟踪任务，并在三个数据集上进行了实验验证，在挑战性的跟踪数据集上表现优异。

Oct, 2015