TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University（根特大学）
针对冷启动时间序列预测，提出时间模型无关元学习（TMAML），通过构建时间一致的元任务并优化模型，使预测模型在少数据下快速适应，实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
SMPR: A structure-enhanced multimodal drug-disease prediction model for drug repositioning and cold start
Macau University of Science and Technology（澳门科技大学）；Zunyi Medical University（遵义医科大学）；Zhengzhou University（郑州大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出结构增强多模态模型SMPR，融合药物SMILE结构、Mol2VEC表示与异构图神经网络预测药物-疾病关系，并提供结构相似性冷启动接口，实验与案例验证了其重定位及冷启动性能。
2025-03-17 cs.LG
NTSFormer: A Self-Teaching Graph Transformer for Multimodal Isolated Cold-Start Node Classification
针对多模态图孤立冷启动节点分类的结构孤立与模态缺失问题，本文提出NTSFormer自教学图Transformer框架，通过双预测机制实现自我监督并利用MoE融合多模态信息，实验证明其性能更优。
2025-11-14 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
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
ColdGuess: A General and Effective Relational Graph Convolutional Network to Tackle Cold Start Cases
Amazon Inc.（亚马逊公司）；AWS AI Education and Research（AWS人工智能教育与研究部门）
在线零售网站中的低质量列表和不良行为威胁着电子商务业务，因为这些导致次优的购买体验并侵蚀客户信任。当一个新的列表被创建时，如何判断它具有良好的质量？该方法是否有效、快速且可扩展？先前的方法通常具有三个限制/挑战：（1）不能处理新卖家/列表缺乏足够的销售历史的冷启动问题。(2)无法大规模地对数亿个列表进行评分，或者在可扩展性方面牺牲性能。(3)具有巨大的电子商务业务规模的大规模图的空间挑战。为了克服这些限制/挑战，我们提出了ColdGuess，这是一种基于异构卖家产品图的基于归纳图的风险预测器，它可以有效地识别大规模的风险卖家/产品/列表。ColdGuess通过合并节点来处理大规模图，并使用齐次影响来解决冷启动问题1。对真实数据的测试表明，随着未知特征数量的增加，ColdGuess算法具有稳定的性能。在新卖家销售新产品的冷启动情况下，它比lightgbm 2高出34 pcp ROC-AUC。由此产生的系统ColdGuess是有效的，能够适应不断变化的风险卖方行为，并且已经投入生产
2022-05-26 cs.AI cs.LG
High Accuracy and Low Regret for User-Cold-Start Using Latent Bandits
Trinity College Dublin（都柏林圣三一学院）
本文提出一种隐式赌博机算法解决推荐系统新用户冷启动问题，在准确率和遗憾两方面均显著超越现有方法。
2023-05-12 cs.IR cs.LG
Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Skoltech（斯科尔科沃科学技术研究所）
推荐系统已经成为广泛行业中个性化用户体验的重要工具。引起研究人员和行业专家关注的一个重要问题是新产品的冷启动问题。在这项工作中，我们提出了一个图神经网络推荐系统使用项目层次图和定制的架构来处理冷启动的情况下，项目。在多个数据集和数百万用户和交互上的实验研究表明，我们的方法在计算时间相当的情况下，比最先进的方法实现了更好的预测质量。
2020-12-01 cs.LG stat.ML
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
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
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
SPARC: Spectral Architectures Tackling the Cold-Start Problem in Graph Learning
Bar-Ilan University（巴伊兰大学）
针对图学习中依赖邻接信息的方法在冷启动节点上失效的问题，提出SPARC框架，利用可泛化谱嵌入增强现有方法，消除推理时邻接信息需求，在多任务冷启动节点上性能更优，推动图学习发展。
2025-02-18 cs.LG stat.ML
Alleviating Cold-start Problem in CTR Prediction with A Variational Embedding Learning Framework
Business Growth BU, JD.com（京东商业增长业务单元）
我们提出了一个通用的变分嵌入学习框架（VELF），以减轻严重的冷启动问题的CTR预测。VELF通过两种方式来缓解由数据稀疏性引起的过拟合来解决冷启动问题：学习概率嵌入，并结合可训练和正则化的先验知识，这些先验知识利用了冷启动用户和广告的丰富边信息。这两种技术自然地集成到变分推理框架中，形成端到端的训练过程。在基准数据集上的大量实证测试充分证明了我们提出的VELF的优势。此外，扩展的实验证实，我们的参数化和正则化的先验提供了更多的泛化能力比传统的固定先验。
