An Artificial Immune System as a Recommender System for Web Sites
University of the West of England（西英格兰大学）；University of Nottingham（诺丁汉大学）
人工免疫系统已成功地用于建立电影数据库的推荐系统。在本研究中，我们尝试将这个想法延伸到网站推荐。将使用超过1000个个人网络配置文件（或者称为偏好/收藏夹/书签文件）的集合。URL将使用开放目录项目的DMOZ（目录Mozilla）数据库作为我们的本体进行分类。这将被用作人工免疫系统的数据，而不是实际的地址。第一次尝试将涉及使用一个简单的分类代码编号，再加上该分类代码中的页数。然而，这种实现方式并没有利用DMOZ的分层树状结构。然后，将考虑建设一个相似性度量的网络配置文件，利用这种层次信息，以建立一个更好的人工免疫系统。
2008-04-03 cs.AI cs.NE
PoissonMat: Remodeling Matrix Factorization using Poisson Distribution and Solving the Cold Start Problem without Input Data
矩阵分解是近十年来最成功的推荐系统技术之一。然而，矩阵分解的经典概率理论框架是使用正态分布建模的。为了找到更好的概率模型，近年来发明了RankMat，ZeroMat和DotMat等算法。本文将推荐系统中的用户评分行为建模为泊松过程，设计了一种不依赖输入数据的算法，同时解决了推荐问题和冷启动问题。通过与矩阵分解、随机布局、Zipf布局、ZeroMat、DotMat等算法的比较，证明了该算法的优越性。
2022-12-06 cs.AI cs.IR cs.LG
MeLU: Meta-Learned User Preference Estimator for Cold-Start Recommendation
NCSOFT Co.（NCsoft公司）
本文提出了一个推荐系统，以减轻冷启动问题，可以估计用户的喜好，只有少量的项目。为了在冷态下识别用户的偏好，现有的推荐系统，如Netflix，最初向用户提供项目;我们称这些项目为证据候选人。然后根据用户选择的项目进行推荐。以前的推荐研究有两个局限性：（1）消费了几个项目的用户推荐效果不佳;（2）用于识别用户偏好的候选证据不足。我们提出了一个基于元学习的推荐系统MeLU来克服这两个限制。从元学习，它可以快速采用新的任务与几个例子，MeLU可以估计新用户的偏好与一些消费项目。此外，我们提供了一个证据候选人选择策略，确定定制的偏好估计区分项目。我们用两个基准数据集对MeLU进行了验证，所提出的模型比两个比较模型在数据集上的平均绝对误差减少了至少5.92%。我们还进行了一个用户研究实验，以验证证据选择策略。
2019-07-31 cs.AI cs.IR cs.LG
BERT and CNN integrated Neural Collaborative Filtering for Recommender Systems
East West University（东西大学）
本研究提出结合BERT和CNN的神经协同过滤模型，通过处理数值、分类和图像数据提升推荐系统性能。
2025-12-17 cs.AI cs.IR
Using Social Media Background to Improve Cold-start Recommendation Deep Models
Osaka University（大阪大学）
在推荐系统中，当没有与用户或项目相关联的过去交互记录时，就会出现冷启动问题。冷启动问题的典型解决方案利用上下文信息，例如用户人口统计属性或产品描述。一组研究表明，社交媒体背景可以帮助预测产品销售和股票价格走势等时间现象。在这项工作中，我们的目标是调查是否可以使用社会媒体背景作为额外的上下文信息，以改善推荐模型。基于现有的深度神经网络模型，我们提出了一种方法来表示时间社交媒体背景作为嵌入和融合它们作为一个额外的组件在模型中。我们在真实世界的电子商务数据集和Twitter数据集上进行实验评估。结果表明，我们将社交媒体背景与现有模型融合的方法确实普遍提高了推荐性能。在某些情况下，在与社交媒体背景融合后，通过hit-rate@K测量的推荐准确度会翻倍。我们的研究结果可以为未来的推荐系统设计，考虑复杂的时间信息代表社会利益是有益的。
2021-06-04 cs.AI cs.IR
HCRS: A hybrid clothes recommender system based on user ratings and product features
Southwestern Univ. of Finance & Econ.（西南财经大学）
如今，网上卖衣服的业务已经成为流行和极具吸引力，因为它的方便和便宜和优良的价格。这些成功的网站的好例子包括Yintai.com、Vancl.com和Shop.vipshop.com，它们为网上购物者提供成千上万的衣服。在线购物者面临的挑战在于如何从众多选择中找到好产品。在这篇文章中，我们提出了一个合作的衣服推荐方便购物。该系统的独特功能之一是能够根据用户评分和服装属性推荐服装。在我们的模拟环境中的实验表明，建议的推荐可以更好地满足用户的需求。
2014-11-25 cs.AI cs.IR
Measuring the Business Value of Recommender Systems
University of Klagenfurt（克拉根福大学）；TU Dortmund（多特蒙德工业大学）
