利用双向RNN分类器自动识别财报中公司特定运营板块，提升财务分析效率。
Zhiqiang Ma, Steven Pomerville, Mingyang Di 等
ColBERT采用晚交互架构，通过离线预编码实现高效信息检索，结合BERT的表达能力。
Omar Khattab, Matei Zaharia
TREC 2019深度学习轨道采用大规模标注数据，深模型显著优于传统IR。
Nick Craswell, Bhaskar Mitra, Emine Yilmaz 等
提出DeepCT框架，利用BERT生成上下文感知的词重要性，用于提升首阶段检索准确率。
Zhuyun Dai, Jamie Callan
提出Fi-GNN模型，通过图神经网络显式建模多字段特征交互，提升CTR预测性能。
Zekun Li, Zeyu Cui, Shu Wu 等
本文系统分析了18个深度学习推荐算法，只有7个能被合理复现，且大部分被简单启发式方法超越，揭示当前研究的局限。
Maurizio Ferrari Dacrema, Paolo Cremonesi, Dietmar Jannach
提出基于深度学习的推荐模型DLRM，结合嵌入与MLP，优化模型并实现模型并行，提升推荐系统性能。
Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi 等
FUNSD数据集用于理解噪声扫描文档中的表单，包含199个完整标注的表单。
Guillaume Jaume, Hazim Kemal Ekenel, Jean-Philippe Thiran
本文提出基于Transformer的行为序列模型BST，用于阿里巴巴电商推荐，显著提升CTR。
Qiwei Chen, Huan Zhao, Wei Li 等
提出深层影响扩散模型DiffNet，模拟社交网络中递归影响传播，提升推荐性能13%以上。
Le Wu, Peijie Sun, Yanjie Fu 等
BERT4Rec利用双向Transformer和Cloze任务建模用户行为序列，显著优于SOTA模型。
Fei Sun, Jun Liu, Jian Wu 等
提出FGCNN模型，通过CNN自动生成特征，显著提升CTR预测性能。
Bin Liu, Ruiming Tang, Yingzhi Chen 等
提出DANSER模型，通过双图注意力网络动态建模用户和物品的多重社会效应，在推荐精度上显著提升。
Qitian Wu, Hengrui Zhang, Xiaofeng Gao 等
论文用投影梯度下降优化图推荐投毒攻击，1%假用户可使目标曝光提升约580倍。
Minghong Fang, Guolei Yang, Neil Zhenqiang Gong 等
提出MedSTS，基于Mayo临床数据的174,629句对，专家标注0-5相似度，用于临床语义文本相似性研究。
Yanshan Wang, Naveed Afzal, Sunyang Fu 等
提出SASRec模型，结合自注意力机制捕获长短期用户行为序列，优于现有方法。
Wang-Cheng Kang, Julian McAuley
提出对抗个性化排序（APR）框架，通过对用户和物品嵌入向量施加对抗扰动，提升推荐模型鲁棒性，基于矩阵分解实现，实验显示优于传统BPR。
Xiangnan He, Zhankui He, Xiaoyu Du 等
ANN-Benchmarks通过标准化评测，比较多种近似k-NN算法性能，支持多数据集和指标。
Martin Aumüller, Erik Bernhardsson, Alexander Faithfull
提出PinSage，结合随机游走与图卷积，处理3亿节点、180亿边的网页规模推荐系统。
Rex Ying, Ruining He, Kaifeng Chen 等
提出双重学习算法（DLA）联合估算偏置模型与排序模型，显著优于基于随机化的无偏学习方法。
Qingyao Ai, Keping Bi, Cheng Luo 等