本文提出了一种新的基于会话图的推荐模型，该模型通过构建会话图，并协同考虑序列顺序和会话图的潜在顺序，将下一个项目推荐问题建立为图分类问题，并利用加权注意图层和读取函数对项目和会话进行嵌入学习。该模型在两个基准电子商务数据集，Yoochoose 和 Diginetica 上表现出比其他最先进方法更好的性能。

Nov, 2019

该论文提出了一种从 PDF 文件中提取属性的高效框架，旨在帮助零售商提前规划商品组合，通过各种模态的属性提取实现了灵活、高效且优于现有最先进技术的结果（平均 92.5% 的 F1-Score）。

May, 2024

本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

Dec, 2021

该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor（HAP）。通过将超图用于描述数据中的属性关系，其将属性预测问题转化为带有正则化的超图切割问题，可以应用于属性预测、零样本和 $N$-shot 学习任务中，并在 AWA、USAA 和 CUB 数据库上展现了比同类方法更具优越性的结果。

Mar, 2015

本研究提出了一种名为个性化图神经网络和注意力机制的新方法，以解决现有基于过去历史数据进行推荐的方法无法有效捕捉项目转移关系和历史会话对当前会话影响的问题，并通过实验验证说明该方法优于现有的方法。

Oct, 2019

我们提出了 PAT，一种基于 Transformer 的网络，通过利用多尺度时间特征来学习视频中复杂的时间共现动作依赖关系。

Aug, 2023

本研究旨在通过提出一种新的基于属性信息的时装推荐器（AFRec），来解决时尚推荐任务中的可解释性挑战。AFRec 推荐器通过显式地利用每个项的视觉特征提取的属性级别表示来评估服装的兼容性。通过利用显式属性，AFRec 能够在推荐过程中实现最先进的推荐精度和直观的解释。

Jul, 2021

在信息爆炸时代，时空数据挖掘作为城市管理的关键部分，通过同时预测多个时空属性，可以减轻监管压力，推动智能城市建设。本文提出了一种针对时空多属性预测的有效解决方案，PromptST，通过时空变换器和参数共享训练机制来处理不同时空属性之间的共同知识，以及一种轻量级时空指令调优策略来适应特定属性。通过预训练和指令调优阶段，PromptST 能够增强对特定时空特征的捕捉能力，并保持已学习的共同知识。在真实数据集上进行的广泛实验证明，PromptST 达到了最先进的性能。此外，我们还证明 PromptST 在未见过的时空属性上具有很高的可迁移性，为城市计算带来了有前景的应用潜力。实现代码可用于方便的复现。

Sep, 2023

该研究提出了一种新型语义属性可解释推荐系统（SAERS），通过对细粒度的语义空间建立和用户偏好的注意力机制，给用户提供服装推荐，并在视觉上解释推荐原因的个性化方式。该方法在真实数据集上进行的大量实验表明其效果显著。

May, 2019

该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

Jul, 2018