本篇论文提出了在推荐系统中使用超级元路径和图形对比学习的框架来解决多行为信息下的用户购买预测问题，并在广泛的比较实验中，显著优于所有基线方法。

Sep, 2021

该研究介绍了一种在推荐系统中处理多种行为交互的层次多行为图注意力网络 (HMGN)，该网络通过注意机制从不同行为中获取信息，并采用多任务的层次贝叶斯个性化排序进行优化，结果显示性能提升了 64%。

Sep, 2023

该论文提出一种基于分层强化学习的推荐框架，其中高层代理获取长期稀疏的转化信号并设置抽象目标，而低层代理根据抽象目标与实时环境交互，提出了多目标抽象的深层分层强化学习算法并验证其有效性。

Mar, 2019

本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

Nov, 2018

提出了一种面向知识感知推荐的层次化和对比的表示学习框架 HiCON，其中包括层次化消息聚合机制和跨序对比学习，实验表明 HiCON 对现有方法具有显着的优势。

Apr, 2023

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

应用深度学习模型和对比学习方法分析用户购买行为路径，能够有效提高电商 app 中 CTR 模型的性能。

Feb, 2023

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

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

推荐系统通过分析用户的购物历史提供准确的推荐。然而，在真实应用中，用户更喜欢价格最低的电子商务平台。本研究假设任何电子商务平台都能完整记录用户的历史，但只能访问其中的一部分，如果推荐系统能够首先预测丢失的部分并正确丰富用户的购物历史，则可以更准确地推荐下一个商品。我们的推荐系统利用用户的购物历史来提高预测准确性，所提出的方法在 NDCG@10 和 HR@10 指标上取得了显著改进。

Mar, 2024