本研究提出了一种通过影响传播路径识别影响种子的方法，以解决时序社交网络中的冷启动问题。利用结构标记和张量化时序图网络，显著提高了预测准确性和计算效率，同时历史数据增强了冷启动节点的新邻居对网络扩展的积极影响。

本研究提出了USER-LLM R1框架，旨在解决社交机器人个性化交互的冷启动问题。该框架通过动态用户分析和模型初始化，结合推理模型与视觉-语言模型，实现个性化响应，显著提升老年用户的参与度和信任度。

本研究提出了一种基于扩散模型的认知状态迁移框架（DCSR），旨在解决计算机自适应测试中的冷启动问题。该方法通过建立领域间的认知状态转移桥梁，显著改善了对考生能力的初步理解，实验结果表明其性能优于现有方法。

本文综述了基于大型语言模型（LLMs）的推荐系统，探讨了其在个性化推荐中的应用与优势。研究表明，LLMs在理解用户需求和生成自然语言响应方面表现优异，推动了推荐系统的变革。同时，文章讨论了冷启动问题和偏见等挑战，强调了持续改进的重要性。

本文提出了一种可伸缩的QoS预测策略，结合图卷积和变压器编码器技术，利用自注意力机制自动提取时空特征，从而提升预测准确性和响应速度。研究表明，该方法在处理动态节点属性和数据异常时表现优越，有效解决冷启动问题，并在多个基准数据集上验证了其性能。

本研究提出了IKT、GIKT和QIKT等多种知识追踪模型，利用机器学习和深度学习技术提升在线教育中的个性化教学和预测性能。这些模型有效解决了冷启动问题，具备良好的可解释性，并在多个数据集上表现优异。

本研究探讨了大型语言模型与情境赌博算法的结合，提出了一种创新的上下文强化学习框架，解决了冷启动问题，显著提升了个性化推荐系统的性能并减少了后悔。研究还分析了神经上下文强化学习的挑战与前景，为个性化推荐提供了新的视角。

本文提出了一种知识图谱对比学习框架（KGCL），通过减少噪声和交叉视图对比学习技术，提升了稀疏和有噪声知识图谱的性能。同时，研究探讨了基于图神经网络的推荐系统，提出多种模型和方法，显著提高了推荐准确性和用户偏好的理解，尤其在冷启动问题上表现优异。

本文介绍了一种基于GETNext Graph增强Transformer模型的POI推荐方法，该方法结合用户的移动模式、偏好及时空背景，提升了推荐的准确性并缓解了冷启动问题。实验证明，该模型在时空建议问题上优于现有技术，具有良好的推荐效果。

MeKB-Rec是一种新的跨领域推荐范式，通过引入个人知识图谱解决了新用户的冷启动问题。该方法在公共CDR数据集上取得了显著的性能提升。

本文介绍了Serverless计算的冷启动问题及解决方案，包括加快实例启动速度和降低冷启动发生率。近年来在计算机系统领域已有相关工作，改善Serverless函数性能是当前的主要挑战之一。