本文介绍了一种基于深度递归神经网络的内容推荐方法，通过将文本序列映射至潜在向量实现推荐，在科学论文推荐任务中，该方法精度显著优于传统基于主题模型或词向量平均值的推荐方法。此外，使用多任务学习进一步提高了推荐精度。

Sep, 2016

本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

Nov, 2020

本文提出一种基于深度学习的模型和完整组织的数据集，用于文章引用建议的上下文感知。该模型具有文档编码器和上下文编码器，并使用图卷积网络层和来自转换器的双向编码器表示 (BERT)。修改了 PeerRead 数据集之后，提出新的数据集全文 PeerRead，其中包含指向引用和文章元数据的上下文句子取样。本文中所述的方法能够获得最新的预测结果，提高了 28% 以上的平均准确率 (MAP) 和 recall@k。

Mar, 2019

提出了一种基于上下文、深度学习的会话式新闻推荐方法，通过考虑文章流行度和新颖性等多种信息类型，显著提高了推荐准确性和目录覆盖率，并且能够在准确性和新颖性之间进行平衡。

Apr, 2019

本文提出了基于多任务学习框架的神经网络方法，采用循环神经网络来建模具有特定任务和共享层的文本，并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。

May, 2016

本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

Dec, 2019

通过把一个字符级 RNN 语言模型的输出层划分成几个独立的预测子模型，每个子模型代表一个作者，而循环层被所有子模型共享，本文提出了一种新的方法，该方法允许循环层模拟整个语言而不会产生过拟合，同时输出选择反映其作者风格的潜在模型方面，该方法在四种语言中两次排名第一，证明了它的有效性。

Jun, 2015

本文提出了一种上下文感知的神经排序模型，通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习，并结合文档排序和查询建议两个伴随的检索任务来提高检索性能，并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析，证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。

Jun, 2019

该论文描述了一种新型的神经检索模型 ——MP-HCNN，它是专门设计用于排名社交媒体短文本且具备区别于传统网页和新闻文档的特征，使用分层卷积层来学习语义匹配，混合了多种类型的匹配证据来衡量相似度，并且实验证明这种模型在 TREC 微博轨迹 2011-2014 数据集上具有比基于特征和现有神经排名模型更好的性能表现。

May, 2018

该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

Sep, 2019