- 用户视角下的可解释人工智能（XAI）- 先前文献综述和未来研究问题解析
通过系统文献综述研究 AI 解释的四个维度 - 格式、完备性、准确性和时效性，以及 XAI 效应的五个维度 - 信任、透明度、可理解性、可用性和公正性，并且针对未来研究议程提出了研究问题和可能的研究方向，从而开发了一个综合框架，并研究了其对 - AutoAttention: 用户行为建模中自动选择注意力字段对
提出了一种名为 AutoAttention 的模型，该模型使用可学习的权重对所有 item/user/context 字段进行查询，以及在行为字段和查询字段之间为每个字段对分配一个可学习的权重对这些字段对进行修剪，从而实现自动字段对选择，以 - MM祛除：基于神经推荐系统的注意力因果解释
本文介绍了 CLEAR 方法，它可以从基于注意力的推荐器的注意力中学习会话特定的因果图，在潜在混淆因素的可能存在下进行。这些因果关系图描述了用户在注意力所捕捉到的上下文中的行为，并为推荐提供了反事实的解释。通过实证评估，我们发现与天真地使用 - WSDM基于 F 形点击模型的多块移动页面信息检索
为了与多块移动页面相容，该研究通过用户注视数据发现了针对 F 形多块页面的相关模式，提出了基于 DAG 和 GRU 结构的 F 形 Click 模型，能更准确地预测用户的交互行为.
- 用户行为监督下的产品分类扩展：从所做的事情中学到所需的知识
本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成 - WSDM基于级联行为模型的排序策略双重稳健离线评估
提出了一种新的基于级联假设的有偏差 - 无方差权衡评估器来评估推荐系统中的排名策略，在综合合成和真实数据实验中优于现有评估器。
- 面向用户驱动的神经机器翻译
本文介绍了一种基于用户驱动的神经机器翻译系统，该系统能够捕捉用户的历史输入并生成个性化的翻译结果。为了填补当前缺乏用户行为注释平行数据集和难以对零样本情况的用户画像建模的差距，提出了一种基于缓存和对比学习方法的框架。同时，作者还贡献了第一个 - AAAI一种基于嵌入的短文本情感 - 主题联合模型
本文提出 ELJST 模型，可从短文本中挖掘语义情感和主题，具有更好的主题连贯性和多样性，有助于更好地理解用户行为，为服务和医疗行业提供显著价值。
- 多个平行短语建议对母语和非母语英文写作者的电子邮件输入和组成行为的影响
本研究利用神经语言模型对多词语建议在电子邮件写作中的输入和文本组合方面对外语和非外语人士的行为进行了研究，发现多词语建议提高了想象力，但牺牲了效率，非母语人士对多个建议的词语受益更多。我们探讨了这些发现对于研究、交互式建议系统的设计以及支持 - MM使用模拟用户来度量推荐系统的效果
本文通过提出基于模拟框架的评估指标，研究了推荐系统中普遍存在的偏见与用户行为之间的关系，并通过经验案例研究了流行度偏见如何随时间展现。
- WSDM多交互注意力网络用于 CTR 预测中细粒度特征学习
通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多 - 新闻推荐系统：最近进展、挑战和机遇的评估
本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案，其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时，为研究者和业界提供了最前沿的知识。
- MTBRN: 基于多路复用目标 - 行为关系增强网络的点击率预测
本文提出了一种利用多重关系的点击率（CTR）预测框架（MTBRN）来增强 CTR 预测的方法，并采用各种图形结构（如知识图和商品相似度图）构建多个关系路径。采用 Bi-LSTM 编码每个路径以及路径融合网络和路径激活网络进行适当的聚合和训练 - KDD挖掘用户行为隐式相关反馈以用于网络问答
本文通过研究用户行为与段落相关性的关联性，提出了一种新的从用户行为数据中挖掘 Question Answering 系统训练数据的方法，并在四个测试数据集上得出了显著的排名准确性提高的结果。
- 关注 Item2Vec：神经注意用户表示
该研究提出了一种名为 Attentive Item2vec（AI2V）的新型，它使用上下文 - 目标注意力机制来学习和捕获用户历史行为的不同特征，以及在推荐中表现出了优异的性能。
- BehavDT: 用于构建以用户为中心的上下文感知预测模型的行为决策树学习
本文提出了一种基于行为决策树模型的上下文感知预测模型，通过考虑个人偏好水平来输出用户行为的一般化和上下文特定化决策，进而更加有效地预测用户多维上下文中的行为模式，该模型在真实智能手机数据集上的实验结果证明，它比传统的机器学习方法更加有效。
- WSDM基于双边邻居协同关系建模的顺序推荐
提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型，实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。
- EMNLP学习社交媒体用户的不变表示
本文提出了一种从社交媒体用户活动的短时段中学习映射的方法，以产生用户固有特征相似度的向量空间，其中距离捕捉到相应用户的相似性，并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。
- 在线环境中的排名模型优化
本文介绍了在线学习排序的两种最新方法：Dueling Bandit Gradient Descent（DBGD）和 Pairwise Differentiable Gradient Descent（PDGD）的比较及其在极端嘈杂和非连锁用户 - 基于图的行为感知交互新闻推荐
本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功