本文采用高维回归问题的解析解取代计算开销大的 SLIM 方法，通过重新缩放处理 item-popularities 偏差，得到了稀疏解的性质，并且在三个公共数据集的实验中，相对于 SLIM 在准确度和训练时间上均有显著提高，同时在高度个性化推荐方面，还优于多种最新的非线性自动编码器等模型。

Apr, 2019

本文提出了一种新的数据驱动评分系统方法，称为超稀疏线性整数模型 (SLIM)，通过求解一个整数编程问题，直接编码精确度和稀疏度的度量，限制系数为互质整数，且能够无缝地包含一系列相关操作约束，从而能够创造高度定制的模型。

Feb, 2015

本文介绍了一种名为 Supersparse Linear Integer Model 的分类模型，可以用于创建精准、可解释的评分系统，主要应用于医学和犯罪学领域，并通过数值试验表明其较之基于数值的分类模型具有更高的精度和稀疏度。

Jun, 2013

本研究提出一种基于简单元素的线性模型，针对推荐系统的稀疏数据和隐式反馈数据，并展示其训练目标具有闭式解，该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。

May, 2019

基于 SLIM 的贪心 SLIM 方法是用于偏好获取的一种新的训练技术，对于偏好获取比基于潜在因素模型的广泛使用的方法更加适用，通过离线实验和用户研究来评估其性能，结果表明该方法在用户研究方面表现出色。

Jun, 2024

本文介绍了一个名为 NICE-SLAM 的密集 SLAM 系统，它通过引入分层场景表示来结合多层次的局部信息，并通过预训练的几何先验来优化该表示，从而在大型室内场景中实现了细节重建。与最近的神经隐式 SLAM 系统相比，我们的方法更具可扩展性、高效性和鲁棒性。

Dec, 2021

本研究提出了一种名为潜在语义填补（LSI）的方法，利用图论提取亲和性空间内实体的潜在流形结构，结合非负最小二乘法和幂迭代法，将外部知识转移入语义空间，生成并填补语义空间中低频词的可靠嵌入向量，优化词嵌入效果，进而提升下游自然语言处理任务的性能。实验验证了该方法在分类和语言模型任务中的显著优于多种常用词嵌入方法，且结果在不同参数下稳定一致。

May, 2019

本文介绍了基于显式稀疏正则化和对术语权重的对数饱和效应的首位排序器，具有高度稀疏的表示，与最先进的密集和稀疏方法相比取得了有竞争力的结果，并探讨了效率和效果之间的平衡。

Jul, 2021

为建立成功的推荐系统，我们需要针对用户偏好和物品属性描述寻找关键维度，其中在像服装推荐等领域，将用户偏好解释为建模所需的物品的视觉外观也使得推荐变得更具挑战性，因此本论文提出了一种采用新型层次嵌入结构，可以同时考虑高层次（颜色、暗度等）和微妙（例如休闲度）的视觉特征维度，以应对真实世界数据集的稀疏性、可变性和规模。

Apr, 2016

本文通过引入稀疏表示的思想将 word embeddings 应用到 sentence embeddings 中，基于主题连贯性方法引入了一种新的、定量的自动化评估指标，并在电影对话数据集和 MS COCO 数据集的场景描述上观察到了 interpretability 的提高。

Sep, 2018