本研究提出了一种多模态超图对比学习框架（MMHCL），旨在解决多模态推荐系统中的数据稀疏和冷启动问题。通过构建用户和物品的超图，挖掘共享偏好和多模态语义相似性，显著提高了用户与产品之间的关联性。

本研究提出了一种扩散增强对比学习（DGCL）框架，旨在解决协同过滤中的数据稀疏和数据增强不足的问题，通过生成多个语义一致的对比视图来提升推荐系统的性能。

本研究提出了一种新方法SRA-CL，通过语义检索增强对比学习，解决序列推荐中的数据稀疏问题，实验结果在多个数据集上表现优异。

本文介绍了多种推荐系统模型的进展，包括MoSAN、DBRec、CAGR和MGAM，旨在提升小组推荐的性能和用户偏好的理解。研究利用深度学习、图嵌入和注意力机制解决数据稀疏问题，并提出了新型推荐框架RLMRec和EasyRec，展示了在动态环境中提升推荐效果的潜力。

本文介绍了基于图卷积神经网络的社交推荐模型，强调其在捕捉用户偏好和解决数据稀疏问题上的有效性。研究涵盖了DiffNet++和SR-HGNN等算法，展示了它们在真实数据集上的优越性能，并探讨了图神经网络在推荐系统中的应用与挑战。

本研究通过新方法解决了数据稀疏情况下推荐系统效果不足的问题，为推荐系统发展提供了新的方向和潜力。

该论文介绍了多种基于人工智能的药物发现方法，包括DrugOOD数据集、RaSECo跨视图协同对比学习和GraphCL-DTA靶标结合亲和力预测。这些方法在药物相互作用预测和虚拟筛选中表现出色，提高了药物研发的效率和准确性。此外，提出的Syngand和Imagand模型解决了数据稀疏问题，生成合成药物动力学数据，推动了药物再利用研究。

本文介绍了多种基于图神经网络的社交推荐模型，如DiffNet++、CAGR、DICER和SR-HGNN，旨在提升推荐系统性能，解决数据稀疏和冷启动问题。通过利用社交网络和用户兴趣信息，这些模型优化了推荐效果，实验结果显示在真实数据集上表现优越。

本文探讨了团体推荐问题的统一框架和算法，提出了MoSAN、DBRec和CAGR等新方法，以提高推荐系统在数据稀疏和冷启动情况下的性能。实验结果表明，这些方法在多个基准数据集上表现优越，显著改善了群体推荐效果。

本文探讨了多行为推荐系统的最新研究进展，包括多行为建模、时间变化用户偏好和超图增强Transformer框架。提出的新算法和模型在真实数据集上表现优异，显著提升了推荐性能，解决了数据稀疏和噪声问题。

本文介绍了多个跨领域推荐框架，包括GA、HGDR、DCDCSR、CCDR、GReS、FedHCDR和CDR-Adapter。这些框架利用图形嵌入、注意力机制和深度学习等技术，解决了数据稀疏和冷启动问题，显著提高了推荐的准确性和性能。实验结果显示，这些方法在实际应用中优于现有推荐算法。

跨领域顺序推荐（CDSR）面临数据稀疏和冷启动问题。研究提出CFAA模型，通过挖掘用户评论和历史评分来提升推荐性能。同时，FedDCSR框架解决序列特征异质性，GA框架利用图形嵌入和注意力技术提高推荐精度。实验结果表明，这些新方法在推荐准确性上优于现有技术。

该研究提出了一种知识感知的耦合图神经网络模型，旨在解决社交信息推荐中的用户与项目交互问题。实验结果表明，该方法在数据稀疏和冷启动问题上表现优越，显著提升了推荐系统的召回率。

本文介绍了一种名为NMTR的推荐系统，能够从多种用户行为数据中学习，特别适用于数据稀疏的用户。研究表明，该系统在真实数据集上表现优于现有算法，有效解决了冷启动问题，并通过深度学习和行为分析提升了推荐准确性。

本文介绍了PromptTopic，一种利用大型语言模型提取和汇总短文本主题的方法，显著提高了主题建模的质量。通过扩展短文本和减少噪声，PromptTopic在多个数据集上表现优于现有模型，有效解决了数据稀疏问题，展示了其在主题提取中的潜力和优势。