AgentGR: Semantic-aware Agentic Group Decision-Making Simulator for Group Recommendation
Xidian University（西安电子科技大学）
AgentGR通过结合语义推理和群体动态模拟，提升群体推荐的准确性与决策模拟能力，采用链式偏好推理机制和多智能体策略改进用户偏好和群体互动模拟。
2026-05-11 cs.IR
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
State Encoders in Reinforcement Learning for Recommendation: A Reproducibility Study
用于推荐的强化学习（RL 4 Rec）方法越来越受到关注，因为它们可以快速适应用户反馈。一个典型的RL 4 Rec框架包括（1）一个状态编码器，用于对存储用户历史交互的状态进行编码，以及（2）一个RL方法，用于采取行动并观察奖励。先前的工作比较了四个状态编码器的环境中，用户反馈是基于真实世界的记录用户数据模拟。基于注意力的状态编码器被认为是最佳的选择，因为它达到了最高的性能。然而，这一发现是有限的行动者-评论家的方法，四个状态编码器，和评估模拟器，不去偏见记录的用户数据。针对这些缺点，我们复制并扩展了现有的基于注意力的状态编码器的比较（1）在公开可用的去偏RL 4 Rec SOFA模拟器中（2）不同的RL方法，（3）更多的状态编码器，（4）不同的数据集。重要的是，我们的实验结果表明，与更多的状态编码器相比，现有的研究结果并不能推广到从不同的数据集和基于深度Q网络（DQN）的方法生成的去偏SOFA模拟器。
2022-05-11 cs.IR
Evaluating Large Language Models as Generative User Simulators for Conversational Recommendation
University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出一种包含五项任务的评估协议，用于衡量大型语言模型在对话式推荐中模拟人类行为的准确度，揭示其与人类行为的偏差，并探索通过模型选择和提示策略减少偏差的方法。
2024-03-25 cs.AI cs.CL cs.IR
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
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
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
Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators
Shandong University（山东大学）；Renmin University of China（中国人民大学）
提出闭环仿真框架RecLoop，利用LLM用户代理比较生成式与传统推荐器，发现生成式推荐器在暴露层面不易形成信息茧房，但反馈循环仍会导致编码空间集中，且茧房严重程度取决于分词策略和模型规模。
2026-06-17 cs.IR
Graph Neural Patching for Cold-Start Recommendations
本文提出图神经补丁框架GNP，通过GWarmer建模热启动协同信号并用Patching Networks模拟增强冷启动推荐，在不牺牲热启动性能的前提下解决冷启动问题。
2024-10-18 cs.IR
Transferable Fairness for Cold-Start Recommendation
随着推荐系统在日常生活中的应用和影响越来越大，如何实现推荐的公平性成为一个重要的问题。以往的公平性推荐工作主要集中在一个预定义的（通常是热启动）用户集。然而，由于新用户或冷启动用户的交互量不足，推荐系统通常面临更具挑战性的公平性问题。因此，研究训练后的模型是否仍然适用于一组新的冷启动用户是至关重要的。本文考虑的情况下，推荐系统满足新用户只有有限的，甚至没有互动的平台，并旨在提供高质量的和公平的建议，有效地给这样的用户。该算法将来自活跃用户的足够多的交互数据作为源用户域，将来自新用户的交互数据作为目标用户域，并考虑将反事实公平性从源用户转移到目标用户。为此，我们引入了一个框架，以实现可转移的反事实公平的建议。该方法能够将从源用户学习到的公平模型知识传递给目标用户，从而提高推荐性能并保持对目标用户的公平性。在两个具有代表性的推荐算法的真实数据集上的实验表明，该方法不仅提高了对目标用户的公平性，而且在推荐性能方面优于比较模型。
2023-01-25 cs.IR
Improving Item Cold-start Recommendation via Model-agnostic Conditional Variational Autoencoder
