本文介绍了SCoRe、SINE、Temporal Graph Sequential Recommender等推荐模型的创新，旨在通过用户行为和物品属性的历史信息提升推荐系统性能。研究表明，这些模型在多个真实数据集上优于传统方法，尤其在动态兴趣建模和负面反馈处理方面表现突出。

本研究提出多种基于机器学习的用户行为建模方法，包括搜索兴趣模型、局部敏感哈希和图形模型，旨在提高点击率预测的准确性和系统效率。通过深度学习和动态兴趣激活，验证了模型的实际应用效果。