本研究利用基于样式的多任务学习方法来进行对用户活动的作者归属度量，进而在四个不同的暗网论坛上取得了比现存算法更好的效果。

Apr, 2021

提出使用 Uncertainty Regulated Dual Memory Units 模型及 Global and Local Multi-Head Self Attention 模块来强化通过建立正常状态的描述从而更好地区分异常数据的研究方法，该方法经过在 XD-Violence 和 UCF-Crime 数据集上的实验验证，效果明显优于目前的同类研究。

Feb, 2023

该论文提出了一种名为 Deep User Perception Network（DUPN）的方法，通过采用 LSTM 和注意力机制来建模用户行为序列，学习不同任务通用的用户表示，以达到更加有效的个性化推荐，离线和在线实验结果表明 DUPN 在五个不同的任务上都表现出 better results，Taobao 上的大规模操作任务也得到了部署。

May, 2018

用户建模旨在从用户数据中发现模式或学习有关特定用户的特征，如个人资料、偏好和个性。该研究总结了关于如何以及为何使用大型语言模型（LLMs）进行用户建模和理解用户生成内容的现有研究，然后回顾了将 LLMs 与文本和基于图的方法整合的几种用户建模（LLM-UM）方法的类别，介绍了各种用户建模应用的具体 LLM-UM 技术，最后介绍了 LLM-UM 研究中的剩余挑战和未来方向。

Dec, 2023

该研究提出一种基于自监督学习的用户建模网络 SUMN，该网络能够将行为数据编码成通用的用户表示形式，进而实现个性化服务推荐和用户画像预测。实验表明该方法优于现有的无监督表示方法，并且能够与监督方法竞争。

Dec, 2020

本文提出了一种多模式表示学习框架 (MRLF)，该框架可以融合社交帖子的不同模态信息进行位置推断，并运用多头注意力机制增强位置显著信息抽取，以及考虑社交帖子文本和标签之间的相对依赖关系进行多模式信息融合。实验结果表明 MRLF 可以进行准确的位置预测，并为理解社交帖子的多模式数据提供了新的途径。

Jun, 2023

本文提出了一种名为 “RALM” 的实时注意力基础的 “look-alike” 推荐算法，采用了神经网络结构和种子聚类机制来优化用户表示学习和 “look-alike” 学习建模，从而扩展观众范围，提高推荐的多样性和质量。

Jun, 2019

提出了一种 GUIM 模型，用于在混合表示的基础上构建通用的用户和产品项目嵌入，并利用对比学习技术 InfoNCE 避免运算量过大，提高表示的质量。同时，也提出了一组代表性的下游任务来评估该模型学习到的用户和 / 或项目嵌入的质量。

Jul, 2022

本研究探讨了预先在多样化人类视频数据上进行训练的视觉表示如何实现对下游机器人操作任务的数据高效学习。我们使用时间对比学习、视频语言对齐和 L1 惩罚的组合来预先训练 Ego4D 人类视频数据集的视觉表示。最终结果是一个名为 R3M 的表示，可用作下游策略学习的静态感知模块。在 12 个模拟机器人操作任务中，我们发现与从头开始训练以及与 CLIP 和 MoCo 等最先进的视觉表示相比，R3M 可将任务成功率提高 20％以上。此外，R3M 使 Franka Emika Panda 手臂仅使用 20 个演示即可在真实的、杂乱的公寓中学习一系列操作任务。

Mar, 2022

综合建模用户行为的 Social Media 用户表示学习框架 SoMeR 通过编码用户帖子流、转换器嵌入个人资料数据，结合链路预测和对比学习目标进行联合训练以捕捉用户相似性，从而解决了现有方法无法综合建模不同模态用户行为的局限性，并通过两个应用程序演示了 SoMeR 的多功能性。

May, 2024