本研究提出了一种新型图神经网络推荐器，解决了推荐系统中用户和物品元嵌入缺乏细粒度语义学习的问题。通过细粒度元嵌入增强粗粒度元嵌入的表示能力，实验证明该方法在提升推荐效果方面具有优势。

本研究提出了一种多粒度开放意图分类方法（MOGB），旨在解决已知意图与未知意图的区分问题。通过自适应粒状球聚类，构建多粒度决策边界，有效捕捉细粒度语义结构。实验结果表明，该方法在多个数据集上表现优异，具有重要的实践意义。

本文提出了一种新的情境场景图（SSG）方法，解决了现有图基方法在视频理解中对行动组件细粒度语义特性的忽视。通过多阶段的互动与互补网络（InComNet）生成SSG，实验结果表明该方法在分类和推理任务中表现优异，推动了人中心情境理解的发展。

该文章提出了一个统一的点云视频自监督学习框架，用于处理面向对象和面向场景的数据。通过对比学习和超点的语义对齐，该方法能够捕捉到细粒度语义，并解决动态点云时间维度的高冗余性问题。实验证明该方法在各种下游任务上优于有监督对应方法，并具有卓越的可迁移性。

该文章介绍了一个点云视频自监督学习框架，通过预训练任务提高表示能力，并解决了动态点云时间维度的高冗余性问题。实验证明该方法在下游任务上优于有监督对应方法，具有可迁移性。