- UniMatch: 多用途商家营销的统一用户 - 商品匹配框架
通过模型对用户 - 商品的互动矩阵进行建模，并提出了一个修正双向偏差的损失函数，我们提出了一个统一的用户 - 商品匹配框架，以实现商品推荐和用户定位，深度减少了计算资源和日常维护成本，从而证明了我们的框架相对于现有方法的显著性能提升。
- CCGen：电子商务中可解释的补充概念生成
本文提出和研究了互补概念生成（CCGen）方法，使用语言模型对给定的概念进行训练，可以产生高质量的互补概念并解释预测结果，对于电子商务领域中的查询建议和商品推荐至关重要。
- MMPKGM：面向电子商务应用的预训练知识图谱模型
该论文提出了一种基于预训练的知识图谱模型（PKGM）来解决电商平台中商品知识图谱的不完整问题，并通过在知识相关的任务中提供服务向量来提高知识服务的性能。
- 采样 Softmax 损失对于物品推荐的有效性
本研究通过理论推导与实验验证，阐明了应用于商品推荐的采样 softmax 损失函数相较传统损失的理论优势包括减轻流行度偏见、挖掘难负样本、最大化排名指标等，并探讨了其在不同推荐算法中的具体应用及特性。
- EMNLP推荐对话系统的神经模板学习
提出了一种名为 NTRD 的新型框架，旨在解决基于对话式推荐系统中推荐项目无法精确恰当地纳入生成的回复以及只有出现在训练语料库中的项目才有机会在对话中被推荐的难题。 NTRD 具有两个关键组件，即响应模板生成器和项选择器，并结合了传统的槽填 - 基于隐式反馈的物品推荐
本篇论文总结了商品推荐的独特特点和常见方法，讨论了训练目标的不同选择，提出了适合于常规推荐和点积模型的效率更高的学习算法，并探讨了商品推荐在检索任务中的应用。
- SIGIR联合商品推荐与属性推断：自适应图卷积网络方法
该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。
- 建模高阶社交关系以实现物品推荐
本文探讨如何通过建立高阶社交关系来影响用户选择，提高物品推荐的性能，所提出的 “高阶社交推荐器”(HOSR) 模型通过直接因素化社交关系，将间接影响融入预测模型，通过在社交网络中递归地 “传播” 嵌入，有效地注入了高阶邻居的影响，实证结果表 - 基于采样的物品推荐评估指标
本文探讨了样本评估指标在物品推荐任务中的应用，进一步证明了样本评估指标与精确评估指标不一致，评估结果也具有不确定性，不建议使用在评估不同算法的优劣上。
- 联合学习具解释性规则的知识图推荐
该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建，增强推荐模块的泛化能力，解决冷启动问题，并在真实世界的数据集上显著提高了物品推荐的性能。
- 上下文串联赌博机的在线聚类
本研究基于在线聚类算法探讨了上下文串联赌博机算法的新领域，针对用户间的聚类问题进行了广泛研究，并提出了一种新的算法 CLUB-cascade。实验显示，该算法可以有效地解决网络系统的信息推荐问题。
- AutoSVD++：一种通过压缩自动编码器实现的高效混合协同过滤模型
本文提出了一种将自编码器范式与矩阵分解相结合的新型混合模型，通过建模内容信息的有效性和紧凑性的表示，并利用隐式用户反馈进行精准推荐，从而优化项目推荐，实验结果表明该方法优于比较方法。
- 将评论整合到个性化排名中以进行冷启动推荐
该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。
- 受量子理论结构启发的推荐系统
本研究提供了量子模型在数据科学中的应用，论文通过理论和实证相结合的方式，展示了量子模型相较于概率模型的高效性、可压缩性以及稀疏数据在低维度量子模型中的表现。此外，本文还利用量子模型的解释性和阳性半定因式分解方法，进行了物品的建议和用户属性的 - 基于标准化非负模型的表现性推荐系统
采用归一化的非负模型（NNM）进行数据分析，其价值在于基于它对物品推荐的示例展现了满足三个标准的推荐系统应该具备的高预测力、计算可处理性和用户与物品的表达能力。
- 应对长尾推荐的挑战
论文提出了一套基于图的算法集合，可以帮助解决商品推荐系统中 “长尾” 商品推荐困难的问题，并通过实验证明其有效性及优于现有技术。
- 基于贝叶斯的个性化排名算法：从隐式反馈中学习
本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。