提出基于图的强化学习的统一对话推荐策略，显著提升CRS性能。
Yang Deng, Yaliang Li, Fei Sun 等
提出Popularity-bias Deconfounding and Adjusting (PDA)框架，通过因果干预同时去除偏差和引入期望偏差，提升推荐准确率。
Yang Zhang, Fuli Feng, Xiangnan He 等
提出DeepImpact，通过语义影响评分提升倒排索引效率与效果，提升17%。
Antonio Mallia, Omar Khattab, Nicola Tonellotto 等
提出LATTICE模型，通过多模态内容挖掘潜在物品关系，提升推荐准确率。
Jinghao Zhang, Yanqiao Zhu, Qiang Liu 等
NaturalProofs以BERT检索证明引用；ProofWiki上Joint模型R@10达42.45、Full@100达50.22。
Sean Welleck, Jiacheng Liu, Ronan Le Bras 等
提出稀疏兴趣网络（SINE）用于序列推荐，能自适应提取多兴趣向量，显著提升性能。
Qiaoyu Tan, Jianwei Zhang, Jiangchao Yao 等
采用BERT预训练模型提升大规模检索性能，NDCG@10达0.6934，超越传统方法11%。
Nick Craswell, Bhaskar Mitra, Emine Yilmaz 等
提出多轮对话策略与偏好引导技术，提升CRS性能，实验显示准确率提升15%。
Chongming Gao, Wenqiang Lei, Xiangnan He 等
提出双重迁移学习框架（MIRec），通过模型级和项级迁移改善长尾物品推荐。
Yin Zhang, Derek Zhiyuan Cheng, Tiansheng Yao 等
提出Swing和Surprise算法构建大规模商品关系图，显著提升淘宝推荐效率。
Xiaoyong Yang, Yadong Zhu, Yi Zhang 等
GiantMIDI-Piano数据集使用卷积神经网络和高分辨率转录系统，包含38,700,838个音符。
Qiuqiang Kong, Bochen Li, Jitong Chen 等
系统性总结推荐偏差类型及其 debias 方法，强调偏差对模型的影响与未来挑战。
Jiawei Chen, Hande Dong, Xiang Wang 等
提出跨架构知识蒸馏方法，利用Margin-MSE显著提升神经排序模型效果。
Sebastian Hofstätter, Sophia Althammer, Michael Schröder 等
SparTerm通过重要性预测和门控控制，实现全词表稀疏文本表示，显著提升MSMARCO数据集排名。
Yang Bai, Xiaoguang Li, Gang Wang 等
S^3-Rec通过互信息最大化提升序列推荐，解决数据稀疏问题。
Kun Zhou, Hui Wang, Wayne Xin Zhao 等
提出基于图的对话路径推理框架CPR，显式利用用户偏好属性，显著提升多轮对话推荐性能。
Wenqiang Lei, Gangyi Zhang, Xiangnan He 等
AutoCTR利用演化算法和学习排序指导自动发现CTR模型中的神经交互结构。
Qingquan Song, Dehua Cheng, Hanning Zhou 等
提出基于搜索的兴趣模型（SIM），利用双级搜索处理长序列行为数据，提升CTR预测准确率。
Pi Qi, Xiaoqiang Zhu, Guorui Zhou 等
研究表明，通过考虑用户交互时间，RecentPop和DecayPop方法在MovieLens数据集上可提高70%以上的推荐准确率。
Yitong Ji, Aixin Sun, Jie Zhang 等
本研究对比神经协同过滤（MLP）与矩阵分解（点积），发现点积在超参数调优后表现优越，且训练和推理成本更低。
Steffen Rendle, Walid Krichene, Li Zhang 等