本研究提出了一种新的双曲面扩散推荐模型（HDRM），旨在克服扩散模型在推荐系统中的局限性，尤其是在处理物品的各向异性和方向性结构方面。实验结果表明，该模型在多个数据集上显著提高了推荐性能。

本文提出了PersonaX框架，旨在解决大语言模型在处理用户长内容时的建模问题，特别是对用户多样化兴趣的忽视。通过离线多重角色构建和子行为序列选择，PersonaX显著提高了用户建模的相关性和效率，实验结果表明其推荐性能优于现有方法，标志着可扩展用户建模的新标准。

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BRIDGE框架，以解决捆绑推荐中的预测不准确问题。通过项目聚类和伪捆绑生成，结合远程监督策略，显著提升了推荐性能。实验结果表明，该模型优于现有方法。

本研究提出了一种新方法TSCR，解决对话推荐系统中忽视项与相关实体的顺序依赖问题。通过知识图谱增强的TSCRKG进一步提升了推荐性能，实验结果表明其优于现有基线。

研究发现，大型语言模型 (LLM) 在基于项目和语言偏好的推荐中具有竞争力的性能。LLM 在纯语言偏好的情况下提供了可解释和可审查的推荐。

该论文研究了在线学习互动推荐系统的问题，并提出了一种离线强化学习框架来解决。该方法通过最大化用户奖励，在推荐方面表现出优越性能。

该论文研究了在线学习互动推荐系统的问题，并提出了一种离线强化学习框架来解决。该方法通过最大化用户奖励，在推荐方面表现出优越性能。

该论文提出了两种新的停留时间注入策略，通过分析停留时间，改进了用户点击和用户偏好识别的能力。实验证明这两种策略显著提高了推荐性能，对用户停留时间信息具有健壮性。

本文研究了自然语言解释的连贯性评估方法，并提出了基于Transformer的新方法。实验结果表明，该方法能够提高解释的连贯性，而不影响推荐性能。