推荐系统现在被所有主要网站（从电子商务到社交媒体）成功地用于过滤内容并以个性化的方式提出建议。学术研究主要集中在消费者的价值，例如，in terms条款of reduced减少information信息overload过载.然而，推荐系统在多大程度上以及以何种方式创造商业价值还不清楚，关于这个主题的文献也很分散。在这篇研究评论中，我们回顾了推荐系统现场测试的现有出版物，并报告了在这种现实世界的部署中使用了哪些与业务相关的性能指标。我们总结了在实践中衡量商业价值的常见挑战，并批判性地讨论了算法改进和离线实验在学术环境中的价值。总体而言，我们的审查表明，各种悬而未决的问题仍然是现实的量化的商业影响，在学术界的推荐算法的性能评估。
2019-12-17 cs.AI cs.IR cs.LG
CMML: Contextual Modulation Meta Learning for Cold-Start Recommendation
University College London（伦敦大学学院）；Huawei（华为）
实际的推荐系统经验的冷启动问题时，观察到的用户项目的历史交互是不够的。Meta学习，特别是基于梯度的学习，可以通过学习模型的初始参数来解决这个问题，从而允许从有限的数据示例快速适应特定的任务。虽然有显着的性能改进，它通常遭受两个关键问题：与主流工业部署的不兼容性和沉重的计算负担，这两个都是由于内环梯度操作。这两个问题使得它们很难在实际推荐系统中得到应用。为了充分利用元学习框架的优势并缓解这些问题，我们提出了一个名为上下文调制Meta Learning（CMML）的推荐框架。CMML由完全前馈操作组成，因此计算效率高，完全兼容主流工业部署。CMML由三个组件组成，包括一个上下文编码器，可以生成上下文嵌入来表示特定的任务，一个混合上下文生成器，聚合特定的用户项功能与任务级上下文，和一个上下文调制网络，它可以调制的推荐模型，以适应有效。我们在各种真实世界数据集上验证了我们的方法，表明CMML可以实现与基于梯度的方法相当甚至更好的性能，同时具有更高的计算效率和更好的可解释性。
2021-10-29 cs.AI cs.IR
FORCE: A Framework of Rule-Based Conversational Recommender System
Microsoft（微软）
会话式推荐系统（CRS）近年来受到了广泛的关注。然而，现有的工作大多集中在各种深度学习模型，这在很大程度上受到大规模人工标注数据集的要求的限制。这种方法不能处理工业产品中的冷启动情况。为了缓解这个问题，我们提出了FORCE，一个基于规则的会话推荐系统框架，帮助开发人员通过简单的配置快速构建CRS机器人。我们在两个不同语言和领域的数据集上进行实验，以验证其有效性和可用性。
2022-03-18 cs.AI cs.CL cs.IR
Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Calgary（卡尔加里大学）
本研究对伊朗约70个网站的大规模推荐系统进行离线与在线评估，比较基于内容、协同过滤、趋势及混合方法，并分析冷启动与流行度偏差。
2024-11-02 cs.AI cs.CL cs.IR
Emergence of Spontaneous Order Through Neighborhood Formation in Peer-to-Peer Recommender Systems
Universität Freiburg（弗赖堡大学）
语义网的出现需要从集中式客户端/服务器架构转向分散式和对等计算，使得中央机构的存在变得多余甚至不可能。与此同时，推荐系统在电子商务中产生了相当大的影响，为人们提供个性化的、根据他们的需求量身定制的推荐。传统上，这些推荐系统的部署考虑到了严格的集中式场景，在与其主机网络外围分离的封闭社区中运行。我们的目标是将这两个世界结合起来，即，分散式对等计算和推荐系统，在一个基于代理的框架。我们的架构采用了一个类似的风格的协议，维护社区的志同道合的同行在一个强大的，自我组织的时尚。为了证明我们的架构的能力，以保持可扩展性，鲁棒性，并允许收敛到高质量的建议，我们进行离线实验上流行的MovieLens数据集。
2008-12-23 cs.AI cs.IR cs.MA
Denoising Implicit Feedback for Cold-start Recommendation
Hong Kong Baptist University（香港浸会大学）；Independent Researcher（独立研究员）；Peking University（北京大学）；Nanjing University（南京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
针对冷启动推荐中隐式反馈噪声问题，提出模型无关的去噪方法DIF，通过内容相似性推断伪标签并建模置信度与不确定性，在快手应用中显著提升冷启动场景商业指标。
2026-06-19 cs.AI cs.IR cs.MM
ColdGAN: Resolving Cold Start User Recommendation by using Generative Adversarial Networks
National Taiwan University（台湾大学）
缓解新用户冷启动问题在在线服务提供商的推荐系统中至关重要，以影响决策中的用户体验，这最终会影响用户使用特定服务的意图。以前的研究利用了来自用户和物品的各种辅助信息;然而，由于隐私问题，这可能是不切实际的。在本文中，我们提出了ColdGAN，一个端到端的GAN为基础的模型，没有使用边信息来解决这个问题。该模型的主要思想是训练一个网络，学习有经验的用户的评级分布给定他们的冷启动分布。我们进一步设计了一个基于时间的函数来将用户的偏好恢复到冷启动状态。通过在两个真实数据集上的大量实验，结果表明，与最先进的分类器相比，我们提出的方法实现了显着提高的性能。
2020-11-25 cs.AI
Towards Leveraging Contrastively Pretrained Neural Audio Embeddings for Recommender Tasks
