为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

Feb, 2021

本文提出了一种名为 DRPN 的神经网络算法，利用正负隐式反馈来提高推荐性能，并通过降噪模块去除正负隐式反馈中的噪声，实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。

Apr, 2022

提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

Jul, 2016

我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

Aug, 2023

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

使用真实的负反馈作为输入和训练目标，在网络广播的下一首推荐系统中，有助于减少训练时间约 60％，并提高测试准确性约 6％；同时，添加用户跳过作为额外输入还可以显著增加用户覆盖率并略微提高准确性。

Jun, 2024

文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

Feb, 2018

本文探讨了基于内容信息的混合神经新闻推荐系统在个性化推荐中的重要性，并对其中的技术 —— 内容感知技术和内容不可知技术进行了对比和分析。最后通过对两个公开数据集的实验验证了采用混合方法的重要性，同时也证明了内容编码的选择对推荐性能有影响。

Jul, 2019

本文针对新闻推荐系统中由于用户画像稀疏、物品增长迅速、物品价值衰减加速以及用户偏好动态转移等情况所带来的挑战，提出了一种基于深度学习技术的元架构 CHAMELEON，用于新闻推荐系统中基于会话的推荐，并提供了一种基于时间的离线评估方法，实验表明该方法相对于最佳基准方法在评估指标 Hit Rate 和 MRR 上有着显著的提升。

Jul, 2018

本文介绍了一个大型数据集，旨在为预测分析任务提供评估比较的基准数据，并涵盖了新闻内容、社交反馈等信息以及经济、微软、奥巴马和巴勒斯坦等四个主题。

Jan, 2018