Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
Hanyang University（翰林大学）；Chung-Ang University（Chung-Ang 大学）
本文提出终身感知兴趣匹配框架LIME，通过用户-主题年龄表示、候选感知终身注意力和新鲜度引导兴趣精炼，解决新闻推荐中用户兴趣持续性与新闻生命周期建模问题，并在两个真实数据集上显著优于现有方法。
2025-08-18 cs.IR cs.LG
Solving Cold-Start Problem in Large-scale Recommendation Engines: A Deep Learning Approach
University of Rochester（罗切斯特大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；CareerBuilder
协同过滤（CF）因其高效、准确和可扩展性而被广泛应用于大规模推荐引擎中。然而，在实践中，基于CF的推荐引擎在进行推荐之前需要用户和项目之间的交互，这使得尚未暴露给最终用户的新项目不适合进行交互。这就是所谓的冷启动问题。在本文中，我们介绍了一种新的方法，采用深度学习来解决这个问题，在任何CF为基础的推荐引擎。所提出的技术的最重要的特点之一是，它可以应用于任何现有的CF基于推荐引擎，而不改变CF核心的事实。我们成功地应用这种技术，以克服项目冷启动问题，在凯业必达的CF推荐引擎。我们的实验表明，所提出的技术是非常有效的解决冷启动问题，同时保持高精度的CF建议。
2016-11-16 cs.IR cs.LG
Cold-start recommendations in Collective Matrix Factorization
这项工作探讨了集体矩阵分解模型在推荐系统中对用户和项目进行预测的能力，这些用户和项目有辅助信息，但没有反馈或交互数据，并提出了一种新的公式，具有更快的冷启动预测公式，可用于实时系统。虽然这些冷启动推荐不如热启动推荐好，但发现它们比非个性化推荐质量更好，并且发现对新用户的预测比对新项目的预测更可靠。这里提出的配方导致在许多情况下改进的冷启动建议，在更差的热启动的费用。
2020-03-16 cs.IR cs.LG stat.ML
A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations
Rochester Institute of Technology（罗切斯特理工学院）
我们提出了一种新的动态推荐模型，专注于用户谁在过去的互动，但最近变得相对不活跃。对这些时间敏感的冷启动用户进行有效的推荐对于保持推荐系统的用户群至关重要。由于稀疏的最近的交互，它是具有挑战性的，以捕捉这些用户的当前偏好精确。仅仅依靠他们的历史互动也可能导致过时的建议与他们最近的利益不一致。该模型利用历史和当前的用户项交互，并动态地将用户的（潜在的）偏好分解为特定于时间和时间演变的表示，共同影响用户的行为。这些潜在因素进一步与优化的项目嵌入交互，以实现准确和及时的推荐。在真实数据上的实验证明了所提出的时间敏感的冷启动推荐模型的有效性。
2022-04-03 cs.IR cs.LG
Cold-start Sequential Recommendation via Meta Learner
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究院）
本文探讨了元学习在顺序推荐中的应用，以缓解项目冷启动问题。顺序推荐是基于用户的历史行为序列来获取用户的动态偏好，是大多数在线推荐场景的关键组成部分。然而，大多数以前的方法都难以推荐冷启动项目，这在这些场景中很普遍。由于顺序推荐任务的设置中一般不存在边信息，当只有用户-项目交互时，以前的冷启动方法不能应用。因此，我们提出了一个基于元学习的冷启动顺序推荐框架，即Mecos，以减轻项目冷启动问题的顺序推荐。这项任务是不平凡的，因为它在一个新的和具有挑战性的背景下针对一个重要的问题。Mecos有效地从有限的交互中提取用户偏好，并学会将目标冷启动项目与潜在用户相匹配。此外，我们的框架可以轻松地集成到基于神经网络的模型。在三个真实世界数据集上进行的广泛实验验证了Mecos的优越性，与最先进的基线方法相比，HR@10的平均改善高达99%，91%和70%。
2020-12-10 cs.AI cs.IR
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
Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
Tencent News（腾讯新闻）