ETH Zurich（苏黎世联邦理工学院）
针对音乐推荐中的新作品/艺术家冷启动问题，本研究探索用对比预训练神经音频嵌入（尤其是CLAP模型生成的嵌入）替代手工音频特征，以增强基于图框架的协同过滤推荐效果，实验验证了该方法的应用潜力。
2024-09-13 cs.AI cs.SD eess.AS
Handling Cold-Start Collaborative Filtering with Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
推荐系统中的一个主要挑战是处理新用户，他们也被称为$\textit{cold-start}$用户。在本文中，我们提出了一种新的方法来学习一系列最佳的问题，以访问冷启动用户的电影推荐系统。我们建议使用Deep Q Networks来学习面试问题，以创建用户简档，从而为冷启动用户提供更好的推荐。虽然我们提出的系统是使用电影推荐系统进行训练的，但我们的Deep Q Network模型应该可以推广到各种类型的推荐系统。
2018-06-16 cs.AI cs.IR cs.LG
DotMat: Solving Cold-start Problem and Alleviating Sparsity Problem for Recommender Systems
冷启动和稀疏性问题是推荐系统的两个关键问题。在过去的二十年里，研究人员和工业实践者花费了大量的努力试图解决这些问题。然而，对于冷启动问题，大多数研究都依赖于引入边信息来传递知识。一个值得注意的例外是ZeroMat，它不使用额外的输入数据。稀疏性是一个较少注意到的问题。在本文中，我们提出了一个新的算法命名为DotMat，不依赖于额外的输入数据，但能够解决冷启动和稀疏性问题。在实验中，我们证明了像ZeroMat一样，DotMat可以在具有完整数据的推荐系统中获得有竞争力的结果，例如经典的矩阵分解算法。
2022-05-31 cs.IR
PowerMat: context-aware recommender system without user item rating values that solves the cold-start problem
推荐系统在许多现代公司中是一项重要的技术资产。随着对该技术精度要求的提高，越来越多的研究和投资被分配到该领域。推荐系统的一个重要的子领域是上下文感知推荐系统。由于输入数据收集的困难，上下文感知推荐系统的研究量远远少于推荐系统的其他子领域。在本文中，我们提出了一个新的算法命名为PowerMat来解决上下文感知的推荐问题。我们的理论建立在矩阵分解和Zipf定律，以及最近的研究工作，如DotMat。通过实验证明，我们的方法取得了优越的结果，经典的矩阵分解算法和其他上下文感知推荐系统，如MovieMat+。此外，通过理论分析，我们表明，我们的算法解决了上下文感知推荐的冷启动问题。
2023-03-11 cs.IR
ZeroMat: Solving Cold-start Problem of Recommender System with No Input Data
ZeroMat通过无输入数据预测用户-项目评分，有效解决推荐系统冷启动问题，优于经典矩阵分解和随机推荐方法。
2025-12-06 cs.IR
The Continuous Cold Start Problem in e-Commerce Recommender Systems
许多电子商业网站使用推荐系统向用户推荐物品。当用户或项目是新的时，系统可能会失败，因为没有关于此用户或项目的足够信息。在文献中已经提出了对这种“冷启动问题”的各种解决方案。然而，许多现实生活中的电子商业应用遭受甚至对于已知用户或项目的冷启动的加重的、重复的版本，因为许多用户很少访问网站，随着时间改变他们的兴趣，或者表现出不同的角色。本文从典型的电子商业应用程序的角度揭示了“连续冷启动”（CoCoS）问题及其对基于内容和上下文的推荐的后果，并以主要旅游推荐网站Booking.com为例进行了说明。
2015-08-05 cs.IR
Learning to Learn a Cold-start Sequential Recommender
Beijing Jiaotong University（北京交通大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Peng Cheng Laboratory（鹏城实验室）
冷启动推荐是当前在线应用中亟待解决的问题。它旨在为那些行为稀少的用户提供尽可能准确的推荐。许多数据驱动的算法，如广泛使用的矩阵分解，由于数据稀疏而表现不佳。本文采用元学习的思想来解决用户的冷启动推荐问题。我们提出了一个基于元学习的冷启动顺序推荐框架称为元CSR，包括三个主要组成部分：扩散代表学习更好的用户/项目嵌入通过信息扩散的交互图;顺序推荐捕获时间依赖的行为序列; Meta学习者提取和传播可转移的知识，以前的用户和学习一个良好的初始化为新用户。MetaCSR具有从常规用户的行为中学习常见模式并优化初始化的能力，使得模型可以在一次或几次梯度更新后快速适应新用户，以实现最佳性能。在三个广泛使用的数据集上的大量定量实验表明，元CSR在处理用户冷启动问题方面具有显著的性能。同时，一系列的定性分析表明，所提出的元CSR具有良好的推广性。
2021-10-18 cs.AI cs.IR cs.LG
Promoting cold-start items in recommender systems
