StackChan

SIGIR23：Diffusion Recommender Model >这篇文章提出了一种基于扩散模型的推荐系统。传统的推荐系统通常依赖于用户的历史行为数据和内容特征，但在面对稀疏数据时效果不佳。扩散模型通过逐步添加和去噪数据，可以生成高质量的数据样本，有助于缓解数据稀疏问题。 作者设计了一种新的去噪扩散框架，通过在用户-物品交互图中进行扩散过程，逐步生成和去噪用户的潜在兴趣(通用推荐) WWW24：Denoising Diffusion Recommender Model >本文介绍了一种去噪扩散推荐模型，旨在提高推荐系统的准确性和鲁棒性。传统的推荐系统在处理噪声数据和稀疏数据时常常表现不佳，而扩散模型通过逐步生成和去噪数据，可以有效缓解这些问题。 作者设计了一种新的去噪扩散框架，通过在用户-物品交互图中进行扩散过程，逐步生成和去噪用户的潜在兴趣。实验结果表明，该模型在多个公开数据集上显著提升了推荐性能，特别是在处理噪声和稀疏数据方面表现尤为出色。此外，该方法展示了良好的扩展性和鲁棒性，可以适应不同规模和类型的推荐场景。(通用推荐) 这两类方法代表将来的趋势,希望能被添加到 通用推荐算法中。

### Reminder - [x] I have read the above rules and searched the existing issues. ### Description 在这里加入一个新的滑块,能够支持 调节对话的记忆轮数(对话链长度) ### Pull Request _No response_