本文提出了一种名为 Meta-Embedding 的元学习方法，通过先前学习的广告嵌入来生成新的广告 ID 的初始化嵌入，进而提高了 Click-through rate (CTR) 预测的性能，并通过实验结果证明了 Meta-Embedding 在冷启动和预热阶段都能显著提高 CTR 预测模型的精度。

Apr, 2019

本文中提出了一种 Adversarial Variational Auto-encoder Warm-up 模型 (AVAEW)，通过生成 warm-up item ID embedding 针对冷启动问题来提高推荐系统对新物品的推荐效果。

Feb, 2023

本文介绍了一种混合矩阵分解模型，通过将用户和项目表示为其内容特征的潜在因素的线性组合，能在各种情况下优于协同过滤、基于内容的模型，特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异，并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好，产生的特征嵌入编码了语义信息，类似于词嵌入方法，使它们对一系列相关任务如标签推荐非常有用。

Jul, 2015

我们提出了基于专家模型的冷启动与热身网络，专家模型分别负责冷启动和热身用户建模，门控网络用于整合两个专家的结果，引入动态知识蒸馏作为教师选择器，以帮助专家更好地学习用户表示，通过综合的互信息选择与用户行为高度相关的特征用于显式建模用户行为偏差，最终在公共数据集上评估了我们的冷启动与热身网络，在匹配阶段常用模型的比较中表现优异，对于所有用户类型，我们的模型胜过其他模型，还将该模型应用于一个工业级短视频平台，在应用停留时间和用户留存率方面实现了显著的增加。

Sep, 2023

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

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

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

通过预训练 Graph Neural Networks 模型来解决冷启动问题，采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居，实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。

Dec, 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

该论文通过使用基于 RQ-VAE 的语义 ID 替代随机生成 ID 的方式来解决推荐系统中的冷启动问题，并展示了语义 ID 对模型的泛化能力的提升。

Jun, 2023