- 低秩在线动态组合优化与双重上下文信息
电子商务领域中的个性化推荐和动态组合问题的新型低秩模型，通过有效算法和实验验证，实现了高效利用用户和商品特征，并显著改进了既有文献中的表现。
- SIGIR情境适应细粒度个性化网络：根据情境语境定制用户行为表征
通过场景自适应的细粒度方法，本文提出了一种名为 SFPNet 的排序框架，以从历史行为序列中捕捉用户兴趣，并支持场景感知的用户兴趣建模。
- 通过图神经网络个性化推荐 Spotify 音频书
通过基于异构图神经网络的可扩展推荐系统 2T-HGNN，我们利用 Spotify 的用户偏好，解决了将有声读物推荐给用户所面临的挑战，提高了个性化推荐的质量，并且产生了积极的影响。
- i-Rebalance：供需平衡的个性化车辆重新定位
通过实地用户研究，我们提出了一种个性化车辆重新定位技术，使用深度强化学习来估计司机对重新定位建议的决策，以提高供需平衡和司机接受率。实际轨迹数据的评估结果显示，这种技术能够提高司机接受率 38.07% 和总司机收入 9.97%。
- WWW个性化推荐的神经上下文强化学习
在线商业领域，推荐系统对增强用户体验至关重要。本篇研究论文探讨了基于上下文的强化学习模型 —— 上下文强化学习框架，作为实现个性化推荐的强大工具。我们深入研究了该领域中的挑战、先进算法与理论、协同策略，以及开放性问题和未来前景。与现有相关教 - E4SRec：大规模语言模型在序列推荐中的优雅有效高效可扩展解决方案
这篇论文介绍了一种将大型语言模型与传统推荐系统相结合的解决方案，能够有效地实现顺序推荐，同时解决了大型语言模型在个性化推荐中的挑战。
- 基于知识图谱的图神经网络推荐模型
使用知识图谱信息的一种新型图神经网络推荐模型 (KGLN) 被开发出来，以提高个性化推荐的准确性和有效性。该模型通过合并图中的个体节点特征并调整相邻实体的聚合权重，通过迭代使模型从单层发展到多层，并将实体和用户的特征整合在一起产生推荐得分。 - KindMed: 知识驱动的医药开方网络用于药物推荐
该研究提出了一种基于知识的医药处方网络 (KindMed) 框架，利用外部医学知识源将电子健康记录 (EHR) 丰富为医学知识图谱 (KG)，借助关系感知图表示学习和分层顺序学习的方法，探索个性化推荐。实验证明，该方法在增强现实世界的 EH - 基于图神经网络和 BERT 嵌入的混合推荐系统
利用图神经网络（GNN）和句子转换器嵌入，我们介绍了一个新颖模型，用于预测不同用户的动漫推荐。我们的模型不仅向用户推荐动漫，还预测特定用户对动漫的评分。该模型的混合化使我们能够捕捉动漫数据的跨层级和层级内特征。我们采用 GraphSAGE - 个性化学生学习的因果发现与反事实解释
通过因果发现技术，本研究着重于确定学生表现的原因，以提供个性化的改进方法；通过识别因果预测因素并应用对照分析来提供个性化建议；在教育背景中使用因果推断的挑战、益处和限制得到了详细描述。
- LKPNR: 个性化新闻推荐框架的 LLM 和 KG
通过将大型语言模型（LLM）和知识图谱（KG）结合为传统方法的语义表示形式，该研究提出了一个新的通用框架，以准确地推荐候选新闻文章给用户，从而改善了新闻推荐系统中的个性化推荐效果。
- 群组推荐的多粒度注意力模型
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。
- AAAI差分隐私个性化推荐精确测量的随机算法
提出了一种算法来实现个性化推荐，既确保了精确度，也能维护隐私；以广告为应用示例进行离线实验，量化了隐私保护算法对用户体验、广告主价值和平台收益等关键指标的影响。
- 异构知识融合：基于 LLM 的个性化推荐的新方法
通过从用户的异构行为信息中提取和融合异构知识，借助大型语言模型（LLM）实现个性化推荐，并通过结合异构知识与推荐任务，在 LLM 上进行指令调整以显著提高推荐性能。实验结果表明，我们的方法能够有效整合用户的异构行为并显著改善推荐性能。
- KDD利用自动生成的知识图谱和强化学习技术增强推荐系统
在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。
- 使用算法引导人类决策制定者：决策的辅助器还是控制器？
本文探讨了一种学习人类决策者并提供 “个性化推荐” 以控制最终决策的决策辅助算法，分析了如何达到最终决策的完美控制条件，并讨论了算法的潜在应用及其社会影响。
- 使用层次知识建模多用户兴趣的对话式推荐系统
本文提出了在对话推荐系统中对用户多个兴趣点的建模方法，实验证明此方法可以比基准模型 CR-Walker 推荐更广泛的物品。
- 推荐系统简介
本文综述了个性化推荐及推荐系统的经典算法，评估方式，以及最近研究的方向：基于会话的推荐、推荐系统中的偏差问题以及实际应用的影响和价值。
- KDDPARSRec：基于会话部分动作的可解释个性化注意力融合循环顺序推荐
本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提 - 多关系模型赋能下一代 POI 推荐
本文提出了一种名为 “MEMO” 的新型框架，该框架利用多网络表示学习模块有效利用异构关系，并采用耦合循环神经网络明确地融合了时间间隔内用户 - POI 相互影响，从而有效地解决了点 of 兴趣推荐中关系异质性的问题。