生成式推荐模型通过将用户行为数据转化为机器可读格式，将推荐任务视为生成任务。尽管在感知和认知领域已有成功模型，行为领域的推荐模型仍在发展中。本文探讨了生成式推荐的挑战、技术及未来方向，强调了token化在推荐系统中的重要性。

本文提出了一种动态选货方案，利用多项式逻辑选择模型实现近乎最优性能，适用于未知时界长度的在线环境。同时，研究了差分隐私和局部差分隐私在半臂赌博问题中的应用，证明了算法在常见假设下的最优性，并探讨了隐私保护下的个性化学习和推荐任务，设计了高效的赌博算法FLIPHAT，以确保隐私并优化遗憾性。

本文全面分析了图神经网络在推荐系统中的表达能力，包括图同构、节点自同构和拓扑接近度等三个层面的指标。引入了拓扑接近度指标来评估图神经网络对节点结构距离的捕捉能力，以更好地满足推荐任务的目标。通过实验证明了该指标在推荐性能评估中的有效性，并介绍了一种适用于该指标的无学习图神经网络算法。