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

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

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

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

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

本研究提出了一种利用谱域进行深度协同过滤的新模型 - Spectral Collaborative Filtering (SpectralCF)，能够在用户 - 物品二部图的谱域中直接进行学习，发挥图中的信息优势，解决协同过滤中的 “冷启动” 问题，并在多个标准数据集上明显优于现有模型。

Aug, 2018

本文提出了一种基于神经哈希的协作过滤方法（NeuHash-CF），它将自动编码器架构作为模型，并使用哈希码进行用户和物品的推荐，其中哈希码由内容获取，并在冷启动推荐中表现出最优性能。

May, 2020

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

该研究提出了两种将商品评论融入贝叶斯个性化排名的新颖简单模型，并通过六个真实数据集的实验，证明了融入商品评论对于推荐系统预测排序的益处。

Jan, 2017