该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

Jan, 2017

本论文提出了一种新的度量方法以及一种后征的算法来缓解推荐系统中热门偏执的问题，该方法在不同用户的角度下提供了更准确的度量，实验结果表明现有的解决方案还不能很好地处理用户对热门推荐物品的容忍度。

Mar, 2021

电子商务领域中的个性化推荐和动态组合问题的新型低秩模型，通过有效算法和实验验证，实现了高效利用用户和商品特征，并显著改进了既有文献中的表现。

Apr, 2024

本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

Feb, 2023

优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内，通过上界调整预测的用户满意度分数，并选择最大化这些调整分数的排序操作，以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。

Jun, 2024

本文提出一种标签排名方法，来解决在线服务个性化广告推荐的问题，该方法在真实广告数据集上的表现强于现有解决方案，特别是在大规模排名问题上。

Jun, 2016

本研究提出了一种统一的框架，使用简单的构建块限制，允许对各种基于排名的目标进行高度可扩展的优化，并在多个实际检索问题上展示了我们方法的优势，同时在性能和精度方面显著改进了基线。

Aug, 2016

本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

本研究提出了一个推荐机制，研究了不同算法对用户福利的影响，发现流行度偏见、项目质量和位置偏见可以影响用户选择，通过模拟研究，证明了该算法在可变环境下的有效性及其能够保证高效的后悔性保证。

May, 2023

本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

Oct, 2020