一文梳理冷启动推荐算法模型进展

嘿，记得给“机器学习与推荐算法”添加星标

---

| 作者：朱勇椿

| 单位：中国科学院大学

| 研究方向：跨域推荐、多任务学习

如何给新加入的用户推荐可能感兴趣的物品？如何将新上架的物品推荐给潜在的用户？这两个问题分别是用户冷启动和物品冷启动，统称为冷启动推荐。冷启动问题是推荐系统中极具挑战的一个问题，也是一个业界学术界同时高度关注的问题，本期为大家分享一些冷启动推荐算法层面的思路。

冷启动推荐特指如何给新用户或者新物品进行推荐。“新”也就意味着交互数据少，因此很难抓获冷启动用户兴趣偏好，以及冷启动物品的特质。如何进行好的冷启动推荐，主要可以从以下几个方面着手：

• 高效地利用side information

• 高效地利用有限的交互数据

• Explore & exploit

除了常见的用户和物品冷启动推荐以外，还有一些其他场景的冷启动问题，本文也会简单进行介绍。

---

一、高效地利用side information

我们把除了id信息以外的别的信息统称为side information，比如属性特征，用户性别、年龄特征，物品的类别、价格，额外的补充信息比如知识图谱，辅助领域等等。现有的推荐模型已经将用户、物品属性用到模型中，但是针对冷启动问题，这些辅助信息还可以有更加高效的使用方法。

1、高效利用属性特征

1.1 DropoutNet[1]

这篇文章改变了模型训练方式，在训练过程中加入dropout的机制，使得模型不过度依赖于ID embedding，而是其他内容特征。从而使得冷启动推荐主要是根据内容特征来进行推荐，减小了不好的ID embedding的影响。

1.2 MetaEmbedding[2]

冷启动推荐效果不佳，主要原因在于交互数量少，ID embedding学不好。那么为了更好地学习ID embedding，