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

本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

May, 2021

提出了一种新的在线元学习算法 FFML, 该算法能够在保证分类准确性的同时，学习与公平相连的模型参数。通过在三个真实世界数据集上进行实验，得到了具有显著优越性能的结果。

Aug, 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

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

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

本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。

Sep, 2018

提出了一种元学习框架来实现基于用户的自适应模型选择， 在公开、生产数据集等数据集上进行了实验证明， 该方法在 AUC 和 LogLoss 等指标上优于单一模型基线和基于样本的模型选择器， 可以在在线推荐系统中带来巨大的利润收益。

Jan, 2020

提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。

Jun, 2020

本文提出了一种针对不断变化的环境的公平在线学习框架 FairSAOML，通过添加长期公平性约束来构建新的遗憾度量 FairSAR 和新的自适应公平在线元学习算法，提高分布不一样时的性能，同时对累积公平性约束和损失遗憾度提供了亚线性的理论上限，实验结果表明本文提出的算法在不同的数据集和环境中均优于当前最佳的在线学习算法。

May, 2022