基于提示的个性化冷启动推荐
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
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
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
传统的推荐系统利用用户对项目的偏好历史记录来推荐新内容，而现代对话界面则提供了一种基于语言偏好表达的基本不同模式。本文研究了大型语言模型 (LLM) 的提示范式在使用基于项目和语言偏好的推荐中与最先进的基于项目的协同过滤 (CF) 方法相比的应用。通过收集既包含基于项目偏好又包含基于语言偏好的新数据集，以及用户对多种（有偏见的）推荐项目和（无偏见的）随机项目的评分，支持了这一调查。在众多实验结果中，我们发现对于纯语言偏好（无项目偏好）的情况，LLM 在近乎冷启动的情况下与基于项目的 CF 方法相比提供了有竞争力的推荐性能，尽管其在这个特定任务上没有进行监督训练（零射击）或只有少数标签（少射击）。这一点尤其令人鼓舞，因为基于语言偏好的表示比基于项目或基于向量的表示更加可解释和可审查。
Jul, 2023