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

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

本文提出了一种新方法 RecXplainer，基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释，并使用真实数据集进行了实验进行了评估，结果表明 RecXplainer 能够更好地捕捉用户的喜好，并且相比六种基线方法，RecXplainer 在提供推荐解释方面有更显著的效果。此外，作者还提出了十种新的推荐解释评估度量标准。

Nov, 2022

本研究提出了一种多模态方法，从视频评论中挖掘细粒度意见，并且无需时间注释，利用音频、视频和语言转录的特征来确定评论中讨论的物品方面以及情感倾向。我们在两个数据集中验证了该方法，并表明利用视频和音频模态能够提高性能，从而更好地理解视频评论。

May, 2020

本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。

Sep, 2022

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

我们提出了一种新颖的 FIRe^2 框架，用于解决服装变换人物重识别中的劣质身份相关特征和有限训练样本的两个限制，无需使用任何辅助信息，通过细粒度特征挖掘和重组模块实现对特征的增强和学习，从而在五个广泛使用的服装变换人物重识别基准数据集上取得了最先进的性能。

Aug, 2023

本研究提出了一种图注意力神经网络模型，结合了用户、物品、属性和句子，用于基于抽取的解释的推荐系统，解决了现有解决方案在轻松感知、可靠性和个性化方面的不足之处。在两个基准评论数据集上的广泛实证评估表明了所提出解决方案的生成质量。

Feb, 2022

该论文提出了一种改进的对比学习方法，以解决序列推荐系统中假负问题，进而提高项目嵌入质量并缓解类似实例被错误分类的问题，实验结果表明相比现有系统其性能有所提高，具有很强的灵活性和适用性。

Jul, 2023