冷启动问题是推荐系统面临的主要挑战之一。特别是，新项目将被忽视，阻碍在线新产品的开发。在资源有限的情况下，如何利用推荐系统的知识，为新商品设计有效的营销策略是非常重要的。在本文中，我们将这个棘手的问题转化为一个明确的数学问题的基础上的二分网络表示。在实际电子商务推荐系统中最广泛使用的算法，所谓的基于项目的协同过滤，我们表明，简单地推新项目的活跃用户是不是一个好的策略。令人惊讶的是，在真实推荐系统上的实验表明，将新项目与一些不太活跃的用户联系起来会产生更好的性能，即这些新项目将有更多的机会出现在其他用户的推荐列表中。进一步的分析表明，推荐系统的discretative性质有助于这种观察。总之，深入了解推荐系统可以为业主以较低的成本推广他们的冷启动产品铺平道路。
2014-04-19 cs.IR cs.SI physics.soc-ph
Deep Learning to Address Candidate Generation and Cold Start Challenges in Recommender Systems: A Research Survey
Indian Institute of Management Lucknow（勒克瑙印度管理学院）；Indian Institute of Management Raipur（赖布尔印度管理学院）
在机器学习的商业应用中，推荐系统在成功和采用方面将占据领先地位。他们帮助用户加速搜索过程，同时帮助企业最大限度地提高销售额。在计算机视觉和语音识别领域取得巨大成功后，深度学习方法开始应用于推荐系统。当前关于推荐系统中深度学习的调查论文提供了基于类型的推荐系统的历史概述和分类。我们的论文解决了提供深度学习方法分类的差距，以解决推荐系统中的冷启动和候选生成领域的推荐系统问题。我们概述了推荐系统中的不同挑战，这些挑战与推荐本身有关（包括相关性，速度，准确性和可扩展性），与数据的性质有关（冷启动问题，不平衡和稀疏性）和候选生成。然后，我们提供了一个分类的深度学习技术来解决这些挑战。深度学习技术被映射到推荐系统中的不同挑战，提供了如何使用深度学习技术来解决这些挑战的概述。我们贡献了一个分类的深度学习技术，以解决推荐系统中的冷启动和候选生成问题。冷启动通过其他功能（音频、图像、文本）以及学习隐藏的用户和项目表示来解决。候选生成已经通过单独的网络、RNN、自动编码器和混合方法来解决。我们还总结了这些技术的优点和局限性，同时概述了未来的研究领域。
2019-07-17 cs.IR cs.LG stat.ML
A Brief History of Recommender Systems
互联网发明后不久，推荐系统就出现了，相关技术得到了学术界和工业界的广泛研究和应用。目前，推荐系统已经成为最成功的Web应用之一，每天通过推荐不同类型的内容为数十亿人提供服务，包括新闻提要，视频，电子商务产品，音乐，电影，书籍，游戏，朋友，工作等。这些成功的案例证明了推荐系统可以将大数据转化为高价值。本文简要回顾了Web推荐系统的发展历史，主要从两个方面：（1）推荐模型，（2）典型推荐系统的体系结构。我们希望通过这篇简短的回顾，能够帮助我们了解网络推荐系统的发展过程，这些点在未来会以某种方式连接起来，这将激励我们构建更先进的推荐服务，以更好地改变世界。
2022-09-05 cs.IR
Cold Item Integration in Deep Hybrid Recommenders via Tunable Stochastic Gates
The Open University（开放大学）；Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；Bar-Ilan University（巴伊兰大学）；Microsoft（微软）
协同过滤方法的一个主要挑战是如何为冷项目（没有评级的项目）产生推荐，或者将冷项目集成到现有目录中。多年来，已经提出了各种混合推荐模型来解决这个问题，通过利用项目的元数据和内容以及它们的评级或使用模式。在这项工作中，我们希望重新审视冷启动问题，以引起人们对一个被忽视的挑战的注意：在（常规）热物品和完全冷物品之间进行整合和平衡的能力。在这种情况下，出现了两个不同的挑战：（1）保持对热项目的高质量性能，而（2）学习向相关用户推广冷项目。首先，我们表明这两个目标实际上是相互冲突的，它们之间的平衡取决于业务需求和应用程序。接下来，我们提出了一种新的混合推荐算法，桥接这两个相互冲突的目标，并使保持高精度的温暖的项目，同时有效地促进完全冷项目之间的协调平衡。我们证明了所提出的算法对电影，应用程序和文章推荐的有效性，并提供了一个实证分析的冷热权衡。
2021-12-12 cs.AI cs.IR cs.LG
Adaptive Multi-Agent E-Learning Recommender Systems
近年来，由于可用教育资源的过载，使得个人难以在互联网上手动搜索所需的资源，教育推荐系统已成为一种必要。电子学习推荐系统简化了从分散的万维网资源库中根据每个用户的需求收集合适的网页和web文档的繁琐任务，从而增加了研究它们的需求和好奇心。检索少数建议从一个非常巨大的收集网页使用不同的推荐技术成为一个富有成效的和时间效率的过程时，系统的功能与一组合作代理。在动态的网络环境中，系统还需要跟上不断变化的用户兴趣和网络资源，因此自适应性是决定推荐系统效率的一个重要因素。本文提供了这样的自适应多代理电子学习推荐系统的概述和实施它们的概念。它精确地提供了想要研究这种系统的最先进工作的研究人员所需的所有信息，从而使他能够决定自己系统的实现概念。
2020-12-17 cs.IR cs.MA
Large Language Models meet Collaborative Filtering: An Efficient All-round LLM-based Recommender System
KAIST（韩国科学技术院）；NAVER Corporation（NAVER公司）
针对LLM推荐系统在暖场景下因缺乏协同知识而表现不佳的问题，提出A-LLMRec系统，通过让LLM直接利用预训练CF模型的协同知识与高质量嵌入，实现冷/暖等多场景的高效推荐并具备生成能力。
2024-06-01 cs.AI cs.IR
FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems
Zuse Institute Berlin（柏林祖斯研究所）
FELRec通过用无学习权重的动态存储替换嵌入层，以递归细化和单次前向传播高效表示新用户和新物品，在物品冷启动任务中显著优于同类方法并具备零样本泛化能力。
2024-10-01 cs.IR cs.LG
Solving the Cold-Start Problem in Recommender Systems with Social Tags
本文提出了一种基于用户-标签-对象三部图的推荐算法，该算法将社会标签作为信息检索的重要角色。在两个真实数据集\emph{Del.icio.us}和\emph{MovieLens}上的实验结果表明，该算法不仅计算时间开销小，而且提高了算法的精度和多样性。特别是在用户标签主题多样化的情况下，能够获得更加个性化的推荐结果。此外，对算法精度依赖性的数值结果表明，该算法对小度对象特别有效，这让我们想起了推荐系统中著名的\emph{cold-start}问题.进一步的实验研究表明，该算法可以显着解决这一问题的社会标记系统的异构对象的程度分布。
2010-06-07 cs.IR physics.soc-ph
POSO: Personalized Cold Start Modules for Large-scale Recommender Systems
新用户推荐，也称为用户冷启动，一直是在线推荐系统的一个公认的挑战。大多数现有的方法认为，缺乏初始数据的关键。然而，在本文中，我们认为，有被忽视的问题：1）新用户的行为遵循许多不同的分布从常规用户。2)虽然涉及个性化特征，但严重不平衡的样本会阻止模型平衡新用户/常规用户分布，就好像个性化特征被淹没了一样。我们把这个问题称为个性化的“淹没”。为了解决这个问题，我们提出了一个新的模块：个性化冷启动模块（POSO）。从模型架构的角度考虑，POSO通过引入多个用户组专用子模块来个性化现有模块。然后，通过个性化的门融合它们的输出，从而得到全面的表示。通过这种方式，POSO将不平衡的功能投射到甚至模块上。POSO可以灵活地集成到许多现有的模块中，并有效地提高其性能，而计算开销可以忽略不计。该方法在工业应用中具有明显的优势。它已经部署在Kwai的大规模推荐系统上，并大幅提高了新用户的观看时间（+7.75%）。此外，POSO还可以进一步推广到普通用户、非活跃用户和回头客（观看时间+2%-3%），以及物品冷启动（观看时间+3.8%）。它的有效性也在公共数据集（MovieLens 20 M）上得到了验证。我们相信这些实际经验可以很好地推广到其他情况。
2021-08-24 cs.IR
Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems
Tencent（腾讯）；Tsinghua University（清华大学）
针对推荐系统匹配阶段的用户冷启动问题，提出双专家门控融合、动态知识蒸馏与行为偏置建模的 Cold & Warm Net，在公开数据集和工业短视频平台均取得显著效果。
2023-09-27 cs.IR cs.LG
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功，以及不同的社交网络网站，如亚马逊和电影镜头，推荐系统正在创造前所未有的机会，以帮助人们浏览网页时，寻找相关的信息，并作出选择。通常，这些推荐系统分为三类：基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常，这些系统采用标准推荐方法，例如人工神经网络、最近邻或贝叶斯网络。然而，这些方法与基于web应用（诸如社交网络或语义web）的方法相比是有限的。在本文中，我们提出了一种新的方法，称为语义社会推荐系统，提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
Adversarial Item Promotion: Vulnerabilities at the Core of Top-N Recommenders that Use Images to Address Cold Start
Radboud University（拉德堡德大学）
电子商务平台向其客户提供匹配客户偏好的推荐物品的排名列表。电子商务平台上的商家希望他们的商品尽可能出现在这些排名列表的前N位。在本文中，我们展示了无良商家如何创建物品图像，人为地推广他们的产品，提高他们的排名。使用图像来解决冷启动问题的推荐系统容易受到这种安全风险的影响。我们描述了一种新型的攻击，对抗性项目推广（AIP），直接打击前N名的核心：排名机制本身。推荐系统中对抗图像的现有工作研究了传统攻击的影响，这些攻击针对深度学习分类器。相比之下，我们的AIP攻击是嵌入式攻击，试图以欺骗排名器（而不是分类器）的方式推送特征表示，并直接导致项目提升。我们介绍了三个AIP攻击内幕攻击，专家攻击和语义攻击，这是相对于三个连续更现实的攻击模型定义。我们的实验评估了这些攻击的危险时，安装对三个代表性的视觉感知推荐算法的框架，使用图像来解决冷启动。我们还评估了潜在的防御措施，包括对抗性训练，并发现目前常见的技术并不能消除AIP攻击的危险。总之，我们表明，使用图像来解决冷启动打开推荐系统的潜在威胁具有明确的实际意义。
2020-10-20 cs.CR cs.CV cs.IR
Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting
AIRI, HSE University（AIRI，俄罗斯伏尔加格勒国立大学）
提出基于协同重要性加权的特征选择策略，通过混合矩阵分解和最大体积算法排序特征，在冷启动推荐中以最少特征实现高准确度与高效率。
2025-08-08 cs.IR cs.LG
