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的负采样技术，旨在解决新闻推荐系统中短暂文章生命周期导致的相关性快速衰减问题。实验结果表明，该方法的准确性与最先进模型相当，同时降低了模型复杂性并加速了训练过程。此外，去中心化模型在提高隐私性和可扩展性方面也发挥了重要作用。

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。

本文提出了一种自动新闻推荐框架，结合协同新闻编码和结构化用户编码，以提升新闻和用户表示学习的效果。通过MIND数据集验证了模型的有效性，并研究了多种网络嵌入方法和图神经网络在链接预测和节点分类任务中的优越性能。

本文探讨了新闻推荐中的少样本问题，提出了一种跨语言转移模型，通过共享词汇表和多语言句子表示架构，提升了不同语言间的用户-新闻偏好转移效果。研究显示，该模型在无监督领域自适应和跨语言句子嵌入方面的应用，性能显著优于基线方法。

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。