本研究提出了一种联邦偏见感知潜在因子模型（FBALF），旨在解决传统推荐系统的隐私保护不足和评分偏见问题。FBALF通过在本地模型中引入训练偏见，既保护用户隐私，又提高推荐准确性，实验证明其优于现有的联邦推荐系统。

本研究提出了DeftRec框架，结合去噪扩散模型，克服了大型语言模型在离散空间中的局限性。研究表明，DeftRec在生成推荐时显著优于传统推荐系统，提升了用户偏好的理解和推荐准确性。

本研究提出了一种公平取样方法，解决了推荐系统中的流行偏见问题，确保用户和物品以相等概率被选为正负实例。实验结果表明，该方法在提升推荐公平性方面优于现有技术，同时保持推荐的准确性。

本研究提出了一种新方法Group-GF，利用多视图图过滤技术改善组推荐，解决了现有方法在组级互动方面的局限。实验结果表明，该方法在运行时间和推荐准确性上优于现有方法。

本研究提出了一种新的多准则推荐方法CA-GF，通过准则感知图过滤，解决了传统协同过滤在处理多个评分时的性能问题。该方法无需训练，显著提高了推荐准确性，尤其在挑战性基准数据集上，准确率提升可达24%。

本研究提出了一种结合图神经网络与大型语言模型的新方法，有效解决推荐系统中复杂的用户-项目关系建模问题，显著提升推荐准确性。

本研究探讨了大语言模型在推荐系统中的提示选择问题。通过对90个提示和五个数据集的实验，发现根据数据集特征选择提示能显著提高推荐准确性并降低验证数据需求，提出了一种成本高效的探索策略。

本研究提出了一种新型自编码器框架CADMR，旨在解决多模态推荐系统中高维稀疏用户-物品评分矩阵的重构问题，从而提高推荐准确性和用户满意度。实验结果表明，CADMR在多个基准数据集上优于现有方法。

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%。

本研究提出了一种基于大型语言模型的检索重排序框架，旨在降低环境事件检索的劳动成本并提高可扩展性。该框架通过优化嵌入模型和Geo-Time重排序策略，综合考虑空间、时间和语义相似性，从而提升相似环境事件的推荐准确性，帮助公众理解气候变化及其影响。

本文介绍了多种推荐模型的研究进展，包括SCoRe、基于随机自注意力的模型、DPP损失函数、时间变化用户偏好建模和动态因果协作过滤模型。这些模型在数据稀疏性、冷启动问题和推荐准确性方面表现优越，实验结果显示其在真实数据集上均优于现有基准方法，具有良好的应用潜力。

本文介绍了基于扩散模型的推荐系统方法，如SINE、DiffuASR和DimeRec。这些方法通过自适应推断用户兴趣，解决数据稀疏性，提高推荐准确性，显著提升了推荐效果，并在多个数据集上超越了传统基线方法。

本研究分析了大型语言模型（LLMs）在旅行规划中对性别和种族的偏见，发现其在不同群体的处理上存在明显差异，强调了评估推荐准确性的重要性。

TRON是一个基于会话的Transformer推荐系统，通过优化的负采样提高了推荐准确性。TRON整合了SASRec和GRU4Rec+的前沿模型，使用top-k负采样和列表损失函数。在大规模电子商务数据集上评估，TRON提升了推荐质量，与SASRec相比点击率提高了18.14%。提供源代码和匿名数据集供进一步研究使用。