通过引入创新的中介机构（BHEISR）在个性化推荐系统中，以减轻筛选气泡效应带来的负面影响，同时在用户间取得信仰平衡的目标下，该模型利用用户特定类别信息激发好奇心，鼓励用户拓宽观点，并验证了其对筛选气泡的缓解和平衡用户视角方面的卓越性能。

Jul, 2023

本文旨在研究推荐系统中的过滤气泡现象，通过对过滤气泡的原因、潜在解决方案的探讨和一个整合工具的提出，论述了这一问题的存在及其解决途径，并提出了缓解过滤气泡对推荐系统的影响的机制和方案。

Jul, 2023

本文研究合作过滤算法中的公平性问题，特别是流行度偏见对推荐结果的影响，并利用外部来源的作者信息富化图书评分数据集。结果表明，热门的合作过滤算法存在天空偏见，推荐结果偏向于美国籍作者编写的流行书籍。本研究认为应该进一步研究流行度偏见的社会影响。

Sep, 2022

我们提出了一种基于内容的机制，利用贝叶斯惊喜度量消费者收看并给出评分后物品的惊喜性，并结合协同过滤组件来推荐具有高惊喜潜力的物品，从而避免推荐系统中的筛泡现象。通过实验证明，使用贝叶斯惊喜能够更好地与主题级惊喜手动注释的相关性，并获得更好的推荐性能。

Aug, 2023

该研究提出了一种可避免过滤气泡的内容筛选和个性化模型，该模型采用多臂赌博机策略，并提供了算法保证和匹配下限。为了避免过滤气泡，该作者集中在由 $i$ 用户在 $T$ 时间步内与平台互动选择来自 $k$ 个类别的内容，同时该平台根据多臂赌博机的概率同时展示少量的不同内容。最后我们提出了一个新型模型，该模型更公平地分配了举例分散的负担，可对推荐进行优化。

May, 2023

通过公开的书籍评分数据，我们研究协同过滤推荐算法对于内容创作者性别分布的响应，发现常见的协同过滤算法在推荐书单的性别分配方面存在差异，并且与用户档案分布的关系也存在差异。

Aug, 2018

我们提出了一项以任务为导向的知识检索研究议程，利用计算模型和人工智能技术，摄取科学知识的典籍，检索灵感、解释、解决方案和证据，直接增强人类在科学领域突出任务上的表现，进而革命性地推动科学进程。

May, 2022

本文研究学术推荐系统中存在的偏见问题，对这些偏见进行分析并提出了缓解偏见及公正评估的方法和框架。同时，讨论相关研究的挑战和方向。

Jan, 2023

在这项研究中，我们通过在中国一家顶级短视频平台的一年交互数据，对 “深度” 筛选气泡进行了调查，该平台包括每个视频的三级类别的层次数据，我们对这种情况下的 “深度” 筛选气泡进行了形式化定义，然后在数据中探索了各种相关性，首先了解了深度筛选气泡随时间的演变，然后揭示了导致该现象的一些因素，如特定类别、用户人口统计数据和反馈类型。我们观察到，尽管筛选气泡中用户的整体比例随时间基本保持不变，但其筛选气泡的深度构成会发生变化。此外，我们发现一些具有更大可能性看到较狭窄内容和隐性反馈信号的人口群体会导致较少的筛选气泡形成。最后，我们提出了一些减少用户陷入气泡风险的推荐系统设计方法。

Mar, 2024

提出一种新颖的解决方案来解决长期存在的个人信用分配问题，通过利用大型语言模型来实现 pip-to-the-post 算法，在不引起高风险的情况下获得令人瞩目的突破性发现，推动着人工智能驱动下的科学探索进入金色时代。

Apr, 2023