随机初始化的项目ID嵌入和经过良好训练的暖项目ID嵌入之间的差距使得冷项目难以适应推荐系统，该推荐系统是在历史暖项目数据上训练的。为了缓解新项目推荐的性能下降，新项目ID嵌入的分布应该接近历史热门项目的分布。为了实现这一目标，我们提出了一个对抗变分自动编码器预热模型（AVAEW）来为冷项生成预热项ID嵌入。具体来说，我们开发了一个条件变分自动编码器模型，以利用项目的边信息来生成预热项目ID嵌入。特别是，我们引入了一个对抗模块来加强热身项目ID嵌入分布和历史项目ID嵌入分布之间的对齐。我们通过在公开数据集上的大量离线实验和在真实世界的大规模新闻推荐平台上的在线A/B测试，证明了所提出的方法的有效性和兼容性。
2023-02-28 cs.AI cs.IR cs.LG
GPatch: Patching Graph Neural Networks for Cold-Start Recommendations
Tencent Inc.（腾讯公司）；Jinan University（暨南大学）；Alibaba Group（阿里巴巴集团）；The Hong Kong Polytechnic University（香港理工大学）
冷启动是推荐系统中的一个基本而持久的问题。最先进的解决方案依赖于基于辅助信息为冷启动和现有用户/项目训练混合模型。这样的混合模型将损害现有用户/项目的性能，这可能使得这些解决方案不适用于必须保证现有用户/项目的体验的现实世界的推荐系统。同时，图神经网络（GNNs）已被证明可以有效地执行热（非冷启动）建议。然而，他们从来没有被应用到处理的冷启动问题中的用户项二部图。这是一项具有挑战性但有价值的任务，因为冷启动用户/项目没有链接。此外，设计一个适当的GNN来进行冷启动建议，同时保持现有用户/项目的性能是不平凡的。为了弥合这一差距，我们提出了一个量身定制的基于GNN的框架（GPatch），其中包含两个独立但相关的组件。首先，设计了一个有效的GNN架构- GWarmer，用于对暖用户/项目进行建模。其次，我们构建了相关的修补网络来模拟和修补GWarmer进行冷启动建议。在基准测试和大规模商业数据集上的实验表明，GPatch在为现有用户和冷启动用户/项目提供推荐方面具有显著的优势。
2022-09-25 cs.IR cs.LG
Sparsity Regularization For Cold-Start Recommendation
Center for Cognitive Ubiquitous Computing (CUbiC), Arizona State University（认知普适计算中心（CUbiC），亚利桑那州立大学）
近年来，生成对抗网络（GANs）被应用于冷启动推荐问题，但热用户购买行为的极端稀疏性阻碍了这些模型的训练性能。在本文中，我们引入了一种新的表示用户向量相结合的用户人口统计和用户偏好，使该模型的混合系统，它使用协同过滤和基于内容的推荐。我们的系统使用加权用户-产品偏好（显式反馈）而不是二进制用户-产品交互（隐式反馈）来建模用户购买行为。利用这一点，我们开发了一种新的稀疏对抗模型SRLGAN，用于冷启动推荐，利用稀疏的用户购买行为，确保训练稳定性，避免对温暖用户的过度拟合。我们在两个流行的数据集上评估了SRLGAN，并展示了最先进的结果。
2022-01-28 cs.IR cs.LG
A Multi-Strategy based Pre-Training Method for Cold-Start Recommendation
Renmin University of China（中国人民大学）；The University of Queensland（昆士兰大学）
冷启动问题是推荐任务面临的一个基本挑战。最近的自监督学习（SSL）的图神经网络（GNNs）模型，PT-GNN，预训练的GNN模型重建冷启动嵌入，并已显示出巨大的潜力冷启动推荐。然而，由于过度平滑的问题，PT-GNN只能捕获最多3阶关系，这不能提供很多有用的辅助信息来描述目标冷启动用户或项目。此外，嵌入重建任务只考虑用户和项目的子图内的相关性，而忽略了不同子图之间的相关性。针对上述问题，提出了一种基于多策略的冷启动推荐预训练方法（MPT），该方法从模型架构和任务托词的角度对PT-GNN进行了扩展，以提高冷启动推荐性能。具体而言，在模型架构方面，除了GNN编码器捕获的用户和项目的短程依赖关系外，我们还引入了Transformer编码器来捕获长程依赖关系。在借口任务方面，除了通过嵌入重建任务考虑用户和项目的内部相关性外，我们还增加了嵌入对比学习任务来捕捉用户和项目的内部相关性。我们在元学习设置下针对这些借口任务对GNN和Transformer编码器进行训练，以模拟真实的冷启动场景，使模型能够轻松快速地适应新的冷启动用户和项目。在三个公开的推荐数据集上的实验表明，该MPT模型在用户/项目嵌入推理和推荐任务上优于普通GNN模型、预训练GNN模型.
