基于隐式反馈的物品推荐
本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。
Jul, 2018
在这篇论文中，我们提出了一个多任务框架，考虑到隐式反馈中每个信号的各种偏好强度，要求实体的表示同时满足每个子任务的目标，使其更具鲁棒性和可推广性。此外，我们还结合了注意力图卷积层，以探索用户 - 物品双向图中的高阶关系，并动态捕捉用户对其交互物品的潜在倾向。实验结果表明，我们的方法在三个大规模真实世界基准数据集上比现有最先进方法有显著优势。
Jan, 2024
针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。
Sep, 2019
提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。
Jul, 2016
本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。
May, 2012
使用来自隐式反馈数据的分层项目类别，以实现在线市场中有效的浏览和推荐。通过基于用户的协同消费行为创建类别，可以使用户更容易找到有趣和相关的商品。 HLTA-Forest 是一个用于隐式反馈数据的缩放学习算法，可用于创建基于类别的推荐，并且还可以用于自动创建商品分类骨架。
Jun, 2018