本研究提出了一种基于知识嵌入的框架，用于可解释性推荐引擎，能够生成个性化解释说明推荐结果。在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。

本文介绍了一种名为MIVC的通用多实例可视化组件，通过神经网络以排列不变的方式汇总视觉表示，弥补了图像输入与预训练语言模型之间的差距。MIVC被整合到视觉语言模型中，显著提高了视觉问答、分类和标题任务的模型性能，并在电子商务数据集上展示了该组件对下游任务的贡献。

该研究提出了临时图神经网络（TempGNN）用于捕捉复杂项目转换中的结构和时间动态的通用框架，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法有效且适应性强，在两个真实的电子商务数据集上取得了最先进的性能。

该研究提出了临时图神经网络（TempGNN），用于捕捉复杂项目转换中的结构和时间动态的通用框架。该方法可用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法在两个真实的电子商务数据集上取得了最先进的性能。

该文介绍了一种使用递归神经网络对时态图邻居进行汇聚的方法，以获取每个节点的完整邻居信息，提供卓越的理论表达能力和最先进的性能。在电子商务数据集上，相比于现有模型的2层模型，平均精确度提高了9.6%。

本文介绍了一种通过模型驱动的增强学习方法来优化推荐系统的推荐策略，并在真实世界的电子商务数据集上验证了该方法的有效性。该方法将用户与推荐系统之间的交互建模为马尔可夫决策过程，并通过在线用户-代理交互环境模拟器来预训练和评估模型参数。同时，还提出了一种将列表式推荐纳入推荐系统的实验方法。