本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案，其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时，为研究者和业界提供了最前沿的知识。

Sep, 2020

本文提出了一种崭新的集成推荐系统，将由不同模型生成的预测结果合并到统一的超图排名框架中，通过在个体推荐系统上分配不同的超边权重来区分实际连接和预测连接，实验结果表明，与单个模型和加权混合方法相比，集成超图排名方法能够生成更准确的推荐结果，并且进一步改善了代表相同权重的超边的设置。

Jun, 2023

该研究综述了自然语言处理中混合和集成深度学习模型的广泛探索，揭示了它们在情感分析、实体识别、机器翻译、问答、文本分类、生成、语音识别、摘要生成和语言建模等多种任务中具有的变革潜力。研究系统地介绍了每个任务，从循环神经网络 (RNNs) 到基于 Transformer 的模型如 BERT，阐述了它们的性能、挑战和计算需求。强调了集成技术的适应性，突出了它们增强各种自然语言处理应用的能力。还讨论了在实施过程中的挑战，包括计算负载、过拟合和模型解释复杂性，以及解释性和性能之间的权衡。作为精炼而宝贵的指南，该综述综合了有关任务、模型结构和挑战的见解，为研究人员和从事自然语言处理的从业者提供了一个综合的视角，以通过集成深度学习在自然语言处理中推进基于语言的应用。

Dec, 2023

该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

Sep, 2019

本文对基于强化学习的推荐系统进行了综述，提出了一个 RLRS 框架，包括状态表示，策略优化，奖励制定和环境构建，并针对 RLRS 算法进行了调查，强调出现的主题并展示了各种图表。

Jan, 2021

本文是关于多模态推荐系统的技术视角的综述，主要介绍了多模态推荐系统的一般过程、挑战、三类现有模型，以及数据集和代码资源的总结，同时讨论了未来的发展方向。

Feb, 2023

本研究使用神经网络和决策树作为分类算法，在 23 个数据集上评估了 Bagging 和 Boosting 两种集成方法。研究结果表明 Bagging 方法几乎总是比单个分类器更准确，而 Boosting 方法则在某些情况下比 Bagging 更不准确。数据集的特征对 Boosting 方法的表现有重要影响，这种方法可能会过拟合噪声数据集，从而减少性能。同时我们的结果也说明，集成模型的性能提升大部分发生在前几个分类器的组合中。

Jun, 2011

本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

May, 2022

该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

Jun, 2023

本篇论文研究了如何将基于 Exponential-Smoothing-Recurrent Neural Network (ES-RNN) 的模型和 ensemble learning 技术相结合，相比于其他基于统计或机器学习的 ensemble 方法，Feature-based Forecast Model Averaging (FFORMA) 对于 late data fusion 的情况表现最好，而另一种 ensemble 方法 Stacking 被证明能够很好地处理所有基本模型性能相似的情况。与 N-BEATS 作为基准相比，实验结果表明，该方法在预测效果上超越了 N-BEATS 作为基准的方法。研究表明模型平均是比模型选择和堆叠策略更稳健的集成方法。此外，实验结果显示梯度提升在实现 ensemble learning 策略时是优越的。

Mar, 2022