研究推荐系统中个性化排序算法的设计，近年来基于深度学习（神经网络）技术的方法在文献中占主导地位。本研究通过重新实验验证最近基于协作过滤的神经网络推荐方法的结果，发现其中 11 种方法在概念上简单的最近邻启发式方法表现更好，计算复杂的神经网络方法并没有明显的优势。同时，发现当今研究实践中存在普遍问题，可能导致该领域的停滞。

Nov, 2019

通过对 13 种流行的推荐模型进行大规模实验，首次提出了一组评估策略来比较神经模型和传统模型在推荐系统的表现，发现在不同方面神经模型都不一定优于传统模型，并且在子群体方面表现更优。

May, 2023

本文通过比较十二种算法，探讨了基于会话的推荐领域的最新进展和神经网络方法的现状，发现在大多数情况下，基于最近邻算法的简单启发式方法更优，而且经过用户研究表明这些推荐方法得到了用户的认可。

Oct, 2019

本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

Jul, 2017

在会话推荐设置中，基于图神经网络（GNN）的方法在集成不同类型项目的信息方面表现出色，然而，模型评估和研究方法仍存在问题，简单模型在平均倒数排名和点击率方面优于最近的 GNN 模型，指出会话推荐领域仍有改进空间。

Dec, 2023

该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

Sep, 2019

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

该研究论文主要讨论了信息检索中的排名模型如何应用传统启发式方法、概率方法和现代机器学习技术等技术构建，并重点介绍了基于浅层或深层神经网络的神经排名模型，分析了其基本原理和学习策略，并通过基准测试比较了这些模型，最后探讨了当前文献中存在的问题以及未来的发展方向。

Mar, 2019

对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

Mar, 2018

本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

May, 2022