- 推荐系统中的潜在因子模型概述
推荐系统中的潜在因子模型是一种有效的方法，本文通过结构化框架对潜在因子模型在学习数据、模型架构、学习策略和优化技术等方面进行了系统回顾，并分析了学习数据类型、各种模型和学习策略以及优化策略的趋势与潜在研究方向。
- 双重高维情境赌臂：联合组合定价的可解释模型
我们提出了一种基于上下文强化学习的联合组合和定价方法，该方法可以在零售业务中解决选品问题和定价问题，通过计算和真实案例研究证明了该方法的有效性。
- 双重不均匀环境下的离线评估
本篇文章提出了一种支持离线强化学习策略评估的新框架，该框架通过提出一种动态因子模型来处理强化学习中的双不均性，并在该框架下开发了一种同时支持基于模型和无模型方法的策略评估方法。与现有方法相比，该方法不仅假设具有统计学意义，也表现出更好的性能 - 带有附加数据的文本主题分析
使用文本数据和其他数据相结合的方式，提出了一种混合生成概率模型，通过神经网络和潜在话题模型相结合，对每篇文档进行话题分类，克服了潜在因素模型存在的问题，包括冷启动问题、不透明性和次优推荐问题。
- Ordinal-Content VAE：在深度潜变量模型中隔离序数值内容因素
本文提出了一种新的 VAE 扩展，将拟合过程中的 content latentspace 的部分有序结构与有序 content values 对齐，从而使得 deep learning 的 content-style separation - 用于推荐系统的可微分神经输入搜索
该论文提出了 Differentiable Neural Input Search（DNIS）方法，通过连续弹性和可微分优化在更灵活的空间内搜索混合特征嵌入维度的相对重要性，并且在模型验证性能的基础上优化。实验结果表明，相较现有的神经输入搜 - 深层潜因子模型的协同过滤
基于深度学习的深度潜在因素模型在协同过滤推荐系统中表现出色，实验证明该技术明显优于所有现有的协同过滤技术。
- 异构网络中多维信息深度协同过滤
本文提出了一种基于神经网络和异质信息网络的多方面协作过滤模型，用于解决推荐系统中的信息过载问题，通过对用户和物品进行各个方面的相似度矩阵建模和深度神经网络训练，融合各个方面的潜在因素提高推荐性能。
- SIGIRFacT: 使用分解树控制潜在因素模型以提高可解释性
本文使用回归树辅助学习潜在因子模型，针对用户和物品分别构建回归树，并将每个节点上的潜在因子作为用户和物品的表示。通过跟踪每个因子在回归树上的路径，提供生成推荐结果的解释。实验证明该模型的实用性与竞争基准算法相比优越性。
- MM使用 GWAP 理解潜在因素
本研究提出了一种基于样本物品的输出协议游戏，以代表潜在因素，并激励玩家创建语义描述，实现自动化语义描述，通过用户研究表明，收集到的输出实际反映了因子的真实特征。
- 通过对用户表示进行对抗性训练，实现推荐系统中的隐私和公正
本文提出了隐私敌对框架以消除推荐系统中计算的用户向量可能泄漏的私人信息，并研究了隐私和推荐性能之间的权衡，同时保证了结果的公平性。
- WWW面向方面的潜在因素模型：使用评价和评论进行评级预测
本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法，采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模，然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-a - 关于关系学习中潜在因子模型的归纳能力研究
本文研究了潜在的因素模型在多关系知识图谱建模中的应用，通过实验测试和分析这些模型的归纳能力和优缺点，并提出了未来改进的方向。
- 问 GRU：深度文本推荐的多任务学习
本文介绍了一种基于深度递归神经网络的内容推荐方法，通过将文本序列映射至潜在向量实现推荐，在科学论文推荐任务中，该方法精度显著优于传统基于主题模型或词向量平均值的推荐方法。此外，使用多任务学习进一步提高了推荐精度。
- 多主体 fMRI 数据聚合的卷积自编码器
这篇研究论文探讨了如何在保留脑部区域性的同时聚合多主体 fMRI 数据。通过组合共享响应模型和搜索光分析等方法来实现该目标，并介绍了一个系统性设计来解决卷积自编码器的计算挑战。
- ICMLBeta Bernoulli 过程的随机变分算法实证研究
研究使用 SVI 在稀疏潜在因子模型（尤其是 BPFA）中的性能，发现使用 Gibbs 采样维护特定后验依赖关系非常有效，但在 BPFA 中不同的后验依赖关系与 LDA 不同，并且模拟内局部变量依赖性的近似方法表现最佳。
- ICLR贝叶斯表示学习与 Oracle 约束
提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法，将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型，并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。
- 利用分类法超级推荐系统，学习用户购买行为
本文介绍了一种基于分类术语的潜在因子模型 (TF)，并将其用于推荐系统，以提高推荐精度和处理数据稀疏性和冷启动问题，该模型将分类术语与潜在因素相结合，并使用加法模型。同时，该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数 - 基于矩阵 Bingham-von Mises-Fisher 分布的模拟及其在多元和关系数据上的应用
该文介绍了从 Bingham-von Mises-Fisher 分布中采样的拒绝和 Gibbs 抽样算法，并且说明了它们在分析蛋白质相互作用网络中的应用。