2022-01-17 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
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
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
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
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
The item selection problem for user cold-start recommendation
The Chinese University of Hong Kong（香港中文大学）
当一个新用户刚刚在网站上注册时，我们通常没有关于他/她的信息，即没有与项目的交互，没有用户简档，也没有与其他用户的社交链接。在这种情况下，我们仍然期望我们的推荐系统能够在第一时间吸引用户，使用户决定留在网站上，成为活跃用户。这个问题属于新用户冷启动的范畴，对企业的发展乃至生存至关重要。关于用户冷启动推荐的现有工作需要额外的用户努力，例如设置面试过程，或者利用诸如用户人口统计，位置，社会关系等的边信息[10]。因此，我们考虑一个纯冷启动的情况下，既没有互动，也没有边信息是可用的，不需要用户的努力。研究此设置对于其他冷启动解决方案的初始化也很重要，例如初始化面试的前几个问题。
2020-10-27 cs.IR cs.LG cs.SI
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
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
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
Attending on Multilevel Structure of Proteins enables Accurate Prediction of Cold-Start Drug-Target Interactions
Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所）；Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州先进研究所）；State Key laboratory of Space Network and Communications, Tsinghua University（清华大学空间网络与通信国家重点实验室）
针对现有冷启动DTI预测仅用蛋白质一级结构、难以捕捉高级结构相关相互作用的问题，提出融合蛋白质多级结构与药物结构的ColdDTI框架，通过分层注意力挖掘多粒度相互作用，在基准数据集上性能优于现有方法。
2025-10-05 cs.AI cs.LG
From Zero to Hero: Cold-Start Anomaly Detection
IBM；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文研究冷启动异常检测场景，提出ColdFusion方法将零样本异常检测器适配到受污染观测数据，并提供评估套件支持未来发展。
2024-05-30 cs.CL cs.LG
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
Fast Approximate Bayesian Contextual Cold Start Learning (FAB-COST)
The University of Manchester（曼彻斯特大学）；Auto Trader（汽车交易者公司）
冷启动是一个众所周知的困难问题，它可能发生在推荐系统中，当没有足够的信息来推断用户或项目时就会出现。为了解决这一挑战，上下文强盗算法-快速近似贝叶斯上下文冷启动学习算法（FAB-COST）-提出，这是为了提供更高的精度相比，传统上使用的拉普拉斯近似在物流上下文强盗，同时控制算法的复杂性和计算成本。为此，FAB-COST使用两种矩投影变分方法的组合：期望传播（EP），在冷启动时表现良好，但随着数据量的增加而变慢;假设密度过滤（ADF），计算成本随数据大小的增长较慢，但需要更多的数据才能获得可接受的精度水平。当数据集变大时，通过从EP切换到ADF，它能够利用它们的互补优势。FAB-COST的经验理由，并系统地比较模拟数据的其他方法。在对由来自autotrader.co.uk的超过$670,000$的印象组成的真实数据的拉普拉斯近似的基准测试中，FAB-COST在用户点击中显示出超过$16\%$的一点增加。在这些结果的基础上，有人认为，FAB-COST很可能是一个有吸引力的方法冷启动推荐系统在各种情况下。
2020-08-18 cs.LG stat.ML
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
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
Representation Learning for cold-start recommendation
Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；Ecole Centrale Marseille（马赛中央理工学院）；Aix-Marseille Univ.（艾克斯-马赛大学）
