基于流行度合并与课程加热的冷启动束推荐

我们如何向用户推荐冷启动束？束推荐中的冷启动问题至关重要，因为网络上不断创建用于各种营销目的的新束。尽管重要，现有的冷启动物品推荐方法并不易于应用于束。它们过度依赖历史信息，即使对于不太流行的束也是如此，未能解决束交互高度偏斜分布的主要挑战。在这项工作中，我们提出CoHeat（基于流行度的合并与课程加热），一种用于冷启动束推荐的精确方法。CoHeat首先通过基于图的视图表示用户和束，有效捕获协作信息。为了更准确地估计用户-束关系，CoHeat通过基于流行度的合并方法解决束交互的高度偏斜分布，该方法基于束的流行度整合历史和从属信息。此外，它通过利用课程学习和对比学习有效学习潜在表示。CoHeat在冷启动束推荐中展现出优越性能，与最佳竞争者相比nDCG@20最高提升193%。