基于BERT的神经排序模型显著优于传统方法，用于医学系统综述筛选优先级排序。
Shuai Wang, Harrisen Scells, Bevan Koopman 等
提出FRU方法实现联邦推荐模型的用户遗忘，存储本地更新以提高效率。
Wei Yuan, Hongzhi Yin, Fangzhao Wu 等
RankT5通过排名损失微调T5模型，在MS MARCO数据集上提升了1.8%的排名性能。
Honglei Zhuang, Zhen Qin, Rolf Jagerman 等
KuaiRand利用随机曝光视频，收集12类用户反馈，解决推荐偏差问题。
Chongming Gao, Shijun Li, Yuan Zhang 等
本研究提出推荐模型的缩放规律，发现模型性能遵循幂律+常数关系，数据规模为关键驱动因素。
Newsha Ardalani, Carole-Jean Wu, Zeliang Chen 等
提出BM3模型，通过自监督学习利用多模态信息，显著提升大规模推荐系统性能，训练时间缩短2-9倍。
Xin Zhou, Hongyu Zhou, Yong Liu 等
提出面向推荐的合作感知图卷积网络（CAGCN），通过CIR指标增强合作信号，超越1-WL判别能力。
Yu Wang, Yuying Zhao, Yi Zhang 等
基于M6模型的开域推荐系统，采用提示调优和多任务融合，支持多任务多域，提升零样本性能。
Zeyu Cui, Jianxin Ma, Chang Zhou 等
提出超图对比协同过滤（HCCF），结合超图结构学习与自监督增强，提升推荐性能。
Lianghao Xia, Chao Huang, Yong Xu 等
本研究分析QPP中ground truth变异对结果的影响，提出优化组合以减少波动。
Debasis Ganguly, Suchana Datta, Mandar Mitra 等
通过扩大双编码器模型规模（保持瓶颈嵌入维度不变）实现出域泛化，GTR在BEIR数据集上优于SOTA。
Jianmo Ni, Chen Qu, Jing Lu 等
提出CLUE模型，基于对比学习实现大规模用户表示，验证其在推荐任务中的优越性。
Kyuyong Shin, Hanock Kwak, Su Young Kim 等
提出GRCN，通过结构自适应修正图中的噪声边，提升多媒体推荐性能。
Wei Yinwei, Wang Xiang, Nie Liqiang 等
提出DuoRec，通过对比学习解决序列推荐中的表示退化问题，提升嵌入分布均匀性。
Ruihong Qiu, Zi Huang, Hongzhi Yin 等
提出一个统一稠密与稀疏检索的表示框架，核心在于逻辑评分模型和物理检索模型的分离。
Jimmy Lin
基于SPLADE v2模型，通过池化机制改进和蒸馏技术，实现稀疏词汇扩展的高效信息检索，NDCG@10提升超9%。
Thibault Formal, Carlos Lassance, Benjamin Piwowarski 等
通过伪相关反馈改进密集检索中的查询表示，显著提升准确率。
HongChien Yu, Chenyan Xiong, Jamie Callan
提出SURGE模型，结合图神经网络处理长序列中的隐性偏好信号，显著提升推荐性能。
Jianxin Chang, Chen Gao, Yu Zheng 等
提出GCE-GNN，结合会话图和全局图的双层嵌入提升会话推荐性能。
Ziyang Wang, Wei Wei, Gao Cong 等
提出FedNCF，将神经协同过滤扩展至联邦学习，结合安全聚合实现隐私保护。
Vasileios Perifanis, Pavlos S. Efraimidis