协同过滤（CF）的标准方法，即预测用户对项目的评分，依赖于矩阵分解技术。用户和项目的表示都是根据观察到的评级计算的，并用于预测。不幸的是，这些转换方法不能处理新用户到达系统的情况，没有已知的评级，一个被称为用户冷启动的问题。在这种情况下，一种常见的方法是要求这些传入用户提供一些初始化评级。本文提出了一个模型来解决这个双重问题：（i）找到好的问题，（ii）从这少量的信息中构建有效的表示。该模型也可以用于更标准（温暖）的上下文中。我们的方法进行评估的经典CF问题和冷启动问题上的四个不同的数据集显示其能力，以提高基线性能在这两种情况下。
2015-06-22 cs.IR cs.LG
GIFT: Graph-guIded Feature Transfer for Cold-Start Video Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
短视频在过去几年中在淘宝等电子商务平台上快速增长。为了保证内容的新鲜度，平台每天都需要发布大量的新视频，这使得传统的点击率（CTR）预测方法受到项目冷启动问题的困扰。在本文中，我们提出了GIFT，一个有效的图形引导的特征转移系统，充分利用丰富的信息预热视频，以补偿冷启动的。具体来说，我们建立了一个异构的图形，包含物理和语义的联系，以指导功能转移过程中，从热身视频冷启动视频。物理链接表示明确的关系，而语义链接测量两个视频的多模态表示的接近度。我们精心设计了特征传递函数，以了解不同类型的传递特征（例如，ID表示和历史统计）。我们在一个大的真实数据集上进行了大量的实验，结果表明，我们的GIFT系统显著优于SOTA方法，并在淘宝App的主页上带来了6.82%的点击率提升。
2022-09-13 cs.IR cs.LG
Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks
School of Computer Science, Wuhan University（武汉大学计算机学院）；Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算学系）
矩阵完备化是推荐系统中的一个经典问题。传统上用矩阵分解来处理它。最近，基于深度学习的方法，特别是图神经网络，在这个问题上取得了令人印象深刻的进展。尽管它们的有效性，现有的方法集中在建模的用户-项目交互图。这种方法的固有缺点是它们的性能与相互作用的密度有关，然而这种相互作用的密度通常是高稀疏性的。更重要的是，对于不具有任何交互的冷启动用户/项目，这样的方法不能学习用户/项目的偏好嵌入，因为在图中不存在到该用户/项目的链接。在这项工作中，我们开发了一个新的框架属性图神经网络（AGNN）利用属性图，而不是常用的交互图。这导致了学习冷启动用户/项目的嵌入的能力。我们的AGNN可以产生的偏好嵌入一个冷用户/项目通过学习的属性分布与扩展的变分自动编码器结构。此外，我们提出了一种新的图神经网络变体，即，Gated-GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界的数据集上的实证结果表明，我们的模型产生了显着的改善冷启动建议，并优于或匹配的最先进的性能在热启动的情况下。
2021-02-26 cs.IR cs.LG
Recommending Podcasts for Cold-Start Users Based on Music Listening and Taste
Spotify；Cornell University（康奈尔大学）
推荐系统越来越多地用于预测和提供符合用户口味的内容，但将新用户与相关内容相匹配的任务仍然是一个挑战。我们认为播客是一种采用率快速增长的新兴媒体，并讨论了应用传统推荐方法解决冷启动问题时出现的挑战。使用音乐消费行为，我们研究了两种主要的技术来推断Spotify用户对超过20万个播客的偏好。我们的研究结果表明，离线和在线实验的消费高达50%的显着改善。我们对模型性能进行了广泛的分析，并研究了音乐数据作为输入源在推荐中引入偏见的程度。
2020-07-27 cs.IR cs.LG
Conditional Restricted Boltzmann Machines for Cold Start Recommendations
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；School of Information Science and Engineering, University of Chinese Academy of Sciences（中国科学院大学信息科学与工程学院）
受限玻尔兹曼机（RBM）已经成功地应用于推荐系统中。然而，与大多数其他协同过滤技术一样，它不能解决冷启动问题，因为没有对新项目的评级。本文首先应用条件RBM（CRBM），它可以考虑额外的信息，并表明CRBM可以很好地解决冷启动问题，特别是额定值预测任务。CRBM自然地将内容和协作数据结合在一个可以有效适应的框架下。实验表明，CRBM可以媲美矩阵分解模型，而从前一个模型学习的隐藏特征更容易被解释。
2014-08-01 cs.IR cs.LG stat.ML
A Unified Framework for Long Range and Cold Start Forecasting of Seasonal Profiles in Time Series
University of Washington（华盛顿大学）
提供长期预测是时间序列建模中的一个基本挑战，而在以前从未观察到时间序列的情况下必须形成这种预测的挑战更是雪上加霜。后一个挑战是在推荐系统中看到的冷启动问题的时间序列版本，据我们所知，在以前的工作中还没有得到解决。类似的问题发生在只观测到少量时间点后需要进行长期预报时-热启动预报。考虑到这些目标，我们专注于预测季节性配置文件--或基线需求--在三种情况下，一年的顺序：长期的情况下，多个以前观察到的季节性配置文件，冷启动的情况下，没有以前观察到的季节性配置文件，和热启动的情况下，只有一个单一的部分观察到的配置文件。经典的时间序列方法基于先前的观测结果执行迭代的步进式预测，难以提供准确的长期预测;在几乎没有观测数据的情况下，这种方法根本不适用。相反，我们提出了一个简单的框架，它结合了高维回归和矩阵分解的思想，精心构建的数据矩阵。我们的公式和结果性能的关键是利用（1）在固定时间段内和跨系列的重复模式，以及（2）与单个系列相关的元数据;如果没有这些额外的数据，冷启动/热启动问题几乎不可能解决。我们证明了我们的框架可以准确地预测多个大规模数据集上的一系列季节性配置文件。
