该论文提出了一种基于内核的神经网络，即深度统一表示 (DURation)，用于异构推荐，通过联合建模异构项目的统一表示来解决数据稀疏性问题，并在现实世界数据集上进行了广泛的实验，表明该模型比现有的最先进模型具有显着的提升。

Jan, 2022

在电子商务搜索引擎中，语义相关性计算对于确保所选项目与客户意图紧密对齐至关重要。本文介绍了一种基于交互的建模范式，通过动态长度表示方案、专业术语识别方法和对抗性训练协议来增强模型的鲁棒性和匹配能力。离线评估表明我们方法的卓越鲁棒性和效果，在线 A/B 测试证实了在相同曝光位置提高相关性、增加点击和转化的能力。据我们所知，这是第一个用于大型电子商务搜索相关性计算的基于交互的方法。

Jun, 2024

该研究旨在提高推荐系统的效果，通过结合知识图谱中的全局信息和用户 - 物品交互数据中的局部信息，使用一个创新的 Duet 表示学习框架 KADM 来训练语义融合网络，成功地解决了现有的基于知识图谱的方法只关注图中结构信息的缺陷。

Dec, 2020

基于 Pareto 不变表示学习 (PaInvRL) 框架，同时学习不变表示和变体表示，减轻由通用编码器引入的错误相关性并提供良好的泛化性能。

Aug, 2023

冷启动商品推荐是推荐系统中一个长期存在的挑战，常见的解决方法是使用基于内容的方法，然而，多种形式的原始内容中的丰富信息尚未充分利用。本文提出了一种面向冷启动推荐的领域 / 数据无关商品表示学习框架，通过采用基于 Transformer 的架构在各种特征之间自然实现多模态对齐。我们的模型不受分类标签的束缚，可以完全端到端地进行训练，不仅避免了分类标签的收集成本，还能够获得更适用于推荐目的的表示学习。通过对真实世界电影和新闻推荐基准的大量实验，我们验证了我们的方法比现有的基线模型更好地保留了细粒度用户兴趣，并且可以广泛适用于多个领域的大规模推荐。

Apr, 2024

提出了一个利用个性化特征提高产品排名准确性的新框架，该框架通过建立跨来源异构知识图来联合学习客户和产品嵌入，并将产品、客户和历史表示结合到神经重排模型中以预测特定客户最有可能购买的候选产品。实验表明，相比最先进的产品搜索模型，我们的模型将前几名的候选产品的准确性提高了 24.6%。

Apr, 2021

本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中，提出了一种基于知识嵌入的框架，能够在保留用户和项目关系结构的同时，生成个性化解释说明推荐结果，并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。

May, 2018

我们提出了一个新颖的框架，用于大规模推荐系统中用户的表示，旨在以一种广义的方式有效地表示多样化的用户喜好。我们的方法采用了一种两阶段的方法，结合表示学习和迁移学习。表示学习模型使用自编码器将各种用户特征压缩成表示空间。在第二阶段，特定于任务的下游模型通过迁移学习利用用户表示，而不是单独地整理用户特征。我们进一步改进了这种方法的输入特征，以增加灵活性并实现对用户事件（包括新用户体验）的近实时反应。此外，我们提出了一种新的解决方案，以管理此框架在生产模型中的部署，允许下游模型独立工作。我们通过大规模系统中的严格离线和在线实验验证了我们框架的性能，展示了其在多个评估任务中的显着功效。最后，我们展示了所提出的框架如何显著降低基础设施成本，相比于其他方法。

Mar, 2024

本文介绍了一种行业广告推荐系统，重点关注学习合适表示的挑战和实践。我们展示了保留先验信息的方法，将各种类型的特征编码为嵌入表示。此外，我们探讨了特征表示中的两个关键挑战：嵌入维度崩塌和各种任务或场景的兴趣交织。随后，我们提出了几种实用的方法来有效应对这两个挑战。我们还探索了几种训练技术，以促进模型优化、减少偏差和增强探索。此外，我们介绍了三种分析工具，可以全面研究特征相关性、维度崩塌和兴趣交织。本研究建立在腾讯广告推荐团队过去十年的持续努力基础上，不仅总结了一般的设计原则，还提供了一系列现成的解决方案和分析工具。所报告的性能基于我们的在线广告平台，每天处理数千亿个请求，为数十亿用户提供数百万个广告。

Feb, 2024

调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

Oct, 2021