本研究提出了一种基于反事实推断的方法，解决推荐系统中的情感偏见问题。通过因果图建模情感对评分的影响，有效减轻了偏见，实验结果表明该方法在评分预测上表现优异。

该研究提出多种跨领域推荐方法，利用深度学习和领域自适应技术，提高评分预测精度和点击率。通过对比学习和图像预训练等手段，解决数据稀疏性问题，实验结果表明新方法在多个数据集上优于现有算法。

我们提出了经过领域适应和完全训练的大型语言模型RecGPT-7B及其指导模式RecGPT-7B-Instruct，用于基于文本的推荐。实验结果表明，RecGPT-7B-Instruct在评分预测和顺序推荐任务上优于以前的强基准模型。我们释放了RecGPT模型以及预训练和微调数据集，以促进未来在基于文本的推荐领域的研究和应用。

本文介绍了基于ALS算法的在线图书推荐系统，通过预测用户对未读书籍的评分并推荐高分书籍。文章详细介绍了数据加载、预处理、ALS模型开发和部署等步骤，并使用RMSE、MAE、R2和解释方差等指标评估了模型性能。

本文介绍了一种基于深度自编码器的新模型，用于Netflix数据集的评分预测任务。相比之前的模型，该模型具有明显优势，不需要层预训练，采用6层自编码器进行端到端的训练。实验证明，深度自编码器模型的泛化能力更好，负部分的非线性激活函数对于训练深度模型至关重要，需要大量采用正则化技术，如dropout，以防止过拟合。此外，提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法加速了训练并改善了模型性能。

本文介绍了如何使用大型语言模型（LLMs）来增强推荐系统，包括对话式推荐、序列推荐、评分预测和基于文本嵌入的推荐等。同时，作者还介绍了如何使用LLMs作为推荐模型的侧面特征。