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。

本文提出了多模态学习和缺失数据补全的推荐系统框架LRMM，利用模态丢弃和多模态序列自编码器算法有效处理缺失信息和冷启动问题。实验结果表明，该算法在评分预测中表现优越，具有实用性。此外，还介绍了其他多模态学习方法，如TRML、DI-MML和SMIL，均在多个数据集上展现了良好性能。

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。