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。

本研究提出了一种基于转化器的顺序建模方法TSCR，旨在解决对话推荐系统中项与相关实体的顺序依赖问题。通过知识图谱增强的版本TSCRKG，实验结果表明其推荐性能显著优于现有方法。

本文提出了一种多模态推荐系统的创新框架，利用图卷积网络和ID嵌入等算法，解决冷启动和缺失数据问题，提升推荐性能。实验结果表明，该框架在多个数据集上表现优越，具有广泛的应用潜力。

该研究提出了多种跨领域推荐方法，如COAST框架和自我监督的兴趣转移网络（SITN），通过捕获用户兴趣和领域相似性，显著提高了推荐性能。实验结果显示，这些方法在广告点击率预测和用户行为建模等任务中优于传统模型，具有实用价值。

本文介绍了多种基于异构信息网络的推荐模型，如NIRec、HCDIR和HERec，旨在解决冷启动问题并提升推荐性能。这些模型通过探索节点互动、应用卷积学习和结合内容特征，在实验中表现出色，显著改善了推荐效果。

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。