面向大规模个性化场景，研究如何在长尾缓解、可解释性与多目标优化之间取得平衡。 我们围绕图结构建模、跨主题/跨模态增强、个性化对比学习与因果去偏开展系统研究， 关注冷启动、跨域泛化、可控曝光等关键问题，并与工业数据分布与上线指标（CTR/CVR/GMV等）对齐验证。

• 跨子主题图 / 多路检索与重排，面向长尾兴趣的覆盖与提升
• 个性化对比学习与互信息约束，稳健用户表征与兴趣解耦
• 因果去偏（位置/受欢迎度/曝光偏差），可解释与可控的推荐

融合文本-图像-音频-时序等多模态信号，研究对齐、融合与鲁棒表征。 结合预训练/指令对齐与参数高效微调（LoRA/QLoRA）， 在检索、问答、理解与生成等任务中实现端到端可迁移的多模态能力。

• 模态对齐与互信息约束，语义一致与细粒度对齐
• 跨模态检索/标注/摘要，多任务多场景迁移
• 压缩蒸馏与鲁棒训练，提升长尾与噪声场景表现

面向协同决策与任务分解，研究多智能体的角色分工、通信机制与自适应协调。 结合LLM 代理、层级规划与自博弈/自进化， 在推荐、检索、自治系统等场景中实现可靠、可扩展的群体智能。

• 专家-代理协同（规划-执行-评估-自我反思）
• 通信协议与信用分配，稳定协作与公平资源利用
• 跨任务迁移与开放环境适应，安全与可控机制