嵌入式MLP已经成为现代大规模推荐系统的一种范式。然而，这种模式遭受冷启动问题，这将严重损害生态健康的推荐系统。本文试图通过为具有历史数据和有限交互记录的冷项目生成增强的预热ID嵌入来解决项目冷启动问题。从行业实践的角度来看，我们主要关注以下三点项目冷启动：1）在线推荐场景下，如何在没有额外数据需求的情况下进行冷启动，并使策略易于部署。2)如何利用历史记录和新项目不断出现的交互数据。3)如何从交互数据中稳定地建模项目ID和辅助信息之间的关系。为了解决这些问题，我们提出了一个模型无关的条件变分自编码器为基础的推荐（CVAR）框架，具有一些优点，包括各种骨干兼容性，没有额外的数据要求，利用历史数据和最近出现的互动。CVAR使用潜变量来学习项目边信息的分布，并使用条件解码器生成所需的项目ID嵌入。通过在公开数据集上的大量离线实验和在腾讯新闻推荐平台上的在线A/B测试，进一步验证了CVAR的优势和鲁棒性。
2022-05-27 cs.IR
Cold-start Problems in Recommendation Systems via Contextual-bandit Algorithms
在本文中，我们研究了一个冷启动问题，在推荐系统中，我们有完全新的用户进入系统。新用户以前没有与系统进行任何互动或反馈，因此没有评分。琐碎的方法是选择随机的项目或最流行的推荐给新用户。然而，这些方法在许多情况下表现不佳。在这项研究中，我们提供了一个新的面貌，这种冷启动问题的推荐系统。事实上，我们把这个冷启动问题作为一个上下文强盗问题。不需要关于新用户和新项目的额外信息。我们认为所有过去的评级，以前的用户作为上下文信息集成到推荐框架。为了解决这类冷启动问题，我们提出了一种新的有效的方法，这是基于LinUCB算法的上下文强盗问题。实验是在三个不同的公开数据集上进行的，即Movielens，Netflix和Yahoo！音乐.新提出的方法也与其他国家的最先进的技术进行了比较。实验表明，我们的新方法显着改善所有这些方法。
2014-05-29 cs.IR
LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation
针对冷启动序列推荐中时间信息缺失和可扩展性问题，提出LIKR模型，将LLM作为知识图谱推理器，通过强化学习整合LLM直觉与图谱嵌入，提升冷启动推荐性能。
2024-12-17 cs.IR
Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation
针对现有推荐方法难以兼顾严格冷启动与热启动性能的问题，本文提出融合多模态内容与知识图谱的Firzen框架，通过冻结异构图与同构图提取多维度信息，在两类场景下均取得优异表现。
2024-10-10 cs.IR
Interplay: Training Independent Simulators for Reference-Free Conversational Recommendation
University College London（伦敦大学学院）；University of Sheffield（谢菲尔德大学）；Missouri University of Science and Technology（密苏里科技大学）
本文提出一种无参考模拟框架，通过训练两个独立的LLM分别扮演用户和推荐系统，生成更真实多样化的对话数据，提升推荐系统质量与可扩展性。
2026-03-19 cs.AI cs.IR
Deep Pairwise Hashing for Cold-start Recommendation
推荐效率和数据稀疏性问题一直被认为是提高在线推荐性能的两个挑战。以前的相关工作大多集中在提高推荐准确率，而不是效率。在本文中，我们提出了一个深度成对哈希（DPH）映射用户和项目的二进制向量在汉明空间，其中用户的偏好可以有效地计算一个项目的汉明距离，这显着提高了在线推荐的效率。为了缓解数据稀疏和冷启动问题，用户-项目交互信息和项目内容信息相结合，学习项目和用户的有效表示。具体来说，我们首先通过去噪自动编码器而不是其他确定性深度学习框架从项目内容数据中预训练鲁棒的项目表示;然后通过添加具有离散约束的成对损失目标来微调整个框架;此外，DPH旨在最小化与推荐的最终目标一致的成对排名损失。最后，我们采用交替优化方法优化所提出的模型与离散约束。在三个不同数据集上的大量实验表明，DPH可以显着提高数据稀疏性和项目冷启动推荐方面的最先进的框架。
2020-11-02 cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
Knowledge-aware Neural Networks with Personalized Feature Referencing for Cold-start Recommendation
