本文提出了一个统一的框架和算法，用于解决团体推荐问题，将团体推荐问题作为在定义在物品关联矩阵上的完全连接图中选择具有最大组共识分数的子图的问题，并提出了一个快速贪心算法，并证明了该算法在常用的评价指标上与最先进的团体推荐算法相比具有有利的性能表现。

Dec, 2017

提出一种名为MoSAN的神经架构，用于小组推荐任务，通过子注意力网络建模成员之间的微粒度相互作用，显著提高了小组推荐的性能。

Apr, 2018

为了解决推荐系统中用户-项目交互数据稀疏、不足以学习全面的用户/项目表示来进行推荐的问题，我们提出了一种具有潜在用户/项目组发现、协同过滤和层次建模的新型双重桥接推荐模型(DBRec)，并通过两个真实数据集验证了其有效性和优越性。

Sep, 2019

该研究提出了一种数据驱动的正则化策略，并设计了一个推荐框架 GroupIM，能够在没有历史交互的临时群组中进行推荐，实验结果表明相对于其他技术，该方法在性能上有显著提高。

Jun, 2020

本文提出了一种名为CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明CAGR的优越性。

Oct, 2020

本文提出了一个自我监督超图学习框架，用于解决群体推荐中用户之间的复杂关联模型问题。实验分析表明，该模型在多个基准数据集上的表现优于现有方法，并阐明了超图建模和双尺度自我监督的合理性。

Sep, 2021

提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

Dec, 2021

利用 Multi-Granularity Attention Model (MGAM) 提出了一种新的方法，通过多个粒度（子集、群组和超集）揭示群组成员的潜在偏好并减轻推荐噪音，有效地降低群组推荐中的噪音，全面学习个人兴趣。

Aug, 2023

利用少量数据实现群体偏好优化的大型语言模型对齐框架，通过使用独立的Transformer模块预测群体对语言模型生成结果的偏好，并通过元学习训练多个群体的偏好，从而在大规模语言模型上实现更准确的对齐效果，同时减少了群体特定偏好、训练和推理计算资源的需求。

Oct, 2023

个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

Nov, 2023