2022-05-22 cs.AI cs.IR
Joint Training Capsule Network for Cold Start Recommendation
Hangzhou Dianzi University（杭州电子科技大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种新型的神经网络--联合训练胶囊网络（JTCN），用于冷启动推荐任务。我们建议模仿高层次的用户偏好，而不是原始的交互历史的基础上的边信息的新鲜用户。具体而言，一个细心的胶囊层，提出了聚合高层次的用户偏好，从低层次的互动历史，通过一个动态路由协议机制。此外，JTCN以端到端的方式联合训练用于模仿用户偏好的损失和用于推荐的softmax损失。在两个公开数据集上的实验证明了该模型的有效性。在冷启动推荐中，JTCN在Recall@100方面对CiteULike和Amazon的其他最先进的方法分别提高了至少7.07%和16.85%。
2020-05-23 cs.IR cs.LG
Ultra Fast Warm Start Solution for Graph Recommendations
HSE University（俄罗斯莫斯科高等经济大学）
本研究针对图推荐系统UltraGCN的推荐更新需求，提出适配低秩近似的线性热启动方法，速度较传统方法最高快30倍，同时提升推荐质量，具备高可扩展性。
2025-09-01 cs.IR cs.LG
LLM Reasoning for Cold-Start Item Recommendation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出利用大语言模型的推理能力，改进冷启动物品推荐，通过多种微调方法提升推荐性能，在Netflix数据上取得8%的提升。
2026-01-23 cs.AI cs.IR
Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating
UC San Diego（加利福尼亚大学圣迭戈分校）；Seoul National University（首尔大学）
针对组合推荐的冷启动难题及组合交互分布高度偏斜的挑战，提出融合基于流行度聚结、课程学习与对比学习的CoHeat方法，在冷启动组合推荐上nDCG@20较最优竞品最高提升193%。
2024-03-10 cs.AI cs.IR
OFF-Set: One-pass Factorization of Feature Sets for Online Recommendation in Persistent Cold Start Settings
Yahoo! Labs（雅虎实验室）；Yahoo! Smart Ad（雅虎智能广告）
最具挑战性的推荐任务之一是推荐给一个新的，以前看不见的用户。这就是所谓的“用户冷启动”问题。假设用户的某些特征或属性是已知的，用于处理新用户的一种方法是基于他们的特征对他们进行初始建模。受广告定位应用程序的启发，本文描述了一个极端的在线推荐设置，其中冷启动问题是永久的。每个用户只被系统遇到一次，收到一个推荐，要么消费，要么忽略它，注册一个二元奖励。本文介绍了一种新的基于潜在因子分析的推荐算法OFF-Set，它通过将用户的特征映射到一个潜在空间来对用户进行建模。此外，OFF-Set能够对特征对之间的非线性交互进行建模。OFF-Set是为纯粹的在线推荐而设计的，它会根据每个推荐-奖励观察对其模型进行轻量级更新。我们评估OFF-Set对几个国家的最先进的基线，并证明其优越性，对真正的广告定位数据。
2013-08-08 cs.IR cs.LG
Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion
Tulane University（杜兰大学）；University of Rochester（罗切斯特大学）；Syracuse University（雪城大学）；Shanghai Jiao Tong University（上海交通大学）；Southwest Jiaotong University（西南交通大学）
本文提出一种融合自适应特征选择、多模态特征融合与对比学习的冷启动推荐模型，在MovieLens-1M上显著优于主流方法，并验证了各模块的有效性。
2025-02-05 cs.IR cs.LG
Cross-domain User Preference Learning for Cold-start Recommendation
DAMO Academy, Alibaba Group（阿里巴巴达摩院）
跨领域冷启动推荐是推荐系统中一个日益重要的问题。现有的工作主要集中在解决跨域用户推荐或冷启动内容推荐。然而，当一个新的领域在其早期阶段发展时，它的潜在用户类似于源领域，但交互少得多。从源域学习用户的偏好并将其转移到目标域是至关重要的，特别是在用户反馈有限的新到达的内容上。为了弥合这一差距，我们提出了一个自我训练的跨领域用户偏好学习（COUPLE）框架，针对冷启动推荐与各种语义标签，如项目的属性或视频的类型。更具体地说，我们考虑三个层次的偏好，包括用户历史，用户内容和用户组提供可靠的推荐。通过由域感知的顺序模型表示的用户历史，频率编码器被应用于用于用户内容偏好学习的底层标签。然后，提出了一个层次记忆树与正交节点表示，以进一步推广跨域的用户组偏好。整个框架采用先进先出（FIFO）队列以对比的方式更新，以获得更独特的表示。在两个数据集上的大量实验证明了COUPLE在用户和内容冷启动情况下的效率。通过部署一周的在线A/B测试，我们发现COUPLE的点击率（CTR）优于淘宝APP上使用的其他基线。目前该方法已在线服务于跨域冷微视频推荐。