将知识图谱（KGs）作为推荐中的辅助信息近来引起了相当大的关注。尽管在一般推荐场景中取得了成功，但是现有方法对于其中用户与非常有限的交互信息相关联的冷启动问题可能达不到性能满意度。由于传统的方法依赖于探索的互动拓扑结构，但他们可能无法捕捉足够的信息，在冷启动的情况下。为了缓解这个问题，我们提出了一种新的知识感知的神经网络与个性化特征引用机制，即KPER。与大多数现有方法不同的是，这些方法简单地从KG中丰富目标的语义，例如，产品属性，KPER利用KG作为“语义桥”来提取冷启动用户或项目的特征引用。具体来说，给定冷启动目标，KPER首先探测语义相关但不一定结构上接近的用户或项目作为自适应种子用于引用特征。然后引入门控信息聚合模块来学习冷启动用户和项目的组合潜在特征。我们在四个真实世界数据集上的广泛实验表明，KPER在冷启动场景中始终优于所有竞争方法，同时在一般场景中保持优越性而不影响整体性能，例如，通过在Top-10建议中的所有数据集上实现0.81%-16.08%和1.01%-14.49%的性能改进。
2022-09-28 cs.IR
Contrastive Collaborative Filtering for Cold-Start Item Recommendation
冷启动问题是推荐系统中一个长期存在的问题。作为一个有前途的解决方案，基于内容的生成模型通常投影一个冷启动项目的内容到一个热启动项目嵌入捕获项目内容的协同信号，以便可以应用协同过滤。然而，由于冷启动推荐模型的训练是在暖数据集上进行的，现有方法存在项目的协同嵌入模糊的问题，严重影响了冷启动项目推荐的性能。为了解决这个问题，我们提出了一种新的模型称为冷启动项目推荐的对比协同过滤（CCFCRec），它利用了在温暖的训练数据，以减轻模糊的协同嵌入冷启动项目推荐的问题同现合作信号。特别是，我们设计了一个对比协同过滤（CF）框架，包括一个内容CF模块和一个同现CF模块，分别生成基于内容的协同嵌入和同现协同嵌入的训练项目。在两个协同过滤模块的联合训练过程中，我们在两个协同嵌入之间进行对比学习，从而将同现信号的相关知识间接传递给内容协同过滤模块，从而在应用阶段利用记忆的同现信号对模糊协同嵌入进行隐式修正。在理论分析的基础上，通过在真实数据集上的大量实验，验证了该模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获得。
2023-02-22 cs.IR
Sim2Rec: A Simulator-based Decision-making Approach to Optimize Real-World Long-term User Engagement in Sequential Recommender Systems
Nanjing University（南京大学）；DiDi AI Labs（滴滴人工智能实验室）；Peng Cheng Laboratory（鹏城实验室）；City University of Hong Kong（香港城市大学）；Lyft（来福车）
针对顺序推荐系统中长期用户参与度优化面临的现实差距问题，提出基于模拟器集合的Sim2Rec方法，通过环境参数提取与上下文感知策略训练，实现策略直接迁移至真实环境，并在合成及滴滴出行真实数据上取得显著性能提升。
2023-05-03 cs.IR cs.LG
Collaborative Generative Hashing for Marketing and Fast Cold-start Recommendation
随着电子商务中数据的爆炸式增长，冷启动成为推荐系统中的一个关键问题。大多数现有的研究提出，以减轻冷启动问题也被称为混合推荐系统，学习表示的用户和项目相结合的用户项目的互动和用户/项目的内容信息。然而，以前的混合方法经常遭受低效率的在线推荐与大规模的项目，因为他们的目的是投影到连续的潜在空间中的在线推荐是昂贵的。为此，我们提出了一个协同生成哈希（CGH）框架，以提高效率，表示用户和项目的二进制代码，然后快速哈希搜索技术可以用来加快在线推荐。此外，建议CGH可以产生潜在的用户或项目的营销应用，其中生成网络的设计与最小描述长度（MDL）的原则，这是用来学习紧凑和信息的二进制代码。在两个公共数据集上的实验表明，在各种环境下的建议竞争基线的优势，并分析其在营销应用的可行性。
2020-11-02 cs.IR
Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning
本文提出流行度感知元学习算法PAM，通过按流行度划分元学习任务、区分特征作用并引入数据增强与自监督损失，解决在线流式数据中的物品冷启动问题。
2025-05-06 cs.IR
Fashion-AlterEval: A Dataset for Improved Evaluation of Conversational Recommendation Systems with Alternative Relevant Items
University of Glasgow（格拉斯哥大学）
本文构建 Fashion-AlterEval 数据集及两种元用户模拟器，引入替代相关物品的人类判断与可变耐心，以改进对话推荐系统的离线评估。
2025-07-24 cs.AI cs.IR
Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts
本文提出MoDiffE框架，以分而治之策略将冷启动捆绑推荐分解为子问题，用扩散模型统一生成表示并通过冷感知分层MoE融合，在三个数据集上显著超越现有方法。
2025-05-08 cs.IR
MOTIF: Motivation-guided Topology Inference for Cold-start Multimodal Recommendation
Taiyuan University of Technology（太原理工大学）；Sydney Smart Technology College, Northeastern University（东北大学悉尼智能技术学院）
针对冷启动多模态推荐的三大耦合挑战，提出MOTIF框架，整合四类技术实现拓扑推断，在三个多模态基准上较各类基线取得最高6.07%的相对提升。
2026-08-27 cs.IR
Cold-start recommendation through granular association rules
推荐系统在电子商务中很受欢迎，因为它们向用户推荐感兴趣的项目。研究人员已经解决了用户或项目是新的冷启动问题。然而，新用户和新项目的情况很少被考虑。在本文中，我们提出了一个冷启动推荐方法，这种情况下，基于粒度关联规则。具体来说，我们提供了一种通过信息粒描述用户和项目的方法，一种生成用户和项目之间的关联规则的方法，以及一种使用这些规则向用户推荐项目的方法。实验是在公开的数据集MovieLens上进行的。结果表明，规则集在训练集和测试集上的表现相似，粒度的合理设置对粒度关联规则的应用至关重要。
2013-05-07 cs.IR
LLMTreeRec: Unleashing the Power of Large Language Models for Cold-Start Recommendations
本文提出基于树的LLM推荐框架LLMTreeRec，通过将物品组织成树结构提升检索效率，在系统冷启动设置下达到SOTA性能并成功部署于华为工业系统。
2024-12-24 cs.IR
Task Aligned Meta-learning based Augmented Graph for Cold-Start Recommendation
本文提出TMAG方法，通过任务对齐构造器聚类相似用户并划分元学习任务，结合增强图神经网络缓解数据稀疏并捕获高阶交互，在多个冷启动推荐场景中取得优于现有方法的性能。
2024-05-04 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题，提出关键词驱动的检索增强大语言模型框架KALM4Rec，通过关键词检索候选和LLM重排序，在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Sharpness-Aware Cross-Domain Recommendation to Cold-Start Users
本文针对跨域推荐中重叠用户稀少导致模型收敛到尖锐极小值、泛化差的问题，提出锐度感知跨域推荐方法SCDR，通过同时优化推荐损失与损失锐度，显著提升冷启动推荐性能并增强对抗鲁棒性。
2024-08-06 cs.IR
Toward Simulating Environments in Reinforcement Learning Based Recommendations
Michigan State University（密歇根州立大学）；Tsinghua University（清华大学）
随着强化学习（RL）的发展，人们对将RL应用于推荐系统产生了极大的兴趣。然而，直接训练和评估一个新的基于RL的推荐算法需要在真实系统中收集用户的实时反馈，这不仅费时费力，而且可能会对用户体验产生负面影响。因此，它需要一个用户模拟器，可以模仿真实用户的行为，我们可以预先训练和评估新的推荐算法。在动态系统中模拟用户的行为面临着巨大的挑战-（i）底层项分布是复杂的，（ii）每个用户的历史日志是有限的。本文提出了一种基于生成对抗网络（GAN）的用户模拟器。具体来说，生成器捕捉用户历史日志的底层分布，生成真实日志，可以看作是真实日志的扩充;而日志生成器不仅可以区分真实日志和虚假日志，还可以预测用户的行为。基于真实电子商务数据的实验结果验证了该模拟器的有效性。
2019-09-10 cs.IR cs.LG
Graph Reasoning for Explainable Cold Start Recommendation
本文提出GRECS框架，将图推理适配于冷启动推荐，通过利用知识图谱中从用户出发的显式路径而非仅依赖实体嵌入，在5个标准数据集上缓解冷启动问题并优于基线方法，同时保持可解释性。
2024-06-11 cs.IR
Are Large Language Models Really Effective for Training-Free Cold-Start Recommendation?
