- WWWCAViaR: 上下文感知视频推荐
提出了一种通过建模低多样性对用户对个别项目的参与度影响以调整项目得分来实现多样性和相关性均衡的新方法，该方法可插入现有的大规模推荐系统，具有显著的性能提高。
- 奖励数百万用户与聊天机器人的现实世界互动
该研究探讨了如何使用人类反馈来有效地开发高度吸引力的社交聊天机器人，通过伪标签和奖励模型提高了聊天机器人的用户积极性和留存率，从而达到使用者参与度优先的目的。研究结果表明，这种方法可以将聊天长度增加高达 70％，使 GPT-J 6B 模型的 - WWW推荐系统中的曝光限制学习
本文提出了一种上下文多臂赌博机模型来解决推荐系统中内容提供商对曝光量的依赖性，并开发具有次线性遗憾度和优化目标的算法，该算法的目标是最大程度地提高用户的福利和保留至关重要的内容提供商。
- MM学会休息：可持续优化长期用户参与度
本文旨在提高用户参与度的同时避免滥用或成瘾行为，介绍了使用 Lotka-Volterra 动力学模型的框架，学习个性化休息策略并通过半合成数据的理论保证和实证评估了其性能。
- Alexa，让我们一起工作：介绍首个 Alexa 奖励任务机器人挑战赛 —— 对话任务协助
介绍了 Alexa Prize 中的 TaskBot challenge，该项目要求参赛者开发能够通过语音和视觉辅助人类完成真实任务的对话系统，同时保持用户的参与度。
- WSDM基于生存分析的移动通知状态转换模型
本文旨在探索移动通知与用户参与之间的互动特性，并提出状态转换框架及生存模型来量化其有效性，并在通知传递时间优化方面进行在线应用实例，以实现更好的决策、推动更多的用户参与和提供更多的价值。
- KDD移动健康应用中的用户参与度
该研究提出了一个框架来研究健康工作者对移动健康的使用，重点关注数字医疗健康应用的行为日志，并提供了多种个性化的度量方法来检测有效参与度和检测完全失去参与的情况，最终为卫生工作者的能力提升、病患治疗和生命拯救做出贡献。
- AAAI内容发现及内容参与
本文旨在分析用户如何与英国议会辩论的视频数据进行互动，使用超过两年的 Google Analytics 数据分析用户的互动模式，通过对视频浏览矩阵运用 NMF 算法来识别不同类型的用户。
- KDDPinnerFormer: Pinterest 用户表示的序列建模
介绍了一种新的基于序列模型的用户表示方式 PinnerFormer，使用全动作密集损失模拟未来长期行为，能够显著提高用户保留率和参与度，已在 2021 年秋季投入实际生产。
- 人工智能和人类互动设计中不同的协同体验和用户参与度的理解
本研究探讨了两种交互设计，一种是含有 AI-to-human communication，另一种则没有，发现在有 AI-to-human communication 的情况下，用户参与度和协作体验得到提高，用户也认为 AI 更加可靠、个性化 - AI 人类协同创造中的伦理问题识别
本研究探讨人工智能和人类合作创意产品时，AI 对人的回馈对用户体验和参与度的影响，并通过人机合作沟通提出共创 AI 潜在的伦理问题。
- ArabGend：基于阿拉伯语推特的性别分析与推断
本研究旨在探究阿拉伯语 Twitter 上男女用户在参与度、兴趣点、职业领域等方面的差异，并通过用户名、头像、推文及好友网络等方式进行性别推断，达到了 82.1% 的 F1 分数，同时也开发了一个可公开使用的演示版。
- WWWLBCF: 一个大规模的预算约束因果森林算法
在大型在线平台上，提供刺激（例如亚马逊优惠券、优步折扣和抖音视频奖励）以增加用户参与和平台收入是一种常见策略，然而如何在预算限制下为每个用户选择适当金额的刺激成为一个有实际意义的研究问题。本文提出了一种基于树的、适用于现代分布式计算系统的大 - 基于上下文统一可解释学习的视频讲座用户参与度
本文提出了 CLUE 模型，采用多模态特征学习从在线教学视频中提取特征，并提供可解释反馈和用户参与度得分。
- ACLHERALD: 一种在社交对话中高效检测用户脱离的注释方法
本研究提出 HERALD 框架，并将训练数据注释过程重新定位为去噪问题，以提高注释效率和检测用户不参与的准确度。实验表明，该框架在两个对话语料库中能够达到 86％的用户不参与检测准确率。
- KDD阿里巴巴的视觉搜索
本文介绍了阿里巴巴的大规模视觉搜索算法和系统架构，并探讨了在电商环境下如何处理异构的图像数据，在大数据更新中如何处理大规模索引，如何在无大量人工注释的情况下训练有效的深度模型，以及如何通过考虑内容质量来提高用户参与度，最后将所有阶段应用于一 - KDDShop The Look: 在 Pinterest 上建立大规模视觉购物系统
该研究以 Pinterest 的 Shop The Look 为例，介绍了建立一个基于视觉搜索的在线购物系统的核心技术、服务基础设施、数据标注方法和用户体验评估，并通过离线评估、人类相关性判断和在线 A/B 实验，实现了多方面的性能提升，包 - KDD了解你的 FATE: 在社交应用中预测用户参与度的友谊，行动和时间解释
本文针对社交网络应用中用户参与度预测问题，提出了可解释的用户参与度预测模型 FATE，并在 Snapchat 两个大规模数据集上进行了广泛的实验，得到显著的预测精度提升和运行时间缩短。
- 在线优化视角下的序列推荐中最大化累积用户参与度
通过将用户的行为建模为个性化的马尔可夫决策过程 (MDP)、并将稳定的用户视为吸收状态，本文提出了一个灵活、实用的框架，在业务优化的角度，权衡用户浏览时间及用户的即时点击量，有效提高了用户的累积点击量。
- 开放域对话系统中离线和在线满意度预测
提出基于 ConvSAT 算法的会话满意度预测模型，聚合多种对话表示，并在标准数据集（Dialogue Breakdown Detection Challenge）和大规模真实用户对话数据集（Alexa Prize competition）