- KDD重新审视加速器上的神经检索
通过使用混合逻辑 (MoL) 模型代替点积来准确表示复杂的用户 - 物品互动，结合 extit {h-indexer} 层级检索策略能够在单个 GPU 上扩展到 1 亿个语料库，并在公共数据集中取得了高达 77.3％的命中率提高。
- 传统中药推荐的顺序条件演化交互知识图谱
本文提出了一种基于串行病情进化交互知识图谱 (Sequential Condition Evolved Interaction Knowledge Graph，SCEIKG) 的 TCM 药方推荐方法，该方法不仅考虑了病人状况的动态变化，还 - ACL主观偏好下的多模式推荐对话：一项新的挑战和基准测试
该研究介绍了一个名为 SURE 的新数据集，其中包含人类主观偏好和销售专家提出的推荐行为，用于评估多模态推荐代理的能力，并提出了一个基于 SURE 的基准模型。
- KDD以用户为中心的排名破解质量饱和的诅咒
本文提出了一种名为 "基于用户中心排序" 的替代排序算法，该算法能够解决排序模型中的诸多问题，包括模型复杂性和大规模数据分析等方面。
- UP5: 公平感知推荐的无偏基础模型
本文针对大型语言模型在推荐系统中可能存在的不公平问题，提出了基于 Counterfactually-Fair-Prompting（CFP）技术的新型 Unbiased P5（UP5）模型，将个性化前缀提示和多个 Prompt Mixture - Preference or Intent? 双重解耦协同过滤
本文提出了一种名为 DDCF 的双重分离协作过滤方法，通过分离意图和偏好的影响因素，构建独立的偏好表示，以提高个性化推荐性能的鲁棒性和可解释性。实验表明，DDCF 显著提高了性能和解释能力。
- SIGIR当新不如旧：深度学习是否真正有益于从隐式反馈中进行推荐？
通过对 13 种流行的推荐模型进行大规模实验，首次提出了一组评估策略来比较神经模型和传统模型在推荐系统的表现，发现在不同方面神经模型都不一定优于传统模型，并且在子群体方面表现更优。
- 基于 Ripple 知识图谱的卷积神经网络推荐系统
该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。
- SIGIR精确、可解释和互动的推荐三重结构信息建模
TriSIM4Rec 是一种处理动态交互图上推荐问题的模型，它采用三重结构信息（用户 - 项目共现、用户交互的时序信息、项目间转移概率）并成功进行了融合，从而实现了推荐的高准确率、可解释性和交互性.
- SIGIRLogicRec：基于用户逻辑需求的推荐算法
本研究提出了一个基于逻辑查询嵌入的个性化推荐方法，利用知识图谱和多任务知识共享机制来处理用户的逻辑需求并提升推荐效果。
- 元元多图搜索：重新思考异构信息网络上的元结构
该论文提出了一种新的元结构 meta-multigraph，通过可微分的搜索方法自动优化特定 HINs 和任务的 meta-multigraph，并引入了一个从详细到简洁的 C2C meta-multigraph，用于从各种 HINs 中传 - 用于推荐系统中偏好理解的因果分离变分自编码器
本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法
- 层次和对比表示学习应用于知识感知推荐
提出了一种面向知识感知推荐的层次化和对比的表示学习框架 HiCON，其中包括层次化消息聚合机制和跨序对比学习，实验表明 HiCON 对现有方法具有显着的优势。
- 利用证据图的多通道异构学习增强临床证据推荐
该研究旨在针对临床问题推荐临床证据，为此，研究者们定义了支持临床证据推荐的两个知识图谱：证据共指图和证据文本图，同时提出了一种多通道异质性学习模型和融合关注机制来解决证据推荐中的异构性问题，并在实验中取得了优于现有方法的效果。
- WWW通过数据增强改善推荐公平性
本文研究了如何从数据增强的角度提高协同过滤推荐的公平性，通过增强数据集中的不平衡数据来改善其公平性，测试结果表明这种方法能有效提高推荐公平性。
- Adap-$τ$: 为推荐系统自适应调节嵌入向量幅度
本文研究了通过使用嵌入归一化来消除推荐系统中存在的流行偏差和训练不稳定性；通过对四个真实世界数据集的实验证明，将用户 / 项目嵌入归一化到一个特定的值可以显着提高性能。但是，这种方法高度依赖于温度 tau 的选择，因此本文还提出了一种自适应 - 基于 Pareto 双向排序的推荐系统公平性增强
本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。
- MM服装生成与推荐 -- 实验研究
本文通过使用欧洲最大时尚商店的用户数据，从个性化和非个性化的角度提供了各种算法的广泛评估和比较，并透露了一些针对尚未在这项任务上进行评估的模型的见解，包括 GPT，BERT 和 Seq-to-Seq LSTM，并提供了适用于个性化服装生成的 - 检测和分析已发表科学实体的缺失引用
本文提出了一种基于已发布的科学实体和其文本引用语境中同句中的共现关系的引文推荐方法（CRPSE），并进行了实验验证。 在 2020 年公认的计算机科学会议中发表的 12,278 篇论文中，发现了 475 个缺失引用的计算机科学和数学领域的已 - COFFEE：可解释推荐中针对个性化文本生成的反事实公平性
本文研究个性化文本生成中的公平性问题，提出了一个可适用于现有模型和实际场景的通用框架，以促进文本的公平性，消除因用户属性造成的偏见。