随着用户体验的提升和留存率的增强，推荐系统在电商、流媒体和社交媒体等多个行业中愈发受到重视。这些系统需要分析用户、商品及其背景因素之间的复杂关系，以精准地推荐用户可能感兴趣的内容。然而，现有的推荐系统往往是静态的，依赖于大量历史数据来有效地构建这些关系。在 “冷启动” 场景下，这种关系的构建几乎变得不可能，进一步削弱了系统的效果。为了解决这些问题，来自上海交通大学和华为诺亚方舟实验室的研究人员推出了 AutoGraph 框架。该框架能够自动构建图，

EasyRec是一款基于语言模型的推荐系统，由香港大学团队开发。其独特之处在于通过文本行为对齐框架分析用户行为故事中的情感和细节，预测用户喜好，无需大量用户数据。该系统结合对比学习和协同语言模型，能准确预测新用户和新商品的喜好，特别是在零样本推荐场景中表现出色。EasyRec的即插即用特性使其易于集成到现有推荐系统中，提升性能。论文展示了EasyRec在多个真实世界数据集上的优秀表现，证明了其在推荐准确性上的优势。随着技术的不断发展，EasyRec有望在商业推荐系统和学术研究中发挥更大作用。

​港大与腾讯的研究人员提出了一种全新的多模态推荐系统范式 ——DiffMM，旨在提高短视频推荐的精准度。该系统通过创建一个包含用户和视频信息的图，并利用图扩散和对比学习技术，更好地理解用户和视频之间的关系，从而实现更准确的推荐。