本研究提出了一种新的洛伦兹知识聚合机制及三种模型增强技术，解决了对比学习在用户-物品二部图和知识图中捕捉层次结构的不足，推荐效果提升达11.03%。

本研究提出了一种新框架——模态解缠与生成推荐系统（DGMRec），旨在提升多模态推荐系统在缺失模态情况下的性能，通过解缠模态特征和生成缺失特征，显著改善推荐效果。

本研究提出了一种引导嵌入优化方法，以提高大语言模型在序列推荐中的可解释性和性能。通过增强基础推荐系统的嵌入，该方法显著提升了推荐效果，提升幅度达到10%到50%。

该研究提出了NLGR模型，通过邻居列表改进个性化推荐系统中的生成重排序，解决了生成器与评估器目标不一致的问题。实验结果表明，NLGR显著提升了推荐效果，并已在美团外卖平台成功应用。

本研究提出了一种新型图神经网络推荐器，解决了推荐系统中用户和物品元嵌入缺乏细粒度语义学习的问题。通过细粒度元嵌入增强粗粒度元嵌入的表示能力，实验证明该方法在提升推荐效果方面具有优势。

本研究提出了SAFERec模型，旨在改善下一购物篮推荐（NBR）任务的效果。该模型通过融入物品频率信息，克服了传统变换器架构在处理重复互动和多样化产品组合时的局限性。实验结果显示，SAFERec在Recall@10指标上提升了8%。

本研究探讨了大型语言模型（LLM）与知识图谱（KG）的结合，提出了多个框架以提升推理能力和推荐效果。研究表明，通过微调小型模型，其在三元组分类和关系预测方面优于最新的ChatGPT和GPT-4。同时，利用知识图谱提高学习推荐的准确性，降低错误生成风险，增强个性化教育效果。LLM在处理结构化知识时表现出色，为未来研究提供了重要见解。