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。

本研究提出CDR-Adapter模型，通过解耦推荐模型与映射函数，解决数据稀疏性和冷启动问题，支持灵活的知识传递和高效的微调，实验结果表明其具有优越性。

研究集中在图神经网络模型的可重复性，通过复现六种热门图推荐模型在三个基准数据集上的结果，解决未经验证的问题。比较这些模型与传统协同过滤模型，并扩展到两个新数据集，分析数据集特征对推荐准确度的影响，研究用户邻域信息流动以识别数据集结构对模型的影响。

本研究提出了一种新方法，通过内容表示非项目页面，以解决传统顺序推荐模型未考虑非项目页面对用户兴趣的影响的问题。研究表明整合非项目页面可以提高多种推荐模型在下一个项目预测任务中的表现。

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。