Bandits Warm-up Cold Recommender Systems
Project-Team SequeL（SequeL项目团队）
我们解决推荐系统中的冷启动问题，假设没有上下文信息，既不是关于用户，也不是项目。我们考虑的情况下，我们只能访问一组用户的项目的评级。大多数现有的作品考虑批量设置，并使用交叉验证来调整参数。经典的方法包括在最小化的训练子集的收视率，提供了一个因子分解的矩阵的收视率，被解释为一个潜在的代表项目和用户的均方根误差。我们在本文中的贡献是五倍。首先，我们明确了这种批处理设置对用户或评分很少的项目提出的问题。然后，我们提出了一个在线设置更接近实际使用的推荐系统，这种设置的灵感来自强盗框架。所提出的方法可以用于将任何推荐系统数据集（如Netflix，MovieLens等）序列数据集。然后，我们明确了上下文强盗算法和矩阵分解之间的强大和有见地的联系，这使我们一个新的算法，解决了探索/开发困境的冷启动问题在一个惊人的新的角度。最后，实验证据证实，我们的算法是有效的，在处理公开数据集上的冷启动问题。总体而言，本文的目标是弥合基于矩阵分解的推荐系统和基于上下文强盗的推荐系统之间的差距。
2014-07-10 cs.IR cs.LG stat.ML
Addressing the cold start problem in privacy preserving content-based recommender systems using hypercube graphs
本文针对推荐系统冷启动问题，提出基于超立方体图的隐私保护内容过滤方法，实验证明在评分极少时优于标准算法且保护隐私。
2023-10-13 cs.IR math.CO
Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems
经典的面向准确性的推荐系统（RS）通常面临着冷启动问题和过滤气泡问题，当用户遭受熟悉的，重复的，甚至是可预测的推荐时，使他们变得无聊和不满意。为了解决上述问题，偶然性导向的RS被提出来推荐吸引人的和有价值的项目显着偏离用户的历史交互，从而满足他们通过引入未探索的，但相关的候选项目给他们。在本文中，我们设计了一个新的偶然性为导向的推荐系统（\textbf{G}生成\textbf{S} elf- \textbf{S} erendipity \textbf{R} commender \textbf{S} elf，\textbf{GS$^2$-RS}），产生用户的自我偶然性偏好，以提高推荐性能。具体地说，该模型提取用户的兴趣和满意度偏好，生成虚拟的，但conventionally邻居从自己的偏好，并实现他们的自我意外的偏好。然后，这些偏好被注入到评级矩阵作为RS模型的附加信息。请注意，GS $^2$ -RS不仅可以解决冷启动问题，还可以提供各种相关建议，以缓解过滤器气泡问题。在基准数据集上的大量实验表明，所提出的GS $^2$ -RS模型在偶然性度量方面可以显著优于现有的基线方法，并且具有稳定的精度性能。
2022-04-27 cs.IR cs.LG
RAGSys: Item-Cold-Start Recommender as RAG System
Crossing Minds Inc（Crossing Minds公司）
本文针对大语言模型上下文学习的示例检索需求，提出将其类比为物品冷启动推荐问题，设计了基于下游NLP任务表现的评估方法，验证了示例多样性与质量偏差的关键作用，拓展了推荐技术的应用场景。
2024-08-15 cs.CL cs.IR cs.LG
Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
DotDash Meredith；NBC Universal Peacock（NBC环球孔雀）
本文提出增强型 EASE 推荐模型，通过融合用户与物品辅助特征获得闭式解，在不引入额外偏差的前提下改善冷热启动推荐性能。
2025-05-15 cs.IR cs.LG
Mobile recommender systems: Identifying the major concepts
本文确定了移动推荐系统的影响因素。推荐系统已经成为在存在信息过载问题的情况下被各种在线应用广泛使用的技术。电子商务、视频平台和社交网络等众多应用向其用户提供个性化推荐，这改善了用户体验和供应商收入。推荐系统的发展主要集中在提出新的算法，提供更准确的建议。然而，移动设备的使用以及互联网和网络基础设施的快速增长带来了使用移动推荐系统的必要性。网络和移动推荐系统之间的联系，以及如何在移动环境中的建议，可以改善描述。这项工作的重点是确定网络和移动推荐系统之间的联系，并提供坚实的未来方向，旨在导致在一个更集成的移动推荐域。
2018-05-06 cs.IR
Hybrid Cold-Start Recommender System for Closure Model Selection in Multiphase Flow Simulations
Helmholtz-Zentrum Dresden-Rossendorf e.V.（德累斯顿-罗斯多夫赫尔姆霍兹中心）；Charles University（查理大学）；AGH University of Kraków（克拉科夫AGH科技大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出一种混合推荐框架，结合元数据驱动的案例相似性和矩阵补全协同推理，用于多相流模拟中的闭合模型选择，通过描述特征为新案例提供定制化模型推荐，并利用历史模拟结果提升推荐质量。
2026-04-10 cs.IR
Who Are We Recommending To? Recommender Systems in the Agentic Web
Spotify USA（Spotify美国）；Spotify UK（Spotify英国）
