摘要
蒙亚·贝克（Monya Baker）。 2016.再现性危机？ 《自然》533，26（2016），353–66。 谷歌学者 
Oren Barkan和Noam Koenigstein。 2016.第2vec项：用于协同过滤的神经项目嵌入。 IEEE第26届国际研讨会MLSP。 谷歌学者 交叉引用 
Joeran Beel 2016年。 推荐系统研究的再现性。 UMUAI 26，1（2016），69–101。 谷歌学者 数字图书馆 
詹姆斯·伯格斯特拉（James Bergstra）和约舒亚·本吉奥（Yoshua Bengio）。 2012.随机搜索超参数优化。 JMLR 13，1（2012），281-305。 谷歌学者 数字图书馆 Ryan Clancy 2019年。 2019年开放源代码红外可复制性挑战概述（OSIRRC 2019）。 在 [电子邮件保护] SIGIR公司。 谷歌学者 Paolo Cremonesi 2010年。 推荐算法在top-n推荐任务上的性能。 在RecSys中。 谷歌学者 Maurizio Ferrari Dacrema 2019年。 我们真的取得了很大进展吗？ 对最近神经推荐方法的令人担忧的分析。 在RecSys中。 谷歌学者 贾登2009。 Imagenet：大规模分层图像数据库。 在CVPR中。 谷歌学者 尼古拉·费罗和黛安·凯利。 2018年，SIGIR倡议实施ACM工件审查和标记。 ACM SIGIR论坛，第52卷。 4–10. 谷歌学者 朱利安娜·弗雷尔（Juliana Freire）、诺伯特·富尔（Norbert Fuhr）和安德烈亚斯·劳贝尔（Andreas Rauber）。 2016.电子科学中面向数据实验的再现性（Dagstuhl研讨会16041）。 达格斯图尔报告6，1（2016），108–159。 谷歌学者 郭桂冰2015。 LibRec：推荐系统的Java库。。 UMAP研讨会，第4卷。 谷歌学者 Allan Hanbury 2015年。 程序。 第37届欧洲红外研究会议。 第9022卷，施普林格。 谷歌学者 何湘南2016。 在线推荐的快速矩阵分解和隐式反馈。 在SIGIR中。 谷歌学者 香南河2017。 神经协同过滤。 在WWW中。 谷歌学者 何湘南和蔡大胜。 2017.稀疏预测分析的神经因子分解机。 在SIGIR中。 谷歌学者 Balázs Hidasi 2018年。 基于会话的推荐具有top-k增益的递归神经网络。 在CIKM中。 谷歌学者 胡一凡2008。 隐式反馈数据集的协作过滤。 在ICDM中。 谷歌学者 Dietmar Jannach和Malte Ludewig。 2017年。当递归神经网络遇到基于会话的推荐邻域时。 在RecSys中。 谷歌学者 Dawen Liang 2018年。 用于协同过滤的可变自动编码器。 在WWW中。 谷歌学者 肖恩·麦克尼（Sean M McNee）、约翰·里德尔（John Riedl）和约瑟夫·孔斯坦（Joseph A Konstan）。 2006.准确是不够的：准确度指标对推荐系统有多大影响。 在CHI'06计算机系统人为因素扩展摘要中。 1097–1101. 谷歌学者 马库斯·穆纳夫2017。 可再生科学宣言。 《自然-人类行为》1，1（2017），1-9。 谷歌学者 夏宁和乔治·卡里皮斯。 2011.苗条：top-n推荐系统的稀疏线性方法。 在ICDM中。 谷歌学者 爱德华·拉夫。 2019.走向量化独立可复制机器学习研究的一步。 以NIPS为单位。 谷歌学者 斯特芬·伦德尔。 2010.保理机。 在ICDM中。 谷歌学者 Steffen Rendle 2009年。 BPR：基于隐含反馈的贝叶斯个性化排名。 在IUI中。 谷歌学者 Steffen Rendle 2019年。 评估基线的难度：推荐系统研究。 arXiv预印arXiv:1905.01395（2019）。 谷歌学者 Alan Said 2014年。 比较推荐系统评估：基准推荐框架。 在RecSys中。 谷歌学者 Alan Said 2014年。 竞争对手：在推荐系统评估中促进再现性的工具包。 在RecSys中。 谷歌学者 Badrul Sarwar 2001年。 基于项目的协同过滤推荐算法。 在WWW中。 谷歌学者 Jasper Snoek 2012年。 机器学习算法的实用贝叶斯优化。 以NIPS为单位。 谷歌学者 朱孙2018。 有效推荐的递归知识图嵌入。 在RecSys中。 谷歌学者 朱孙2019。 附带信息的建议研究评论：调查和研究方向。 ECRA 37（2019），100879。 谷歌学者 数字图书馆 唐继良、高惠济、刘欢和阿提什·达斯·萨尔马。 2012.eTrust：了解在线世界中的信任演变。 在KDD中。 谷歌学者 唐晓丽2019。 AKUPM：用于推荐的注意力增强的知识软件用户偏好模型。 在KDD中。 谷歌学者 Daniel Valcarce 2018年。 关于top-n推荐的信息检索度量的稳健性和鉴别能力。 在RecSys中。 谷歌学者 王宏伟2019。 用于知识图增强推荐的多任务特征学习。 在WWW中。 谷歌学者 王翔2019。 Kgat：用于推荐的知识图关注网络。 在KDD中。 谷歌学者 王翔2019。 神经网络图协同过滤。 在SIGIR中。 谷歌学者 Ga Wu 2019年。 一类协同滤波的噪声对比估计。 在SIGIR中。 谷歌学者 姚武2016。 top-n推荐系统的协同去噪自动编码器。 在WSDM中。 谷歌学者 许凤丽2019。 用于代理发起的社会电子商务推荐的关系感知图卷积网络。 在CIKM中。 谷歌学者 杨龙奇2018。 Openrec：用于可扩展和可适应的推荐算法的模块化框架。 在WSDM中。 谷歌学者 张福正（Fuzheng Zhang），2016年。 推荐系统的协作知识库嵌入。 在KDD中。 谷歌学者 张帅2019。 基于深度学习的推荐系统：一项调查和新观点。 CSUR 52，1（2019），1–38。 谷歌学者 数字图书馆 张帅2019。 DeepRec：基于深度学习的推荐的开源工具包。 在IJCAI。 谷歌学者 钱照2018。 解释用户在推荐系统中的不作为。 在RecSys中。 谷歌学者 Cai-Nicolas Ziegler 2005年。 通过主题多样化改进建议列表。 在WWW中。 谷歌学者
