我们提出了一种新方法 HEKP4NBR，将知识图谱转化为提示语，即知识树提示，以帮助预训练语言模型编码用户篮子序列中的超出词汇表范围的项目 ID，并通过超图卷积模块建立基于多个方面的项目相似度的超图并对多个项目之间的关系进行卷积，对两个基于真实公司数据集的 HEKP4NBR 进行了大量实验证明其在多个先进方法上的有效性。

Dec, 2023

这篇论文介绍了神经模式关联器（NPA），这是一种深度商品关联挖掘模型，明确地模拟了用户行为的复杂性，通过量化表示常见的用户目的（或商品组合模式），在推理阶段通过注意力驱动的查找来识别用户的购物意图，从而产生连贯且可解释的推荐结果。在杂货电子商务（购物篮完成）和音乐（播放列表扩展）等多个领域的广泛数据集上评估了提出的 NPA 模型，定量评估结果显示 NPA 模型明显优于多种现有的购物篮推荐解决方案，反映了明确模拟复杂用户购物意图的好处。

Jan, 2024

通过对真实数据的分析，我们发现个性化商品频率（PIF）信息对于 Next-basket recommendation（NBR）至关重要，因此我们提出了一种基于最近邻的简单方法，可以直接利用这些关键信号，并通过四个公共真实数据集的评估证明这种方法通常优于现有的 NBR 方法 - 包括使用 RNN 的深度学习方法 - 当 PIF 关联的模式在数据中扮演重要角色时。

May, 2020

该研究探讨了在欧洲实施的 “一般数据保护条例” 下，个人数据的删除不仅适用于主数据存储中的数据还适用于包含个人数据的机器学习模型，并设计了有效的算法，用于在下一个购物篮推荐任务中增量和递减地更新此类模型。

Jan, 2022

该篇研究论文提出并开发了使用 Temporal Annotated Recurring Sequence (TARS) 来抓取同时和自适应地考虑影响顾客购物行为的不同因素的 next basket prediction 模型，即 TARS Based Predictor (TBP)，以便为每个顾客提供量身定制的建议来加快购物速度。经过深入的实验，TBP 表现优异，超越了其他同类模型。

Feb, 2017

本文提出了一种名为 MITGNN 的新框架，旨在处理篮子推荐中存在的多种意图的问题，并使用多头聚合器学习关系向量和邻居聚合，从而加强用户和物品的嵌入学习。

Oct, 2020

个性化营销通过为个人定制服务来改善客户的购物体验，然而预测客户的下一个购买清单是一个困难的问题，我们提出了一种基于 SDTW 相似性匹配的新型市场购物清单预测器，并利用 Wasserstein 距离来衡量嵌入购买历史记录的相似性，实验证明我们的方法能够有效地识别跨客户的模式，提高了与现有文献决策规则相比的准确性。

May, 2019

本文研究了 Multi-Behavior Sequential Recommendation 问题，提出了一种名为 Personalized Behavior-Aware Transformer (PBAT) 的框架，该框架通过建模个性化模式和多方面的序列协作来提高推荐性能。

Feb, 2024

本文介绍了一种基于非自回归机制的个性化捆绑生成方法，采用了预训练技术和图神经网络来提取用户偏好和物品兼容性信息，并使用自注意力机制的编码器来提取全局依赖模式，进而设计了一种置换等变的解码架构，能够直接一次性输出所需的捆绑，实验结果表明，所提出的 BundleNAT 在精度、增强精度和召回率上相较于当前最先进方法显著提高了 35.92％、10.97％和 23.67％。

Jun, 2024

本文提出一种基于神经网络的下一首歌曲推荐系统 CNN-rec，并与其他神经网络和传统推荐系统在下一首歌曲推荐任务上进行比较，验证结果表明该系统优于传统系统并具有与最先进系统相当的性能表现。

Jun, 2016