本论文提出了一种基于神经网络的推荐框架，该框架可以包含用户 - 物品交互信息和多种内容信息，提出了三种新的采样策略来改善框架的训练效率和推荐性能，并对计算成本和收敛性进行了理论分析。

Jun, 2017

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

我们提出了一种新颖的随机抽样方法 SCONE，通过基于评分的生成模型生成动态增强视图和多样的困难负样本，以克服数据稀疏性和负采样等图协同过滤模型面临的挑战。在六个基准数据集上的全面评估中，我们的 SCONE 显著提高了推荐准确性和鲁棒性，证明了我们方法在现有 CF 模型上的优越性。此外，我们证明了针对用户稀疏性和物品热门度问题的用户 - 物品特定随机抽样方法的有效性。随机抽样和基于图的协同过滤的整合，在个性化推荐系统中取得了最先进的成果，实现了在信息丰富环境中的重要进展。

May, 2024

通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统，能够以更好的结果在多个数据集上提升用户体验。

Oct, 2019

本研究旨在通过对流行评估过程的敌对攻击来表征顺序数据对案例的重要性，提供一种序列感知提升攻击方法，以及在观察数据顺序的基础上仅利用机密测试集的额外信息的下限，从而证明评估处理对 MovieLense-100k 数据集的影响可达约 1％。

May, 2022

本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

Jul, 2021

本研究针对目前流行的序列推荐模型的负样本采样方法进行重新评估，发现流行的负样本采样方法并不能保证与完整数据集的排名结果一致，建议结合多种评估策略进行排名比较。

Jul, 2021

研究在线用户行为的推荐系统，介绍针对在线正面评级的一类协同过滤算法，分析了用户响应概率、探索用户喜好所需评级数和更新用户偏好所需评级数之间的相关性，探讨正负评级和正面评级之间相同和不同的方面对于评级数的影响。

May, 2017

本研究探讨了建议系统中协同过滤、图卷积网络、物品相似性模型、图采样策略和图分区等方面，并提出了一种使用新的数据增强策略的新型物品相似性模型以提高效率。实验结果表明，该模型在性能上优于现有的 GCN 模型和物品相似性模型。

Jul, 2022

通过研究用户 - 项目图的拓扑结构，利用图电导估计每个用户 - 项目交互的重要性并进行网路传播，避免了模型误设（misspecified）对模型基础数据子采样方法的恶化，该方法在 KuaiRec 和 MIND 数据集上的实验结果证明了其相对于基准方法具有更优的性能。

May, 2023