目前，推荐系统已经广泛应用于很多领域，与之相关的研究成果也非常多，在今年的KDD 2023 会议录用论文中，与推荐系统相关的论文数目十分可观。这次和大家分享的是KDD 2023 会议录用的71篇推荐系统论文，我把论文目录整理在下面了，有需要原文+代码合集的同学，相较于搜索引擎，推荐系统可以根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户，非常的个性化。KDD 的含金量就不用多说了吧

我只知道公司技术很厉害，游戏做的很好，但是我不喜欢玩游戏，从来没玩过，王者都没玩过，我只会玩斗地主...Input = [D, P] 输入一个D*P的二维特征矩阵写训练和推理过程的代码实现(之前没写过，只是知道原理，还不一定理解的对)最近在忙工程，没时间好好复习理论知识，忘了好多，要好好补了。

医学图像分割方向又来新突破啦！这次是ICRL 2025的投稿论文，提出了一种新型超轻量级CNN架构UltraLightUNet，在参数数量和计算复杂度上极为精简（分别减少333倍和123倍），同时保持了优异的分割性能！这显然得益于CNN在医学图像分割中的诸多优势：不仅能自动提取图像特征，减少手工设计特征的复杂性；它端到端的训练方式还让模型可以直接从数据中学习，显著提高分割的准确性和效率！因此对比传

继MedSAM登上Nature后，牛津大学也最新提出了MedSAM-2，不但分割一切医学图像，还能分割视频！准确度提升一个level，直接刷新医学图像分割SOTA榜！这种惊人的医学图像分割效果都得益于SAM模型（尤其是升级后的SAM 2）的诸多优势，不仅拥有出色的泛化能力，还可以实时进行图像和视频内容的对象分割，大幅提升了处理速度。因此对比传统方法，这种具有高度自动化和准确性的方法是医疗图像领域未

一种适用于标注数据稀缺情况下的异常检测技术。在仅有少量标注数据的情况下，它，是工业监控、医疗诊断等领域的关键技术。目前FSAD还存在很多问题等我们解决，不过换个思路想，这些都是可挖掘的创新方向，而且已经有效果绝赞的成果可参考，比如GraphCore，突破工业视觉极限，减少冗余视觉特征的数量；再比如CAReg，首个全类别通用的开源FSAD方法，完美解决计算成本高且效率低的问题。为了帮各位论文er省下

通过多尺度特征融合，模型能够捕捉到不同层次的视觉细节，而Transformer的自注意力机制能够在这些不同层次的特征之间建立联系，有效地整合全局上下文信息，让模型能够应对多样化的视觉场景和变化。这种结合策略充分利用了二者各自的优势，不仅有助于模型因为它可以更好地利用计算资源，通过并行处理不同尺度的特征来提高计算效率。它允许ViTs在每个注意层的混合尺度上建立注意模型，使自我关注能够学习不同大小的物

前段时间和大佬朋友交流学术的时候，发现目前发论文最好用的。上回我们讲过了加注意力机制，今天我们就来聊聊多尺度特征融合。多尺度特征融合是一种在图像处理和CV中使用的技术，由于其在各种任务中都通用，并且对改善识别、分类或检测任务的性能都非常有用，所以成了我们发paper的必备创新点。这次我就和同学们分享，分了4个大方向：自适应多尺度特征融合机制、基于图神经网络的多尺度融合、注意力引导的多尺度特征融合以

研究NLP需要关注学术界or大厂AI Lab最新的科研动态，了解技术发展的趋势，写论文才能下笔如有神。找到了论文就能找到要复现的代码和要用到的数据集。掌握科研动态也有助于提早做好产品规划以及技术预研。对于NLPer而言，了解科研动态最好的方法就是关注顶会论文，与NLP相关的比较有影响力的顶会主要有ACL、EMNLP、NAACL、COLING、ICLR、AAAI、CoNLL、NLPCC等。其中，AC

参考文章：NLP | How to add a domain-specific vocabulary (new tokens) to a subword tokenizer already trained like BERT WordPiece | by Pierre Guillou | Medium

今年高性价比发文方向：多模态融合+小样本学习。这俩组合起来随便一搭就是一个新框架，创新点非常丰富，现在还处于排列组合+深度优化的红利期，只想水论文基本没问题。如果要冲顶会，就需要场景加持，看能不能把方法套在一个热门且数据敏感的应用场景上。举俩AAAI-26的例子：CIF解决工业缺陷检测中少量样本结构共性难捕捉、误报率高的问题；Libra-MIL解决医疗病理诊断中文本偏差与单向对齐导致跨模态协作弱的