本研究通过微调LLaMA模型，提出RepLLaMA和RankLLaMA，显著提升多阶段文本检索效果，MS MARCO数据集上MRR达99.4%。
Xueguang Ma, Liang Wang, Nan Yang 等
RankVicuna为开源7B模型，实现零样本列表式文档重排序，效果媲美GPT-3.5。
Ronak Pradeep, Sahel Sharifymoghaddam, Jimmy Lin
提出SAMRec，通过损失景观平滑提升Transformer在序列推荐中的性能，无需自监督学习。
Vivian Lai, Huiyuan Chen, Chin-Chia Michael Yeh 等
提出双步归属框架BIGRec，结合微调与统计信息提升LLMs推荐性能，适应少样本与跨域场景。
Keqin Bao, Jizhi Zhang, Wenjie Wang 等
提出两种生成式查询重写框架GenQR和GenPRF，利用预训练模型提升检索效果。
Xiao Wang, Sean MacAvaney, Craig Macdonald 等
提出PACC和PACC-PE模型，显著减轻电商搜索中的位置偏差。
Yibo Wang, Yanbing Xue, Bo Liu 等
本文揭示推荐系统离线评估中的四大常见缺陷，强调其对模型性能的误导。
Balázs Hidasi, Ádám Tibor Czapp
提出基于Yule-Simon分布的个性化位置偏差模型C-3PO，用于短视频推荐，提升曝光估计准确性。
Olivier Jeunen
提出流式CTR预测任务，分析模型在动态数据中的表现差异，采用参数调优与样本回放提升效果。
Qi-Wei Wang, Hongyu Lu, Yu Chen 等
MedCPT采用对比学习，利用2.55亿PubMed搜索日志实现零样本生物医学信息检索，超越多种基线模型。
Qiao Jin, Won Kim, Qingyu Chen 等
提出OBELICS数据集，结合网页多模态文档，训练80亿参数模型IDEFICS，性能优越。
Hugo Laurençon, Lucile Saulnier, Léo Tronchon 等
提出基于DIKW模型的多模态融合框架，结合特征选择、深度学习等实现智能医疗数据整合。
Thanveer Shaik, Xiaohui Tao, Lin Li 等
提出基于超网络的可控多目标重排序框架（CMR），实现在线偏好调节，提升推荐效果。
Sirui Chen, Yuan Wang, Zijing Wen 等
本综述提出LLM在推荐中的两大范式：判别式（如BERT）和生成式（如GPT），分析其技术细节与性能。
Likang Wu, Zhi Zheng, Zhaopeng Qiu 等
提出DAP方法在推理阶段校正GCN推荐中的流行偏差，显著改善尾部物品推荐效果。
Jiajia Chen, Jiancan Wu, Jiawei Chen 等
提出“挑战性解码器”策略，通过基于点互信息的掩码增强，提升MAE预训练在密集检索中的表现。
Zehan Li, Yanzhao Zhang, Dingkun Long 等
提出GeneRec，结合生成模型与用户指令，实现内容个性化生成，提升推荐多样性。
Wenjie Wang, Xinyu Lin, Fuli Feng 等
提出基于GPT-3的零样本下一项推荐策略，利用三步提示显著提升推荐准确率。
Lei Wang, Ee-Peng Lim
Chat-Rec通过将用户信息转化为提示，提升推荐系统的交互性和可解释性。
Yunfan Gao, Tao Sheng, Youlin Xiang 等
DCMT框架提升CVR AUC 1.07%，解决选择偏差和数据稀疏问题。
Feng Zhu, Mingjie Zhong, Xinxing Yang 等