蚂蚁推出AlignXplore+，通过文本化用户建模实现个性化，突破传统推荐系统的局限。该模型具备全域通用、极致迁移和实战适配三大特性，能够有效理解用户偏好，提升个性化应用的准确性和鲁棒性。

本文提出了PersonaX框架，旨在解决大语言模型在处理用户长内容时的建模问题，特别是对用户多样化兴趣的忽视。通过离线多重角色构建和子行为序列选择，PersonaX显著提高了用户建模的相关性和效率，实验结果表明其推荐性能优于现有方法，标志着可扩展用户建模的新标准。

本研究探讨了生成性人工智能时代用户模拟的关键应用，提出了一种通过智能代理模拟人类用户行为的新方法，旨在促进用户建模、合成数据生成及AI系统评估。研究表明，用户模拟在多个领域具有深远影响，为通用人工智能的探索提供重要支持。

本文探讨了基于集成主题建模的用户建模和食谱推荐技术，提出了一种智能用户建模策略，能够快速捕捉用户偏好。研究表明，该方法在个性化推荐方面优于传统方法。此外，介绍了AI4Food-NutritionFW框架和NutritionVerse数据集，旨在提高膳食摄入估计的准确性，并推动机器学习在营养感知中的应用。

本文探讨了历史信息中的时间与内容结合，提出了一种基于时间衰减的注意力机制以提升口语理解能力。实验结果表明，该机制在复杂对话中表现优异。此外，研究了Transformer模型在文本表征学习中的位置偏差，并提出了统一用户建模框架以改善新闻推荐效果，同时探讨了大语言模型在点击诱饵检测中的局限性。

本文探讨了基于神经网络的人工智能系统的仪表盘设计，强调用户建模和个性化服务的重要性。研究分析了用户在任务中的心理状态，并提出通过概率模型推断用户知识以提升交互性能。此外，文章讨论了人工智能在决策支持中的应用，倡导以人为中心的可解释性设计，以改善人机交互方式。

本文综述用户建模研究，包括利用大语言模型发现用户偏好与个性、结合文本和图方法提升推荐效果，以及通过概率模型、增量算法和自监督学习动态捕捉用户行为，实现个性化推荐与隐私保护，并指出未来挑战。

该文介绍了一种新的预训练任务——自适应自监督排序（AdaptSSR），通过数据增强技术来解决用户建模中的稀疏数据问题。该方法通过训练用户模型捕捉隐式和显式数据增强视图的相似性顺序，以及其他用户的视图顺序，进而改进了现有的用户建模方法，并在公共和工业数据集上的六个下游任务上进行了广泛实验证明了其有效性。