凝练近300篇文献！UIC、浙大等最新综述全面回顾大模型时代的冷启动推荐系统...-CSDN博客

本文链接：https://blog.csdn.net/c9yv2cf9i06k2a9e/article/details/145892019

论文题目：

Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap

论文链接：

https://arxiv.org/pdf/2501.01945

简介

随着互联网平台的多元化和用户及物品数量的指数级增长，推荐系统中的冷启动问题（Cold-Start Recommendation, CSR）愈发凸显。

冷启动问题主要涉及新用户或新物品的准确建模，由于缺乏足够的历史交互数据，这些新实体的推荐效果往往难以令人满意。随着大语言模型（Large Language Models, LLMs）的崛起，其强大的语义理解和生成能力为冷启动推荐系统带来了新的机遇。

在此背景下，UIC、浙大等十余机构联合对近 300 篇文献进行全面调研，发布了《Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap》的调研综述。

背景

冷启动问题是推荐系统和信息检索长期面临的挑战之一。在冷启动场景下，新用户或新物品缺乏足够的历史交互数据，导致系统难以准确建模其偏好或特征。随着互联网的快速发展，新用户和新商品日益增加，冷启动问题愈发突出，不仅影响用户体验，还可能导致平台的用户流失。

近年来，大语言模型在自然语言处理领域取得了巨大成功，其强大的语义理解能力为冷启动推荐提供了新的解决方案。

这篇综述论文通过近 300 篇相关工作系统地回顾了冷启动推荐领域的研究进展，涵盖了从内容特征（Content Features）、图关系（Graph Relations）、域信息（Domain Information）到大语言模型的世界知识（World Knowledge from LLMs）的发展路线图。作者详细分析了近年来该领域的关键技术，并提出了未来的潜力研究方向。

▲ 图1. 综述中讨论的知识范围的示意

综述体系与路线图

论文系统地回顾了冷启动推荐领域的研究进展，并提出了一个面向未来的研究路线图。以下是论文的综述体系和路线图的详细介绍：

▲ 图2.综述体系

3.1 内容特征（Content Features）

数据不完全学习（Data-Incomplete Learning）：针对严格冷启动场景，仅依赖内容信息进行建模的方法，如鲁棒协同训练、知识对齐、冷探索和特征相似性测量。
数据高效学习（Data-Efficient Learning）：针对有限交互数据的冷启动场景，通过元学习优化、元任务利用、元嵌入初始化和序贯元学习等方法提升性能。

3.2 图关系（Graph Relations）

交互图增强（Interaction Graph Enhancement）：通过补充图关系信息（如补充图关系和同质性网络关系）为冷启动节点提供更多图信息。
图关系扩展（Graph Relation Extension）：通过扩展原始交互图（如异构图关系、属性图关系和知识图关系）传递相关图信息。
图聚合器改进（Graph Aggregator Improvement）：通过扩展聚合范围和增强信息聚合器的功能，从有限的结构化数据中提取更多信息。

3.3 域信息（Domain Information）

域知识迁移（Domain Knowledge Transfer）：通过嵌入映射、异构连接和学习过程将源领域的知识迁移到目标领域。
域分布对齐（Domain Distribution Alignment）：通过协同过滤对齐、辅助特征对齐等方法减少源域和目标域之间的分布差异。
域不变表示学习（Domain-Invariant Representation Learning）：通过解耦表示和融合表示学习跨领域的通用特征空间。

3.4 大语言模型的世界知识（World Knowledge from LLMs）

LLM 作为推荐系统（LLM as the Recommender System）：通过提示策略（如直接提示、多步提示和检索增强推荐）和模型微调（如指令微调和微调）利用 LLM 进行冷启动推荐。
LLM 作为知识增强器（LLM as the Knowledge Enhancer）：通过 LLM 增强表示（如多模态增强表示和领域增强表示）和关系增强（如行为模拟和外部关系补充）提升冷启动推荐性能。