OpenClaw的炒作周期展示了科技产品的普遍规律：从发布到热度消退，经历推广、意见领袖宣传和跟风模仿等阶段。尽管OpenClaw最初解决了一些实际问题，但随着热度减退，用户兴趣下降，许多跟风项目难以维持，普通用户往往成为炒作的牺牲品。

Gemini应用程序利用用户的兴趣和Google Photos库，简化图像生成过程。用户只需输入简单提示，如“设计我的梦想房屋”，Gemini便能自动生成符合个人风格的图像。用户可以使用实际照片，确保生成的图像更具个性化，并可调整生成结果以保持创作控制。该功能将逐步向美国的Google AI Plus、Pro和Ultra订阅用户推出。

本研究提出了一种新方法DisCo，旨在解决冷启动场景下用户与捆绑商品交互稀疏的问题。通过个性化扩散骨干网络和用户兴趣解耦特征，DisCo在真实数据集上超越了五个基准，展示了冷启动推荐的潜力。

本研究将用户兴趣视为潜在空间中的随机过程，以应对会话推荐系统中的数据不确定性、流行度偏差和曝光偏差。实验结果表明，该方法有效减轻了这些偏差。

本研究探讨了抖音平台上内容放大的动态过程，发现内容放大与用户兴趣高度相关，尤其在观看前200个视频时效果显著。尽管算法保持一定的内容多样性，但放大的内容与探索新标签的参与存在强负相关，揭示了个性化与内容多样性之间的权衡。

本研究提出了一种名为长期兴趣时钟（LIC）的方法，以改善流媒体推荐系统中用户兴趣动态建模的不足。该方法通过考虑时间周围的长期行为相关性，更准确地捕捉用户动态兴趣。在在线A/B测试中，用户活跃度提高了0.122%，并已成功应用于抖音音乐App的推荐系统。

本研究提出了一种新颖的风格内容感知个性化标题生成框架（SCAPE），旨在解决个性化新闻标题生成中用户多样化风格偏好的问题。SCAPE通过提取标题的内容和风格特征，结合用户兴趣，显著提升了标题的个性化程度，并在真实数据集PENS上表现优越。

本文提出了Forward-OFA方法，旨在解决云中心推荐系统中的带宽需求和隐私风险。该方法通过动态构建设备特定网络，优化结构适应性，实现用户兴趣变化的快速适应，从而显著提升推荐效率。

本研究提出APEX$^2$框架，解决个性化知识图谱摘要中用户兴趣变化被忽视的问题，能够有效调整摘要，超越现有方法。

本研究提出了一种新的序列推荐预训练框架PRECISE，旨在解决推荐系统在长尾商品和冷启动场景中的不足。该框架结合协同信号和语义信息，有效捕捉用户兴趣并转移到目标场景。实验结果显示，PRECISE在多个数据集上表现优异。

本文介绍了基于扩散模型的推荐系统方法，如SINE、DiffuASR和DimeRec。这些方法通过自适应推断用户兴趣，解决数据稀疏性，提高推荐准确性，显著提升了推荐效果，并在多个数据集上超越了传统基线方法。

本研究提出了一种新方法，通过内容表示非项目页面，以解决传统顺序推荐模型未考虑非项目页面对用户兴趣的影响的问题。研究表明整合非项目页面可以提高多种推荐模型在下一个项目预测任务中的表现。

TWIN-V2是TWIN的改进版，通过分而治之的方法压缩用户行为序列，揭示准确和多样化的用户兴趣。它使用分层聚类将行为序列压缩到适合在线检索的长度。TWIN-V2在一个亿级别的工业数据集上进行了实验和测试，并成功部署在快手的主要流量上。

AI系统与用户兴趣相协调需要理解和融入人类的价值观和偏好。OPEN框架利用贝叶斯最优实验设计指导选择信息丰富的问题，并利用语言模型提取特征和转化为自然语言问题。OPEN在偏好获取方面优于现有的方法。

研究人员使用“论文提醒”系统获取推荐论文，但难以理解与自身研究背景的联系。为此，提出了PaperWeaver系统，通过语言模型推断用户兴趣，提供背景化文本描述。用户研究结果表明，使用PaperWeaver能更好理解推荐论文的相关性。

SESRec框架用于顺序推荐，通过对比学习任务区分用户S＆R行为的相似和不同表示，并从注意力机制中提取用户兴趣。实验结果表明，SESRec在工业和公共数据集上优于其他模型，并成功分离相似和不同的用户兴趣。

该研究提出了一种名为COAST的新型跨领域推荐框架，通过对齐感知实体之间的跨领域相似性和用户兴趣，提高双重领域的推荐性能。COAST使用用户表示和图卷积网络的消息传递机制捕获用户和项目的高阶相似性。实验证明COAST在多项任务中一致且显著优于同类算法。

谷歌应用商店添加了置顶广告，根据用户兴趣推荐应用或游戏，投放频率不高，广告相对较多。