- 文档嵌入 vs 关键词短语 vs 术语：数字图书馆推荐系统的在线评估
本研究比较标准的基于词项的推荐方法与两种有前途的数字图书馆相关文章推荐方法：文档嵌入和关键词短语的推荐效果，并通过我们的推荐服务 Mr. DLib 在 Sowiport 和 Jabref 上提供了 3350 万次推荐，在不同的情境下评估了它 - 电子商务系统中基于强化利润最大化的价值感知推荐
通过融合在线广告和微观经济基本概念到个性化推荐领域，我们提出了基于强化学习的价值感知推荐算法，该算法通过直接优化候选项的经济价值生成推荐列表，映射每种用户操作的货币化经济价值并以此作为排序列表的激励值，在线商业系统与离线基准测试中得到验证， - 探究作者性别在书籍评分和推荐中的影响
通过公开的书籍评分数据，我们研究协同过滤推荐算法对于内容创作者性别分布的响应，发现常见的协同过滤算法在推荐书单的性别分配方面存在差异，并且与用户档案分布的关系也存在差异。
- 一次一个：用于微观层面的元学习推荐系统 —— 推荐算法的选择
本研究提出了基于元学习的推荐算法选择方法，并对 MovieLens 数据集进行了评估，结果表明每个用户 - 物品对应的最佳算法是不同的，使用基于每个实例的元学习算法可以显著提高推荐精度。
- MM学习异构知识库嵌入以实现可解释的推荐
本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中，提出了一种基于知识嵌入的框架，能够在保留用户和项目关系结构的同时，生成个性化解释说明推荐结果，并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。
- KDD神经网络协同过滤的采样策略
本论文提出了一种基于神经网络的推荐框架，该框架可以包含用户 - 物品交互信息和多种内容信息，提出了三种新的采样策略来改善框架的训练效率和推荐性能，并对计算成本和收敛性进行了理论分析。
- ICLR深度推荐系统的优化：基于布隆嵌入的稀疏二元输入 / 输出网络
提出了一种能够在使用深度学习从推荐领域提取数据时对输入和输出进行压缩的方法 Bloom embeddings，并在对七个数据集的测试表明此方法能够提供计算效率和比原始方法更高的准确性。
- 推荐系统与人的交互
该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。
- 基于项目 - 项目协作过滤的遗憾保证
本研究提供了一个设计和分析各种协同过滤推荐算法的框架，研究发现相比于用户 - 用户协同过滤，基于商品 - 商品的过滤算法表现得更好，并能够以快速的速度为缺乏信息的新用户提供良好的推荐表现，该过滤算法的具体实现是在线二进制矩阵填充。
- SIGIR基于用户偏好的旅行目的地优化推荐
研究在 Booking.com 上为用户推荐旅游目的地的算法性能，发现基于朴素贝叶斯模型的推荐算法相较于随机推荐和最流行推荐，在实时用户 A/B 测试中实现了显著用户参与度的提升。