本研究提出PNR-LLM方法，利用大语言模型生成新闻标题和摘要，以解决个性化新闻推荐系统中捕捉用户偏好的问题。实验结果表明，该方法在MIND数据集上优于现有基线，验证了其设计优势。

本研究提出了一种新负采样技术，解决了新闻推荐系统中短暂文章生命周期导致的相关性衰减问题，提升了模型的准确性，支持去中心化。实验结果表明，该技术的准确性与先进模型相当，同时降低了复杂性，加速了训练过程。

本研究探讨新闻推荐中的技术和规范挑战，旨在设计有效且负责任的推荐系统。研究用户偏好建模与新闻议程的关系，以及推荐系统对新闻流动和编辑价值的影响，提供优化新闻推荐的新视角，提升用户体验和新闻质量。

本研究提出了一种新框架，将点式相关性预测与逐对比较结合，提升新闻推荐的个性化排序效果。实验结果显示，该方法在MIND和Adressa数据集上优于现有最佳方法，解决了在保持高效性和准确性的同时进行有效比较的挑战。

本研究介绍了NRAM方法，探讨其在新闻推荐领域的潜力，评估结果显示其能够改善数字新闻平台上用户个性化新闻内容的方式。