本研究提出了一种引导嵌入优化方法，以提高大语言模型在序列推荐中的可解释性和性能。通过增强基础推荐系统的嵌入，该方法显著提升了推荐效果，提升幅度达到10%到50%。

本研究提出了一种新方法SRA-CL，通过语义检索增强对比学习，解决序列推荐中的数据稀疏问题，实验结果在多个数据集上表现优异。

本研究分析了大型语言模型（LLMs）在序列推荐中的局限，提出了新方法LLM-SRec，通过优化用户表示以增强序列信息整合，从而显著提升推荐效果。

本研究提出了一种新的序列推荐预训练框架PRECISE，旨在解决推荐系统在长尾商品和冷启动场景中的不足。该框架结合协同信号和语义信息，有效捕捉用户兴趣并转移到目标场景。实验结果显示，PRECISE在多个数据集上表现优异。

本研究提出了一种新的预训练、对齐与解耦（PAD）范式，有效解决了序列推荐系统在协同数据依赖下的冷启动问题，显著提升了推荐模型的性能。

本研究提出了IDLE-Adapter框架，以解决大型语言模型在序列推荐中缺乏领域知识的问题。实验结果显示，该框架在推荐准确性上优于现有方法，提升幅度超过10%和20%。

本研究提出IISAN-Versa框架，以解决多模态基础模型在序列推荐中的适应性不足问题。该框架通过高效微调和模态适应，提升文本编码器性能，推动推荐系统研究进展。

本研究提出了一种向量量化元学习方法（MetaRec），旨在提升可转移序列推荐系统的性能。该方法整合多个源领域的用户-物品互动数据，有效解决输入异质性问题，从而显著改善推荐效果。

本文提出了一种新的序列推荐策略LANCER，利用预训练语言模型提升推荐系统的人性化和个性化。实验结果显示，该方法在多个数据集上表现优异，推荐效果良好。同时，文章探讨了大型语言模型在推荐系统中的应用进展及未来方向。

该文介绍了一种新的序列推荐策略LANCER，采用预训练语言模型的语义理解能力，在推荐系统中生成更加人性化的个性化推荐。实验证明该方法有效，并提供了有价值的见解。

本文介绍了如何使用大型语言模型（LLMs）来增强推荐系统，包括对话式推荐、序列推荐、评分预测和基于文本嵌入的推荐等。同时，作者还介绍了如何使用LLMs作为推荐模型的侧面特征。