本文提出多种新方法以提升推荐系统性能，包括基于级联假设的评估器、安全强化学习中的对抗攻击方法、悲观离线排序学习和风险感知的CLTR方法。这些方法在实验中表现优越，能够提高长期收益、优化排名度量，并增强模型的鲁棒性和安全性。

本文介绍了一项新任务：动词的视觉意义消歧，提出了一种基于Lesk算法的无监督方法，并分析了文本和多模态嵌入的性能。研究探讨了多模态模型和排序学习在词义消歧中的应用，展示了在SemEval 2023中的成果，并提出了未来研究方向。

上海交通大学研究团队开发了一种名为FSFP的训练策略，可在数据匮乏情况下优化蛋白质语言模型。该方法利用元迁移学习、排序学习和参数微调，提高了蛋白质突变-性质预测的效果。研究结果发表在Nature Communications上。该研究还使用FSFP设计了Phi29 DNA聚合酶，提高了阳性率。该方法在小样本学习任务中具有显著优势，并在多个基础模型上成功应用。

上海交通大学研究团队在蛋白质突变-性质预测方面取得突破，提出FSFP方法，仅需20个湿实验数据即可显著提高预测准确性。该方法结合元学习和排序学习，解决了传统实验耗时长的问题，对蛋白质工程具有重要意义。