2021-12-07 cs.IR cs.LG
GenRecEdit: Adapting Model Editing for Generative Recommendation with Cold-Start Items
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学全球化人工智能学院）；School of Information Technology and Management, University of International Business and Economics（国际经济贸易大学信息科学技术与管理学院）
GenRecEdit通过模型编辑技术解决生成推荐中冷启动问题，通过迭代token级编辑和一对一触发机制提升冷启动项目推荐性能，仅需9.5%的训练时间。
2026-05-01 cs.AI cs.IR
Bridging the Semantic-Collaborative Gap: An Asymmetric Graph Architecture for Cold-Start Item Recommendation
Tubi；Kumo AI
提出Shallow-RHS非对称链接预测架构，通过左端设备塔利用时序历史消息传递捕获协作信号，右端内容塔仅基于内在特征编码，解决冷启动物品推荐中的图归纳补全问题。
2026-06-04 cs.AI cs.IR cs.LG
Addressing Cold Start For next-article Recommendation
University of Minnesota（明尼苏达大学）
本研究将ALMM模型改造用于MIND数据集上的新闻推荐，通过顺序点击建模和BERT/TF-IDF特征提取，在冷启动场景下优于基线模型，但指出最小修改的ALMM不适用。
2025-08-01 cs.IR cs.LG
MetaKG: Meta-learning on Knowledge Graph for Cold-start Recommendation
Zhejiang University（浙江大学）
知识图谱（KG）由一组相互连接的类型化实体及其属性组成。最近，KG被普遍用作辅助信息，以实现更准确、可解释和多样化的用户偏好推荐。具体来说，现有的基于KG的推荐方法的目标是从隐藏在KG中的长连接性用户-项目交互中建模高阶关系/依赖关系。然而，他们中的大多数忽略了冷启动问题（即，用户冷启动和项目冷启动），这限制了它们在涉及新用户或新项目的场景中的性能。受稀缺的训练样本上的元学习的成功的启发，我们提出了一种新的元学习为基础的框架称为MetaKG，它包括一个协作意识Meta学习者和知识意识Meta学习者，捕捉Meta用户的偏好和实体的冷启动建议的知识。协作感知Meta学习器的目标是在本地聚合每个用户偏好学习任务的用户偏好。相反，知识感知Meta学习器是在不同的用户偏好学习任务中全局概括知识表示。在两个Meta学习器的指导下，元KG可以有效地捕获高阶协作关系和语义表示，这可以很容易地适应冷启动场景。此外，我们设计了一种新的自适应任务调度器，它可以自适应地选择信息任务进行Meta学习，以防止模型被噪声任务破坏。使用三个真实数据集对各种冷启动场景进行的广泛实验表明，我们提出的MetaKG在有效性，效率和可扩展性方面优于所有现有的最先进的竞争对手。
2022-04-18 cs.AI cs.IR
General Item Representation Learning for Cold-start Content Recommendations
Seoul National Univ.（首尔大学）；Kakao Brain
针对冷启动推荐中原始内容信息未充分利用的问题，提出一种基于Transformer架构、免分类标签的领域无关多模态物品表示学习框架，实验证明其能更好保留细粒度用户品味并大规模适用于多个领域。
2024-04-22 cs.IR cs.LG cs.MM
Large Language Models as Data Augmenters for Cold-Start Item Recommendation
针对传统推荐系统在冷启动物品上缺乏历史交互的问题，提出利用LLM作为数据增强器，基于用户历史和物品描述推断偏好，并通过辅助成对损失将增强信号融入模型，显著提升了多种推荐模型在冷启动场景下的性能。
2024-02-18 cs.IR
Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation
Seoul National University（首尔国立大学）
针对冷启动序列推荐中用户反馈不平衡导致元学习适配效果差的问题，提出一种带自适应加权损失的梯度元学习框架，捕捉用户不平衡评分分布并计算个性化自适应损失，经真实数据集实验验证有效。
2023-08-21 cs.IR cs.LG
A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios
Institute of Computational Perception, Johannes Kepler University Linz（约翰开普勒林茨大学计算感知研究所）；Human-centered AI Group, AI Lab, Linz Institute of Technology（林茨理工大学人工智能实验室以人为中心的人工智能组）
