本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

Apr, 2023

在信息过载的时代，推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐，是一个近年来受到越来越多关注的子领域。通过生成多个用户表示，多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展，但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性，即训练和部署目标之间的差异，无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。

Mar, 2024

本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020

本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

Jun, 2023

通过对长期和短期兴趣进行对比学习，提出了一种自我监督的框架来解开两个方面之间的纠缠，为推荐系统提供更准确、更有解释性的建议。在电商和短视频数据集上的实验结果表明，该方法优于目前所有的最新模型，并且能够成功地实现长期和短期兴趣的更强的解脱。

Feb, 2022

本文提出了一种名为 MIND 的新颖模型，通过多向量编码用户多样的兴趣来解决工业推荐系统中的候选物品匹配和排序问题，并通过对公共基准数据集和天猫的大规模产业数据集进行广泛实验，证明了 MIND 的出色性能。

Apr, 2019

本文提出了一种推荐系统，结合个性化的兴趣变化和项目的普遍兴趣，通过预测用户在最近时间内消费的项目，捕捉个性化的兴趣可持续性，扩充用户稀疏消费历史数据，并在 11 个真实数据集上优于 10 个基础模型。

Sep, 2022

通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019

提出了一种基于双重转移学习框架的推荐系统，其中模型参数和项目特征从头部项目中转移，以改善在长尾分布情况下的尾部项目推荐性能。

Oct, 2020

该研究提出了 HieRec，一种基于层次化用户兴趣模型的新闻推荐方法，使用三级层次结构表示用户的兴趣，并使用层次匹配框架实现更准确的用户兴趣目标定位，实验结果表明该方法能够有效改善个性化新闻推荐的用户建模效果。

Jun, 2021