本文介绍了一种基于生成对抗网络的用户模拟器，可以用于预先训练和评估新的基于强化学习的推荐算法，并使用真实世界的电子商务数据进行实验验证。

Jun, 2019

研究推荐系统中个性化排序算法的设计，近年来基于深度学习（神经网络）技术的方法在文献中占主导地位。本研究通过重新实验验证最近基于协作过滤的神经网络推荐方法的结果，发现其中11种方法在概念上简单的最近邻启发式方法表现更好，计算复杂的神经网络方法并没有明显的优势。同时，发现当今研究实践中存在普遍问题，可能导致该领域的停滞。

Nov, 2019

本研究提出了一种 条件去噪扩散模型 以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战，通过将过程分成易于处理的步骤来简化优化和推荐任务，同时采用新的优化模式，模型能够生成高质量的序列/项目表示并防止折叠

Apr, 2023

DiffuASR是一种基于扩散模型的顺序推荐算法，通过数据增强解决了数据稀疏性和长尾用户问题，并且能够直接训练顺序推荐模型，提高推荐效果。

Sep, 2023

使用基于评分的扩散推荐模型（SDRM）可以生成逼真的合成数据，用以保护用户隐私或解决数据稀疏的问题，并在替代或增补原始数据时相对其他模型提高了4.30%的召回率（Recall@$n$）和4.65%的NDCG@$n$。

Nov, 2023

基于扩散模型的评论生成为可解释的推荐提出了一种名为Diffusion-EXR的方法，并展示了其在两个公开基准数据集上能够达到最先进的评论生成效果。

Dec, 2023

我们提出了一种新颖的对比学习方法，叫做反应扩散图对比学习模型 (RDGCL)，用于改进推荐系统的准确度和多样性。我们的方法结合了对比学习、图卷积网络和协同过滤技术，通过设计我们自己的图卷积网络以及扩散和反应方程，在推荐系统中实现了反应和扩散嵌入之间的对比学习，从而不需要图数据增强。在6个基准数据集上的实验评估表明，我们的方法优于目前最先进的基于对比学习的推荐模型。

Dec, 2023

通过提出CF-Diff方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

Apr, 2024

本文解决了序列推荐中高质量推荐的难题，提出了一种新颖的DimeRec框架，它结合了指导提取模块和生成扩散聚合模块，旨在优化用户的历史交互信息。研究结果表明，DimeRec在多个公开数据集上显著超过了传统基线方法，并在一个大型短视频推荐平台上成功部署，为用户带来了更好的体验和结果多样性。

Aug, 2024

本文解决了传统推荐技术在泛化性能上的不足，提出扩散模型作为一种新的解决方案。通过全面调查现有研究，本研究系统性地分类扩散模型在数据工程、推荐模型和内容呈现中的应用，凸显其在捕捉复杂数据分布和生成高质量样本方面的独特优势，进而为未来的研究提供了方向。

Sep, 2024