本文中介绍了 Deep Retrieval (DR) 算法，通过学习可检索结构来获取最优推荐结果，其编码所有候选项入离散潜在空间，接着使用当前模型下的光束搜索来检索前置候选项，以实现重新排名。实验证明，使用 DR 算法，在两个公共数据集上能够实现近乎于暴力基线的准确性，并且在实时生产推荐系统上，高度优化的 DR 算法显著优于 ANN 基准线。DR 是非 ANN 的推荐算法在工业推荐系统规模的首批成功部署之一。

Jul, 2020

AdaRec 是一种适应性的顺序推荐模型，利用基于距离的表示损失从用户的交互轨迹中提取潜在信息，帮助策略识别推荐系统的细微变化，并通过乐观推测的方式进行探索，同时使用零阶动作优化以在复杂环境中保持稳定的推荐质量。在模拟器和实际应用中，AdaRec 在长期性能方面优于所有基准算法。

Oct, 2023

提出一种新颖的单阶段生成检索模型，将 Amazon 数据集用于训练，结果表明，这种模型能够获得更好的推荐效果和更好的泛化能力以推荐 “冷启动” 物品。

May, 2023

本调查论文比较了广告推荐系统和内容推荐系统中最有效的检索算法，广告目标算法依赖于详细的用户配置文件和行为数据来提供个性化广告，从而通过定向投放来推动收益。相反，有机检索系统旨在通过推荐符合用户偏好的内容来改善用户体验。

Jun, 2024

深度推荐系统在现代 Web 服务中得到广泛应用，然而传统的两阶段工作流存在协作限制，因此需要探索检索员和排名员之间的有效协作。

Jun, 2022

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

本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 DRR 方法确实优于现有的竞争对手。

Oct, 2018

提出了一个自适应混合曲率广告检索系统（AMCAD），可以自动捕获非欧几里德（Euclidean）空间中的复杂和异构图结构，采用自适应混合曲率空间表示实体，并设计了注意力机制来模拟异构节点之间的相似度，设计了一个高效的二层在线检索框架来部署 AMCAD。

Mar, 2022

提出了一种新的 ID 表示对齐框架 RA-Rec，该框架结合了预训练的 ID 嵌入和 LLM，通过创新的对齐模块和高效的调整方法实现了高效的基于 LLM 的推荐，相对于当前最先进的方法，取得了多达 3.0% 的 HitRate@100 改进。

Feb, 2024

利用生成模型进行推荐系统和个性化问题的初步研究，提出了 Prompt-Model 检索和生成项排序的两阶段框架，并通过 GEMRec-18K 数据集展示了生成模型推荐的潜力和现有评估指标的局限性。

Aug, 2023