本研究采用对比学习 (contrastive learning) 模型并结合三种不同的训练策略来分析用户对负向偏好在音乐口味中的作用，证实了将负向偏好纳入音乐推荐系统的可行性，并且实验证明了负向偏好训练策略对于提高音乐推荐准确度和减少误报率的有效性。

Jul, 2022

我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

Aug, 2023

提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

Jul, 2016

为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。

Mar, 2024

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

使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

Jun, 2024

本研究提出了一个推荐机制，研究了不同算法对用户福利的影响，发现流行度偏见、项目质量和位置偏见可以影响用户选择，通过模拟研究，证明了该算法在可变环境下的有效性及其能够保证高效的后悔性保证。

May, 2023

我们提出了一种针对推荐系统的新的轻量级有符号图卷积网络（LSGRec），它采用了统一建模方法，在有符号用户 - 物品交互图上同时建模高阶用户的正负偏好，并通过负偏好进行优化，展示了在性能和计算效率方面比现有基线方法更好的结果。

Mar, 2024

针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。

Sep, 2019

本论文提出了一种新的度量方法以及一种后征的算法来缓解推荐系统中热门偏执的问题，该方法在不同用户的角度下提供了更准确的度量，实验结果表明现有的解决方案还不能很好地处理用户对热门推荐物品的容忍度。

Mar, 2021