本研究提出了一种无训练的图过滤方法MM-GF，旨在提高多模态推荐系统的效率。通过多模态特征精炼构建相似性图，使用线性低通滤波器融合信息，MM-GF在推荐精度上提升了13.35%，且运行时间低于10秒，具有良好的实际应用潜力。

本研究提出COBRA框架，结合稀疏语义ID和密集向量，解决生成模型在推荐系统中的信息损失问题。实验结果表明，该方法在推荐精度和多样性方面优于传统方案，具有良好的应用潜力。

本研究提出了Molar多模态序列推荐框架，解决了传统推荐系统中大语言模型缺乏协同过滤信息的问题，从而显著提高了推荐精度。

本研究提出了一种新颖的层次偏好建模框架，解决了序列推荐系统对用户高层偏好的忽视问题，显著提高了推荐精度。实验结果表明，该方法优于现有技术。