本研究提出了一种基于21个偏好类别的标准，能够捕捉超过89%的个体偏好变化，强调其在模型评估和训练中的实用性，并提供了对模型对齐的深入见解。

本研究提出了一种新的数字代表模型，通过训练语言代理有效表达个体偏好，解决集体决策中的代表性不足问题。结果表明，经过微调的大型语言模型能够在多样化人群中有效寻找共识。

本研究提出了AlignGroup方法，解决了群体推荐任务中既考虑群体共识又考虑个体偏好的问题。通过超图神经网络学习群体内外关系，并通过自监督对齐任务捕捉群体决策。实验证明，AlignGroup在群体推荐和用户推荐任务中优于现有方法。