面向冷启动物品推荐的对比协同过滤
信息检索
2023-02-23 v2
摘要
冷启动问题是推荐系统中的一个长期挑战。作为一种有前景的解决方案，基于内容的生成模型通常将冷启动物品的内容投影到热启动物品嵌入上，以从物品内容中捕获协同信号，从而可以应用协同过滤。然而，由于冷启动推荐模型的训练是在热数据集上进行的，现有方法面临物品的协同嵌入会变得模糊的问题，这显著降低了冷启动物品推荐的性能。为了解决这个问题，我们提出了一种名为面向冷启动物品推荐的对比协同过滤的新模型，该模型利用热训练数据中的共现协同信号来缓解冷启动物品推荐中协同嵌入模糊的问题。具体来说，我们设计了一个对比协同过滤框架，由一个内容协同过滤模块和一个共现协同过滤模块组成，分别用于生成训练物品的基于内容的协同嵌入和共现协同嵌入。在两个协同过滤模块的联合训练过程中，我们对这两个协同嵌入应用对比学习，通过这种方式，关于共现信号的知识可以间接地迁移到内容协同过滤模块，从而在应用阶段，模糊的协同嵌入可以被记忆的共现协同信号隐式地修正。结合扎实的理论分析，在真实数据集上进行的大量实验证明了所提出模型的优越性。代码和数据集可在https://github.com/zzhin/CCFCRec上获取。
引用
@article{arxiv.2302.02151,
title = {Contrastive Collaborative Filtering for Cold-Start Item Recommendation},
author = {Zhihui Zhou and Lilin Zhang and Ning Yang},
journal= {arXiv preprint arXiv:2302.02151},
year = {2023}
}
备注
This paper has been accepted by WWW '23