本文提出多模态单分支嵌入网络SiBraR，通过权重共享编码交互数据与多模态辅助信息，有效解决冷启动与缺失模态场景下的推荐问题，显著优于现有方法。
2024-09-26 cs.AI cs.IR cs.LG
Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation
VNU University of Engineering and Technology（越南工程技术大学）
针对冷启动场景下用户-捆绑包交互稀疏导致传统协同过滤效果差的问题，提出基于个性化扩散模型、结合兴趣解耦和偏差修正损失的DisCo方法，在三个真实数据集上大幅优于基线，为冷启动捆绑推荐提供新框架。
2025-05-20 cs.AI cs.IR
Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
Shandong Normal University（山东师范大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；University of Electronic Science and Technology of China（电子科技大学）
哈希算法在计算用户对项目的偏好时具有较高的计算效率和存储效率，是解决大规模推荐问题的有效方法。然而，现有的基于哈希的推荐方法仍然存在两个重要问题：1）它们的推荐过程主要依赖于用户与项目的交互和单一的特定内容特征。当交互历史或内容功能不可用时（冷启动问题），它们的性能将严重恶化。2)现有的方法采用松弛优化学习哈希码或采用离散坐标下降法直接求解二进制哈希码，这会导致大量的量化损失或消耗大量的计算时间。在本文中，我们提出了一种快速冷启动推荐方法，称为多特征离散协同过滤（MFDCF），以解决这些问题。具体而言，低秩自加权多特征融合模块的设计，自适应投影的多个内容特征到二进制但信息哈希码充分利用其互补性。此外，我们开发了一个快速的离散优化算法，直接计算的二进制哈希码与简单的操作。在两个公开的推荐数据集上的实验表明，MFDCF在各个方面都优于现有的推荐算法。
2020-03-24 cs.IR cs.LG
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
Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
Southwest Jiaotong University（西南交通大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出一种基于度量学习的标签推荐算法，通过学习距离或相似性度量捕捉用户偏好与物品特征差异，有效解决数据稀疏和冷启动问题，在多项指标上优于LRML、CML和ATF基线方法。
2024-11-10 cs.IR cs.LG
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
Privileged Graph Distillation for Cold Start Recommendation
Hefei University of Technology（合肥工业大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；Anhui University（安徽大学）
推荐系统中的冷启动问题是一个长期存在的挑战，它要求在没有任何历史交互记录的情况下，基于属性向新用户（项目）推荐。在这些推荐系统中，温暖的用户（项目）有特权的互动记录的合作信号相比，冷启动用户（项目），这些协同过滤（CF）信号被证明有竞争力的推荐性能。许多研究者提出学习协作信号嵌入空间和属性嵌入空间之间的相关性来改进冷启动推荐，其中用户和项目分类属性在许多在线平台中是可用的。然而，冷启动建议仍然受到两个嵌入空间建模和简单的空间变换假设的限制。由于用户-项目交互行为和用户（项目）属性自然形成了一个异构的图结构，本文提出了一个特权图蒸馏模型PGD。教师模型是由一个异构的图形结构的温暖的用户和项目的特权CF链接。学生模型由一个没有CF链接的实体-属性图组成。具体来说，教师模型可以通过从构建的异构图中注入复杂的高阶关系来学习每个实体的更好嵌入。学生模型可以从教师嵌入学习具有特权CF嵌入的提取输出。我们提出的模型一般适用于不同的冷启动场景与新用户，新项目，或新用户新项目。最后，在真实世界数据集上的大量实验结果清楚地表明了我们提出的模型对不同类型的冷启动问题的有效性，在三个数据集上，平均$6.6\%, 5.6\%, $和$17.1\%$分别比最先进的基线有所改善。
2021-05-31 cs.IR cs.LG
SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
Meta Platforms, Inc.（Meta平台公司）
针对视频推荐中新物品冷启动分发难题，提出两阶段检索框架SocRipple，结合创作者社交连接与KNN搜索扩散，在维持用户参与率的同时将冷启动物品分发量提升36%。
2025-08-10 cs.AI cs.IR
Wasserstein Collaborative Filtering for Item Cold-start Recommendation
The Chinese University of Hong Kong（香港中文大学）；Tencent Quantum Lab（腾讯量子实验室）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）
