本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

Jul, 2021

研究论文提出了一种新的监督个性化排序（SPR）损失函数，改进了常用的点级和对级损失函数的问题，通过利用先前的知识信息，构造 <用户、相似用户、正面项目、负面项目> 四元组，大大加快了收敛速度，提高了推荐性能。

Jul, 2022

本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。

Dec, 2022

本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。

May, 2012

通过因果推断的方法，该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路，并采用多任务学习和反事实推断来实现此方案，有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。

Oct, 2020

本研究探讨了在选择偏差存在的情况下从明确评分反馈进行离线推荐学习的方法，在推荐偏差的解决方案中，逆偏重评分（IPS）估计是一个当前很有前途的解决方案，但基于倾向性的现有方法的性能会受到倾向性估计偏差的显着影响。因此，我们提出了一种新的算法，该算法通过对抗学习来最小化理论上的偏差，以达到在实际情况中优于一系列现有方法的效果。

Oct, 2019

研究了点击偏见与信任偏见的存在，提出了一种基于仿射修正的估算器，该估算器是目前唯一被证明能够去除二者影响的，并利用半合成实验证明在消除这些偏见的情况下，CLTR 可以更接近最佳排名系统。

Aug, 2020

提出了一种名为 Adversarial Personalized Ranking（APR）的新的推荐模型优化框架，成功地通过对用户和物品的嵌入向量进行对抗训练，提高了模型的稳健性和泛化性能。在三个真实数据集上的实验证明，与 Bayesian Personalized Ranking（BPR）方法相比，该方法可以实现 11.2% 的相对改进，并在项目推荐方面实现了最新的性能，可用于实际推荐系统中。

Aug, 2018

本文通过对比学习的视角对推荐任务中的推荐损失进行了系统的研究，引入并研究了去偏 InfoNCE 和互信息神经估计（MINE）这两种损失函数，并通过下界分析将它们与 BPR 损失进行了关联和区分。此外，提出了去偏点对损失（适用于均方误差和余弦对比损失），并在理论上证明了 iALS 和 EASE 这两种最流行的线性模型本质上是去偏的。实证实验结果验证了去偏损失和新引入的互信息损失的有效性超过了现有的（有偏的）损失函数。

Dec, 2023

本文针对两边市场中用户间的偏见相互作用问题，提出了一个定制的无偏学习排序方法，证明了该方法满足真实排名度量的无偏性，并通过实验证明了该方法在处理稀有物品时优于基线方法。

Jul, 2023