本研究提出了一个利用用户评论的神经序列推荐模型，以考虑长期偏好和短期时序，通过使用评论提取方面感知表示来编码每个用户或项目，并在联合级别和个人级别上采用新颖的分层注意力机制来捕捉顺序模式，并在三个真实世界数据集上取得显着的性能改进。

Jul, 2019

我们提出了一种新的上下文递归神经网络，可以在输入和输出层中考虑相关信息，将上下文嵌入与项目嵌入相结合，并在模型动态性中将隐藏单元转换参数化为上下文信息的函数，从而在下一事件预测任务上显示出良好的提高效果。

Jun, 2017

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

提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

Apr, 2019

本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现，发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳，能够准确预测用户的短期和长期交互。

Jul, 2018

该研究提出了一种名为 CA-RNN 的上下文感知循环神经网络模型，用于建模用户的行为模式，其采用自适应的上下文特定输入矩阵和上下文特定转移矩阵来捕捉事件发生时的外部环境和历史时序之间的转换，实验证明该模型在 Taobao 数据集和 Movielens-1M 数据集上比现有的序列推荐和上下文感知推荐方法都有明显改进。

Sep, 2016

本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

Aug, 2016

本论文提出了一种基于深度学习的多任务推荐系统，用于从科学论文中提取关键信息，包括关键字、作者以及推荐评分等。系统采用 RNN、Highway 和 CNN 等多种深度学习技术，以端到端的方式学习上下文语义，解决冷启动等问题。

Apr, 2022

本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

Aug, 2018

本研究探讨使用循环神经网络 (RNNs) 进行基于会话的推荐任务，并提出了数据增强和考虑输入数据分布变化的方法，同时通过实验证明使用通用蒸馏和直接预测项目嵌入的新模型相对于传统模型在 RecSys Challenge 2015 数据集上分别在 Recall@20 和 Mean Reciprocal Rank@20 指标上改进了 12.8% 和 14.8%。

Jun, 2016