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%。

本研究提出了IISAN-Versa框架，解决了多模态基础模型在序列推荐系统中的适应性不足问题，提升了文本编码器的性能，推动了推荐系统的研究进展。

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。

本研究提出了DDSR模型，以解决传统序列推荐方法无法捕捉用户行为随机性的问题。实验结果表明，DDSR在多个数据集上优于现有方法，验证了其有效性。

本研究提出双条件扩散模型（DCRec），旨在解决序列推荐中的建模不一致和用户行为上下文不足的问题。实验结果表明，DCRec在公共数据集上优于现有方法，具有实际应用潜力。

本文介绍了一种基于图神经网络模型的序列推荐方法SURGE，通过度量学习将松散的物品序列转化为紧密的物品-物品兴趣图，并进行图卷积传播和图池化操作，提取用户历史行为序列的核心兴趣。实验证明该方法在性能和序列长度方面都有显著提升。

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。