本文提出一种动态加权图强化学习方法，将 CRS 中的三个决策问题统一到一个策略学习任务中，并针对样本效率问题，提出两种动作选择策略，以解决 CRS 中的可伸缩性和稳定性问题。在两个基准 CRS 数据集和一个实际电子商务应用上的实验结果表明，该方法不仅显著优于现有方法，而且提高了 CRS 的可伸缩性和稳定性。

May, 2021

本文提出了在对话推荐系统中对用户多个兴趣点的建模方法，实验证明此方法可以比基准模型 CR-Walker 推荐更广泛的物品。

Mar, 2023

本文提出了一种名为 CPR 的通用框架，将会话型推荐建模为图上的交互式路径推理问题，通过遵循用户反馈，以明确的方式利用用户首选属性，通过利用图结构，CPR 能够剪枝许多不相关的候选属性，从而更好地命中用户首选属性，实验证明了 CPR 的有效性，特别是我们发现，属性越多，我们的方法取得的优势就越大。

Jul, 2020

本文系统地回顾了当前对话式推荐系统（CRSs）的技术，总结了 CRSs 开发中的 5 个关键方向：基于问题的用户偏好获取、多轮对话推荐策略、对话理解和生成、开发利用折中和探索等方法的算法、以及 CRSs 的评估和用户模拟问题，并根据这些研究方向讨论了一些未来的挑战和机遇。

Jan, 2021

本文提出了一种基于预训练的方法，通过历史交互数据和会话数据整合两种基于项目和属性的偏好序列，使用有效的负样本生成器来提高学习性能，从而改进对话推荐系统 (CRS)。实验结果表明了这种基于预训练方法的有效性。

Aug, 2020

本文提出了一种基于超图模型的历史对话数据建模方法，旨在解决上下文信息匮乏和数据稀缺的问题，该方法基于会话级和实体级语义关系构建超图，并进行多粒度卷积，以提高兴趣感知型对话推荐系统在推荐和对话任务中的效果。

May, 2023

本文通过基于元强化学习的会话推荐系统策略学习，提出了三个协同的组件，包括专注于识别用户偏好的元探索策略、为每个用户调整项目推荐模块以最大化推荐质量、基于 Transformer 的状态编码器，以在会话期间建模正反馈之间的复杂关系，实现对新用户的快速个性化适应，为冷启动挑战提供解决方案。实验结果表明，与一组最先进的 CRS 解决方案相比，我们的解决方案在为新用户提供服务方面具有优势。

May, 2022

通过协同增强的方法，利用交互式用户 - 项目图表和门控技术增进用户和项目的特征表示，在获取商品信息方面有更好的表现。

Dec, 2022

基于长短期反馈架构的对话推荐系统中，通过预测用户偏好和同用户历史记录，推荐对话模型预测下一个话题或属性以验证用户偏好，以实现全面交互的对话及推荐功能。

Oct, 2023

本文提出了一种名为 EAR 的新的 CRS 框架，旨在解决三个基本问题：何时提供推荐、什么问题可以问及什么时候以及如何应对用户的反馈。该框架包括三个阶段：估计、操作、反思。在 Yelp 和 LastFM 数据集上进行的广泛实验表明，该框架显著改进了现有方法与 CRM（32）相比，在推荐准确度上有更高的命中率和更少的对话轮次。

Feb, 2020