本文指出智能体网络中推荐对象从人类转向AI智能体，提出委托频谱框架，并规划了智能体偏好建模与双受众优化等研究议程。
2026-09-14 cs.IR
Related Pins at Pinterest: The Evolution of a Real-World Recommender System
Related Pins是一个网络规模的推荐系统，为Pinterest上超过40%的用户参与提供支持。本文是一个纵向研究的三年的发展，探索系统及其组件的演变，从原型到现在的状态。每个组件最初都是在工程工作和计算资源方面受到许多限制的情况下构建的，因此我们优先考虑最简单和最高利用率的解决方案。我们展示了有机增长如何导致一个复杂的系统，以及我们如何管理这种复杂性。在构建这个系统的过程中出现了许多挑战，例如避免反馈循环，评估性能，激活内容以及消除遗留的错误。最后，我们提供了解决这些挑战时，工程Web规模的推荐系统的建议。
2017-02-26 cs.IR
Budget-Constrained Item Cold-Start Handling in Collaborative Filtering Recommenders via Optimal Design
Technion（以色列理工学院）；Yahoo Labs（雅虎实验室）；Outbrain Inc.（Outbrain公司）
众所周知，基于协同过滤（CF）的推荐系统提供了更好的建模用户和项目与相当大的评级历史。缺乏历史评级导致用户和项目冷启动问题。后者是这项工作的主要重点。目前大多数文献都通过整合基于内容的推荐技术来对新项目进行建模来解决这个问题。然而，在许多情况下，这样的内容是不可用的，问题是这个问题是否可以减轻使用CF技术只。我们将这个问题形式化为一个优化问题：给定一个新项目，一个可用用户池和一个预算约束，选择哪些用户分配给新项目的评级任务，以最小化我们模型的预测误差。我们表明，目标函数是单调supermodular，并提出有效的优化设计的算法，达到其最佳的近似。我们的研究结果通过使用Netflix数据集的实证研究进行了验证，其中所提出的算法优于手头问题的几个基线。
2016-09-20 cs.IR cs.LG
Diversification in Session-based News Recommender Systems
推荐系统广泛应用于新闻网站等数字平台，以基于用户偏好提供个性化服务。在新闻网站中，大多数用户是匿名的，唯一可用的数据是匿名会话中的项目序列。由于这一点，典型的协同过滤方法，这是高度应用在许多应用中，是不是有效的新闻推荐。在这种情况下，基于会话的排序器能够根据活动会话中先前项目的顺序推荐下一个项目。与更复杂的方法相比，基于邻域的基于会话的路由器已被证明是非常有效的。在这项研究中，我们提出的方案，使这些基于会话的推荐系统的多样性意识，并解决过滤气泡现象。过滤泡现象是新闻推荐系统中普遍存在的问题，它发生在系统缩小信息范围，剥夺用户多样性信息的时候。应用所提出的方案的结果表明，这些多样化的情况下，这些基于会话的推荐系统的基础上的四个新闻数据集的多样性措施。
2021-12-17 cs.IR
A Social-aware Gaussian Pre-trained Model for Effective Cold-start Recommendation
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University College London（伦敦大学学院）；University of Glasgow（格拉斯哥大学）
提出社交感知高斯预训练模型SGP，结合用户社交关系与交互数据进行预训练，有效缓解数据稀疏与冷启动问题，在三个数据集上NDCG@10指标最高提升7.7%。
2023-11-27 cs.AI cs.IR
Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations
University of Georgia（佐治亚大学）；The Hong Kong Polytechnic University（香港理工大学）；Tencent AI Lab（腾讯AI实验室）
针对系统冷启动推荐难题，提出基于小语言模型的PromptRec方法，通过以数据为中心的流水线增强模型能力，仅用大模型17%的推理时间即可实现相当的推荐性能。
2024-03-04 cs.AI cs.CL cs.IR
Hybrid Movie Recommender System based on Resource Allocation
推荐系统是个性化用户体验的必然选择。他们使用不同的方法根据用户的偏好向他们推荐Top-K项目。推荐系统已经成为大规模数据采掘技术的重要组成部分。本文提出了一种基于资源分配的混合式电影推荐系统（HMRS），以提高推荐的准确性和解决新电影的冷启动问题。HMRS-RA使用自组织映射神经网络将用户聚类成N个簇。用户的偏好根据他们的年龄和性别而不同，因此HMRS-RA是用于解决新电影的冷启动问题的基于内容的方法和除了用户的人口统计信息之外的协同过滤模型的组合。基于MovieLens数据集的实验结果表明，与现有的同类算法相比，HMRS-RA提高了推荐的准确率。
2021-05-25 cs.IR
GreyShot: Zeroshot and Privacy-preserving Recommender System by GM(1,1) Model
Ratidar Technologies LLC（瑞达科技有限公司）
本文提出基于GM(1,1)灰色模型的零样本隐私保护推荐算法GreyShot，利用评分数据的泊松-帕累托特性，在无输入数据条件下实现准确且公平的推荐，为解决冷启动问题提供了灰色系统新思路。
2025-09-10 cs.IR
