论文周报[1028-1103] | 推荐系统领域最新研究进展(24篇)

主要观点总结

本文精选了24篇推荐系统相关论文，涵盖了基于扩散模型的序列推荐、无监督群组推荐、大模型推荐等多个研究方向，探讨了推荐算法在工业应用中的性能与效率问题，并介绍了多个新型推荐算法框架与数据集。

关键观点总结

关键观点1: 基于扩散模型的序列推荐

提出利用离散状态空间扩散模型进行模糊建模，以捕捉用户行为的不确定性和不可预测性，提升推荐系统的性能。

关键观点2: 无监督群组推荐

提出了无监督群组推荐框架，能够自动确定用户组并进行自监督学习，解决了传统监督学习的标签成本问题。

关键观点3: 用户满意度与创作者生产力权衡

讨论了推荐算法如何影响创作者的生产力，揭示了即时用户满意度与长期内容生产之间的权衡。

关键观点4: 基于大语言模型的推荐

介绍了利用大语言模型进行个性化推荐，通过语言模型推理桥接推荐与用户可解释性解释。

关键观点5: 工业全流程推荐数据集

提出了工业全流程推荐数据集，旨在缩小离线推荐基准与在线环境之间的差距，包括未曝光项目的处理。