- 基于组合多臂赌博机的推荐辅助缓存
通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式 - MM通过缓解操纵攻击来推进推荐系统
该论文提出了一种准确检测系统中有假评价账户的算法，并研究这些账户对推荐系统的影响。
- 评估大型语言模型用于物质选择
通过收集专家材料偏好的数据集，该研究提供了评估大型语言模型在材料选择方面与专家建议相符程度的基础，并通过提示工程和超参数调整比较了大型语言模型在各种设计情景下与专家选择的性能。该研究的结果强调了大型语言模型在材料选择方面的两种失败模式，并发 - 增加产品曝光率的大型语言模型操作
研究表明，通过向产品信息页面添加战略性文本序列（STS）可以显著提高产品被大型语言模型（LLMs）推荐为最佳选择的可能性，从而给供应商带来竞争优势，并可能对公平市场竞争产生重大影响。
- LAMP：一种地图上的语言模型
通过在特定城市数据上对预训练模型进行微调，本研究引入了一种新的框架，从而使其能够提供准确的推荐，同时最大限度地减少虚构。我们分享了我们的模型 LAMP 和用于训练它的数据，通过实验分析其正确检索空间对象的能力，并将其与 GPT-4 等众所周 - IJCAI基于表示学习和启发式特征的社交网络链接预测
使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。
- 与用户交互的服装推荐
通过整合用户反馈建立实时用户画像，并利用强化学习代理提供适宜的服装建议，提高推荐的准确性和用户满意度。
- 揭示安卓恶意软件检测中的机器学习解决方案关键
机器学习方法对于安卓恶意软件检测起到了关键作用，而本文则通过实证分析全面调查了基于机器学习的安卓恶意软件检测的研究进展，并总结出一些建议以引导未来的研究。
- 推荐的自然语言解释中的连贯性问题
提供自然语言解释对于非专业用户尤为有用，然而目前常用的评估方法未能充分捕捉解释和预测之间的连贯性，因此本文通过人工验证、自动连贯性评估方法和基于 Transformer 的新方法阐明了这个问题，并进行了实验评估，结果表明该方法明显提高了解释 - 有毒语言检测：阿拉伯数据集的系统调查
本文综合调查了关于阿拉伯语在线毒性语言的数据集，收集了 49 个可用的数据集及其相应的论文，并对其进行了全面分析，考虑了内容、注释过程和可重复使用性三个主要维度的 16 个标准。通过这一分析，我们发现了现有的差距，并对今后的研究工作提出了建 - 用户画像识别和新服务适配推荐
基于高维度轨迹信息，我们通过使用 SessionBERT 方法来识别用户画像，提供个性化的网页用户体验和推荐服务。
- KDD通过基于模拟的强化学习的自动音乐播放列表生成
使用强化学习技术，在模拟的歌单生成环境中直接优化用户满意度指标，从而实现对大规模和动态候选歌曲集的个性化推荐。通过离线模拟和在线 A/B 测试验证，该方法相对于基线方法在用户满意度指标上表现更好，并且通过模拟器得到的性能评估与在线指标结果强 - 如何在数据马拉松中处理数据
基于作者自身经验和 80 多个 datathon 挑战活动以及 60 多个合作伙伴组织自 2016 年以来的见解，我们提供了指引和建议，作为组织者在 datathon 的数据相关复杂性中导航的资源，并将我们提出的框架应用于 10 个案例研究 - 一种基于 Q-learning 算法的重视服从性的推荐方法
开发了一种 “遵循感知 Q-learning” 算法，通过学习 “遵循水平” 来捕捉人类决策者遵循推荐行动的频率，实时推导出最佳推荐策略，证明了该算法收敛到最优值并在各种情境下评估了其性能。
- 社交物联网的上下文感知服务推荐系统
Social Internet of Things 的研究，探索服务推荐的上下文表示、潜在特征组合技术以及服务推荐框架对提高准确性和相关性的有效性进行实验评估。
- 喷泉：一种融合知识表示和语言模型的智能上下文助手用于制造业风险识别
在制造过程中，通过 Fountain 作为一个上下文助手，结合领域特定语义相似性的语言模型和基于物料清单、故障模式与影响分析和客户报告的属性图知识表示，选择和调整预训练模型，并利用用户交互更新模型，从而实现早期识别风险、提供解释性建议以及可 - AI 问责政策探索
针对美国国家电信和信息管理局的 “人工智能问责政策征求意见” 的回应，本白皮书提供了一系列相互关联的人工智能问责政策建议。
- PLIERS：基于用户流行度的在线社交网络内容传播推荐系统
本文提出了一种新颖的基于标签的推荐系统 PLIERS，其假设用户主要对与他们已经拥有的物品和标签相似流行度的物品和标签感兴趣，旨在在算法复杂度和个性化推荐水平之间取得良好的平衡。通过在真实的在线社交网络数据集上进行一系列实验证明了 PLIE - 基于顾客购物意图的个性化推荐学习
本文介绍了亚马逊的新系统，使用深度学习技术，将用户的在线行为映射到各种高水平购物意图，以个性化推荐，提高了推荐准确性和业务指标的 10％。
- WSDM多样化推荐的分离表示
本文提出了一个通用的推荐多样性框架，能在不牺牲精度的前提下实现商品类别的多样性，需要细致理解用户对商品的品质或预选属性的偏好，使用户表示与商品类别无关，通过改进模型能够在商品类别内改进用户分类喜好的建模与商品排序，通过实验证明了该模型对精度