基于自适应特征融合的冷启动推荐对比学习
信息检索
2025-02-07 v1 机器学习
摘要
本文提出了一种融合对比学习的冷启动推荐模型，旨在解决推荐系统在冷启动场景下因用户和物品交互数据稀疏而导致的性能下降问题。该模型通过自适应特征选择模块动态调整关键特征的权重，并结合多模态特征融合机制，有效整合用户属性、物品元信息和上下文特征，从而提升推荐性能。此外，模型引入对比学习机制，通过构建正负样本对，增强特征表示的鲁棒性和泛化能力。在MovieLens-1M数据集上进行了实验，结果表明，所提模型在HR、NDCG、MRR和Recall等指标上显著优于矩阵分解、LightGBM、DeepFM和AutoRec等主流推荐方法，尤其在冷启动场景下表现突出。消融实验进一步验证了各模块对提升模型性能的关键作用，学习率敏感性分析表明，适中的学习率对模型的优化效果至关重要。本研究不仅为冷启动问题提供了新的解决方案，也为对比学习在推荐系统中的应用提供了重要参考。未来，该模型有望在更广泛的场景中发挥作用，如实时推荐和跨域推荐。
引用
@article{arxiv.2502.03664,
title = {Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion},
author = {Jiacheng Hu and Tai An and Zidong Yu and Junliang Du and Yuanshuai Luo},
journal= {arXiv preprint arXiv:2502.03664},
year = {2025}
}