项目冷启动问题严重限制了协同过滤（CF）方法的推荐性能时，新的项目没有或很少的互动。为了解决这个问题，许多现代互联网应用程序提出预测一个新的项目的互动从拥有的内容。然而，很难设计和学习项目的交互历史和相应内容之间的映射。在本文中，我们应用Wasserstein距离来解决项目冷启动问题。给定项目的内容信息，我们可以计算之间的相似性的互动项目和冷启动的，使用户的偏好冷启动项目可以推断通过最小化的Wasserstein距离分布在这两种类型的项目。我们进一步采用CF的思想，提出Wasserstein CF（WCF），以提高冷启动项目的推荐性能。实验结果表明，WCF的优越性，国家的最先进的方法。
2019-09-10 cs.IR cs.LG stat.ML
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research（Deezer研究院）；École Polytechnique（巴黎综合理工学院）；Univ. Paris Dauphine（巴黎多芬大学）
音乐流媒体服务严重依赖推荐系统来改善用户体验，帮助他们浏览大型音乐目录并发现新的歌曲，专辑或艺术家。然而，向新用户推荐相关和个性化的内容，很少或根本没有与目录的交互，是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中，我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略，基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性，通过离线和在线大规模实验。此外，我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放，能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap
Institute for Clarity in Documentation（文献信息研究所）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕尔默研究实验室）；The Thørväld Group（索沃尔德集团）；The Kumquat Consortium（金桔联盟）
本文针对大语言模型时代冷启动推荐缺乏全面综述的问题，梳理其信息利用发展路径，综述相关研究并提出未来方向，同时搭建了持续更新的资源仓库，为该领域研究与产业应用提供参考。
2025-01-16 cs.AI cs.IR
Let It Go? Not Quite: Addressing Item Cold Start in Sequential Recommendations with Content-Based Initialization
Sber AI Lab, Lomonosov Moscow State University (MSU)（斯伯人工智能实验室，莫斯科国立大学）；Sber AI Lab, HSE University（斯伯人工智能实验室，俄罗斯高等经济大学）；Sber AI Lab（斯伯人工智能实验室）
针对序列推荐中物品冷启动时内容嵌入冻结欠适配、微调又易语义漂移的问题，本文提出在冻结内容嵌入上加入小型可训练 delta，在多数据集和多模态上实现稳定提升。
2025-07-25 cs.AI cs.IR cs.LG
Addressing Item-Cold Start Problem in Recommendation Systems using Model Based Approach and Deep Learning
Ss. Cyril and Methodius University（圣基里尔和麦托迪大学）
传统的推荐系统依赖于过去的使用数据来生成新的推荐。这些方法无法为新用户和系统中的项目生成合理的推荐，因为缺少有关他们过去交互的信息。在本文中，我们提出了一个解决方案，成功地解决项目冷启动问题，使用基于模型的方法和深度学习的最新进展。特别地，我们使用潜在因素模型进行推荐，当无法从使用数据中获得潜在因素时，使用卷积神经网络从项目的描述中预测潜在因素。通过对可用使用数据应用矩阵因式分解获得的潜在因子被用作地面实况以训练卷积神经网络。为了创建新项的潜在因子表示，卷积神经网络使用它们的文本描述。实验结果表明，所提出的方法显着优于几个基线估计。
2017-06-18 cs.IR cs.LG stat.ML
A Deep Multimodal Approach for Cold-start Music Recommendation
Universitat Pompeu Fabra（庞培法布拉大学）；Pandora Media, Inc.（潘多拉媒体公司）
每天都有越来越多的数字音乐被发布。音乐流媒体服务通常会摄取所有可用的音乐，但这带来了一个挑战：如何推荐缺乏先验知识的新艺术家？在这项工作中，我们的目标是通过使用深度网络架构将文本和音频信息与用户反馈数据相结合来解决这个所谓的冷启动问题。我们的方法分为三个步骤。首先，通过结合语义、文本特征和聚合使用数据，从传记中学习艺术家嵌入。第二，从音频信号和可用的反馈数据学习轨道嵌入。最后，艺术家和轨道嵌入在一个多模态网络相结合。结果表明，在特征级别之间分割推荐问题（即，艺术家元数据和音轨），并且在多模式方法中合并特征嵌入提高了推荐的准确性。
2017-07-24 cs.IR cs.LG
Cross-Modal Content Inference and Feature Enrichment for Cold-Start Recommendation
