利用认识不确定性实现冷启动推荐：在用户-物品互动中提升表现
信息检索
2025-11-11 v3
摘要
大多数基于生成模型的推荐方法仍面临与冷启动问题相关的挑战。现有解决冷启动物品推荐的模型主要 focuses on获取更多知识来丰富嵌入或模型输入，但许多模型并未评估其利用可用训练知识的效率，导致从训练知识中提取出大量未被充分利用的知识，从而限制了冷启动性能的提升。为此，我们提出将认识不确定性概念引入，以间接定义模型利用训练知识的效率。由于认识不确定性代表了总体不确定性的可还原部分，我们可以基于认识不确定性进一步优化推荐模型以提升其性能。为此，我们提出了基于认识不确定性的冷启动推荐框架（CREU）。此外，CREU受到配对距离估计器（PaiDEs）的启发，通过评估高维空间中模型输出与权重之间的相互信息，高效准确地衡量认识不确定性。该方法通过大规模离线实验进行评估，这些实验进一步证明了CREU的优势和鲁棒性。源代码已公开于https://github.com/EsiksonX/CREU。
引用
@article{arxiv.2502.16256,
title = {Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions},
author = {Yang Xiang and Li Fan and Chenke Yin and Menglin Kong and Chengtao Ji},
journal= {arXiv preprint arXiv:2502.16256},
year = {2025}
}
备注
Accepted by CIKM 2025