- 美学机器人：在推特上交互演化游戏地图
本文介绍了 “美学机器人” 的实现，通过发布带有用户制作的游戏地图或演化系统生成的地图的图像，然后提示用户在图像的线程中投票，以评选出最美观的地图，并根据每个地图的得票分布来学习用户的偏好，以生成未来赢得投票配对的地图；我们讨论了该系统自发 - BERT4Loc: 基于 BERT 的位置推荐系统
本研究提出了一个基于 BERT 的定位感知推荐系统，该系统可以从基于位置的社交媒体平台中提取位置信息，并根据用户的历史行为和偏好，为用户提供更相关的位置推荐结果，该模型在大量的实验数据集中一致优于现有的顺序模型。
- 面向公平感知的多目标优化
探讨了多目标优化的用户偏好以及与公平性在机器学习和多目标优化中的关系，介绍了公平性感知多目标优化的代表案例，并进一步阐述了公平在传统多目标优化、数据驱动优化和联邦优化中的重要性和挑战。
- ICML在推荐系统中估计和惩罚引起的偏好转变
研究表明，推荐系统展示给用户的内容会影响他们的决策， 本文通过使用历史用户交互数据训练预测用户模型来评估推荐系统对用户偏好的影响，提出使用 “安全移位” 的概念来规避操纵行为。模拟实验表明，优化保持 “安全移位” 的推荐系统能够避免 man - 重新翻译同时翻译的字幕理解
本文提出一种评估方法，对同时语音翻译的输出窗口大小、系统延迟以及重写程度对读者可读性和理解度的影响进行了研究。实验结果表明，与机器翻译本身和个人能力相比，字幕布局或闪烁对理解度的影响较小；同时，对源语言知识有限的用户与零知识用户的稳定性和延 - 利用概念激活向量在推荐系统中发现软属性的个性化语义
利用概念激活向量（CAVs）来学习用户语义意图，将其与用户喜好和行为联系起来，并能够通过互动评论来提高推荐准确性的交互式推荐系统。
- WWW面向对话式推荐的基于多兴趣策略学习的多项选择题
本文研究了一种人机对话式推荐方法，将多个用户属性喜好组合成一个综合喜好，以提高推荐系统的准确性和实用性。实验证明，本文方法超越了其他推荐系统。
- MM基于评论一致性的电影推荐系统
本文提出基于协作和内容的混合推荐系统，结合顶级评论家一致性和电影评分，建立一个推荐模型，可基于用户喜好和评论家评分综合推荐电影。
- AAAI个性化推荐系统的基于偏好公平性的在线认证
本论文介绍了如何针对个人偏好进行推荐系统的公平性审核，提出了一种以多臂赌博机为基础的高效算法，并在现实数据集上进行了实验和研究。
- WWW学习用户偏好的异质时间模式以实现及时推荐
提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。
- 通过多样化偏好网络提高推荐匹配的准确性和多样性
本论文提出了一种使用异构图神经网络的推荐系统匹配模块，以提高精度和多样性，通过使用基于邻域相似性的损失来平衡两者。
- WWW利用评价属性进行有效推荐
使用评价的性质提高推荐系统的效果。
- CTRLsum: 通用可控文本摘要
CTRLsum 是一种用于可控摘要的新型框架，它能够使用户通过文本输入关键词或描述性提示来控制生成摘要的多个方面，在不需要额外人工注释或预定义训练期间的控制方面的情况下，在三个领域的摘要数据集和五种控制方面中得到量化证明，并在 CNN/Da - MM推荐系统中流行度偏差、校准和公平性之间的关联
本研究考虑不同推荐算法对不同用户偏好的响应度进行测量，并揭示了算法中流行度偏差可能是导致推荐偏差的重要因素。两个真实数据集的实验结果表明，用户群体受到算法中流行度偏差程度与他们对流行物品的兴趣程度之间存在关联，并且受到算法中流行度偏差影响越 - ICML基于启发式弱学习的自动决策制定
本研究旨在探讨如何通过从用户中收集排名决策策略来参与算法设计，以替代传统需要人工标记成本高昂的方法，并借助两个用例的实证数据表明，我们提出的弱监督学习方法可以几乎与完全监督方法一样准确地理解用户的偏好和选择。
- EMNLP使用子方面函数的条件神经生成模型用于提取新闻摘要
本研究提出了一种基于神经框架的文本摘要方法，引入了多种子方面的函数（包括重要性、多样性和位置等），可以根据不同控制码来决定在生成文本摘要时关注哪个子方面，以减少位置偏向性并提供更多的用户偏好选择。
- 个性化推荐的分层关注知识图谱嵌入
本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。
- KDD个性化上下文感知的多模态交通推荐
本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增 - SDM: 在线大规模推荐系统的序列深度匹配模型
本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。
- EMNLP基于知识的推荐对话系统
本文提出了一种新的端到端框架，称为 KBRD，它将推荐系统和对话生成系统结合在一起。实验结果表明，我们提出的模型在对话生成和推荐方面均具有显著优势，并且这两个系统可以互相促进。