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

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

该论文提出了一种基于图神经网络和知识图谱的推荐方法，采用伪标记技术从未观察到的样本中学习，通过知识图谱选定潜在正例，抑制流行度偏差的恶化，成功解决了冷启动问题

Nov, 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

本文提出一种基于图自编码器的冷启动相似音乐家排序解决方案，并将其应用于全球音乐流媒体服务的实际问题中。该方案解决了对于没有提供使用数据的新音乐家，如何实现在艺术家页面上推荐类似音乐家的问题，并展示了该方案的灵活性和效果。

Aug, 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

本研究提出了一种统一的生成图卷积网络，通过从现有图数据构建生成图序列的采样，在生成模型框架中自适应地学习所有节点的节点表示，同时使用图重构项和自适应 KL 正则化项对变分下限进行优化，解决了无法处理孤立新节点的问题。

Mar, 2019

本研究揭示了来自典型电商应用视角的 “连续冷启动” 问题及其对于基于内容和上下文的推荐的影响，举例说明了在 Booking.com，类似用户很少访问网站，随时间改变兴趣，或表现出不同的个性的情况

Aug, 2015

本文提出了基于图神经网络和元学习的 GME 模型，它可以快速学习如何为新广告 ID 生成理想的初始嵌入，并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。

May, 2021