本文介绍了一种用于 NFT 的推荐系统，利用了各种数据来源，从 NFT 交易记录到外部项目特征，生成符合个人偏好的精确推荐。我们开发了一种数据高效的基于图的推荐系统，以有效捕捉每个项目与用户之间复杂的关系并生成节点（项目）嵌入，融合了节点特征信息和图结构。此外，我们还利用用户与项目之间的交互之外的输入，如图像特征、文本特征和价格特征。数值实验证实，在利用所有类型的项目特征作为辅助信息之后，基于图的推荐系统的性能显著提高，优于所有其他基准。

Mar, 2024

提出了用于在市场环境下进行推荐的强化学习代理的开放源代码框架 MARS-Gym，以便研究人员和工程师可以快速构建和评估推荐代理，并提供了基线代理的实现方法。同时，通过使用 Trivago 市场数据集，我们基于度量标准对多个基线代理进行了综合评估，揭示了推荐、异步策略估计和公平性等可用度量标准。我们期望 MARS-Gym 能够弥合学术研究和实际应用之间的差距，促进新算法和应用的设计。

Sep, 2020

本文介绍 MERLIN，一种基于多模态神经网络的深度学习框架，用于预测非同质化代币（NFT）的销售价格，其不依赖金融特征而仅利用基本数据集（即 NFT 图像和文本描述），并具有适应用户偏好的功能，勾勒出不同的风险回报投资方案，实验证明 MERLIN 模型在金融评估标准方面取得了显著表现，优于基于金融特征的基准机器学习分类器。

Feb, 2023

本研究提出了一种新的推荐系统体系结构，采用信息检索技术和社交趋势，通过意见挖掘来改进基线方法在无法收集用户点击数据或因隐私问题无法收集数据时提供的推荐，把多种信息源整合起来生成有前途的输出。

May, 2022

本文提出了一种多目标药物分子发现的方法 MARS，它基于分子图的片段进行迭代式编辑，采用马尔科夫链蒙特卡罗采样 (MCMC) 和图神经网络 (GNN) 来寻找高质量的化合物，并在不同维度上进行评估结果表明，该方法在多种多目标设定下表现出卓越的性能，其中包括分子的生物活性、仿制药性和合成能力等方面，而且在所有四个目标同时优化的最具挑战性的情况下，我们的方法显着优于以前的方法。

Mar, 2021

利用时序和语境信息，结合不同类型的时尚实体及其异构特征，使用可重用的基于注意力机制的时尚推荐算法 AFRA，提供个性化的排名流，风格相似的时装推荐，相似物品推荐和基于最近客户行为的同期推荐，在离线和在线实验中均取得了显著的客户留存和参与度的提高。

Nov, 2022

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

该论文提出了一种基于多层次范式的、利用评论进行推荐的神经网络结构，主要包括基于指针的学习方法和多指针学习方案，该结构相对于其他现有的方法在概率指标上有着显著优势。

Jan, 2018

本文提出了一种基于 BART 的统一框架，针对面向对话推荐的两个任务（推荐和响应生成）设计了单一模型，另外还构建了一个电影领域的轻量级知识图谱，在自动化和人类评估方面都取得了最先进的表现。

Mar, 2022

本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。

Sep, 2022