本文提出CIERec框架，通过图像标注引导视觉到语义的映射，并融合协同、视觉与跨模态推断表示来增强内容特征，从而显著提升冷启动推荐性能。
2023-07-06 cs.IR
M2TRec: Metadata-aware Multi-task Transformer for Large-scale and Cold-start free Session-based Recommendations
The Home Depot（家得宝）；Georgia Institute of Technology（佐治亚理工学院）
基于会话的推荐系统（SBRS）已经显示出优于传统方法的性能。然而，它们在大规模工业数据集上显示出有限的可扩展性，因为大多数模型对每个项目学习一个嵌入。这会导致大量的内存需求（每个项目存储一个向量），并且在具有冷启动或不受欢迎项目的稀疏会话上性能较差。使用一个公共和一个大型工业数据集，我们的实验表明，国家的最先进的SBRS稀疏会话稀疏项目的性能较低。我们提出了M2TRec，一个元数据感知的多任务Transformer模型，用于基于会话的推荐。我们提出的方法学习了从项目元数据到嵌入的转换函数，因此是无项目ID的（即，不需要学习每个项目一个嵌入）。它集成了项目元数据来学习不同项目属性的共享表示。在推理过程中，新的或不受欢迎的项目将被分配相同的属性表示，它们与之前在训练过程中观察到的项目共享，因此将与这些项目具有相似的表示，从而能够推荐甚至冷启动和稀疏的项目。此外，M2TRec在多任务设置中进行训练，以预测会话中的下一个项目及其主要类别和子类别。我们的多任务策略使模型收敛更快，并显着提高了整体性能。实验结果表明，使用我们提出的方法在两个数据集上的稀疏项目显着的性能增益。
2022-09-23 cs.AI cs.IR cs.LG
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
CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network
Wuhan University（武汉大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
在一个大型的推荐系统中，产品（或项目）可以在许多不同的类别或领域。给定两个相关域（例如，书籍和电影），用户可以与一个域中的项目进行交互，但不能与另一个域中的项目进行交互。对于后者，这些用户被认为是冷启动用户。如何有效地将基于用户交互的偏好从一个域转移到另一个相关域，是跨域推荐的关键问题。受基于评论的推荐技术的启发，我们提出了一种基于评论的方面级用户偏好迁移模型。为此，我们提出了一个跨域推荐框架，通过方面传输网络的冷启动用户（命名为CATN）。CATN被设计为从他们的评论文档中提取每个用户和每个项目的多个方面，并使用注意力机制学习跨域的方面相关性。此外，我们进一步利用志同道合的用户的辅助评论，以提高用户的方面表示。然后，利用端到端的优化框架，以加强我们的模型的鲁棒性。在真实世界的数据集上，建议的CATN在评级预测精度方面明显优于SOTA模型。进一步的分析表明，我们的模型是能够揭示用户方面的连接，在一个精细的粒度级别的域，使建议可解释。
2020-05-23 cs.IR cs.LG
MoToRec: Sparse-Regularized Multimodal Tokenization for Cold-Start Recommendation
MoToRec通过稀疏正则化的多模态分词方法，解决冷启动推荐中的数据稀疏性和新物品表示问题，提升推荐系统性能。
2026-03-03 cs.IR cs.LG
Sequential Recommendation for Cold-start Users with Meta Transitional Learning
顺序排序器面临的一个基本挑战是捕捉用户的顺序模式，以建模用户如何在项目之间传输。然而，在许多实际场景中，有大量的冷启动用户，只有最少的记录交互。其结果是，现有的顺序推荐模型将失去其预测能力，由于在学习顺序模式的用户只有有限的互动的困难。在这项工作中，我们的目标是改善顺序推荐的冷启动用户与一个新的框架名为MetaTL，学习模型的过渡模式的用户通过元学习。具体而言，建议MetaTL：（i）制定顺序推荐冷启动用户作为一个少样本学习问题;（ii）提取动态过渡模式与基于预防的架构用户之间;（iii）采用Meta过渡学习，使快速学习的冷启动用户只有有限的互动，导致准确的推理顺序的互动。
2021-07-13 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
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
Metadata Embeddings for User and Item Cold-start Recommendations
我提出了一个混合矩阵分解模型表示用户和项目的线性组合，其内容特征的潜在因素。该模型在冷启动或稀疏交互数据场景（使用用户和项目元数据）中优于协作和基于内容的模型，并且至少与交互数据丰富的纯协作矩阵分解模型一样好。此外，由模型产生的特征嵌入以一种让人联想到词嵌入方法的方式对语义信息进行编码，使其对一系列相关任务（如标签推荐）非常有用。
2015-07-30 cs.IR
Cold-Starts in Generative Recommendation: A Reproducibility Study
