本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

Jan, 2016

通过协同增强的方法，利用交互式用户 - 项目图表和门控技术增进用户和项目的特征表示，在获取商品信息方面有更好的表现。

Dec, 2022

本文提出一种新的自我监督学习（SSL）方法，通过构建序列视图间的对比学习来改进序列推荐问题的效果，为了解决数据稀疏性和噪音问题，提出了三种模型增强方法以构建视图对，实验表明模型增强对于增强 SSL 中的序列推荐任务效果是有效的。

Mar, 2022

对话式推荐系统是一个快速发展的研究领域，随着语言建模技术的进步而备受关注。然而，目前的对话式推荐系统面临许多挑战，由于其相对新颖和现有贡献的有限性。本研究探讨了用于开发对话式推荐系统模型的基准数据集，并解决了多轮互动中固有的反馈循环所产生的选择偏差和多元受欢迎度偏差等潜在偏差。借鉴语言模型和数据增强技术的成功，我们提出了两种新的策略 “Once-Aug” 和 “PopNudge”，以增强模型性能并减轻偏差。通过对 ReDial 和 TG-ReDial 基准数据集进行广泛实验，我们展示了我们的数据增强方法在对话式推荐系统技术上的持续改进，并提供了解决多个新形成的偏差的更多见解。

Oct, 2023

DiffuASR 是一种基于扩散模型的顺序推荐算法，通过数据增强解决了数据稀疏性和长尾用户问题，并且能够直接训练顺序推荐模型，提高推荐效果。

Sep, 2023

通过创建三种不同动态下的用户和项目表示（静态嵌入、历史时间状态和上下文时间状态），同时使用伪多任务学习范式，将增量单目标推荐堆叠成一个多目标任务以进行联合优化，提出了一种上下文感知的伪多任务推荐系统（CPMR），以准确建模历史和上下文场景中的动态兴趣演化。在四个基准推荐数据集上的实验证明，CPMR 始终优于最先进的基准线，并在其中三个数据集上取得了显著提升。

Sep, 2023

发展了一种令人信服，精确，个性化，与偏好相关的语言模型 (P4LM)，该模型通过使用用户偏好的嵌入空间表示来生成富有说服力的回复，同时强调解释物品特征及其相关性。此外，还开发了一个联合奖励函数，用于衡量精确性、吸引力和个性化，该函数用作基于增强学习的语言模型框架中的人工智能反馈。使用 MovieLens 25M 数据集证明了 P4LM 向用户提供了引人入胜、个性化的电影叙事。

Oct, 2023

通过综合和多学科的调查研究，本文连接了使用生成模型（Gen-RecSys）在推荐系统中的关键进展，包括：基于交互驱动生成模型的基础概述；大型语言模型（LLM）用于生成推荐、检索和对话推荐的应用；以及用于处理和生成图像和视频内容的多模态模型在推荐系统中的整合。我们的全面观点使我们能够突出评估 Gen-RecSys 的影响和风险所必需的范式，并确定开放挑战。有关论文的更加最新版本可在此 https URL 找到。

Mar, 2024

本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

May, 2023

本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

Feb, 2023