Prompt Tuning for Item Cold-start Recommendation

冷启动问题是在线推荐系统中的一个关键问题，因为冷启动阶段的成功与否决定了项目能否转变为热门项目。提示学习（Prompt learning）是自然语言处理（NLP）中用于解决零样本或少样本问题的强大技术，已被适应性地应用于推荐系统以应对类似的挑战。然而，现有的方法通常依赖于基于内容的属性或文本描述作为提示信息，我们认为这在冷启动推荐中可能是次优的，原因有二：1) 与推荐任务存在语义差距；2) 模型偏差，即热启动项目贡献了大部分正面反馈，这是冷启动问题的核心，阻碍了推荐系统对冷启动项目的质量。 我们提出利用高价值的正面反馈，称为巅峰反馈（pinnacle feedback），作为提示信息，以同时解决上述两个问题。实验结果表明，相比于现有研究中提出的基于内容的描述，正面反馈更适合用作提示信息，因为它可以弥合语义差距。此外，我们提出了面向项目的个性化提示网络（item-wise personalized prompt networks），以编码巅峰反馈，从而缓解由正面反馈主导问题引起的模型偏差。在四个真实世界数据集上的广泛实验表明，我们的模型优于最先进的方法。此外，PROMO 已成功部署在一个拥有数十亿用户的热门短视频分享平台上，在冷启动场景中实现了多个商业指标上的显著性能提升。

论文试图解决推荐系统中的冷启动问题，特别是如何有效地将新物品推荐给用户，使其有机会成为热门物品。这是一个在推荐系统中长期存在的挑战，尽管已有许多方法尝试解决，但依然存在改进空间。

关键思路是利用高价值的正面反馈（称为巅峰反馈）作为提示信息，而不是依赖于内容描述或文本属性。这种方法旨在弥合语义差距并减少模型偏差，因为传统的基于内容的方法可能会受到暖启动物品的影响，导致对冷启动物品的推荐效果不佳。此外，提出了个性化的提示网络来编码这些巅峰反馈，以缓解正向反馈主导的问题。

1) 实验表明，相比于现有方法，使用巅峰反馈作为提示信息能更好地适应推荐任务；2) 提出了针对每个项目的个性化提示网络，进一步提升了推荐系统的性能；3) 在四个真实世界的数据集上进行了广泛的实验验证；4) PROMO已经在一家拥有十亿用户的短视频平台上成功部署，显著提高了冷启动场景下的商业指标表现；5) 研究团队还开源了部分代码和数据集，鼓励后续研究。

最近的相关研究包括：1) 使用深度学习技术改进推荐系统中的冷启动问题；2) 探索多模态数据（如图像、视频）在冷启动推荐中的应用；3) 结合强化学习优化推荐策略；4) 利用图神经网络捕捉用户-物品交互模式。一些具体的研究论文标题有《Deep Learning for Recommender Systems》、《Multimodal Learning for Cold-Start Recommendations》、《Reinforcement Learning Based Recommendation Algorithms》、《Graph Neural Networks in Recommender Systems》等。