NEC Corporation（日本电气株式会社）
本文通过对比LLMs和TEMs在无训练冷启动推荐中的表现，发现TEMs在冷启动和暖启动设置中均优于LLMs，挑战了LLM是唯一可行选项的普遍看法。
2025-12-15 cs.IR
SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity
针对序列推荐的冷启动问题，提出融合物品相似度的SimRec方法，通过定制损失函数在不增加模型参数和推理耗时的前提下提升推荐效果，在稀疏数据集和稀有物品场景下表现显著优于基线模型。
2024-10-29 cs.IR
Pre-Training Graph Neural Networks for Cold-Start Users and Items Representation
冷启动问题是推荐任务面临的一个基本挑战。尽管图神经网络（GNN）的最新进展结合了高阶协作信号来缓解这个问题，但冷启动用户和项目的嵌入没有显式优化，并且在GNN的图卷积期间没有处理冷启动邻居。本文提出在将GNN模型应用于推荐之前对其进行预训练。与推荐的目标不同，预训练GNN模拟来自具有足够交互的用户/项目的冷启动场景，并将嵌入重建作为借口任务，从而可以直接提高嵌入质量，并且可以容易地适应新的冷启动用户/项目。为了进一步减少冷启动邻居的影响，我们引入了一个基于自注意力的Meta聚合器来增强每个图卷积步骤的聚合能力，以及一个自适应邻居采样器来根据预训练GNN模型的反馈选择有效的邻居。在三个公开的推荐数据集上的实验表明，我们的预训练GNN模型优于原始GNN模型的用户/项目嵌入推理和推荐任务。
2020-12-13 cs.IR
Content-aware Neural Hashing for Cold-start Recommendation
内容感知推荐方法对于为\textit{new}提供有意义的推荐（即，\textit{cold-start}）推荐系统中的项目。我们提出了一种基于内容感知神经哈希的协同过滤方法（NeuHash-CF），该方法为用户和项目生成二进制哈希码，从而可以使用高效的汉明距离来估计用户与项目的相关性。NeuHash-CF被建模为自动编码器架构，由两个联合哈希组件组成，用于生成用户和项目哈希代码。受语义散列的启发，项目散列组件直接从项目的内容信息（即，它以相同的方式生成冷启动和所见项目散列码）。这与现有的最先进的模型形成对比，这些模型分别处理两个项目案例。通过学习用户嵌入矩阵，直接基于用户id生成用户哈希码。我们的实验表明，NeuHash-CF显着优于国家的最先进的基线高达12\% NDCG和13\%的MRR在冷启动建议设置，和高达4\%的NDCG和MRR在标准设置中，所有项目都存在，而训练。我们的方法使用2- 4倍短的哈希码，同时获得与现有技术相比相同或更好的性能，因此也能够显着减少存储。
2020-05-31 cs.IR
Alleviating Cold-Start Problems in Recommendation through Pseudo-Labelling over Knowledge Graph
解决冷启动问题对于为新用户和项目提供有意义的推荐结果是必不可少的。在稀疏观测数据下，未观测的用户-项目对也是提取潜在用户信息需求的重要来源。大多数现有的作品利用未观察到的样本提取负信号。然而，这样的优化策略可能会导致偏向已经流行的项目的结果，因为它经常将新项目作为负面实例处理。在这项研究中，我们通过适当利用未观察到的样本来解决新用户/项目的冷启动问题。提出了一种基于图神经网络的知识图谱推荐系统，通过伪标记来增加标记样本.我们的方法积极地采用未观察到的样本作为积极的实例，并将新的项目带入聚光灯下。为了避免穷举标签分配给所有可能的用户和项目对，我们利用KG为每个用户选择可能是积极的项目。我们还利用了改进的负采样策略，从而抑制流行性偏见的加剧。通过实验，我们证明了我们的方法在各种场景中实现了对最先进的KG感知的推荐器的改进;特别是，我们的方法成功地提高了冷启动用户/项目的推荐性能。
2020-11-10 cs.IR
Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling
针对推荐系统物品冷启动难题，提出基于transformer的Next-User Retrieval生成式框架，通过建模用户交互序列生成潜在交互用户，结合物品特征提升推荐效果，在抖音实验中获显著指标提升。
2025-06-18 cs.IR
Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；McGill University（麦吉尔大学）
本文提出基于认知不确定性的冷启动推荐框架 CREU，借助 PaiDEs 高效度量模型对训练知识的利用效率，从而优化冷启动场景下的用户-物品交互推荐性能。
