- 语言模型可进行知识追踪：将语言模型与知识追踪任务简单而有效地整合的方法
利用语言模型集成的知识追踪方法在在线学习中提高了模型性能，并解决了冷启动问题。
- 通过关系网络进行归纳式知识图谱补全的逻辑推理
针对归纳性知识图谱补全（KGC）的问题，我们提出了一种新颖的 iNfOmax RelAtion Network（NORAN），旨在挖掘适用于归纳性 KGC 的潜在关系模式，实验结果表明我们的框架在五个基准测试中显著优于现有的 KGC 方法。
- HELLINGER-UCB: 一种用于随机多臂赌博问题和推荐系统冷启动问题的新算法
我们研究了随机多臂赌博问题，提出了一种新的基于 Hellinger 距离的上界置信度算法 Hellinger-UCB，并通过数值实验证明其在有限时间范围内有效。我们将 Hellinger-UCB 算法应用于解决金融应用程序内容推荐系统的冷启 - 基于 QoS 的图对比学习的 Web 服务推荐
通过使用质量服务（QoS），我们提出了一种名为 QoS 感知图对比学习（QAGCL）的新方法来解决 Web 服务推荐中的数据稀疏性和冷启动问题，通过构建具有地理位置信息和随机性的上下文增强图，学习用户和服务的嵌入，并将其无缝地整合到推荐过程 - 自适应谱图小波用于协作过滤
我们提出了一种基于谱图小波的协同过滤框架，用于隐式反馈数据的个性化推荐，通过将用户、物品及其交互表示为一个二分图，利用自适应转换函数和深度推荐模型，来学习用户和物品的低维表示，同时促进推荐质量。实验证明，相比基准方法，我们的模型在真实世界的 - MeKB-Rec：跨领域推荐的个人知识图谱学习
通过引入个人知识图谱（PKG）作为领域不变的兴趣表示，提出了一种名为 MeKB-Rec 的新跨领域推荐（CDR）范式，目的是解决现代推荐系统中针对新用户的冷启动问题。与大多数现有系统不同，我们的方法在领域之间构建了一个语义映射，打破了对领域 - ARRQP：具有图卷积的异常韧性实时 QoS 预测框架
在现代的面向服务的体系结构中，保证服务质量 (QoS) 至关重要。本文介绍了一种实时的 QoS 预测框架 (称为 ARRQP)，重点改进了对数据异常的鲁棒性。ARRQP 利用图卷积技术来捕捉用户和服务之间复杂的关系和依赖，即使数据有限或稀疏 - 元学习对推荐系统中的冷启动问题是否是正确的方法？
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。
- AutoAssign+: 自动流式推荐中的共享嵌入分配
使用强化学习驱动的框架 AutoAssign + 能够通过减轻冷启动问题来显著提升流媒体推荐系统的性能，同时在节约 20-30% 的内存使用方面具备实际有效性和效率。
- 具有共享用户嵌入的交叉属性矩阵分解模型
通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinteres - 采用冷因果需求预测模型减轻冷启动预测问题
介绍了基于因果推断的深度学习模型用于提高多元时间序列数据冷启动问题的预测精度，并在 15 个谷歌数据中心的网络流量数据集上进行了实验，证明了该模型比现有的预测模型更为准确。
- 语义 ID 提高泛化能力： 推荐排名案例研究
该论文通过使用基于 RQ-VAE 的语义 ID 替代随机生成 ID 的方式来解决推荐系统中的冷启动问题，并展示了语义 ID 对模型的泛化能力的提升。
- 使用潜在赌博机实现用户冷启动的高准确度和低遗憾
我们开发了一种新型的潜在赌徒算法，用于解决加入推荐系统的新用户冷启动问题，这种算法在准确性和遗憾率方面显著优于现有技术。
- LLM 强化的生成式新闻推荐初探
本文介绍一种基于大型语言模型的可生成新闻推荐框架 GENRE，通过预训练的语义知识，提供了一种灵活且统一的新闻推荐解决方案，可以用于个性化新闻推荐、用户画像和新闻摘要。各种流行的推荐模型的广泛实验证明了 GENRE 的有效性。
- 强健多通道图神经网络在远程工作优化中的应用
本文介绍了一种基于图神经网络的原则性方法，该方法可以联合建模求职者和职位的远程程度，并解决信息不足的情况下怎样找到匹配的工作机会的问题，该方法已在真实世界应用的大规模数据上进行了广泛的实验，并验证了其在解决该领域的问题上的卓越性能。
- 跨语言转移提升少样本新闻推荐
本文旨在解决新闻推荐中的 few-shot 问题，通过跨语言转移用户 - 新闻偏好来缩小不同语言域之间的差异，采用一种新颖的跨语言转移模型作为新闻编码器，以达到较高的性能。
- 基于人口统计学的参与是否能够提高个性化？一个新颖的数据集与实验
本文展示了如何利用基于人群的参与度预测来解决大规模学习资源中的冷启动问题。通过使用 VLE 数据集并进行了一系列实验，研究表明建立在该数据集基础上的模型在预测课程参与度方面表现更优，该数据集适用于计算机科学 / 人工智能教育领域的个性化学习 - KDD全面公正的元学习推荐系统
本篇论文提出了一个全面的公平元学习框架 CLOVER，针对电子商务系统中推荐冷启动问题的存在，通过多任务对抗学习，实现个体公平、反事实公平和群体公平，前人工作已经表明推荐系统容易受到偏见和不公平对待，但该框架能够显著提高推荐性能而不影响整体 - 元知识图谱上的元学习用于冷启动推荐
本文提出了一种基于元学习方法的知识图谱推荐模型 MetaKG，通过协作感知元学习和知识感知元学习解决了冷启动问题，并通过实验表明 MetaKG 在效果、效率和可扩展性等方面超过现有的模型。
- MM推荐系统的批量与顺序主动学习比较
通过比较五种不同的主动学习算法与三种不同的预测器算法的组合，本研究为了解决推荐系统中的冷启动问题，探讨了如何准确预测用户喜好，提供更精准的推荐。同时，通过评估推荐器的评分预测、决策支持和排名等方面，发现在数据集较为密集的情形下，顺序模式能够