提出基于纳什社会福利的公平互惠推荐算法，有效平衡匹配数与机会公平。

Yoji Tomita, Tomohiki Yokoyama

LARR结合域知识预训练与对比学习，提升实时场景语义理解与CTR预测。

Zhizhong Wan, Bin Yin, Junjie Xie 等

提出结合上下文信息的双重学习算法（CDLA-LD），有效缓解位置偏差与上下文偏差。

Lulu Yu, Keping Bi, Shiyu Ni 等

结合LLM与网络检索，提升假信息检测准确率20%。

Jacob-Junqi Tian, Hao Yu, Yury Orlovskiy 等

通过结合探索性搜索和Kolb学习模型，提升学生的高阶认知能力。

Yiming Luo, Patrick Cheong-Iao Pang, Shanton Chang

GradCraft通过动态梯度幅值调整和全局方向投影，提升多任务推荐模型的梯度平衡与性能。

Yimeng Bai, Yang Zhang, Fuli Feng 等

SETO通过子序列临时操作丰富样本，有效解决数据稀疏问题。

Shu Chen, Jinwei Luo, Weike Pan 等

本研究发现预训练语言模型（LM）通过线性映射可优于传统协同过滤模型，揭示空间同构潜力。

Leheng Sheng, An Zhang, Yi Zhang 等

ColPali通过视觉语言模型实现高效文档检索，采用多向量嵌入显著优于传统方法。

Manuel Faysse, Hugues Sibille, Tony Wu 等

提出可复用的RAG框架Ragnarök，结合MS MARCO V2.1，设立TREC 2024 RAG赛道，基线包括GPT-4o和Cohere Command R+。

Ronak Pradeep, Nandan Thakur, Sahel Sharifymoghaddam 等

DemoRank通过依赖感知的重排序提高大语言模型在排序任务中的示例选择效率，显著提升排名表现。

Wenhan Liu, Yutao Zhu, Zhicheng Dou

FIRST方法通过单标记解码提高重排序效率，在BEIR基准上加速50%。

Revanth Gangi Reddy, JaeHyeok Doo, Yifei Xu 等

提出EAGER，结合行为和语义信息的双流生成推荐模型，显著提升性能。

Ye Wang, Jiahao Xun, Minjie Hong 等

提出基于行为依赖线性递归单元的RecBLR模型，兼顾性能、训练与推理效率。

Chengkai Liu, Jianghao Lin, Hanzhou Liu 等

TourRank通过比赛机制优化文档排序，提升性能并降低成本。

Yiqun Chen, Qi Liu, Yi Zhang 等

提出Softmax-DPO（S-DPO）优化推荐，利用多负样本强化排名信息，提升推荐性能。

Yuxin Chen, Junfei Tan, An Zhang 等

提出UMBRELA工具，基于GPT-4实现自动化相关性评估，验证与人类评估高度相关。

Shivani Upadhyay, Ronak Pradeep, Nandan Thakur 等

提出多目标策略学习方法，通过最大化北极星奖励的保守下界，优化连续多变量策略。

Olivier Jeunen, Jatin Mandav, Ivan Potapov 等

提出CoST，通过对比学习实现语义标记，提升生成推荐的Recall@5达43%。

Jieming Zhu, Mengqun Jin, Qijiong Liu 等

提出考虑连接关系的多表检索方法，F1提升9.3%。

Peter Baile Chen, Yi Zhang, Dan Roth