面向冷启动推荐的对比学习

推荐冷启动物品是推荐系统中一个长期存在的基础性挑战。由于冷启动物品没有任何历史交互，协同过滤（CF）方案无法利用协同信号来推断用户对这些物品的偏好。为解决该问题，已有大量研究将辅助信息引入 CF 方案。具体而言，它们采用现代神经网络技术（如 dropout、一致性约束）来发现并利用内容特征与协同表示的联合效应。然而，我们认为这些工作较少探索内容特征与协同表示之间的相互依赖关系，且缺乏充分的理论支撑，从而导致性能不尽如人意。在本工作中，我们从信息论的角度重新表述冷启动物品表示学习，旨在最大化物品内容与协同信号之间的相互依赖。具体而言，该表示学习的理论下界由两项积分给出：用户与物品协同嵌入之间的互信息，以及协同嵌入与物品特征表示之间的互信息。为建模此类学习过程，我们设计了一种基于对比学习的新目标函数，并开发了简单而有效的基于对比学习的冷启动推荐框架（CLCRec）。特别地，CLCRec 由三个组件构成：对比对组织、对比嵌入和对比优化模块。它使我们能够在冷启动与热启动物品的内容表示中均保留协同信号。通过在四个公开数据集上的大量实验，我们观察到 CLCRec 在热启动和冷启动场景下均相较最先进（state-of-the-art）方法取得显著提升。