MARec: Metadata Alignment for cold-start Recommendation

对于许多推荐系统，主要数据来源是用户点击的历史记录。然而，相关的点击矩阵通常非常稀疏，因为用户数乘以产品数可能远大于点击次数，而这种稀疏性在冷启动设置中更为明显。点击矩阵的稀疏性是矩阵分解和自编码器技术在协同过滤数据集中保持高竞争力的原因。在这项工作中，我们提出了一种简单的方法来利用内容元数据解决冷启动推荐问题，即“元数据对齐冷启动推荐”。我们展示了这种方法可以很容易地增强现有的矩阵分解和自编码器方法，使其在更暖的设置中顺利过渡到最佳算法。我们的实验结果表明了三个独立的贡献：首先，我们展示了我们提出的框架在4个不同稀疏性和规模特征的冷启动数据集上大大超过了SOTA结果，排名指标的增益范围从+8.4%到+53.8%；其次，我们提供了一个语义特征实用性的剖析研究，并证明了利用这些特征所获得的额外收益范围在+46.8%到+105.5%之间；第三，我们的方法在构造上在温暖的设置中具有高竞争力，并提出了一个封闭形式的解决方案，其平均优于SOTA结果仅0.8%。

如何利用内容元数据解决冷启动推荐问题？

本论文提出了一种新的框架，利用内容元数据来提高基于矩阵分解和自编码器的推荐系统在冷启动情况下的表现。该框架在4个冷启动数据集上取得了优于SOTA的结果。

本论文的实验结果表明，利用语义特征可以获得额外的+46.8%至+105.5%的增益；该框架在温启动情况下也表现良好；论文提供了一个消融研究来证明语义特征的实用性。

最近的相关研究包括利用深度学习模型进行冷启动推荐的研究，如《Deep Learning for Cold-Start Recommendations: A Comparative Review》。