面向阿里巴巴电商推荐的十亿级商品嵌入
该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。
May, 2019
本文研究基于嵌入的推荐系统应用于大规模的招聘场景，提出融合不同级别的文本、语义实体和位置信息的嵌入式聚类方法构建 Faiss 索引来支持候选人检索，最终运用二阶段模型完成了在线招聘匹配系统，并取得了显著的成功。
Jul, 2021
本文介绍了一种行业广告推荐系统，重点关注学习合适表示的挑战和实践。我们展示了保留先验信息的方法，将各种类型的特征编码为嵌入表示。此外，我们探讨了特征表示中的两个关键挑战：嵌入维度崩塌和各种任务或场景的兴趣交织。随后，我们提出了几种实用的方法来有效应对这两个挑战。我们还探索了几种训练技术，以促进模型优化、减少偏差和增强探索。此外，我们介绍了三种分析工具，可以全面研究特征相关性、维度崩塌和兴趣交织。本研究建立在腾讯广告推荐团队过去十年的持续努力基础上，不仅总结了一般的设计原则，还提供了一系列现成的解决方案和分析工具。所报告的性能基于我们的在线广告平台，每天处理数千亿个请求，为数十亿用户提供数百万个广告。
Feb, 2024
提出一种基于边缘计算的推荐系统 (EdgeRec)，通过异构用户行为序列建模和行为注意力网络对推荐结果进行上下文感知的调整，实现实时用户感知和系统反馈，并通过淘宝主页数据的离线评估和在线性能测试证明了其有效性。
May, 2020
本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE，该方法能够针对亿级场景进行个性化和多样化推荐，同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量，而且还能够在分布式方式下实现，显著优化可扩展性。实验证实，在淘宝亿级规模的推荐场景下，RNE 与基于 CF 的方法相比，能够同时实现高质量和多样化结果，在 Pinterest 数据集上也展现出了显著优越性能。
Mar, 2020
通过使用词袋和基于神经网络的文档组合方法（Doc2Vec），本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统，通过使用这两种文档表示方法，在产品特性（成分、包装、营养表，过敏原等）等方面提供最佳的推荐，调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。
Dec, 2023
推荐系统中的嵌入技术是关键，它将高维离散特征转化为低维连续向量以提升推荐性能，并涵盖协同过滤、自监督学习和基于图的技术，同时介绍了自动机器学习、哈希技术和量化技术，旨在改善推荐系统的性能和降低计算复杂性。
Oct, 2023
本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。
Jan, 2024
这项研究通过全面的基准测试过程，对轻量级嵌入式推荐系统（LERSs）的性能、效率和跨任务可转移性进行了调查，并提出了一种高效的嵌入式压缩方法，采用幅度剪枝，克服了现有复杂 LERSs 方法的竞争力，并揭示了 LERSs 在协同过滤和基于内容的推荐两个任务中的独特性能以及其有效性和普适性的启示。
Jun, 2024