本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型，能够以一种更为灵活的方式表示强度函数的时间变化，并能够精确地评估对数似然函数，使其能在综合和真实数据集上实现优越性能。
May, 2019
该文章综述了有关神经时间点过程的现有知识，讨论了神经时间点过程的设计选择、通用原则和应用领域，并列出了该领域未来工作的重要方向和挑战。
Apr, 2021
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法，该算法可以生成满足真实数据分布的样本来评估模型质量，并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。
Nov, 2018
利用深度强化学习方法，能够处理由异步、随机、离散事件构成的连续时间情形下的智能干预问题，并应用于个性化教学和病毒式营销领域，取得了比其他方法更好的效果。
May, 2018
本研究提出了一种名为 POMDP-Rec 的部分可观察马尔可夫决策过程算法，针对在线推荐系统中存在的 “Recurrent Deterioration” 现象，解决了缺乏负面训练数据和用户兴趣演化等问题，通过优化神经网络，利用历史数据，取得了和基于公共数据集进行详尽微调的模型相当的推荐效果。
Aug, 2016
本文提出了一种基于 Hierarchical RNN 和 Point Process 模型的联合模型，在推荐和用户回归时间预测方面显著提高了推荐质量。
Dec, 2018
提出了一种用于周期性感知预测短序列未来事件的元学习方法，通过点过程建模和时间周期模式考虑来提高事件预测性能。
Jan, 2024
提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。
Dec, 2023
我们提出了一种基于扩散的非自回归时间点过程模型，用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程，并设计了一种新的降噪网络来捕捉顺序和上下文特征，从而在长期事件预测中取得了优越的性能。
Nov, 2023
本文提出 sRec 框架，使用变分贝叶斯方法来处理流式推荐系统数据，并在真实数据集上的实验结果表明其优于其他流推荐系统的算法。
Jul, 2016