通过使用二分网络表示法，本文针对冷启动问题，旨在探讨在推荐系统中如何设计高效的营销策略，并通过实验发现，将新商品与一些不太活跃的用户联系起来比简单地将新商品推送给活跃用户更具效果。

Apr, 2014

本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题，并引入了一个评估方法来验证其有效性。

Jun, 2023

在本篇论文中，我们提出了一种结合活跃学习与商品属性信息的新型冷启动推荐方法，该方法基于商品属性和用户的评价历史设计了有用的用户选择标准，并将该标准组合成选择用户的优化框架。通过利用反馈评分、用户先前评分和商品属性，我们为其他未被选中的用户生成准确的评分预测。实验结果表明，我们的方法优于传统方法。

May, 2018

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

该论文介绍了 Deezer 音乐流媒体服务中针对用户冷启动问题的半个性化推荐系统，该系统应用深度神经网络架构和用户聚类技术，通过离线和在线实验证明了该系统有效性，并发布了代码和匿名使用数据，以帮助未来的用户冷启动推荐研究。

Jun, 2021

本研究提出了一种在冷启动环境下具有鲁棒性的自动语音评分框架，使用自我监督学习方法，通过使用提示嵌入、问题上下文嵌入和预训练语音模型等方法解决了冷启动问题，并在评价已知内容方面优于基线。

Jun, 2023

提出一个元学习的序列推荐框架 Mecos 解决冷启动问题，可以从有限的交互中提取用户偏好，与神经网络模型轻松集成，实验证明比其他基线方法表现更好。

Dec, 2020

提出了一种名为 CoHeat 的准确的冷启动捆绑推荐方法，能够充分考虑捆绑的流行度和用户捆绑关系的历史和关联信息，并通过课程学习和对比学习有效地学习潜在表示，取得了比竞争方法高达 193% 的水平的冷启动捆绑推荐效果。

Oct, 2023

该研究通过对协同过滤模型的信息论解释，提出一种基于对比学习的冷启动推荐框架 (CLCCre)，该框架结合了内容特征和协同表示，并通过保留内容表示中的协同信号来提高冷启动推荐的效果。在四个公开数据集的实验中，该方法在热启动和冷启动场景中均取得了显著的改进。

Jul, 2021

深度学习方法在冷启动问题中表现良好，与元学习技术相比，常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能，并且更易于实际应用。

Aug, 2023