本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。
Oct, 2014
该研究提出一种名为“关系型协同过滤”的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality等)并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关系结构，该模型表现出了强大的性能表现。
Apr, 2019
该研究提出了一种数据驱动的正则化策略，并设计了一个推荐框架 GroupIM，能够在没有历史交互的临时群组中进行推荐，实验结果表明相对于其他技术，该方法在性能上有显著提高。
Jun, 2020
利用 Multi-Granularity Attention Model (MGAM) 提出了一种新的方法，通过多个粒度（子集、群组和超集）揭示群组成员的潜在偏好并减轻推荐噪音，有效地降低群组推荐中的噪音，全面学习个人兴趣。
Aug, 2023
通过利用用户-物品交互矩阵的统计特性，我们学习了用于支持无需用户或物品辅助信息的零-shot自适应（zero-shot recommendation）的通用表示，从而探索了预训练推荐模型在新领域构建推荐系统的可能性。
Sep, 2023
个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。
Nov, 2023
通过利用自我监督的推荐算法，本文提出了一种名为RecDCL的方法，它采用对比学习，解决了数据稀疏性和特征维度的问题，并在推荐任务中取得了优于现有模型的效果。
Jan, 2024
MerRec是第一个针对C2C推荐的大规模数据集，包含用户、产品和时间戳等标准特征，以及商品分类和文本属性等独特元素，通过六个推荐任务的广泛评估，为研究C2C推荐算法在实际场景中的发展建立了一个新的基准，弥合了学术界和工业界之间的差距。
Feb, 2024
这项研究介绍了一种名为XRec的模型无关框架，利用大型语言模型（LLMs）的语言能力推动可解释的推荐系统的发展，该框架通过集成协作信号和设计轻量级的协作适配器使LLMs能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好，全面且有意义的解释能力优于其他基准方法。
Jun, 2024
本研究解决了现有推荐系统在零样本学习场景中表现不佳的问题，提出了EasyRec，一种将文本语义理解与协同信号无缝集成的有效方法。通过对比学习和协同语言模型调优的文本-行为对齐框架，EasyRec在多种真实数据集上表现优越，展示了其在动态环境中提升推荐性能的潜力。
Aug, 2024