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，克服现有组推荐方法的局限，能够快速为各组推荐合适的项目。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CA-GF方法，通过准则感知图过滤提升多准则推荐系统的性能和可扩展性，推荐准确性显著提高，尤其在挑战性数据集上提升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%。

该研究提出了一种精准驱动的工具推荐方法（PTR），旨在优化大型语言模型在特定任务中的工具选择，通过动态调整工具集来提高相关性和有效性，从而显著提升推荐准确性。

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。

本研究提出了CIV4Rec方法来解决推荐系统中的用户偏好偏差问题，实验证明其能显著提高推荐准确性。

本研究提出了Nah Bandit模型，通过引入EWC算法，提升推荐准确性并加速偏好学习。研究结果表明，EWC在短期内的理论表现优于传统方法，为未来推荐系统研究奠定了基础。

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。