凝練近300篇文獻！UIC、浙大等最新綜述全面回顧大模型時代的冷啟動推薦系統

論文題目：

Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap

論文連結：

https://arxiv.org/pdf/2501.01945

簡介

隨著網際網路平臺的多元化和使用者及物品數量的指數級增長，推薦系統中的冷啟動問題（Cold-Start Recommendation, CSR）愈發凸顯。

冷啟動問題主要涉及新使用者或新物品的準確建模，由於缺乏足夠的歷史互動資料，這些新實體的推薦效果往往難以令人滿意。隨著大語言模型（Large Language Models, LLMs）的崛起，其強大的語義理解和生成能力為冷啟動推薦系統帶來了新的機遇。

在此背景下，UIC、浙大等十餘機構聯合對近 300 篇文獻進行全面調研，釋出了《Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap》的調研綜述。

背景

冷啟動問題是推薦系統和資訊檢索長期面臨的挑戰之一。在冷啟動場景下，新使用者或新物品缺乏足夠的歷史互動資料，導致系統難以準確建模其偏好或特徵。隨著網際網路的快速發展，新使用者和新商品日益增加，冷啟動問題愈發突出，不僅影響使用者體驗，還可能導致平臺的使用者流失。

近年來，大語言模型在自然語言處理領域取得了巨大成功，其強大的語義理解能力為冷啟動推薦提供了新的解決方案。

這篇綜述論文透過近 300 篇相關工作系統地回顧了冷啟動推薦領域的研究進展，涵蓋了從內容特徵（Content Features）、圖關係（Graph Relations）、域資訊（Domain Information）到大語言模型的世界知識（World Knowledge from LLMs）的發展路線圖。作者詳細分析了近年來該領域的關鍵技術，並提出了未來的潛力研究方向。

▲ 圖1. 綜述中討論的知識範圍的示意

綜述體系與路線圖

論文系統地回顧了冷啟動推薦領域的研究進展，並提出了一個面向未來的研究路線圖。以下是論文的綜述體系和路線圖的詳細介紹：

▲ 圖2.綜述體系

3.1 內容特徵（Content Features）

資料不完全學習（Data-Incomplete Learning）：針對嚴格冷啟動場景，僅依賴內容資訊進行建模的方法，如魯棒協同訓練、知識對齊、冷探索和特徵相似性測量。
資料高效學習（Data-Efficient Learning）：針對有限互動資料的冷啟動場景，透過元學習最佳化、元任務利用、元嵌入初始化和序貫元學習等方法提升效能。

3.2 圖關係（Graph Relations）

互動圖增強（Interaction Graph Enhancement）：透過補充圖關係資訊（如補充圖關係和同質性網路關係）為冷啟動節點提供更多圖資訊。
圖關係擴充套件（Graph Relation Extension）：透過擴充套件原始互動圖（如異構圖關係、屬性圖關係和知識圖關係）傳遞相關圖資訊。
圖聚合器改進（Graph Aggregator Improvement）：透過擴充套件聚合範圍和增強資訊聚合器的功能，從有限的結構化資料中提取更多資訊。

3.3 域資訊（Domain Information）

域知識遷移（Domain Knowledge Transfer）：透過嵌入對映、異構連線和學習過程將源領域的知識遷移到目標領域。
域分佈對齊（Domain Distribution Alignment）：透過協同過濾對齊、輔助特徵對齊等方法減少源域和目標域之間的分佈差異。
域不變表示學習（Domain-Invariant Representation Learning）：透過解耦表示和融合表示學習跨領域的通用特徵空間。

3.4 大語言模型的世界知識（World Knowledge from LLMs）

LLM 作為推薦系統（LLM as the Recommender System）：透過提示策略（如直接提示、多步提示和檢索增強推薦）和模型微調（如指令微調和微調）利用 LLM 進行冷啟動推薦。
LLM 作為知識增強器（LLM as the Knowledge Enhancer）：透過 LLM 增強表示（如多模態增強表示和領域增強表示）和關係增強（如行為模擬和外部關係補充）提升冷啟動推薦效能。