通过利用个人用户活动数据和所属群体的行为来确定每个用户在某个给定时间期限内对任何一组推荐作出回应的可能性，该文提出了一种新颖的推荐邮件系统，成功地应用于 CareerBuilder 的工作推荐电子邮件系统，总转化率增加了 50％，同时减少了发出的电子邮件数目 72％。

Sep, 2016

本研究提出了一种基于多目标的重新排序方法，使用基于 Kendall tau 相关度量和其核版本的正则化函数来解决涉及多种利益相关方的推荐问题，对包括消费者、供应商和中介在内的三个利益相关方进行多目标优化，通过真实数据集验证了此方法的有效性。

Aug, 2017

提出了一个新的置换相关的推荐系统架构 PRF，并且通过在淘宝应用程序的实际应用中取得 11.0％的 PV 平均值和 8.7％的 IPV 平均值，性能超过当前最先进的方法。

Feb, 2021

研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。

Jun, 2021

该论文通过建立推荐系统与企业盈利的新型连接，针对如何制定动态推荐策略，从而实现最大化收益的问题，提出了一种考虑价格、评估、饱和效应和产品之间竞争等多种因素的新模型，并利用基于 matroid 理论的精确连接以及智能启发式算法，对该模型进行了求解和验证。

Aug, 2014

本文探讨内容提供商的用户参与度对推荐系统的影响，并以平衡选择为基础提出了一个优化措施，确保系统以最大社会福利达到平衡，并呼吁在实现效用主义公正的同时考虑用户的后悔和公平情况。

Jul, 2020

本研究旨在探讨如何通过奖励函数来评估推荐系统的效果以及如何解决推荐系统的对齐问题，尝试使用纯虚拟环境的例子评估各种潜在的解决方案。

Aug, 2022

本研究利用 MESOB-OMO 方法解决了广告拍卖中竞争与合作的双重目标问题，实现了拍卖双方利益的平衡，并且相较于其它算法具有优势。

Jul, 2023

提出了第一个通用 MAB 框架来捕捉在线学习排序（ONL2R）和基于位置点击模型的所有关键要素，并开发了基于贪婪和 UCB 算法的统一策略（GreedyRank 和 UCBRank），分别适用于个性化和相等的排序处理，证明了这两个算法在不同问题设置下的高效性。

Nov, 2023

该研究通过对先前基于自监督学习的 MOS 预测模型进行数据、训练和后训练的特定改进，并采用多种技术评估其有效性，包括 wav2vec 2.0 模型、转移学习、不同的批处理方法和方法的量化等，实现自动预测 MOS 值。

Apr, 2022