- CVPR时尚服装搭配配件检索
提出一种基于类别的子空间注意力网络和穿搭排名损失的服装搭配推荐框架，用于补充物品检索，实验结果表明其在服装搭配和物品检索任务上均优于现有方法。
- WSDM使用对抗学习进行隐私感知的私有属性保护推荐
本文提出了一种名为 “RAP” 模型，使得在推荐系统中保护用户隐私属性的同时，能够为其推荐相关物品，通过对对抗学习问题的建模，对私有属性推断攻击进行反制，同时基于贝叶斯个性化推荐算法调节推荐过程，并在实验证明保持了推荐质量并保护了用户免受私 - 个性化推荐的分层关注知识图谱嵌入
本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。
- SIGIR提高协同度量学习效率的负样本采样优化
本文提出了一种针对距离度量学习的负采样策略，在推荐方面获得了不错的准确度和普及性偏差表现。该策略使得 CML 模型即使在批处理大小比默认采样策略需要的批处理大小小一个数量级的情况下，仍然能够高效地工作。
- SDM: 在线大规模推荐系统的序列深度匹配模型
本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。
- 多利益相关者推荐及其与多方公平性的关联
本文研究了多利益相关者推荐的公平性问题，定义了多利益相关者推荐系统的不同类别，并讨论了在此类系统中不同的公平性问题。
- IJCAI四元数协同过滤推荐
该研究提出了四元协作过滤（QCF）算法，其基于四元数代数计算，利用 Hamilton 积的表达能力和强大的表示学习能力来帮助学习用户 - 物品之间的交互。作者在六个真实数据集上进行了广泛的实验比对，证明 QCF 在推荐系统中的有效性并优于许 - FOBE 和 HOBE：一阶和高阶二分图嵌入
本文提出了针对类别特定的二分图特点的两种嵌入方法，并比较了这两种嵌入方法在链接预测和推荐任务上的表现，发现不同的嵌入方法存在权衡。
- KDD腾讯面向用户的概念挖掘系统用于查询和文档理解
本文介绍了 ConcepT 在 Tencent QQ 浏览器中的实现和部署经验，该算法从大量的用户查询和交互搜索点击日志中挖掘用户中心概念，并用于文档标签和主题 - 概念 - 实例分类法，从而提高了搜索和新闻推荐的效率。在线 A/B 测试的 - KDDKGAT: 知识图谱注意力网络推荐
提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法
- 跨服装类别学习时尚搭配以进行服装推荐
本文提出了一种基于孪生网络和全连接网络的推荐方法，其中加入颜色直方图功能以提高时尚兼容性评价，且网络训练采用拉普拉斯和矩阵变量正态分布以增强网络效率和稀疏性。
- 关系协同过滤：建模多个物品关系进行推荐
该研究提出一种名为 “关系型协同过滤” 的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality 等) 并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关 - WWW个性化捆绑列表推荐
该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在 - 为大规模深度学习系统辩护：智能算法胜于硬件加速
本研究提出了一种基于 CPU 的深度学习引擎 SLIDE，采用智能随机算法、多核并行和工作负载优化，通过针对大规模完全连接网络的训练，相对于优化的 Tensorflow（TF）在最佳可用 GPU 上进行训练，在任何给定准确性水平下，使用仅仅 - MM深度贝叶斯多目标学习用于推荐系统
本论文提出了一种基于贝叶斯模型的多目标优化框架（Deep Bayesian Multi-Target Learning，DBMTL），并将其应用于淘宝直播推荐，从多个方面优化推荐表现。研究表明，与其他多目标学习框架和非多目标学习模型相比，D - WWW协同相似嵌入在推荐系统中的应用
提出了一种协作相似度嵌入模型（CSE），该模型利用了用户 - 项目二分图中可用的全面协作关系，用于表示学习和推荐，通过直接接触和 k - 阶邻域接近度学习用户 - 项目关联，并且针对性地设计了一种采样技术来捕捉这两种不同类型的接近度关系。在 - 搜索、推荐和在线广告的深度强化学习：综述
本文概述了基于深度强化学习的信息搜索、推荐和在线广告的方法和应用，回顾了代表性算法，讨论了一些有吸引力的研究方向。
- 基于深度强化学习的显式用户 - 物品交互模型推荐
本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 - MM个性化照片推荐的美学特征
本文研究摄影网站的个性化照片推荐，并提出两种基于颜色空间和深度风格迁移嵌入的美学特征提取方法，使用 500px 数据集进行评估，结果表明第二种方法在照片推荐性能方面有显着提高。
- 消除混淆推荐器：推荐的因果推理方法
推荐系统通过因果分析的方法解决了推荐过程中潜在变量的干扰，引入去混淆因素的推荐模型成功地提高了推荐准确性。