Shandong University（山东大学）；Leiden University（莱顿大学）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
本文研究生成推荐中的冷启动问题，通过统一的冷启动协议评估不同模型的可重复性，探讨冷启动在动态开放平台中的挑战。
2026-04-06 cs.IR
Cold-start Playlist Recommendation with Multitask Learning
The Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
播放列表推荐涉及产生用户可能喜欢的一组歌曲。我们在三个冷启动场景中研究这个问题：（i）冷播放列表，其中我们推荐歌曲以形成现有用户的新的个性化播放列表;（ii）冷用户，其中我们推荐歌曲以形成新用户的新播放列表;以及（iii）冷歌曲，其中我们推荐新发布的歌曲以扩展用户的现有播放列表。我们提出了一个灵活的多任务学习方法来处理所有三个设置。该方法从用户策划的播放列表中学习，并通过最小化二分排名损失来鼓励播放列表中的歌曲排名高于那些不排名的歌曲。受二分排序和二进制分类之间的等价性的启发，我们展示了如何通过最小化分类损失来有效地近似多任务学习目标的最优解。在两个真实播放列表数据集上的实验结果表明，该方法具有良好的冷启动播放列表推荐性能。
2019-01-18 cs.IR cs.LG stat.ML
ViHoRec: A Quality-Controlled Vietnamese Hotel Recommendation Dataset and Cold-Start Benchmark
Faculty of Information Technology, University of Science, Ho Chi Minh City（信息科技学院，科学大学，胡志明市）；Vietnam National University, Ho Chi Minh City（越南国家大学，胡志明市）
该研究针对越南酒店推荐资源缺乏问题，构建ViHoRec数据集，通过可重复构建管道、隐私保护发布及公共冷启动基准测试，为低资源推荐提供稀疏、冷启动主导测试平台，展示短历史用户模型性能下降等情况。
2026-07-15 cs.AI cs.IR
Addressing the Extreme Cold-Start Problem in Group Recommendation
向一组用户推荐商品的任务，也就是集团的建议，正受到越来越多的关注。然而，在推荐系统中固有的冷启动问题被放大的群体推荐，因为在实践中，群体和项目之间的交互数据是非常稀缺的。大多数现有的工作利用组和项目之间的关联，以减轻数据稀缺的问题。然而，现有的方法不可避免地失败，在极端的冷启动的情况下，缺乏组和项目之间的关联。为此，我们设计了一个适合极端冷启动场景的EXreme cold-star群组推荐模型。EXTRE背后的基本思想是利用图卷积神经网络的极限理论来建立组和项之间的隐式关联，而这些关联的推导不需要显式的交互数据，因此适用于冷启动场景。EXTRE的训练过程依赖于新定义的和可解释的一致性和差异性概念，而不是常用的负抽样与成对排序，这可以提高组推荐的性能。大量的实验验证了所提出的模型EXTRE的有效性。
2022-10-18 cs.IR cs.SI
Multi-modal Adaptive Mixture of Experts for Cold-start Recommendation
VNU University of Engineering and Technology（越南工程大学）；Delft University of Technology（代尔夫特理工大学）
针对冷启动推荐中多模态融合方式简单的问题，提出动态利用不同模态潜在表示的混合专家框架MAMEX，通过特定模态专家网络与可学习门控机制自适应调整模态权重，在基准数据集上实现了更优的准确性与适应性。
2025-08-11 cs.AI cs.IR
M^2VAE: Multi-Modal Multi-View Variational Autoencoder for Cold-start Item Recommendation
Ant Group（蚂蚁集团）
针对冷启动物品推荐中现有多模态方法忽略多视图结构及特征区别的问题，本文提出M²VAE生成模型，通过类型特定潜在变量、PoE通用表示、解耦对比损失、偏好引导MoE及共现信号对比学习，提升推荐效果。
2025-11-12 cs.AI cs.IR
Promotional effect on cold start problem and diversity in a data characteristic based recommendation method
纯方法通常在推荐准确度和多样性方面表现优异，而混合方法通常在推荐准确度和多样性方面优于纯方法，但遇到了针对不同推荐焦点的最佳混合参数选择的困境。本文基于一个用户-项目二分网络，提出了一种基于数据特征的算法，将杂交参数与数据特征联系起来。与以往的混合算法不同，该算法根据算法与项目度之间的相关性，自适应地为每个项目分配最优参数。与高准确度的纯方法和在推荐准确度和多样性方面都很突出的混合方法相比，该方法在保持较高的整体推荐准确度的同时，对冷启动这一长期存在的挑战性问题以及推荐多样性方面都有显著的促进作用。与一种高效的改进混合推荐方法相比，该方法不仅进一步提高了冷启动项目的推荐准确率，而且增强了推荐的多样性。我们的工作可能会提供一个有前途的方法，更好地解决个人推荐的角度与数据集属性的算法。
2012-07-24 cs.IR physics.soc-ph
