将评论整合到个性化排名中以进行冷启动推荐
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
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
本文介绍了一种两阶段个性化引出方案来解决推荐系统在冷启动时的问题，通过要求用户对一小部分热门物品进行评分，并按顺序要求用户评分适应性物品来完善用户偏好和表示，最终根据用户的偏好区域生成推荐结果，并证明了该方法在多个数据集上的有效性。
Jun, 2024
本文研究了使用隐式反馈（点击、购买等）的个性化推荐任务，提出了一种基于贝叶斯分析的最大后验估计通用优化准则（BPR-Opt）和基于随机梯度下降与自助抽样的通用学习算法。实验证明，该方法优于矩阵分解和自适应 k 最近邻两种先前的标准学习技术。
May, 2012
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
本文利用预先训练的深度神经网络提取商品图像的视觉特征，并在此基础上构建一个可扩展的因式分解模型，将视觉信号与人们的偏好相结合，从而提高了个性化推荐和排名的准确性，并缓解了 “冷启动” 问题。
Oct, 2015
本研究通过解决冷启动问题来建立协同过滤（CF）的推荐系统，并通过将优化问题形式化为寻找内容不可用的新项目的最优用户评级的任务来研究是否可以仅使用 CF 技术来缓解此问题。我们提出了单调超模函数的目标函数，并提出一种基于高效最优设计的算法来找到逼近其最优解的解。最后，我们使用 Netflix 数据集对我们的算法进行经验证实，证明其性能超过了该问题的多个基准。
Jun, 2014
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