本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

Jun, 2023

本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

Apr, 2023

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

提出了一种用于顺序推荐的对比学习多任务模型 CL4SRec，在传统的下一个项目预测任务的基础上，从原始用户行为序列中提取更有意义的用户模式，并进一步有效地编码用户表示，通过构建自我监督信号和数据增强等手段，来解决数据稀疏性和参数优化问题，并在四个公共数据集上实现了业界领先的性能。

Oct, 2020

本文提出了一种叫做 “长短时对比学习（LSTCL）” 的学习程序，可以让视频变压器模型在预测来自更长的时间范围内捕获的时序上下文的同时，学习一个有效的剪辑级表示，并在多项视频基准测试上取得了有竞争力的表现，成为有监督基于图像的预训练的有力替代方案。

Jun, 2021

提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架，使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号，并应用对比学习损失来提高特征表示学习。实验证明，该框架可以有效应用于现有 CTR 预测模型中并显著提高性能。

Nov, 2021

介绍 Intent Contrastive Learning（ICL）的方法，该方法是一个通用的学习范式，将潜在的用户意图变量纳入 SR 模型，通过自监督学习（SSL）来优化模型并改善模型的鲁棒性。在四个真实数据集上的实验表明，该学习范式的性能超越了传统方法，同时提高了模型的稳健性。

Feb, 2022

本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

Aug, 2022

通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019

我们提出了一种名为 “Trinity” 的新型和统一的框架，在检索阶段解决了兴趣遗忘问题和改进了多兴趣建模任务。在 Douyin 的推荐系统中部署后，显著改善了用户体验和留存，我们相信这种实际经验可以推广到其他场景。

Feb, 2024