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。

中科大与华为诺亚方舟联合提出了一种推荐大模型性能预测定律，首次定量分析了模型性能与数据规模和质量之间的关系。研究引入近似熵作为数据质量指标，克服了传统扩展定律的局限性，有效预测推荐模型的扩展潜力和最优参数配置。

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SCoRe、SINE、Temporal Graph Sequential Recommender等推荐模型的创新，旨在通过用户行为和物品属性的历史信息提升推荐系统性能。研究表明，这些模型在多个真实数据集上优于传统方法，尤其在动态兴趣建模和负面反馈处理方面表现突出。

本文提出了一种基于注意力机制的推荐模型，旨在解决协同过滤中的稀疏性和用户兴趣变化问题。通过Aspect-aware Topic Model和Aspect-aware Latent Factor Model，模型有效整合用户偏好与项目特征，提升推荐的解释性和性能。此外，研究探讨了基于树的方法和多层次评价维度的评分系统，展示了在真实数据集上的良好效果。

本文提出了一种基于序列的累积交叉熵（CCE）损失函数，旨在提升序列推荐系统的性能，解决序列信息利用率低的问题。实验结果表明该损失函数有效，并展示了其在推荐模型中的应用潜力。

研究表明，嵌入坍塌现象限制了大规模推荐模型的可扩展性。为此，提出了多嵌入设计和两阶段模型选择框架，以提高模型选择效率。新技术Neural Input Search通过强化学习优化分类特征嵌入维度，优于传统方法。此外，研究探讨了数据选择问题，提出基于可扩展多样化模型选择的框架，并展示了其在多任务学习和深度特征选择中的应用。

本研究提出了Gradient Low-Rank Projection (GaLore)训练策略，实现了大规模语言模型的全参数学习，优化器状态内存使用减少65.5%。同时，针对深度学习推荐模型的内存容量问题，提出了Tensor Train分解，显著压缩模型大小而不影响准确性。

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。

该文介绍了一种名为MLET的技术，通过跨类别学习训练嵌入层的分解来产生优越嵌入。在多个点击率预测任务的推荐模型上进行测试时，MLET始终产生更好的模型，特别是对于罕见的项目。MLET允许模型的嵌入维度和模型大小分别减少高达16倍和平均减少5.8倍。

本文介绍了使用动态嵌入表训练推荐模型的方法，TFRA和TFRS是实现动态嵌入表的工具，动态嵌入表有三种类型，训练模型的代码和自定义回调函数也在文章中提供。