本研究分析了大型语言模型（LLMs）在序列推荐中的局限，提出了新方法LLM-SRec，通过优化用户表示以增强序列信息整合，从而显著提升推荐效果。

本文提出了一种上下文感知的伪多任务推荐系统（CPMR），通过动态用户和项目表示及伪多任务学习，准确建模兴趣演化。实验结果显示，CPMR在四个基准数据集上优于现有方法。

该研究提出了一种基于专家模型的冷启动与热身网络，通过门控网络整合两个专家的结果，并引入动态知识蒸馏作为教师选择器，以帮助专家更好地学习用户表示。该模型在公共数据集上表现优异，对于所有用户类型都胜过其他模型，并在一个工业级短视频平台上实现了显著的增加。

本研究提出了一种基于多关系图神经网络模型的会话目标行为预测方法，通过建立多关系项图，学习目标和辅助行为之间的关系，融合用户表示以预测下一个与目标行为交互的项目。实验证明该方法优于现有的基于会话的预测方法，同时也展示了利用辅助行为和学习项间关系的好处。