General Item Representation Learning for Cold-start Content Recommendations

冷启动物品推荐一直是推荐系统中的难题。通常的解决方法是使用基于内容的方法，但是来自各种形式的原始内容的丰富信息尚未得到充分利用。在本文中，我们提出了一个领域/数据无关的物品表示学习框架，用于冷启动推荐，通过采用基于Transformer的架构，自然地配备了各种特征之间的多模态对齐。我们提出的模型是端到端可训练的，完全不需要分类标签，这不仅收集成本高昂，而且对于推荐目的的表示学习也不是最优的。通过在真实的电影和新闻推荐基准测试中进行大量实验，我们验证了我们的方法比最先进的基线更好地保留了细粒度的用户品味，可普遍适用于大规模的多个领域。

论文旨在解决冷启动推荐中的问题，提出了一种领域/数据无关的项目表示学习框架，采用Transformer架构自然地对各种特征进行多模态对齐，以更好地保留用户细粒度的兴趣。

论文的关键思路是提出了一种基于Transformer的多模态对齐框架，利用丰富的内容信息进行项目表示学习，以解决冷启动推荐问题。

论文通过在实际电影和新闻推荐基准测试中进行广泛的实验验证，证实了该方法比现有技术更好地保留了用户的细粒度兴趣，并且具有普适性和可扩展性。此外，该论文的方法是完全可训练的，不需要分类标签，而且是通用的，可以应用于多个领域。

近年来，许多学者都在研究冷启动推荐问题。其中一些相关研究包括：'A Survey on Cold-Start Recommendations: Problem Statement and Challenges'，'Learning Personalized Representations from Raw Content for Retrieval and Recommendation'，'A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems'等。