本文收集和发表了一份大数据集，探究了跨市场商品推荐的问题，并提出了 FOREC 模型来完美利用原始数据集和目标市场数据，致力于提高性能并解决市场适应问题，实验显示比竞争基准线效果更优。

Sep, 2021

通过深度神经网络和元学习算法，该研究论文提出了一种个性化推荐系统的创新解决方案，能够根据最新的用户交互信号进行模型更新并在在线推荐系统上高效部署，从而实现高度个性化的 AI 模型的部署和对应业务指标的显著改进。

Feb, 2024

本文旨在通过提出一种名为 RMLDP 的新算法，该算法结合了多种模式融合网络 (MPFN) 和元学习范式，以解决市场细分需求预测中的数据不足问题。 实验表明，该算法优于一组最先进的基线模型，并已在淘宝等电商平台上进行实际应用。

Aug, 2020

本文介绍了一种基于元学习的跨域推荐系统解决方案，采用 transfer-meta 架构，可以在感知用户洞察和推荐推广等方面获得更好的性能表现。

May, 2021

该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。

Feb, 2022

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

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

通过创建三种不同动态下的用户和项目表示（静态嵌入、历史时间状态和上下文时间状态），同时使用伪多任务学习范式，将增量单目标推荐堆叠成一个多目标任务以进行联合优化，提出了一种上下文感知的伪多任务推荐系统（CPMR），以准确建模历史和上下文场景中的动态兴趣演化。在四个基准推荐数据集上的实验证明，CPMR 始终优于最先进的基准线，并在其中三个数据集上取得了显著提升。

Sep, 2023

通过提出多任务学习技术和自适应上采样方法来减少多领域推荐中的受欢迎度偏差，提出的方法通过上采样来丰富训练样例，并通过利用多任务学习来学习基于地理位置的用户嵌入，实验证明了方法在多个地域上相对于不采用提出的技术的基准模型的有效性，显著改进了 PR-AUC 指标高达 65.27%，并通过案例研究展示了方法在减轻全局物品的受欢迎度偏差方面的优势。

Sep, 2023

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020