本研究提出了Dr Genre框架，解决了通用文本重写中的统一性问题，提升了重写质量，具有广泛的应用潜力。

UniSRec是一种序列表示学习方法，利用物品描述文本学习可转移表示。该方法包括轻量级物品编码体系结构和多域负数采样的对比预训练任务。实验证明该方法在不同场景或平台上有效。

本文介绍了一种用于构建凸损失函数的泛化方法，即Fenchel-Young损失。该方法揭示了著名损失函数的统一性，并方便地创建新的损失函数。同时，本文还推导了有效的预测和训练算法，使得Fenchel-Young损失在理论和实践上都非常有吸引力。

本文研究社交媒体上的观点和情感分析，提出了六种最先进的方法，并重新实现其中一种以进行综合实验评估和比较。研究了不同文本和视觉特征嵌入以及多模式CLIP嵌入等。研究结果基于公共数据集的推文和图像进行比较，引入了可复制和公平的评估方案。最后，对方法的局限性和未来工作进行了误差分析。

本文介绍了一种基于图的推荐系统方法GraphAU，通过考虑用户-物品双部图中的高阶关联性解决稀疏性问题，实验证明GraphAU在四个数据集上取得了最先进的性能。