该论文介绍了一种基于元学习和元优化的推荐系统解决方案，通过两个记忆矩阵来引导模型进行个性化参数初始化，并测试了该方法在两个常用推荐数据集上的可行性。

Jul, 2020

通过少次学习和元学习，将场景特定学习与模型无关的顺序元学习相结合，提出了一种名为 s^2meta 的综合端对端框架，可显著提高在线推荐的冷启动问题的状态艺术水平。

Jun, 2019

我们提出了基于专家模型的冷启动与热身网络，专家模型分别负责冷启动和热身用户建模，门控网络用于整合两个专家的结果，引入动态知识蒸馏作为教师选择器，以帮助专家更好地学习用户表示，通过综合的互信息选择与用户行为高度相关的特征用于显式建模用户行为偏差，最终在公共数据集上评估了我们的冷启动与热身网络，在匹配阶段常用模型的比较中表现优异，对于所有用户类型，我们的模型胜过其他模型，还将该模型应用于一个工业级短视频平台，在应用停留时间和用户留存率方面实现了显著的增加。

Sep, 2023

深度学习方法在冷启动问题中表现良好，与元学习技术相比，常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能，并且更易于实际应用。

Aug, 2023

该研究提出了一种名为 MetaTL 的新框架，通过元学习来提高冷启动用户的顺序推荐，并形式化了冷启动用户的顺序推荐问题为 few-shot 学习问题，并采用基于翻译的桥接器来提取用户之间的动态转换模式，并采用元转换学习来实现仅具有有限交互的冷启动用户的快速学习，从而实现了对顺序交互的准确推断。

Jul, 2021

提出一个元学习的序列推荐框架 Mecos 解决冷启动问题，可以从有限的交互中提取用户偏好，与神经网络模型轻松集成，实验证明比其他基线方法表现更好。

Dec, 2020

本文提出了一种基于 Transformer 架构的新型神经过程模型（TNPs），用于解决元学习中的不确定性问题，具有先进的表现，适用于元回归、图像完成、上下文多臂赌博机和贝叶斯优化等各种基准问题。

Jul, 2022

本文通过基于元强化学习的会话推荐系统策略学习，提出了三个协同的组件，包括专注于识别用户偏好的元探索策略、为每个用户调整项目推荐模块以最大化推荐质量、基于 Transformer 的状态编码器，以在会话期间建模正反馈之间的复杂关系，实现对新用户的快速个性化适应，为冷启动挑战提供解决方案。实验结果表明，与一组最先进的 CRS 解决方案相比，我们的解决方案在为新用户提供服务方面具有优势。

May, 2022

本文提出了一种基于条件神经过程的多任务分类方法，该方法可以在初步的多任务训练阶段后自适应地适应测试时遇到的新任务，并与元学习和少样本学习文献建立联系。实验结果表明，该方法在具有挑战性的 Meta-Dataset 基准测试中取得了最先进的效果，表明了高质量的迁移学习能力；而且该方法具有很好的稳健性，避免了低数据情况下的过拟合和高数据情况下的欠拟合，是一个计算效率高的测试时间方法，并且可以暂时不用迁移学习也可以在连续学习和主动学习方面取得超越现有方法的效果。

Jun, 2019

本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

Jul, 2020