- 在考虑估计统计量的不确定性的情况下强健的推荐系统组合优化
该研究论文关注于通过组合优化模型创建高质量的推荐项目列表，以平衡推荐的准确性和多样性。提出了利用鲁棒优化技术处理估计统计不确定性的鲁棒组合优化模型，并证明该方法能够提高推荐的准确性和多样性。
- RecDiff: 社交推荐的扩散模型
社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声， - 知识图谱对推荐系统是否确实重要？
推荐系统中使用知识图谱提高推荐准确性的效果被质疑，本研究提出了一个评估框架 KG4RecEval，通过 KGER 指标系统评估基于知识图谱的推荐系统在推荐准确性上的贡献，并发现知识的删除、随机扭曲或减少不一定会降低推荐的准确性，甚至对于冷启 - 一种简单而有效的多样化会话推荐方法
我们提出了一种插件设计，将多样性引入现有的 SBRS，以提高推荐列表的多样性并保持推荐准确性。这一设计包括一个面向多样性的模型不可知型损失函数和一个无侵入的类别感知注意机制。通过实验验证，相较于当前最先进的准确性导向型 SBRS，我们的设计 - 社交推荐中调节社会影响偏见的因果解缠
本文提出了一种基于因果解缠的社交推荐系统，名为 CDRSB，用于改进推荐性能。实验结果表明，与现有方法相比，CDRSB 在四个大规模真实世界数据集上的效果更好，解决了社交推荐系统面临的社交影响偏差问题。
- LightLM: 一种适用于生成推荐的轻量级深度和窄语言模型
LightLM 是一种轻量级的基于 Transformer 的语言模型，用于生成推荐。通过引入轻量级、深而窄的 Transformer 架构，并结合 Spectral Collaborative Indexing 和 Graph Colla - 通过临床和数字数据的综合分析对患者进行聚类
本研究介绍了一种基于患者数据的新型患者聚类模型，利用约束低秩逼近的方法，结合患者的临床数据以及数字交互数据（包括浏览和搜索），构建患者个人资料。通过生成非负嵌入向量作为患者低维表示，我们的模型在真实世界的患者数据上进行了评估，综合考虑了聚类 - 通过反事实回顾和预测解释实现用户可控的推荐
我们提出了一个用户可控的推荐系统，通过整合可解释性和可控性，通过提供回顾性和预测性的解释，用户可以与这些解释进行交互以自定义对系统的控制。实验证明，我们的框架在 MovieLens 和 Yelp 数据集上具有有效性，并且提供用户控制选项可以 - MM使用优化的负采样和损失函数对基于会话的 Transformer 推荐进行扩展
TRON 是一个可扩展的基于会话的 Transformer 推荐系统，使用了优化的负采样。通过整合前沿模型如 SASRec 和 GRU4Rec + 的 top-k 负采样和列表损失函数，TRON 在保持与 SASRec 相似的训练速度的同时 - 我们的模型在 MovieLens 上取得出色的表现：这意味着什么？
通过对 MovieLens 数据集的细致分析，揭示了使用该数据集评估推荐算法可能存在的潜在影响，包括用户交互的不同阶段的差异、推荐算法对用户交互的影响、用户交互顺序变化对算法的挑战以及与实际推荐场景存在的差异等。
- EGCR: 对话式推荐的解释生成
提出了一个名为 EGCR 的新型端到端框架，以从用户评论中提取信息来增强项目表示，并提供解释信息，提高了推荐准确性和对话质量，并增强了可信度。
- KDD为推荐系统检测任意顺序的有益特征交互
该文提出了一种名为 HIRS 的基于超图神经网络的模型，通过采用深度信息最大化方法直接生成任意阶的受益特征交互并做出推荐预测，该算法在推荐准确性方面胜过现有算法高达 5%。
- SIGIR精简即美：调整重要的谱图特征用于推荐
本篇论文通过对图卷积网络的分析发现其核心组件对于推荐贡献不足。基于这个发现，我们提出了一种新的学习方案，使用图去噪编码器（GDE）来代替邻域聚合提高推荐准确性，并通过负样本动态调整梯度以加快模型的训练。在五个真实数据集上的实验表明，我们的方 - 通过强化学习实现帕累托有效的公平效用权衡推荐
本文提出了一种基于多目标强化学习的公平感知的推荐框架（MoFIR），能够以单参数表示形式学习所有可能偏好的最优推荐策略，并在多个真实推荐数据集上的实验中验证了其在公平指标和推荐度量方面的优越性。
- 跨域和跨系统推荐的深度框架
本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR，通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程，有效利用评分数据，实验结果表明，该框架在推荐准确性方面优于现有的 CDR 和 - ICML基于循环神经网络的混合式基于会话的新闻推荐
本文介绍了一种基于混合元架构的会话式新闻推荐模型 —— 变色龙。该模型利用循环神经网络来整合多种信息类型，并采用了一种模拟新闻门户网站的动态评估策略。实验结果表明，与其他基于会话的推荐算法相比，采用循环神经网络模型和利用用户和文章的辅助信息 - SIGIR如何重新训练推荐系统？一个顺序元学习方法
本文通过引入 Transfer Component，提出了 Sequential Meta-Learning (SML) 方法，以达到在推荐系统重复训练模型并提高准确性的目的。通过在实际情况下的实验，SML 不仅实现了显著的加速，而且在推荐 - 实用的隐私保护 POI 推荐
本文提出了一种隐私保护的 POI 推荐框架 PriRec，采用本地差分隐私技术保护用户数据、采用安全的去中心化梯度下降协议在用户端训练、采用安全聚合策略在联邦学习范式下训练特征交互模型，实现了用户数据和模型的本地保存和保护，同时具有可比较甚 - WWW面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络
本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。
- 通过个性化重新排序管理推荐系统中的流行度偏差
本文介绍了一种基于个性化多样化重新排序的方法，以增加不受欢迎的项目在推荐中的表现，同时保持良好的推荐准确性，并展示了其对比现有基于规范化的方法对处理受欢迎程度偏差更有效，同时检验了各种新的和现有的指标来衡量推荐中长尾商品的覆盖率。