JODIE 是一种耦合的递归模型，用于共同学习用户和物品的动态嵌入以预测未来互动。在四个真实世界数据集上的六个实验中，JODIE 在未来交互预测和状态变化预测任务中优于六个最先进算法，且高度可扩展，比可比模型快 9.2 倍。

Dec, 2018

该研究提出了一种耦合的循环神经网络模型 JODIE，它可以学习用户和项目的嵌入轨迹，并且在未来预测用户 - 项目的交互和状态变化，实验结果证明该模型在这些任务中优于六个现有算法至少 20％。

Aug, 2019

此研究提出一种基于深度协同演化网络的推荐系统，利用点过程和循环神经网络来学习用户和物品的潜在特征，捕捉它们之间的相互影响和特征随时间的演化变化，经实验证明，该模型较传统方法具有更好的推荐性能。

Sep, 2016

我们提出使用 Recurrent Embedding Dialogue Policy（REDP）和 Neural Turing Machine 技术，对机器人会话管理进行研究。研究结果表明 REDP 能够有效地处理顾客的不良行为，并在 bAbI 对话任务中实现了 100％的测试准确率。

Nov, 2018

该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

Apr, 2019

在个性化推荐系统中，使用嵌入来编码客户行为和物品，并通过近似最近邻搜索在嵌入空间中执行检索。然而，这种方法可能会面临两个挑战：用户嵌入可能限制了所捕捉的兴趣的多样性，而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中，我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件，并每两分钟组合一个推荐列表，使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验，导致转化率显著提高了 4.9%。

Feb, 2024

本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

Feb, 2022

本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

基于深度学习的推荐系统中，流媒体推荐系统的兴起带来了动态嵌入尺寸搜索的问题，为解决这一问题，本文提出了动态嵌入尺寸搜索（DESS）方法，该方法通过在非静态环境中减小嵌入尺寸选择的后悔度来实现更好的推荐性能。

Aug, 2023

本文提出了一种基于解释性的检索模型，通过建立动态知识图谱，将 “搜索和购买” 行为建模为用户和产品之间的动态关系，并在潜在空间中基于用户和产品之间的关系进行排名，并通过逻辑推理和实体软匹配在知识图谱中生成解释信息，实验结果表明其优于现有的基线模型，同时能够合理地解释搜索结果。

Sep, 2019