本文中介绍了 Deep Retrieval (DR) 算法，通过学习可检索结构来获取最优推荐结果，其编码所有候选项入离散潜在空间，接着使用当前模型下的光束搜索来检索前置候选项，以实现重新排名。实验证明，使用 DR 算法，在两个公共数据集上能够实现近乎于暴力基线的准确性，并且在实时生产推荐系统上，高度优化的 DR 算法显著优于 ANN 基准线。DR 是非 ANN 的推荐算法在工业推荐系统规模的首批成功部署之一。

Jul, 2020

本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 DRR 方法确实优于现有的竞争对手。

Oct, 2018

本文提出了 Wide & Deep learning 方法，通过联合训练宽线性模型和深度神经网络，结合了特征交互的记忆性和泛化性，用于推荐系统并在 Google Play 商店进行了实验验证，结果表明该方法显著提高了移动应用获取量。

Jun, 2016

本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

Sep, 2019

该论文提供了一个使用 PyTorch 和 Caffe2 框架实现的深度学习推荐模型，该模型使用模型并行处理嵌入层以缓解内存限制，并利用数据并行扩展计算。与现有模型相比，该模型在 Big Basin AI 平台上的表现得到了完善的特性和良好的性能，并可作为未来算法实验和系统设计的基准。

May, 2019

本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

Jan, 2018

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

Jan, 2021

提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。

Jun, 2019

本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

Feb, 2022