MobileRec 是一个大规模的基于 Google Play Store 的数据集，包含了 1900 多万次用户互动和 10K 多种不同类型的应用程序，通过比较研究了几种最先进的推荐方法，MobileRec 可以作为测试应用程序的理想平台，并作为基准线提供量化结果，以供其他研究人员进行比较。

Mar, 2023

现有的推荐系统主要集中在两个范式上：一是基于历史用户 - 项目交互的推荐，二是会话式推荐。对话式推荐系统促进用户和系统之间的自然语言对话，允许系统获取用户明确需求并允许用户提问和提供反馈。鉴于自然语言处理的重大进展，对话式推荐系统日益受到关注。现有的对话式推荐数据集在各自领域的研究中发挥了重要作用。然而，近年来移动用户和应用程序呈指数增长，对话式移动应用推荐系统的研究面临重大限制，主要归因于缺乏专门针对移动应用程序的高质量基准数据集。为促进对话式移动应用推荐的研究，我们引入了 MobileConvRec。MobileConvRec 通过利用用户在 Google Play 商店上与移动应用的真实交互进行对话模拟，该交互数据最初捕获在大规模移动应用推荐数据集 MobileRec 中。MobileConvRec 将连续的用户 - 项目交互（反映隐式用户偏好）与全面的多轮对话相结合，以有效把握用户的明确需求。MobileConvRec 包括超过 12,000 个涵盖 45 个应用类别的多轮推荐相关对话。此外，MobileConvRec 为每个应用程序提供丰富的元数据，如权限数据，安全和隐私相关信息以及应用程序的二进制可执行文件等。通过对几个预训练的大型语言模型的比较研究，我们证明了 MobileConvRec 可作为对话式移动应用推荐的优秀测试平台。

May, 2024

本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

Jan, 2024

我们提出了一个实时房地产推荐系统，RE-RecSys，它已在实际产业环境中实施。我们基于可用的历史数据将用户分为四个类别：i）冷启动用户；ii）短期用户；iii）长期用户；和 iv）短长期用户。对于冷启动用户，我们提出了一种基于地区热度和用户偏好的新型规则引擎。对于短期用户，我们提出使用基于内容过滤模型的推荐属性，该模型根据用户最近的互动进行推荐。对于长期和短长期用户，我们提出了一种结合内容和协作过滤的新颖方法，可以轻松实施于实际情景。此外，根据转化率，我们为平台上用户执行的不同印象设计了一种新颖的加权方案，用于内容和协作模型的训练。最后，我们展示了来自印度领先房地产平台的实际房产和点击流数据集上所提出的管道 RE-RecSys 的效率。我们表明，所提出的管道可以在实际情景中部署，平均延迟小于 40 毫秒，每分钟处理 1000 次请求。

Apr, 2024

通过混合模态反馈实现端到端训练的信息转移神经网络，从而实现基于原始特征的推荐系统，并在四种不同的真实世界推荐设置中评估了其传递能力，为实现通用的推荐系统提供了一种有前途的方法。

Jun, 2022

本文提出了两种可视化推荐系统，该系统可以自动为客厅家具配套筛选整个选择，以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明，从包括视觉和文本数据的产品集合中发现补充风格效果最好。

Jun, 2018

本文收集和发表了一份大数据集，探究了跨市场商品推荐的问题，并提出了 FOREC 模型来完美利用原始数据集和目标市场数据，致力于提高性能并解决市场适应问题，实验显示比竞争基准线效果更优。

Sep, 2021

本研究回顾了推荐系统在电子商务、电子旅游、电子资源、电子政务、电子学习和电子图书馆等领域的不同技术和发展，并通过分析最近的研究，提供了当前发展的详细概述，识别了推荐系统中的现有困难，为实践者和研究人员提供了必要的指导和见解。

Aug, 2022

本研究使用真实的电商数据构建了一个用户需求为中心的电子商务对话推荐数据集并提出 5 个任务，包括对话理解、需求调查、基于用户需求的推荐、对话生成和对话评估，在不同类别中探索电商推荐的挑战。

May, 2023

本文提出了 HotelRec，这是一个基于 TripAdvisor 的非常大规模的酒店推荐数据集，包含了 5000 万条评论。这是公开发布的最大的酒店领域数据集，并且是单个领域的最大推荐数据集和具有文本评论的最大数据集。

Feb, 2020