本研究探讨通过个性化提示和遗传算法提升大型语言模型（LLMs）模拟人类判断与决策的能力，结果显示预测准确性显著提高。

本研究针对在线推荐系统中的项冷启动问题，提出利用高价值的积极反馈作为提示信息，并通过个性化提示网络编码这些反馈。实验结果表明，该方法在性能上优于现有技术，并已成功应用于亿级用户的短视频平台。

本文提出实例感知图提示学习（IA-GPL），旨在为不同输入实例生成个性化提示。实验结果表明，IA-GPL在多种数据集上优于现有基线，展现出更强的性能和推广能力。

研究表明，大型语言模型（LLMs）在模拟人类行为时存在偏见和局限性，尤其在回答主观问题时受文化、年龄和性别偏见影响。个性化提示对模型表现的改善有限，且存在社会期望偏差。因此，在使用LLMs进行决策模拟前，需分析问题引导的稳健性，以避免延续偏见。

本文探讨了大型语言模型（LLMs）在推荐系统中的应用，分析了流行度偏差及其原因。LLMs在理解语言细微差别和推荐小众电影方面表现优越。研究强调个性化提示和用户背景对推荐质量的重要性，同时指出LLMs面临的挑战，如输入敏感性和偏见问题。最后，总结了LLMs在推荐系统中的方法及未来发展方向。

该研究提出了多种文本生成图像的方法，包括自适应提示适配框架和视觉分析系统PromptMagician，旨在提高图像生成的质量和一致性。通过强化学习和用户反馈，优化生成提示，改善用户体验，并探讨了大型语言模型在文本到图像生成中的应用，强调个性化提示的重要性。