面向冷启动内容推荐的通用物品表示学习

冷启动物品推荐是推荐系统中长期存在的挑战。常见的解决方法是使用基于内容的方法，但来自原始内容的丰富信息在 various 形式下尚未被充分利用。本文提出了一个面向冷启动推荐的领域/数据无关的物品表示学习框架，通过采用基于 Transformer 的架构自然实现 various 特征之间的多模态对齐。我们提出的模型是 end-to-end 可训练的，完全免除分类标签，既节省成本又因 recommendation-purpose 而次优。通过在真实世界的电影和新闻推荐基准上进行大量实验，我们验证了该方法在保持细粒度用户偏好方面优于最先进的基线方法，在大规模数据上具有普适适用性。