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

本研究提出了一种基于预训练语言模型的情感分析方法来解决冷启动问题，并引入了一个评估方法来验证其有效性。

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

基于 SLIM 的贪心 SLIM 方法是用于偏好获取的一种新的训练技术，对于偏好获取比基于潜在因素模型的广泛使用的方法更加适用，通过离线实验和用户研究来评估其性能，结果表明该方法在用户研究方面表现出色。

Jun, 2024

本文提出了一种推荐系统，名为 MeLU，基于元学习方法，在用户冷启动状态下能够快速预测用户偏好并提供个性化推荐，其关键在于选择特异性证据进行预测，该方法成功优于其他两种比较模型并被用户研究实验所验证。

Jul, 2019

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

该研究论文提出了一种基于使用情况的隐式问题提取方法，利用大型评论语料库中的句子和神经文本转换模型生成问题，以更有效地收集用户偏好，通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据，并进行了模型性能分析。

Nov, 2021

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

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