基于嵌入式推荐系统的大规模工作与候选人匹配
本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。
Jan, 2024
本文提出了一种基于图嵌入框架的技术解决方案来应对淘宝推荐系统面临的规模，稀疏以及冷启动三大挑战，并通过离线实验和线上 A/B 测试表明，这种方法在淘宝的生产环境中是有效的和可行的。
Mar, 2018
推荐系统中的嵌入技术是关键，它将高维离散特征转化为低维连续向量以提升推荐性能，并涵盖协同过滤、自监督学习和基于图的技术，同时介绍了自动机器学习、哈希技术和量化技术，旨在改善推荐系统的性能和降低计算复杂性。
Oct, 2023
本文提出了一种组合了 TF-IDF 和 KGE 的加权内容推荐系统，用于嵌入文本数据和命名实体。通过复合方法，还使用从电影相关网站爬取的数据集和 FarsBase KG 的结构来构建 MovieFarsBase KG，该方法明显优于传统的 TF-IDF 方法。
Oct, 2022
我们提出了一种新颖的基于设计的语义增强转换器的技能感知推荐模型，用于解析职位描述并完成个性化的工作推荐。我们采用两阶段学习策略进行技能感知推荐，在召回阶段利用技能分布指导 JD 表示学习，然后在排序阶段结合用户个人资料进行最终预测，为学习 JD 提供上下文语义表示，并为点击率（CTR）预测提供有效的 JD - 用户联合表示。通过对大规模真实世界和公共数据集的彻底实证分析，验证了我们方法在职位推荐方面的卓越性能和可解释性。
Apr, 2024
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
研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。
Jun, 2021