- Item-Graph2vec: 一种使用商品共现图嵌入的高效有效方法，用于协同过滤
描述了一种基于物品图嵌入算法 (Item-Graph2vec) 的大规模物品推荐系统，该算法通过将用户的购物清单转化为物品共现图，并通过随机游走在该共现图上获取物品序列，最后通过序列样本训练物品向量。实验结果表明，在豆瓣数据集上，Item- - 使用可学习的物理知识进行实时锻炼姿势建议
通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实 - 可解释性不等于解释性：以教育推荐系统为重点的新型定量 XAI 方法
本文提出了一个新的分类法，以解决解释性人工智能领域中缺乏广泛接受的分类法的问题，并在现有定义和框架的基础上系统分析，重点关注透明性、可解释性、完整性、复杂性和可理解性等核心概念和关系，旨在为未来的研究建立共享词汇。通过使用 SHAP 包，我 - UNICON: 电子商务中基于行为的消费者分割的统一框架
利用丰富的消费者行为数据，我们引入了一个统一的深度学习消费者细分框架 UNICON，用于提取两种关键类型的细分，即 “类似人群”，通过类似行为扩展预定义目标种子段与消费者的行为相似者，以及 “数据驱动”，揭示具有相似关联性的非显而易见的消费 - 面向差分隐私的顺序推荐：一种噪声图神经网络方法
本文提出了一种新颖的差分隐私序列推荐框架 (DIPSGNN)，通过噪声图神经网络方法实现差分隐私保护，解决了现有差分隐私推荐系统在顺序推荐中的局限性，能够保护依赖性互动并同时捕捉用户偏好，在隐私和准确性之间取得更好的平衡。
- 脊髓电刺激治疗慢性疼痛患者的管理推荐系统
使用上下文多臂赌博机（CMAB）方法，我们提出了一种针对椎骨刺激（SCS）疼痛管理的患者的推荐系统，旨在通过数字健康生态系统直接向患者发送推荐，结合患者监测系统，在整个患者旅程中为慢性疼痛患者闭合治疗循环，评估结果显示，SCS 推荐对于临床 - 内容提示：建模内容提供商动态以提升推荐系统中用户福利
用户推荐系统通过内容提示政策，识别用户偏好并优化推荐，提高生态系统的健康度和用户福利。
- 去中心化图神经网络的隐私保护推荐
本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。
- 基于主题的贝叶斯惊喜和巧合的推荐系统
我们提出了一种基于内容的机制，利用贝叶斯惊喜度量消费者收看并给出评分后物品的惊喜性，并结合协同过滤组件来推荐具有高惊喜潜力的物品，从而避免推荐系统中的筛泡现象。通过实验证明，使用贝叶斯惊喜能够更好地与主题级惊喜手动注释的相关性，并获得更好的 - 利用大型语言模型提高金融审计的零样本文本匹配
零射击 ALI 是一种新颖的推荐系统，利用了最先进的大型语言模型（LLM）与领域特定优化的基于转换器的文本匹配解决方案，通过检索最佳匹配的文档段落并使用 LLM 进行筛选，显著改进了现有方法。
- 移动供应：推荐系统的最后一块拼图
为解决推荐系统中的分页机制问题，研究者提出了一种名为 Mobile Supply 的新模块，将推荐系统的流程扩展为 “retrival->pre-ranking->ranking->re-ranking->Mobile Supply->mo - 改进现代工业推荐系统的方法论
改进现代工业化推荐系统的方法论，经验可推广至其他系统，适用于追求提高关键性能指标的工程师。
- 我们的模型在 MovieLens 上取得出色的表现：这意味着什么？
通过对 MovieLens 数据集的细致分析，揭示了使用该数据集评估推荐算法可能存在的潜在影响，包括用户交互的不同阶段的差异、推荐算法对用户交互的影响、用户交互顺序变化对算法的挑战以及与实际推荐场景存在的差异等。
- 双通道卷积神经网络在推荐系统中的意见挖掘
本文提出了一种基于深度学习模型的情感分析方法，并将其用于推荐产品，通过 SMOTE 算法平衡数据集，并使用张量分解算法为每个聚类分配权重，以提高推荐系统性能，相比之前的基于方面的方法，精度提高了至 91.6%。
- 新闻室的混合式调节：为内容调节员推荐精选文章
本文提出一种基于分类概率排名的推荐系统，能够结合用户和文本内容的特征，帮助和支持在线新闻机构评论区的内容管理者在选择精选评论时进行决策。通过使用文本特征和用户内容特征，该系统在测试集上获得了 F1-score 为 0.44 的最佳分类，同时 - 为动态个性化的拼车服务设计的机器学习排名算法
本文提出了 GoTogether, 一种基于学习排序技术的拼车推荐系统，通过用户历史选择建立个性化排序模型并最大化成功匹配的推荐，实验结果表明在静态和动态情况下该方案能快速准确预测用户选择。
- 基于机器学习模型的学术环境中食品推荐系统
使用混合推荐系统结合协同过滤、基于内容和基于知识的模型，以及决策树、k - 近邻、AdaBoost 和 Bagging 等机器学习模型根据能量指标和学生的食品选择历史，将大学餐厅的食物推荐给学生，其中 AdaBoost 模型的准确率最高，为 - MM简化算法模型探究建议系统中群体评分偏好
通过用户评分倾向性的分类，探究其对个性化推荐系统的影响以及预测准确性，结论表明不同倾向性的用户其行为模式不同，需要进行分组以提高推荐效果。
- RecAgent: 一种适用于推荐系统的新型仿真范式
本文介绍了一种基于大型语言模型的推荐系统模拟器 RecAgent，旨在克服仿真研究的缺陷并突出优势，通过真实用户行为来验证其有效性。
- 纯谱图嵌入：重新解释图卷积，用于 Top-N 推荐
本文探讨了使用图卷积在协作过滤领域中的优势，并介绍了利用特征向量进行推荐的方法，从而避免了传统梯度下降训练过程。在三个真实世界数据集上获得更高的性能。