借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

May, 2024

基于多实体知识传递的 MKT 框架在电子商务平台中的推荐内容上，通过预训练和微调的方式解决了跨实体推荐的问题，并通过离线和在线实验证明了其优越性。

Feb, 2024

LLM-KERec 利用大型语言模型捕捉用户意图转变，适应新项目，并提高在不断发展的电子商务领域中的推荐效率，通过整合互补知识解决传统推荐系统的局限性。

Feb, 2024

本文提出了一种通过域特定知识来增强 LLMs（large language models）在实际应用中性能的方法，即 DOKE。通过一个域知识提取器，将提取的知识以 LLM 可理解的方式整合到模型中，实验证明 DOKE 能够显著提高 LLM 在特定领域中的性能。

Nov, 2023

Knowledge-Enhanced Pre-trained Language Models improve downstream NLP tasks in closed domains by injecting knowledge facts from Knowledge Graphs using the proposed KANGAROO framework that captures implicit graph structure and employs data augmentation for better performance.

Nov, 2023

在大规模工业电子商务中，强调在线推荐系统的效率对于传递与多样化业务场景相关的高度相关的物品 / 内容广告至关重要。然而，现有研究大多专注于物品广告而忽视了内容广告的重要性，导致多实体结构内的不一致性和不公平检索。本文提出了一种能够解决这些问题的统一在线前 k 推荐的鲁棒表示学习方法，该方法构建了实体空间内的统一建模来确保数据的公平性。通过域对抗学习和多视图 Wasserstein 分布学习来学习鲁棒表示，同时通过同方差权重和正交约束来平衡冲突目标。各种实验证实了我们提出的方法的有效性和合理性，并在实际业务场景中成功部署。

Oct, 2023

通过两个规则，从过去的数据中提取关键和分离的知识，以提高参数化知识库的记忆和泛化能力，促进信息的稳定和广义的知识表达。

May, 2024

本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中，提出了一种基于知识嵌入的框架，能够在保留用户和项目关系结构的同时，生成个性化解释说明推荐结果，并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。

May, 2018

我们提出了一个名为 MuDoK 的框架，实现了多领域协同预训练和高效前缀提示调整，以服务于推荐和文本理解等多样化的下游任务。我们构建了一个新的多领域知识图谱预训练基准，名为 KPI，用于评估我们的方法，并开源以供后续研究。实验结果表明，我们的框架在异构下游任务中带来了显著的性能提升，同时具有普适性、高效性和可迁移性。

May, 2024

该论文提出了一种基于微调过程的知识感知语言模型框架，将领域知识通过关系图嵌入到预训练语言模型中并进行动态更新，取得了比其他知识增强模型更显著的机器阅读理解任务的性能改进。

Sep, 2021