本研究提出了一种场景感知社交变换器模型(SAST)，用于长期三维人体运动预测。该模型结合时间卷积和变换器架构，有效融合运动与场景信息，提升了人和物体之间复杂互动的建模能力。在“厨房中的人类”数据集上，模型展现了更高的真实感和多样性，验证了其有效性。

本文介绍了SAR-Net场景感知排名网络，通过学习用户跨场景兴趣来提升个性化推荐效果。该网络结合注意力模块和去偏置专家网络，自适应提取场景特征，增强数据公平性。实验结果表明，其在用户和旅行产品推荐中表现优异。