傳統的推薦系統總是專注在提供熱門的物件或朋友所推薦的物件。雖是常見的推薦方式，但會有下述幾個問題。熱門的物件總是會佔據在推薦清單的前幾名，而且使用者通常都已經知道這些物件。此外，傳統的推薦系統會根據目標使用者與其熟悉的使用者交流的次數來推薦物件，但是目標使用者可能不感興趣。還有往往會忽略熱門度較低但是跟使用者相似且有趣的物件。故我們提出Unknown But Interesting演算法，來發掘未知但感興趣之物件給使用者。如圖所示，在UBI推薦系統中，我們考慮使用者個人化的社群網路資訊，我們根據這些資訊去設計了三個分數，一為熱門度分數，代表物件的熱門程度，第二為社交行為分數，代表使用者之間的互動程度，以及使用者相似分數，代表使用者的興趣相似程度，最後將這三個分數做結合而產生出推薦清單給使用者。實驗的結果也顯示UBI演算法推薦未知但感興趣之物件表現的比傳統推薦系統好。

　　在這個研究中，我們又加入了更多使得未知可是感興趣的推薦這個想法成功的因素：每個人對不同類別的物件都有不同的感受程度，以及物件的新鮮度。因此，我們提出了以使用者偏好取向的社交滲透演算法發掘未知但感興趣的物件。如右圖所示，我們利用社交滲透的現象去發掘未知的分數，其中包含了熱門度分數、反熟識度的分數以及反偏好類別的分數;感興趣的分數包含了相似的分數。最後結合這兩項分數即可產生推薦清單，實驗結果也顯示，我們推薦未知但感興趣的物件優於傳統及先前的方法。

　　大多數的順序推薦系統，包括那些採用各種特徵和最先進的神經網絡模型的系統，易傾向於向用户推薦最受歡迎或與用戶歷史行為最為相關的項目。然而，在這些條件下所提出的推薦建議往往是重複性高或相似度高的項目，這反而會造成某些用戶可能會感興趣的許多新穎選項被完全忽略。因此本文提出了一種新穎的算法，該算法將為潛在的推薦項目分配新穎性分數。並且我們還提出了一種架構，通過該架構可以將此功能整合到現有的推薦系統中。最後在實驗結果中，我們所提出的NNESR推薦性能優於其他最先進的序列推薦系統，從而驗證了新穎性物品遷入向量實可以提高整體推薦系統的性能。