提出基于语义匹配的mathlib4搜索引擎，提升查找效率。
Guoxiong Gao, Haocheng Ju, Jiedong Jiang 等
本研究对比数据增强与对比学习在序列推荐中的效果，发现某些数据增强策略可单独实现优异性能。
Peilin Zhou, You-Liang Huang, Yueqi Xie 等
SPLADE-v3通过改进训练结构，在MS MARCO上MRR@10超40，BEIR提升2%，显著优于BM25和SPLADE++。
Carlos Lassance, Hervé Déjean, Thibault Formal 等
ToolRerank结合自适应截断与层级感知，优化工具检索效果。
Yuanhang Zheng, Peng Li, Wei Liu 等
提出CoRAL，通过强化学习优化检索策略，结合协作信息提升长尾推荐效果。
Junda Wu, Cheng-Chun Chang, Tong Yu 等
提出基于异质处理效应的目标用户攻击模型UBA，利用三阶路径数估算攻击难度，优化虚假用户预算分配。
Wenjie Wang, Changsheng Wang, Fuli Feng 等
提出Lower-Left Partial AUC（LLPAUC）作为推荐系统优化指标，结合理论验证与实证验证，提升Top-K排名相关性能。
Wentao Shi, Chenxu Wang, Fuli Feng 等
提出TedRec，通过傅里叶变换实现序列级文本ID语义融合，提升推荐性能，实验在五个公开数据集取得14%-38%的提升。
Lanling Xu, Zhen Tian, Bingqian Li 等
使用Transformer模型生成和检索符号音乐，提升音乐信息检索效率。
Dinh-Viet-Toan Le, Louis Bigo, Mikaela Keller 等
MACRec以多智能体协同重构推荐流程，覆盖4类任务。
Zhefan Wang, Yuanqing Yu, Wendi Zheng 等
提出Sliver滑动窗口数据流范式，有效提升直播推荐的时效性与准确性，实验显示CTR提升6.76%。
Fengqi Liang, Baigong Zheng, Liqin Zhao 等
提出NESCL模型，通过邻域增强的监督对比学习提升协同过滤性能，NDCG@20在Yelp2018上提升10.09%。
Peijie Sun, Le Wu, Kun Zhang 等
本文提出Lite-LLM4Rec，通过层次化结构和避免束搜索，实现高效且性能优异的序列推荐模型，提升46.8%的性能和97.28%的效率。
Hanbing Wang, Xiaorui Liu, Wenqi Fan 等
本研究系统分析RAG中检索策略，发现随机文档提升效果达35%。
Florin Cuconasu, Giovanni Trappolini, Federico Siciliano 等
提出以人格为中心的变形关系，用于多轮对话模型的鲁棒性评估，显示prompt学习更强。
Yanbing Chen, Lin Li, Xiaohui Tao 等
利用大语言模型（LLMs）通过图增强策略改善推荐系统，显著缓解数据稀疏问题。
Wei Wei, Xubin Ren, Jiabin Tang 等
RecInterpreter用线性适配器+序列残差提示，让LLaMA解读SASRec/GRU4Rec/DreamRec隐空间。
Zhengyi Yang, Jiancan Wu, Yanchen Luo 等
综述推荐系统中的嵌入技术，探讨矩阵、序列和图结构的嵌入方法。
Maolin Wang, Xinjian Zhao, Wanyu Wang 等
提出大搜索模型（Large Search Model），通过统一LLM实现搜索任务，显著简化搜索体系结构。
Liang Wang, Nan Yang, Xiaolong Huang 等
AgentCF通过自主语言代理实现协同过滤，提升推荐系统的用户行为模拟。
Junjie Zhang, Yupeng Hou, Ruobing Xie 等