先简单归纳一下，后续记一个详细的笔记把。
摘要部分
对于用户冷启动的解决方法，一般是先给出一些候选的商品，然后通过用户对这些候选商品的偏好进行推荐。这么做有两个问题：
1. 活跃度（后续行为信息很少的用户）推荐的效果很差
2 .候选的商品过少或者不准备，不能够较好的反应用户的偏好
介绍部分
在常规冷启动解决方法中，基于内容的方法忽视了用户的偏好、基于混合内容的协同过滤方法当交互信息很稀疏的时候效果很不好，而且用户个人信息是隐私不好处理。还有一些推荐系统先选取一些候选商品给用户，然后通过用户的反馈来预估用户的偏好（proposed recommender model）。 对于新用户而言，初始的一个较好的推荐能够更好的留住用户，MeLU的意图也在此。
Model-Agnostic Meta-Learning ，目的从多个不同的学习任务中学习到一个模型，面对新的task时能够借助以往的学习知识以及少量的新样本快速地适应到新的任务上。（这里实际上是找到一个合适的参数初始化值）。MAML即为参数学习到一个好的初始化，然后在这个初始化的基础上利用少量更新来训练新的task。（分两步，第一步对不同的任务进行学习，第二部第一步的模型来学习新的任务，并计算loss来更新初始化参数）
元学习侧重于通过仅使用少量训练数据进行学习来改善分类或回归性能。元学习分为：基于度量、基于内存、基于优化三类。本文使用的是基于优化的元学习。
（待续）