该论文提出了一种新方法，通过梯度聚合技术，学习所有用户的共同知识并在此基础上，为头部用户和尾部用户分别提供定制化的预测，从而显著提高了尾部用户的推荐效果。

Aug, 2022

论文提出了一套基于图的算法集合，可以帮助解决商品推荐系统中 “长尾” 商品推荐困难的问题，并通过实验证明其有效性及优于现有技术。

May, 2012

本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

Feb, 2023

提出了一种基于双重转移学习框架的推荐系统，其中模型参数和项目特征从头部项目中转移，以改善在长尾分布情况下的尾部项目推荐性能。

Oct, 2020

LOT-CRS 是一个创新的框架，通过使用均衡的 CRS 数据集来改进长尾推荐性能，采用两种预训练任务以增强对长尾项目的理解，并采用检索增强的微调和标签平滑策略进一步改进长尾项目的推荐。实验证明了该方法的有效性和可扩展性，特别是在长尾推荐方面。

Jul, 2023

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

本文提出了简单而有效的线性模型，以考虑会话中前一项序列，以提高会话推荐的质量，并为反映不同角度的会话数据提供了一个广义框架。此外，由于我们的模型可以通过封闭形式的解决方案来解决，因此它们具有可扩展性， 实验结果表明，提出的线性模型在几个真实数据集上展示了具有竞争力或领先水平的性能。

Mar, 2021

本文提出了基于互补学习和课程学习的新框架 Mutual Enhancement of Long-Tailed user and item (MELT)，它是序列推荐系统中第一篇同时解决长尾用户和物品的问题，同时也是模型无关的。实验结果表明，该方法可以有效地缓解长尾问题，并且不会牺牲头部用户和物品的性能。

Apr, 2023

本文提出了一种新的基于会话图的推荐模型，该模型通过构建会话图，并协同考虑序列顺序和会话图的潜在顺序，将下一个项目推荐问题建立为图分类问题，并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集，Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。

Nov, 2019

本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

Dec, 2021