- 感知机协同过滤
利用多元逻辑回归分类器、协同过滤和神经网络，在推荐系统中使用感知器模型拟合用户数据并预测用户偏好。
- SIGIR利用大型语言模型进行新闻源推荐的多层排名
通过引用语句，建立一个可靠的新闻信息来源推荐体系，以提高推荐系统的预测和行为质量。
- MM用户偏好动态下的推荐系统伤害缓解
研究考虑了推荐系统、用户兴趣演化以及有害内容之间的相互作用，建模了推荐对用户行为的影响，特别是对有害内容消费的倾向性。旨在找到在最大化点击率（CTR）和减轻伤害之间建立权衡的推荐策略，并提出了在稳态下找到最优推荐策略的算法。在以真实数据初始 - 使推荐系统更具专业知识：一个整合辅助信息的框架
该研究提出了一种利用边缘信息来提高推荐系统性能的新框架，并通过实验证明，该推荐系统在准确率和收敛速度上优于其他最先进的模型。此外，该研究还探讨了关注机制的新型正则化损失，并提出了进一步改进的一些见解。
- 战略线性上下文强盗
通过研究策略性代理商操控推荐系统以最大化推荐次数的现象，我们针对线性上下文赌博问题的策略变体进行研究，其中，策略可以误报私有观察到的上下文给学习者。我们将算法设计问题视为不确定性下的机制设计问题，并提出了乐观的致命开关机制（OptGTM）， - ICLR认识邻近效应：在干涉下建模选择偏差
推荐系统中的选择偏差源于系统过滤和用户选择的交互过程。本研究从因果推断的角度，形式化地将邻域效应作为干预问题，并引入治疗表示来捕捉邻域效应。在此基础上，我们提出了一种新的理想损失函数，用于处理具有邻域效应的选择偏差问题。我们进一步开发了两种 - 基于多意图解耦的序列推荐对比学习方法
我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。
- WWW揭示深度过滤泡：短视频推荐中的狭窄曝光
在这项研究中，我们通过在中国一家顶级短视频平台的一年交互数据，对 “深度” 筛选气泡进行了调查，该平台包括每个视频的三级类别的层次数据，我们对这种情况下的 “深度” 筛选气泡进行了形式化定义，然后在数据中探索了各种相关性，首先了解了深度筛选 - 在线采购中的供应商推荐
通过在线采购系统，我们提出了一个供应商发现的推荐系统，为道路货物在线采购提供个性化供应商推荐，考虑顾客需求和偏好。我们的初步结果在真实数据上取得了有希望的成果。
- 分散学习对斯塔克尔贝格博弈中玩家效用的影响
探讨了两个学习代理（如推荐系统或聊天机器人）相互交流并独立学习的情况下，每个代理的目标和效用如何受到影响，并提出了一种宽容于小学习误差的放松后的后悔基准，以及相应的学习算法，实现了接近最优水平的后悔率。
- 与图形会话推荐相结合的大型语言模型的整合
通过将大型语言模型（LLMs）与图神经网络（GNNs）有机地结合为 SBR（基于会话的推荐）任务设计了 LLMGR 框架，旨在提高会话内的项目理解和推荐能力，通过辅助和主要指令调整任务的提示来赋予 LLM 处理图结构数据的能力，通过在三个实 - LLM4SBR：一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架
传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过 - Trinity: 一站式综合多元 / 长尾 / 长期利益的融合
我们提出了一种名为 “Trinity” 的新型和统一的框架，在检索阶段解决了兴趣遗忘问题和改进了多兴趣建模任务。在 Douyin 的推荐系统中部署后，显著改善了用户体验和留存，我们相信这种实际经验可以推广到其他场景。
- 跨领域推荐的领域感知交叉注意力
我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展 - 利用大型语言模型重新排序以增强推荐的多样性
用大型语言模型进行多样性重新排序是一个有前途的方法，它能为推荐系统带来多样性而不需要特殊的知识工程。
- 一种基于超图的图书馆在线资源推荐方法
分析数字图书馆的使用数据，利用聚类算法（包括基于内容和基于用户访问模式）设计推荐系统，并通过超图算法生成的聚类模型相较基于内容的聚类算法设计的推荐系统更准确。
- 利用语音情感识别和推荐系统处理治疗聊天机器人中的负面情绪
提出了一种通过增强语音感知能力来提升治疗聊天机器人对用户情绪理解和人性化回应的方法，该方法使用卷积神经网络（CNN）模型和 ShEMO 数据集的语音情感识别（SER）技术来准确检测和分类负面情绪，包括愤怒、恐惧和悲伤，并使用 SER 模型和 - 面向个性化推荐的群体感知兴趣解缠式双训练
个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。
- 评述推荐系统中图卷积网络技术的发展
推荐系统领域的文献综述表明，图神经网络是当前互联网上应用最广泛的推荐算法之一，该研究剖析了推荐系统和图神经网络的背景和发展，并分类讨论了推荐系统的设置以及图神经网络的谱模型和空间模型，同时探讨了将图神经网络应用于推荐系统的动机，并分析了在图 - 交互推荐中的软属性偏好征求
基于软属性，利用概念激活向量开发了一种新颖的偏好征集方法，结合了物品和属性的偏好征集，以提高推荐系统的推荐质量。