2018-08-26 cs.LG stat.ML
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
Addressing the Item Cold-start Problem by Attribute-driven Active Learning
Zhejiang University（浙江大学）；Simon Fraser University（西蒙弗雷泽大学）；Northwest University of China（西北大学）
在推荐系统中，冷启动问题是指对于某些用户或项目没有已知的先前事件（例如评级）的情况。在本文中，我们专注于项目的冷启动问题。内容信息（例如项目属性）和初始用户评级对于抓住用户对新项目的偏好都是有价值的。然而，针对项目冷启动问题，以往的方法要么1）将内容信息融入协同过滤中进行混合推荐，要么2）主动选择用户对新项目进行评分，而不考虑内容信息，然后进行协同过滤。针对项目冷启动问题，提出了一种新的基于主动学习和项目属性信息的推荐方案。具体而言，我们设计了有用的用户选择标准的基础上项目的属性和用户的评分历史，并结合在一个优化框架中选择用户的标准。通过利用反馈评级，用户以前的评级和项目的属性，我们然后生成准确的评级预测的其他用户。在两个真实数据集上的实验结果表明，该方法优于传统方法。
2018-05-23 cs.IR cs.LG stat.ML
Mitigating cold start problems in drug-target affinity prediction with interaction knowledge transferring
Applied Artificial Intelligence Institute（应用人工智能研究所）；Deakin University（迪肯大学）
动机：预测药物-靶标相互作用对于药物发现以及药物再利用至关重要。机器学习常用于药物-靶标亲和性（DTA）问题。然而，机器学习模型面临着冷启动问题，在预测新药物或靶标的相互作用时，模型性能下降。以前的工作试图通过使用无监督学习来学习药物或目标表示来解决冷启动问题。虽然药物或靶标表示可以以无监督的方式学习，但它仍然缺乏相互作用信息，这在药物-靶标相互作用中至关重要。结果如下：为了将相互作用信息融入药物与蛋白质的相互作用中，我们提出将化学-化学相互作用（CCI）和蛋白质相互作用（PPI）任务迁移到药物-靶标相互作用任务。由于CCI和PPI任务具有相似的性质，因此可以将它们学习到的表征平滑地转移到DTA任务中。在药物-靶标亲和数据集上的实验结果表明，该方法在DTA任务中具有其他预训练方法所不具备的优势。
2022-01-16 cs.LG q-bio.BM
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
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
Cold-Start Active Correlation Clustering
Chalmers University of Technology \& University of Gothenburg Sweden；Chalmers University of Technology \& University of Gothenburg
本文提出一种覆盖意识方法，解决冷启动场景下主动相关聚类中的成对相似性查询问题，通过合成和现实世界实验验证了方法的有效性。
2026-03-07 cs.AI cs.LG cs.SI
Solving the Cold Start Problem on One's Own as an End User via Preference Transfer
National Institute of Informatics（日本信息处理学会）
针对服务提供商不处理冷启动时用户无法改善推荐的问题，本文提出可由终端用户独立部署的 Pretender 算法，通过最小化源与目标分布距离迁移偏好并优化物品选择，且提供理论保证与实验验证。
2025-09-30 cs.AI cs.IR cs.LG
Thin-shell stability of Gaussian cooling: logconcave sampling with sesteric complexity from a cold start
University of Michigan（密歇根大学）；Georgia Tech（佐治亚理工学院）
本文证明高斯冷却路径上的对数凹测度具有薄壳稳定性，由此将冷启动采样任意对数凹分布的复杂度从 $n^{2.75}$ 改进至接近 $n^{2.5}$，匹配抽象 Speedy walk 的复杂度。
2026-09-15 cs.DS cs.LG math.PR
Making Your First Choice: To Address Cold Start Problem in Vision Active Learning
Nanyang Technological University（南洋理工大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard University（哈佛大学）
