情境适应细粒度个性化网络：根据情境语境定制用户行为表征
本文提出了一种名为 SAR-Net 的场景感知排名网络，它通过学习用户的跨场景兴趣，以应对不同场景下的个性化推荐问题。借助注意力模块、线性转换层、去偏置专家网络等组件，SAR-Net 自适应地提取场景特定特征，并通过公平系数的使用，以增强对数据的公平性和因人工干预而产生偏差的恢复能力。实验证明了其在超过 8000 万个用户和 155 万个旅行产品的离线数据集和在线 A/B 测试中的优异表现。
Oct, 2021
本研究提出一种场景自适应与自监督模型 (SASS)，解决具有多场景问题的细粒度信息转移、全空间样本利用和物品多场景表示分离问题，并在公共和工业数据集上得到显著提升。
Aug, 2022
Multi-Scenario Learning is used in recommendation and retrieval systems to transfer learning from different scenarios via different paradigms to refine feature representations in a scenario-aware manner, demonstrating superior ranking performance and adaptive feature learning in production environments, as supported by A/B test results on the Alibaba search advertising platform.
Jun, 2023
本研究探讨了在 Steam 平台上用户行为特征与在线游戏推荐系统的关系，认为满足个性化、游戏情境化和社交连接的在线游戏推荐系统具有吸引用户、增加用户停留时间的作用。然而，同时解决这三个特性是非常具有挑战性的。因此，我们提出了新的 SCGRec，并结合了三个视角来改进游戏推荐。
Feb, 2022
本文提出了一种多图结构的多场景推荐解决方案，通过图学习来在各场景之间交互数据并获得表示，从而使其能够在激活冷门视频和丰富目标推荐方面表现出卓越性。
May, 2022
使用 attribute-opinion 对 reviews 进行细粒度处理的新框架 FineRec，在顺序推荐中表现出色，通过大型语言模型提取 attribute-opinion 对，并创建 attribute-specific user-opinion-item 图，使用多样性感知的卷积操作在图中聚合信息，通过交互驱动的融合机制整合了所有属性的用户和物品表示，生成推荐结果。实验证明了 FineRec 在处理任务中的有效性。
Apr, 2024
该研究论文提出了一种新的基于自注意力机制的序列推荐方法 CaFe，通过同时建模用户的购物意向和交互项目，实现了对于稀疏数据的高质量推荐，相比于当前最先进的自注意力推荐方法，NDCG@5 的表现提高了 44.03%。
Apr, 2022
本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。
May, 2021
电子商务平台中，我们提出了一种名为 DPAN 的新方法，通过学习细粒度的相似性和多样性表示并捕捉用户在不同条件下的动态偏好，来预测相关推荐中的点击率（CTR），经过离线实验和在线 A/B 测试的验证，CTR 提高了 7.62%。
Aug, 2023