本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

本研究探讨集体矩阵分解模型在推荐系统中的应用，提出了一种新的公式，可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品，虽然冷启动推荐不如热启动的推荐准确，但比非个性化推荐效果更好，而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐，但热启动推荐效果有所下降。

Sep, 2018

通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

Aug, 2023

本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

May, 2022

本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

Dec, 2014

本文提出了一种深度内容 - 用户嵌入模型，它采用混合方法解决了冷启动问题，并考虑了不同模式数据的联合，同时在音乐推荐和音乐自动标记任务中，表现出了明显的优势。

Jul, 2018

提出了基于属性关联度的相似度度量方法，将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题，并在两个开放数据集上实验验证模型优越性。

Apr, 2014

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

Dec, 2019

冷启动商品推荐是推荐系统中一个长期存在的挑战，常见的解决方法是使用基于内容的方法，然而，多种形式的原始内容中的丰富信息尚未充分利用。本文提出了一种面向冷启动推荐的领域 / 数据无关商品表示学习框架，通过采用基于 Transformer 的架构在各种特征之间自然实现多模态对齐。我们的模型不受分类标签的束缚，可以完全端到端地进行训练，不仅避免了分类标签的收集成本，还能够获得更适用于推荐目的的表示学习。通过对真实世界电影和新闻推荐基准的大量实验，我们验证了我们的方法比现有的基线模型更好地保留了细粒度用户兴趣，并且可以广泛适用于多个领域的大规模推荐。

Apr, 2024