主动学习通过迭代地选择最重要的数据首先进行注释来提高注释效率。然而，我们发现了一个与这一承诺惊人的矛盾：主动学习在最初的几个选择中无法像随机选择那样有效地选择数据。我们认为这是视觉主动学习中的冷启动问题，由有偏见和离群的初始查询引起。本文试图通过利用对比学习的三个优点来解决冷启动问题：（1）不需要注释;（2）通过伪标签来确保标签多样性以减轻偏差;（3）通过对比特征来确定典型数据以减少离群值。实验在CIFAR-10-LT和三个医学成像数据集（即结肠病理学、腹部CT和血细胞显微镜）上进行。我们的初始查询不仅显着优于现有的主动查询策略，但也超过了随机选择的大幅度。我们预见我们的冷启动问题的解决方案作为一个简单而强大的基线来选择视觉主动学习的初始查询。代码可用：https://github.com/c-liangyu/CSVAL
2022-10-05 cs.AI cs.CV cs.LG
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
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
A novel graph-based model for hybrid recommendations in cold-start scenarios
Politecnico di Milano（米兰理工大学）
冷启动是推荐系统文献中一个非常常见且尚未解决的问题。由于冷启动项没有任何交互，因此协作算法不适用。其中一个主要的策略是使用纯粹的或混合的基于内容的方法，这通常会产生较低的推荐质量比协作的。一些技术来优化这种类型的方法的性能已经在最近的过去进行了研究。其中之一被称为特征加权，它为每个特征分配一个真实的值，称为权重，以估计其重要性。信息检索中常用的特征加权的统计技术，如TF-IDF，已经被用于推荐系统，但是它们通常不能提供足够的质量改进。最近的方法，FBSM和LFW，通过利用协作信息经由机器学习来估计权重，以便基于其他用户的意见来学习特征的重要性。与先前引用的经典统计分析相比，这种类型的模型显示出有希望的结果。我们提出了一种新的图形，基于特征的机器学习模型，面对冷启动项目的情况下，学习的相关性的特征，基于项目的协同过滤算法的概率。
2018-08-31 cs.IR cs.LG stat.ML
Cold PAWS: Unsupervised class discovery and addressing the cold-start problem for semi-supervised learning
Melbourne Centre for Data Science（墨尔本数据科学中心）
本文提出 Cold PAWS，结合自监督学习、聚类与流形学习解决半监督学习中的冷启动选择性标注问题，并在多个图像数据集上验证其优于随机采样和现有方法。
2023-06-06 cs.AI cs.CV cs.LG
Language-Model Prior Overcomes Cold-Start Items
Salesforce Research（Salesforce研究院）；AWS AI Labs（AWS人工智能实验室）
本文提出一种利用语言模型估计物品相似度并将其作为贝叶斯先验整合到经典推荐系统的冷启动物品推荐通用方法，在两个真实数据集上验证了其能有效提升序列和协同过滤推荐器性能。
2024-11-13 cs.AI cs.IR cs.LG
Is Meta-Learning the Right Approach for the Cold-Start Problem in Recommender Systems?
University of Padova（帕多瓦大学）；Meta AI；MediaTek Research（联发科研究院）
本文针对推荐系统冷启动问题，比较元学习与标准深度学习及简单表示学习方法，证明无需元学习也能达到相当性能且更易部署。
2023-08-16 cs.AI cs.IR cs.LG
Cold Start Similar Artists Ranking with Gravity-Inspired Graph Autoencoders
Deezer Research（Deezer研究院）；LIX, École Polytechnique（巴黎综合理工学院LIX实验室）
在艺术家的个人资料页面上，音乐流媒体服务经常推荐粉丝也喜欢的“类似艺术家”的排名列表。然而，实现这样的特征对于新艺术家来说是具有挑战性的，对于新艺术家，关于服务的使用数据（例如，流或喜欢）尚不可用。在本文中，我们模拟这个冷启动相似的艺术家排名问题作为一个链接预测任务，在有向和属性图，连接艺术家到他们的前k个最相似的邻居，并纳入侧音乐信息。然后，我们利用图自动编码器架构来学习来自该图的节点嵌入表示，并使用重力启发的机制自动对新艺术家的前k个最相似的邻居进行排名。我们经验表明，我们的框架的灵活性和有效性，通过解决现实世界的冷启动类似的艺术家在全球音乐流媒体服务的排名问题。除了本文，我们还公开了我们的源代码以及我们实验中的工业图数据。
2021-08-02 cs.IR cs.LG cs.SI
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
Metis-SPECS: Decoupling Multimodal Learning via Self-distilled Preference-based Cold Start
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS）；Meituan（美团）
Metis-SPECS通过基于偏好的自我蒸馏冷启动框架解耦多模态学习，提升泛化能力和下游RL表现。
2026-01-30 cs.AI cs.CL cs.CV
CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems
针对无线协作边缘大语言模型推理中的冷启动延迟问题，本文提出延迟感知调度框架CSGO，通过重叠模型加载与计算通信，并用动态规划优化层划分和设备分配，显著降低冷启动延迟。
2025-08-15 cs.AI cs.IT cs.LG
