EasyRL4Rec 是一种面向基于强化学习推荐系统的用户友好且高效的库，具有轻量级、多样化的强化学习环境，详细的核心模块以及与推荐系统相适应的定制解决方案，旨在促进强化学习推荐系统领域的模型开发和实验过程。

Feb, 2024

ElasticRec 是一种模型服务架构，为推荐系统提供资源弹性性和高内存效率。相较于现有推荐系统预测服务系统，ElasticRec 通过微服务的软件架构和基于效用的资源分配实现了平均内存分配大小的 3.3 倍减少、内存效用的 8.1 倍增加，从而降低了 1.6 倍的部署成本。

Jun, 2024

该研究介绍了 DeepRec 开源项目，它是一个使用 Python 和 Tensorflow 实现的深度学习推荐算法库，提供评分预测、top-N 推荐和顺序推荐功能，并保持良好的模块化和可扩展性，可随时加入新的模型。

May, 2019

这篇论文介绍了一种将大型语言模型与传统推荐系统相结合的解决方案，能够有效地实现顺序推荐，同时解决了大型语言模型在个性化推荐中的挑战。

Dec, 2023

RecBole 是一个统一、综合、高效的推荐系统库，提供了通用推荐、序列推荐、上下文感知推荐和基于知识的推荐等 73 个模型在 28 个基准数据集上的实现，并具有广泛的 GPU 加速执行和标准化评估协议，适用于推荐系统的标准化实现和评估。

Nov, 2020

我们提出了一个实时房地产推荐系统，RE-RecSys，它已在实际产业环境中实施。我们基于可用的历史数据将用户分为四个类别：i）冷启动用户；ii）短期用户；iii）长期用户；和 iv）短长期用户。对于冷启动用户，我们提出了一种基于地区热度和用户偏好的新型规则引擎。对于短期用户，我们提出使用基于内容过滤模型的推荐属性，该模型根据用户最近的互动进行推荐。对于长期和短长期用户，我们提出了一种结合内容和协作过滤的新颖方法，可以轻松实施于实际情景。此外，根据转化率，我们为平台上用户执行的不同印象设计了一种新颖的加权方案，用于内容和协作模型的训练。最后，我们展示了来自印度领先房地产平台的实际房产和点击流数据集上所提出的管道 RE-RecSys 的效率。我们表明，所提出的管道可以在实际情景中部署，平均延迟小于 40 毫秒，每分钟处理 1000 次请求。

Apr, 2024

自我监督学习在推荐系统中解决数据稀疏和噪声的挑战中引起了广泛关注。但目前缺乏统一框架来集成不同领域的推荐算法，为此我们引入了 SSLRec，一个基准平台，为评估各种 SSL 增强的推荐器提供了标准化、灵活和综合的框架，并简化了不同推荐模型的训练和评估过程。

Aug, 2023

提出了一个新的框架 SumRec，用于从开放领域的聊天对话中推荐信息。这个框架使用了大型语言模型来提取讲话者和物品的特征，并根据用户的类型生成讲话者信息的摘要和物品信息的推荐。实验结果表明，SumRec 框架提供了比使用对话和物品描述的原始形式更好的推荐。

Feb, 2024

针对内容提供者，我们提出了一个适用于推荐系统的追索框架，旨在理解模型在做出特定预测和推荐时的基本原理，并通过对三个真实数据集上训练的推荐系统进行实证评估，展示了 RecRec 在生成有效、稀疏和可执行的追索方面的高效性。据我们所知，这项工作是首次对推荐系统生成追索的概念进行了概括和实证测试。

Aug, 2023

提出了一种 Actor-Critic 强化学习框架下的组合推荐算法 JDRec，将推荐系统建模为一个组合优化问题，并通过优化列表生成和列表评估两个子问题来实现建模。通过在线和离线实验，验证其在用户交互下的有效性和实用性，在京东的推荐系统中应用，提高了点击率和综合价值。

Jul, 2022