Incremental Factorization Machines for Persistently Cold-starting Online Item Recommendation
The University of Tokyo（东京大学）
现实世界中的项目管理器通常遭受持续的冷启动问题，这是由动态变化的用户和项目引起的。为了克服这个问题，最近提出了几种上下文感知推荐技术。就可行性和性能而言，因子分解机（FM）作为传统矩阵分解技术的推广，是最有前途的方法之一。然而，由于在线算法适用于动态数据，静态FM仍然是不够的。因此，本文提出了增量FM（iFM），一个通用的在线分解框架，特别是扩展到一个在线项目推荐iFM。建议的框架可以是一个有前途的基线，为进一步发展的生产推荐系统。评估是在合成和真实世界的不稳定数据集上根据经验进行的。
2016-07-11 cs.IR cs.LG
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Pinterest（品趣志）；Stanford University（斯坦福大学）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。然而，使这些方法实用且可扩展到具有数十亿项目和数亿用户的网络规模推荐任务仍然是一个挑战。在这里，我们描述了我们在Pinterest开发和部署的大规模深度推荐引擎。我们开发了一种数据高效的图卷积网络（GCN）算法PinSage，它结合了高效的随机游走和图卷积来生成节点的嵌入（即，项），其合并了图结构以及节点特征信息。与现有的GCN方法相比，我们开发了一种基于高效随机游走的新方法来构造卷积，并设计了一种新的训练策略，该策略依赖于越来越难的训练样本来提高模型的鲁棒性和收敛性。我们还开发了一个高效的MapReduce模型推理算法，使用训练模型生成嵌入。我们在Pinterest上部署了PinSage，并在一个图表上的75亿个示例上对其进行了训练，该图表包含30亿个代表引脚和电路板的节点以及180亿条边。根据离线指标、用户研究和A/B测试，PinSage生成的推荐质量高于同类深度学习和基于图表的替代方案。据我们所知，这是迄今为止深度图嵌入的最大应用，为基于图卷积架构的新一代网络规模推荐系统铺平了道路。
2018-06-06 cs.IR cs.LG stat.ML
VM-Rec: A Variational Mapping Approach for Cold-start User Recommendation
针对冷启动推荐中用户辅助信息不足和训练成本高的问题，本文提出VM-Rec方法，通过变分映射将少量初始交互解码为可直接集成到预训练模型的表达性嵌入，并在三个数据集上验证了其优于现有冷启动方法的性能。
2024-09-02 cs.IR
Attributes Coupling based Item Enhanced Matrix Factorization Technique for Recommender Systems
推荐系统由于能够帮助用户缓解信息过载问题而受到广泛关注。矩阵分解技术是协同过滤推荐系统研究中应用最广泛的技术之一，因为它可以有效地处理非常大的用户-项目评分矩阵。最近，基于直觉，额外的信息提供了有用的见解矩阵分解技术，一些推荐算法已经利用额外的信息，以提高矩阵分解方法的性能。然而，大多数的研究都集中在处理冷启动用户的问题上，而忽略了冷启动项目的问题。此外，这些内容增强的矩阵分解方法来计算分类项目之间的相似性，有几个合适的相似性措施。本文提出了一种基于属性耦合的项目增强矩阵分解方法，该方法将项目属性信息融入矩阵分解技术中，并采用耦合对象相似度来捕捉项目之间的关系。将项目属性信息作为项目关系正则项，对矩阵分解过程进行正则化。具体地，通过考虑项目之间的耦合的耦合对象相似性来测量项目之间的相似性。在两个真实数据集上的实验结果表明，该方法的推荐性能优于现有的推荐算法，并且在项目属性信息较多的情况下，能够有效地解决项目冷启动问题.
2014-05-05 cs.IR
Large Language Models are Competitive Near Cold-start Recommenders for Language- and Item-based Preferences
University of Toronto（多伦多大学）；Google（谷歌）
本研究探索LLM在近冷启动场景下利用语言偏好进行推荐，实验证明其性能可与基于物品的协同过滤方法相媲美，且语言偏好表示更具可解释性。
2023-07-26 cs.IR cs.LG
Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval
Google Inc.（谷歌公司）
神经信息检索模型的许多最新进展，预测给定查询的前K项，直接从（查询，项）对的大型训练集学习。然而，当有许多以前看不见的（查询，项）组合时，它们通常是不够的，通常被称为冷启动问题。此外，搜索系统可能偏向于先前频繁显示给查询的项目，也称为“富人更富”（也称为“富人更富”）。反馈回路）问题。鉴于这些问题，我们观察到，大多数在线内容平台都有一个搜索和推荐系统，虽然有异构的输入空间，可以通过它们的公共输出项空间和共享的语义表示连接。在本文中，我们提出了一个新的Zero-Shot异构迁移学习框架，将学习到的知识从推荐系统组件，以改善搜索组件的内容平台。首先，它通过预测来自推荐系统的（项目，项目）相关图作为辅助任务来学习项目及其自然语言特征的表示。然后，学习的表示被转移到解决目标搜索检索任务，执行查询到项目预测，而无需在训练中看到任何（查询，项目）对。我们在世界上最大的搜索和推荐系统之一的谷歌进行在线和离线实验，并提出了结果和经验教训。我们证明了所提出的方法可以实现高性能的离线搜索检索任务，更重要的是，在高度优化的生产系统在在线实验中，实现了显着的改善相关性和用户交互。
2020-08-19 cs.IR cs.LG stat.ML
