推荐系统中的意图多样化
提出了一种名为 IDSR 的端到端神经模型，包括一个隐式意图挖掘模块，可用于捕捉 SRs 中反映在用户行为序列中的不同用户意图，并设计了一个意图感知的多样性促进损失，以在训练期间考虑推荐多样性，从而在推荐多样性方面显着优于其他最先进的方法，并在推荐准确性方面取得可比或更高的性能。
Aug, 2019
为了在在线平台中提高用户的代表性，我们提出了一种端到端的多样化机制，包括检索、排名和负责平衡多样性和实用性的多目标优化；实验结果表明这种方法显著提高了多样性，并且在实用性方面具有中性到正面的影响。
May, 2023
本文探讨了 Amazon 新型视觉浏览和发现系统 Stream 中，针对自适应个性化和项目分散方向的拓展。该系统包括三个组件：利用不确定性的贝叶斯回归模型来评分项目的相关性；基于类别重新排名排名得分最高的项目的子模块化分散框架；从用户行为中学习的个性化类别偏好。在现场测试中，我们的算法显示了强烈的点击率和会话持续时间提升。
Oct, 2018
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
提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。
May, 2023
提出了一种新的基于层次强化学习的方法，用于建模用户的层次式好奇心意图，从而可以根据提取的用户好奇心倾向来调整推荐策略，通过在奖励功能中引入多样性和新颖性相关的度量来鼓励用户的探索，通过针对模拟和实际数据集的大量实验来证明了该方法的效果优于现有的基线模型。
Jun, 2023
本文提出了一种基于历史和未来偏好的新型推荐框架（FAT），通过同时考虑用户历史行为和未来趋势，获得更好的推荐效果。实验证明，该框架在现实数据集上表现优异，可以进行新鲜和互补推荐，较之其他序列推荐方法更具优势。
Nov, 2020
通过利用预训练语言模型 (PLMs) 对用户的长期参与历史进行编码，本研究引入了一个名为 SPAR 的基于内容的推荐框架，有效解决了从长期用户参与历史中提取整体用户兴趣的挑战，并通过利用大型语言模型 (LLM) 来提取全球兴趣，通过在会话级别上编码用户历史，实现了用户和物品特征的充分融合，从而在实际模型部署中既能有效预测用户参与，又能保持双方的独立表示，其在两个基准数据集上的广泛实验表明，超过了现有最先进的方法。
Feb, 2024
本研究旨在通过 Integrative approach 构建一个新颖的 TrueLearn 教育推荐系统，该系统由多种学习参考驱动，可以同时考虑学习者的知识和内容的新颖性，并保持长期时间的准确学习者代表性。
Dec, 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