2025-08-08 cs.IR
Task-adaptive Neural Process for User Cold-Start Recommendation
用户冷启动推荐是一个长期存在的挑战，推荐系统，由于事实上，只有少量的冷启动用户的交互可以利用。最近的研究试图从Meta学习的角度来解决这一挑战，其中大多数遵循参数初始化的方式，其中模型参数可以通过几步梯度更新来学习。虽然这些基于梯度的元学习模型在一定程度上取得了令人满意的性能，但它们的一个根本问题是如何更有效地将从先前任务中学习到的全局知识用于冷启动用户的推荐。在本文中，我们开发了一种新的元学习推荐称为任务自适应神经过程（TaNP）。TaNP是神经过程家族的新成员，其中为每个用户提供推荐与相应的随机过程相关联。TaNP直接将观察到的每个用户的交互映射到预测分布，避开了基于梯度的元学习模型中的一些训练问题。更重要的是，为了平衡模型容量和自适应可靠性之间的权衡，我们引入了一种新的任务自适应机制。它使我们的模型能够学习不同任务的相关性，并将全局知识定制为与任务相关的解码器参数，以估计用户偏好。我们在不同的实验环境中对多个基准数据集进行了TaNP验证。实证结果表明，TaNP在几个最先进的元学习算法上取得了一致的改进。
2021-02-26 cs.IR
FilterLLM: Text-To-Distribution LLM for Billion-Scale Cold-Start Recommendation
针对十亿级场景下基于LLM的冷启动推荐计算效率受限问题，提出“文本到分布”范式的FilterLLM框架，通过用户词表等设计实现高效推理，性能与效率均显著优于现有方法，已在阿里平台落地。
2025-02-24 cs.IR
EpicCBR: Item-Relation-Enhanced Dual-Scenario Contrastive Learning for Cold-Start Bundle Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Cognitive Computing and Intelligent Information Processing (CCIIP) Laboratory, School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院认知计算与智能信息处理实验室）
EpicCBR通过多视图对比学习整合物品关系和流行度信息，提升冷启动捆绑推荐的性能。
2026-02-12 cs.IR
Uncertainty-aware Consistency Learning for Cold-Start Item Recommendation
针对冷启动推荐中冷热物品性能难以同时提升的问题，本文提出仅基于交互数据的不确定性感知一致性学习框架UCC，通过生成低不确定性交互使冷物品分布接近热物品，在基准数据集上平均性能提升27.6%。
2023-08-07 cs.IR
Leveraging Artist Catalogs for Cold-Start Music Recommendation
University of Tartu（塔尔图大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Recombee
本文提出利用艺术家目录信息解决音乐推荐中的冷启动问题，通过引入艺术家层面的协同信号提升推荐效果，提出ACARec模型在召回率和NDCG指标上显著优于内容基线方法。
2026-04-08 cs.IR
Neural content-aware collaborative filtering for cold-start music recommendation
最先进的音乐推荐系统是基于协同过滤，它建立在学习用户和歌曲之间的相似性，从可用的收听数据。这些方法固有地面临冷启动问题，因为它们不能推荐没有收听历史的新颖歌曲。内容感知推荐通过在协同过滤的基础上结合歌曲的内容信息来解决这个问题。然而，属于这一类的方法依赖于源于矩阵分解框架的浅用户/项目交互。在这项工作中，我们介绍了神经内容感知协同过滤，一个统一的框架，它体现了这些限制，并扩展了最近推出的神经协同过滤的内容感知对应。我们提出了一个生成模型，它利用深度学习从低级声学特征中提取内容信息，并对用户和歌曲嵌入之间的交互进行建模。深度内容特征提取器可以直接预测项目嵌入，也可以作为正则化先验，产生我们模型的两个变体（严格和放松）。实验结果表明，该方法达到了最先进的冷启动音乐推荐任务的结果。我们特别注意到，利用深度神经网络来学习精细的用户/项目交互优于在内容感知框架中使用更简单的交互模型的方法。
2022-07-20 cs.IR
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
SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
针对推荐系统中冷启动/长尾物品推荐性能弱、多模态表征与排序模型联合训练成本高的问题，提出轻量的语义-行为对齐框架SaviorRec，通过行为感知多模态编码和残差量化语义ID实现对齐，在Taobao平台取得显著效果提升。
2025-08-02 cs.IR
NMKFR: A Robust Framework for Time-Aware Cold-Start Recommendation
School of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）
针对新项目冷启动推荐难题，提出 NMKFR 框架，结合 Titans 语义编码器与时间卡尔曼跟踪，经亚马逊视频游戏等数据集实验，其性能最优且不确定性相关行为受限。
2026-07-30 cs.IR
LHRM: A LBS based Heterogeneous Relations Model for User Cold Start Recommendation in Online Travel Platform
目前的推荐系统大多利用用户的历史行为数据来预测用户的偏好。然而，很难准确地向新用户推荐商品。为了缓解这个问题，现有的用户冷启动方法要么应用深度学习来构建跨域推荐系统，要么将用户属性映射到用户行为空间中。这些方法在应用于在线旅游平台时更具挑战性（例如，Fliggy），因为很难找到一个跨领域的用户与旅行场景具有相似的行为，并且用户的基于位置的服务（LBS）信息没有得到足够的重视。在这项工作中，我们提出了一个基于LBS的异构关系模型（LHRM）用于用户冷启动推荐，该模型利用用户在相关领域的LBS信息和行为信息以及用户在旅游平台（例如，Fliggy）来构造用户和项目之间的异构关系。此外，基于注意力的多层感知器被应用于提取用户和项目的潜在因素。通过这种方式，LHRM具有更好的泛化性能比现有的方法。对Fliggy离线测井数据的实验结果表明了LHRM的有效性。
2021-08-05 cs.IR
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
Temporally and Distributionally Robust Optimization for Cold-Start Recommendation
针对冷启动推荐中时序特征偏移导致现有方法泛化性不足的问题，提出带最差情况因子与偏移因子的时序分布鲁棒优化方法，有效提升冷启动推荐模型的泛化能力。
2024-02-02 cs.IR
Practical Data Poisoning Attack against Next-Item Recommendation
在线推荐系统利用各种信息源来向用户提供用户潜在感兴趣的项目。然而，由于在线平台的开放性，推荐系统容易受到数据投毒攻击。现有的攻击方法要么基于简单的启发式规则，要么针对特定的建议方法而设计。前者的性能往往不令人满意，而后者则需要对目标系统有很强的了解。在本文中，我们专注于一个一般的下一个项目的建议设置，并提出了一个实用的中毒攻击方法命名为LOKI黑盒推荐系统。该算法利用强化学习算法对攻击代理进行训练，生成用户行为样本，用于数据投毒。在现实推荐系统中，重新训练推荐模型的成本很高，用户与推荐系统之间的交互频率受到限制，鉴于这些现实限制，我们建议让代理与推荐模拟器而不是目标推荐系统交互，并利用生成的对抗样本的可移植性来毒害目标系统。我们还建议使用影响函数来有效地估计注入样本对推荐结果的影响，而无需在模拟器内重新训练模型。在两个数据集上对四种典型推荐模型进行了大量实验，实验结果表明，该方法比现有方法具有更好的攻击性能。
2020-04-07 cs.CR cs.IR
Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；Kuaishou Technology（快手科技）；School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）；Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学先进网络与安全研究院）；Guangdong Key Laboratory of Industrial Control System Security（广东省工业控制系统安全重点实验室）；Huangpu Research School of Guangzhou University（广州大学黄埔研究生院）
本文提出NF-NPCDR框架，通过个性化偏好编码器和共同偏好编码器捕捉用户多兴趣偏好，结合随机自适应解码器提升冷启动用户推荐性能。
2026-04-28 cs.IR
