本研究将用户兴趣视为潜在空间中的随机过程，以应对会话推荐系统中的数据不确定性、流行度偏差和曝光偏差。实验结果表明，该方法有效减轻了这些偏差。

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。

本文探讨了推荐系统中的流行度偏差问题，分析了其原因及现有解决方法。研究提出了一种通过因果干预去除偏差的新范式，以提高推荐准确性。同时，比较了不同算法对用户福利的影响，发现流行度偏见影响用户选择，并提出了有效的减少偏差的方法。

本文提出四个度量指标，衡量推荐系统中受时间和敏感用户组影响的流行度偏差。这些指标能够全面了解敏感群体之间的不公平对待逐渐增加的情况。