利用图神经网络方法和基于 L0 激活正则化的边缘预测技术，自动检测有益于提升推荐准确性的特征交互作用，取得了比现有方法更好的准确性表现。

Aug, 2020

本文探讨如何通过建立高阶社交关系来影响用户选择，提高物品推荐的性能，所提出的 “高阶社交推荐器”(HOSR) 模型通过直接因素化社交关系，将间接影响融入预测模型，通过在社交网络中递归地 “传播” 嵌入，有效地注入了高阶邻居的影响，实证结果表明，HOSR 明显优于基于图形正则化的推荐系统 NSCR 和 IF-BPR + 以及基于图形卷积网络的社交影响预测模型 DeepInf，实现了这一任务的最新技术成果。

Mar, 2020

本文提出了一个新模型 FiiNet (多级特征交互重要性神经网络)，该模型首先使用选择性卷积神经网络 (SKNet) 来明确构建多级特征交互，以精细的方式动态学习特征交互组合的重要性，增加重要特征交叉组合的注意权重并减少无效的交叉，通过与许多点击率预测模型在两个真实数据集上的对比，证明了 FiiNet 模型可以动态学习特征交互组合的重要性，从而提高推荐效果并提供更好的解释性。FiiNet 模型实现可在 PyTorch 中获取。

May, 2024

从功能性磁共振成像（fMRI）信号中发现可靠且信息丰富的脑区之间的相互作用对认知的神经科学预测至关重要。然而，大多数现有方法无法准确地表征这些相互作用，因为它们仅关注成对连接并忽视脑区的高阶关系。为了解决这个问题，该研究提出了一种名为 HyBRiD 的新方法，旨在从 fMRI 数据中提取最大信息最小冗余的高阶关系。通过创新的信息瓶颈框架和理论保证，HyBRiD 实现了 MIMR 目标。全面的实验证明了我们模型的有效性，我们的模型在以 CPM 为标准的研究脑连接的质量方面，相较于现有技术，提高了平均 12.1%。

Dec, 2023

借助基于 Transformer 的体系结构和注意力层，自动捕捉特征交互，并通过引入异构自注意层和 extsc {Hiformer} 模型在工业中应用，解决了将 Transformer 体系结构应用于网络规模推荐系统的挑战，证实了 extsc {Hiformer} 模型在关键参与度指标上的显著改善。

Nov, 2023

提出了一种新方法，即检测特征交互来构建分层解释，从而可视化不同层级中单词和短语的组合方式，帮助用户理解黑匣子模型的决策过程，并在 LSTMs、CNNs 和 BERTs 三个神经文本分类器的两个基准数据集上进行了评估，通过自动和人工评估实验证明此方法提供的解释既忠实于模型，又易于解释。

Apr, 2020

本文提出了一种新的统一实体关系抽取方法 HIORE，该方法利用高阶交互来捕捉更丰富的信息，并在三种基准测试中取得了最先进的性能表现，相对于之前的最优模型提高了 1.1~1.8 F1 分数。

May, 2023

该研究提出了一种解释和增强黑盒推荐系统预测的方法，可以在不假设推荐系统结构的情况下使用，并且能够提供新的领域洞察，例如文本和图像分类。实验结果表明，该方法在广告点击预测方面的解释和预测性能显著优于现有的推荐模型。

Jun, 2020

本论文提出了一种基于深度神经网络的模型，名为 “有向超节点时间点过程 (Directed HyperNode Temporal Point Process)”，用于预测高阶有向交互作用，具有很高的效率并经过了大量实证研究。

Jan, 2023

提出了一种基于凸松弛和近端梯度下降的高度可扩展算法，该算法采用了新的筛选规则和专门的激活集策略，能够处理具有密集设计矩阵的问题，并在预测和变量选择方面优于当前技术水平。

Feb, 2019