PruneRec以三阶段剪枝加蒸馏，在三数据集上仅保留约5%非嵌入参数并达到原模型88%性能。
Shanle Zheng, Keqin Bao, Jizhi Zhang 等
ARAG结合多智能体机制，通过用户理解、语义对齐、上下文总结和排序实现个性化推荐，提升NDCG@5至42.1%。
Reza Yousefi Maragheh, Pratheek Vadla, Priyank Gupta 等
分析两塔模型的可识别性与偏差影响，提出样本加权缓解偏差。
Philipp Hager, Onno Zoeter, Maarten de Rijke
基于数学属性重构点击模型分类，提出三大关键设计选择，构建全新分类体系。
Jingwei Kang, Maarten de Rijke, Santiago de Leon-Martinez 等
提出GFlowGR，基于生成流网络的微调框架，有效缓解推荐中的曝光偏差。
Yejing Wang, Shengyu Zhou, Jinyu Lu 等
OneRec采用端到端生成模型，提升推荐模型FLOPs十倍，显著优化计算效率和资源利用率，应用于快手，提升用户留存和体验。
Guorui Zhou, Jiaxin Deng, Jinghao Zhang 等
GainRAG通过“增益”指标对检索器与大模型偏好进行对齐，显著提升多数据集性能。
Yi Jiang, Sendong Zhao, Jianbo Li 等
DeepRec通过LLM和TRM多轮交互深度探索物品空间，显著提高推荐性能。
Bowen Zheng, Xiaolei Wang, Enze Liu 等
Agent4SR利用LLM进行低知识水准的高影响力攻击，提升推荐系统操控效果。
Shengkang Gu, Jiahao Liu, Dongsheng Li 等
DARLR通过动态奖励优化推荐系统，实验显示在KuaiRand上提升16%。
Yi Zhang, Ruihong Qiu, Xuwei Xu 等
本研究系统分析了预训练与微调在密集检索中的知识获取，验证了微调主要调整激活而非重组知识。
Zheng Yao, Shuai Wang, Guido Zuccon
采用AutoNuggetizer自动评估LLM回答的关键信息块，与人类偏好显著相关。
Sahel Sharifymoghaddam, Shivani Upadhyay, Nandan Thakur 等
基于大规模语言模型的自动化“金块”提取与RAG评估框架，验证与人工标注高度相关。
Ronak Pradeep, Nandan Thakur, Shivani Upadhyay 等
提出LARM框架，通过微调多模态LLM、对齐嵌入及语义编码提升直播推荐效果。
Yueyang Liu, Jiangxia Cao, Shen Wang 等
CORAL利用对比偏好扩展和学习，显著提升多轮对话推荐准确率，Recall@10最高达99.72%。
Heejin Kook, Junyoung Kim, Seongmin Park 等
LLMSeR通过LLM生成伪先验项，提升序列推荐系统的性能。
Yuqi Sun, Qidong Liu, Haiping Zhu 等
大语言模型代理提升推荐和搜索系统，显著提高信息检索效率。
Yu Zhang, Shutong Qiao, Jiaqi Zhang 等
OneRec采用端到端生成模型，结合会话偏好对齐，显著提升推荐效果。
Jiaxin Deng, Shiyao Wang, Kuo Cai 等
本论文系统梳理信息检索模型架构演变，重点分析Transformer和大模型的创新。
Zhichao Xu, Fengran Mo, Zhiqi Huang 等
EAGER-LLM通过知识索引和多尺度对齐提升LLM推荐效果，融合外源行为与语义信息。
Minjie Hong, Yan Xia, Zehan Wang 等