本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024

提出了一种 Actor-Critic 强化学习框架下的组合推荐算法 JDRec，将推荐系统建模为一个组合优化问题，并通过优化列表生成和列表评估两个子问题来实现建模。通过在线和离线实验，验证其在用户交互下的有效性和实用性，在京东的推荐系统中应用，提高了点击率和综合价值。

Jul, 2022

本研究旨在通过对流行评估过程的敌对攻击来表征顺序数据对案例的重要性，提供一种序列感知提升攻击方法，以及在观察数据顺序的基础上仅利用机密测试集的额外信息的下限，从而证明评估处理对 MovieLense-100k 数据集的影响可达约 1％。

May, 2022

本文提出了基于顺序的用户 - 项目交互日志信息来作出推荐的顺序感知推荐系统，并且探讨了现有的算法解决方案、方法论和该领域内的开放挑战。

Feb, 2018

在多阶段推荐系统中，重新排名通过建模项之间的内部列表相关性发挥着关键作用。在重新排名中的关键挑战在于在排列组合空间中探索最优序列。最近的研究提出了一个生成器 - 评估器学习范式，其中生成器生成多个可行序列，评估器基于估计的列表得分选择出最佳序列。生成器是至关重要的，而生成模型非常适合生成器函数。然而，在实时工业系统中部署自回归模型是具有挑战性的。因此，我们提出了一种用于重新排名推荐的非自回归生成模型 (NAR4Rec)，旨在提高效率和效果。为了解决与稀疏训练样本和动态候选项对模型收敛的影响相关的挑战，我们引入了匹配模型。考虑到用户反馈的多样性，我们提出了一种序列级别的非可能性训练目标，以区分可行序列和不可行序列。此外，为了克服非自回归模型中关于目标项的依赖建模不足的问题，我们引入了对比解码来捕捉这些项之间的相关性。对公开可用数据集进行的大量离线实验验证了我们所提出方法与现有最先进的重新排名方法相比的卓越性能。此外，我们的方法已在拥有超过 3 亿日活跃用户的热门视频应用快手上完全部署，显著提高了在线推荐的质量，展示了我们方法的有效性和效率。

Feb, 2024

通过采用基于进化算法的贝叶斯优化方法，提出了一种组合 3D 形状生成框架。该框架可以通过将体形学高斯过程与全局结构导向评估函数相结合来利用并探索当前基元状态下受约束的可行域。实验结果表明，我们的方法可以生成有效的组合 3D 形状。

Apr, 2020

通过将用户的行为建模为个性化的马尔可夫决策过程 (MDP)、并将稳定的用户视为吸收状态，本文提出了一个灵活、实用的框架，在业务优化的角度，权衡用户浏览时间及用户的即时点击量，有效提高了用户的累积点击量。

Jun, 2020

在现代推荐系统中，为了最大化系统对参与者的价值并提高整体生态系统的 “健康度”，必须明确地对系统中的所有参与者的激励和行为进行建模，并考虑推荐者策略引起的相互作用。这需要使用强化学习等技术进行长期优化，使用社会选择方法对不同参与者的效用进行权衡，利用机制设计的工具来减少信息不对称并考虑激励和战略行为，通过整合行为经济学和心理学的概念来更好地对用户和项目提供者的行为进行建模，以及利用生成模型和基础模型的最新进展来使这些机制可解释和可操作。基于这些不同学科的交叉点，我们提出了一个概念框架，并阐明了几个研究挑战。

Sep, 2023

提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。

Nov, 2019