本研究提出了一种基于互动学习的文本摘要框架 APRIL，通过主动学习、偏好学习和神经强化学习，有效减少了与用户的交互次数，提高了系统的摘要效果。

Jun, 2019

该研究论文提出了一种基于使用情况的隐式问题提取方法，利用大型评论语料库中的句子和神经文本转换模型生成问题，以更有效地收集用户偏好，通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据，并进行了模型性能分析。

Nov, 2021

通过在线学习算法，我们提出了一种自动优化的方法来解决基于偏好的主观评估在众包环境中大规模测试时的配对组合选择和评估数量的分配问题。实验结果表明，我们的方法成功地通过减少配对组合数量并为每个配对分配最佳的评估数量来优化测试，同时不损害评估准确性和预算分配的浪费。

Mar, 2024

我们提出了一种名为 Preference Score（PS）的新型基于学习的评估指标，用于对人类偏好进行定量评估，验证其在与人类感知的一致性、对未见数据的鲁棒性和泛化能力方面的优越性，对推进对话头生成具有重要价值。

Jul, 2023

PRIIME 是一个交互式模式发现框架，它支持发现有趣的集合、序列和图类型的个性化模式，使用 softmax 分类算法进行学习，并采用基于神经网络的无监督特征构建方法处理序列和图类型的模式。在多个现实数据集上的实验结果表明 PRIIME 相对于现有的交互式模式发现方法表现更好。

Jul, 2016

本研究提出了一个新的交互式框架，可通过优化离线数据和一种新型奖励模型，以少量交互式反馈的方式训练摘要模型，提高 ROUGE 得分和采样效率。这个框架在摘要的活动、少量交互式学习和在线学习的场景下均具有优势。

Apr, 2022

该研究提出了一种适用于大规模推荐系统的探索框架，通过探索用户利益与行为，缓解推荐流程中普遍存在的 “热门内容” 问题，提高探索视频推荐中的优化率。

Apr, 2023

本文探讨了交互式工具＂例子批判＂来帮助用户在大量选项中快速找到最合适的物品，并介绍了通过基于用户当前的喜好模型和潜在的隐藏喜好来计算建议来改善该技术的新技术。用合成和真实用户进行性能评估，结果表明，这些建议对用户非常吸引人，可以刺激他们表达更多的偏好以提高识别出最喜欢的物品的机会，提高了 78%。

Sep, 2011

该研究提出了一种基于用户偏好进行交互式自动摘要的方法，通过利用主动学习、偏好学习和强化学习等技术，提高了方法的样本复杂性，并在模拟和真实用户实验中得到了显著的结果提升。

Aug, 2018

本论文提出了一种名为 Qrec 的基于问题的推荐方法，采用新颖的矩阵分解和二进制搜索策略，使得用户可以通过回答问题寻找物品推荐，实现了主动式交互推荐，比传统方法更有效。

May, 2020