本文提出了多种模型和方法以提升用户行为分析和推荐系统的性能，包括Temporal Interest Network (TIN)、TimelyRec和Temporal Interaction Module (TIM)。这些模型通过考虑时间模式和用户偏好，提高了推荐的及时性和准确性。此外，研究探讨了移动通知与用户参与的关系，以及如何通过机器学习处理长序列用户行为数据，提升系统效率。

本文介绍了去噪时间循环建模（DiCycle）方法，用于推荐系统中用户行为的时间模式建模。DiCycle通过去除无关的用户行为噪声，选择与目标项目高度相关的用户行为子集，并明确地建模多样化的时间循环模式来进行推荐。实验证明DiCycle在公共基准和真实世界数据集上的表现优于现有的推荐方法。

SWoTTeD是一种用于发现隐藏时间模式的方法，通过集成多个限制和正则化来提高时间表型的解释性。