我们研究了内容基于时间序列检索（CTSR）问题，针对包含多个领域的数据库提出了一个基准数据集，并比较了几种常见的时间序列建模和检索方法。鉴于这一问题的重要性，我们提出了一种优于现有方法的新型距离学习模型。研究总结了跨多个领域解决 CTSR 问题的重要性，并为未来研究提供了有用的基准数据集。
Nov, 2023
本文旨在探讨如何降低时间序列预测的不确定性，并介绍了一种基于相关时间序列引用的简单有效的两阶段方法 ReTime 用于空时序列和时间序列插值。
Sep, 2022
本研究旨在创建轻量级的相关时间序列预测模型，LightCTS 框架采用时间和空间运算符的简单堆叠，以及最后压缩方案，以提高计算效率，同时在单步和多步预测基准数据集上也表现出接近最先进的准确性。
Feb, 2023
在当前的推荐系统中，时间数据的转变构成了一个重要挑战。为应对数据转变，我们设计了一种使用检索技术的框架来利用转变的数据来训练相关性网络，并使用知识蒸馏将相关性网络的知识转移到参数化模块中，即搜索蒸馏模块。我们将这整个过程称为检索与蒸馏范式（RAD）。在未来的研究方向中，我们旨在利用 RAD 将更多种类的数据纳入 CTR 模型，并提升蒸馏方法的性能。
Apr, 2024
通过探索 NeuroSeqRet 框架，本研究提出了一个具有多个改进的大规模时间序列检索系统，用于解决复杂的连续时间事件序列的检索问题，并将其应用于预测建模和相关任务中，展示了较大的准确性提升以及哈希机制的有效性。
Jul, 2023
本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。
May, 2020
提出了 Similarity-Aware Time-Series Classification (SimTSC) 框架，使用图神经网络建模时间序列的相似度信息，并结合深度学习模型实现时序分类。使用 ResNet 作为主干网络和 Dynamic Time Warping 作为相似度度量，在多个数据集上进行了广泛的实验，证明了该方法的有效性。
Jan, 2022
提出了一种基于时间顺序的用户行为建模方法，通过融合顺序模式和时间合作信号，并采用 TCT 层和连续时间二分图，设计了一种新的框架 (Temporal Graph Sequential Recommender)，该模型有效提高了推荐质量。
Aug, 2021
该研究提出了一种叫做 ETA 的局部敏感哈希方法，可以大大降低训练和推理成本，并使得可以使用长期用户行为序列进行端到端训练，以实现更好的点击率预测表现。
本文提出了动态协同过滤汤姆逊取样模型 (DCTS)，通过用户和广告之间的相似性来估计 Thompson 取样的先验分布，并将知识在多个领域之间进行转移。实证分析结果表明，DCTS 比现有模型将点击率提高了 9.7%
Aug, 2022