- 关于概念化和电子学习中学习路径推荐系统的概述
通过调查研究项目的方式，我们提出了一个学习路径的概念，并在这一背景下嵌入了五种不同的推荐系统，以促进学生的学习和理解。
- 大语言模型时代生成式搜索和推荐的调查
该研究综述了新兴的信息系统中增强搜索和推荐领域中的生成式搜索和推荐模型，并从一个统一的角度总结了该领域的发展，提出了独特挑战、未解问题和未来发展方向，展望下一个信息需求模式。
- RecGPT：借助 ChatGPT 培训范例，为序列推荐生成个性化提示
ChatGPT 在自然语言理解方面取得了显著的成功。为了将 ChatGPT 的基本模式应用于推荐任务，我们在项目索引级别上设计了一个新的聊天框架。我们的创新主要包括模型、训练和推断等三个方面。通过在离线公共数据集和在线 A/B 测试中进行实 - 利用双层可学习大语言模型规划增强长期推荐
利用大型语言模型的规划能力，提出一种可学习的长期推荐规划框架，结合强化学习和层次学习。实验证实该框架在学习长期推荐规划方面具有优势。
- 极端分类的图正则化编码器训练
本研究通过替换图卷积网络为非图卷积网络的架构，利用图数据来规范编码器训练，提出了一种名为 RAMEN 的替代模型，以提高标签极度分类任务的性能，并在基准数据集上获得了高达 15% 的预测准确率提升，同时不增加推断计算成本。
- BMLP：面向异构序列推荐的行为感知多层感知机
基于多层感知器 (MLP) 的异构顺序推荐方法 (BMLP) 通过建模多种行为类型和转换关系的异构兴趣知觉模块 (HIP) 以及自适应融合辅助行为子序列以捕捉用户购买意图的购买意图知觉模块 (PIP)，相比主要的序列模型，在准确性方面具有竞 - SSTKG: 简单时空知识图谱的解释性和多功能动态信息嵌入
本文介绍了一种新的框架：Simple Spatio-Temporal Knowledge Graph (SSTKG)，用于构建和探索时空知识图谱。通过新的三步嵌入方法，将时空数据整合到知识图谱中，输出嵌入可用于未来时间序列预测和空间信息推荐 - ACLSumRec：一个使用开放领域对话的推荐框架
提出了一个新的框架 SumRec，用于从开放领域的聊天对话中推荐信息。这个框架使用了大型语言模型来提取讲话者和物品的特征，并根据用户的类型生成讲话者信息的摘要和物品信息的推荐。实验结果表明，SumRec 框架提供了比使用对话和物品描述的原始 - 智能辅导系统中的先决条件结构发现
本研究探讨了知识结构和知识追踪在提高智能辅导系统中教育内容推荐的重要性，包括提出了一个将知识结构作为可学习参数的知识追踪模型，通过学习者的轨迹来发现潜在的知识结构并评估其质量。
- 深度进化网络：触发式推荐中的点击率预测
通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化，利用时间信息进行用户行为建模，引入交互层以学习更好的触发器和目标项之间的交互，我们提出了一种新颖的方法 —— 深度演化即时兴趣网络（DEI2N），用于触发诱导推荐场景中的点击 - 知识图谱和预训练语言模型增强的对话式推荐系统表示学习
利用对话历史和自然语言交互，通过知识增强的实体表示学习框架（KERL）来改善对话型推荐系统的语义理解和推荐效果。
- SIGIR超越两塔匹配：学习稀疏可检索的跨交互推荐
提出了一种名为 SparCode 的新型匹配模型，支持复杂特征交互和高效检索，经实验证明其在候选项匹配的准确性上显着提升，并且与传统的 two-tower 模型保持相同水平的检索效率。
- 对比推荐系统的毒化攻击
对比学习已经在推荐领域取得了显著的流行度，但本文发现基于对比学习的推荐系统存在一个更易受污染攻击的漏洞，并通过实验证明了这一攻击模型的破坏性，以促进更强大的对比学习推荐系统的发展。
- MMBTRec：基于 BERT 的个性化旅游轨迹推荐
使用 BTREC (基于 BERT 的轨迹推荐) 算法，通过将用户的人口统计信息与过去的 POI 访问纳入修改后的 BERT 语言模型，推荐个性化的 POI 行程，以最大化 POI 的访问数量，并考虑用户对 POI 类别和时间可用性的偏好。
- LlamaRec：利用大型语言模型进行两阶段推荐排序
最近，大型语言模型 (LLMs) 在语言理解和生成方面取得了显著的进展，通过利用文本特征，定制 LLMs 也被应用于推荐，并在各种推荐场景中展示出改进。为了验证所提出框架的有效性，在基准数据集上与最先进的基线方法进行比较，我们的实验结果证明 - 对话式推荐系统的长短期规划
基于长短期反馈架构的对话推荐系统中，通过预测用户偏好和同用户历史记录，推荐对话模型预测下一个话题或属性以验证用户偏好，以实现全面交互的对话及推荐功能。
- 基于流行度的冷启动捆绑推荐精确性：合并和曲线加热
提出了一种名为 CoHeat 的准确的冷启动捆绑推荐方法，能够充分考虑捆绑的流行度和用户捆绑关系的历史和关联信息，并通过课程学习和对比学习有效地学习潜在表示，取得了比竞争方法高达 193% 的水平的冷启动捆绑推荐效果。
- 图神经网络在推荐领域的表现力如何？
本文提供了关于图神经网络在推荐系统中表达能力的全面理论分析，考虑了图同构、节点自同构和拓扑接近度等三个层面的表达能力指标，并引入了拓扑接近度指标来评估图神经网络对节点之间结构距离的捕捉能力，从而更好地满足推荐任务的目标。为了验证这一新指标对 - 关于（标准化的）折扣累积收益作为一个离线评估 $n$ 个项目推荐的度量
对推荐方法的评估方法进行了探讨，研究了离线评估和在线试验之间的关系，并分析了离线评估指标的一致性和实用性。
- 基于二项式扩散过程的一维数据推荐算法 RecFusion
本文提出了 RecFusion，它包含一组扩散模型，用于推荐。我们在一个一维向量上制定了扩散并提出了二项式扩散，它用伯努利过程明确地建模了二元用户 - 项目交互。我们展示了 RecFusion 在核心推荐设置（二元非顺序反馈的 top-n