发表于AAAI 2024 (CCF A) 的这篇文章提出了一种基于偏好感知的对偶对比学习推荐模型。相较于现有的冷启动推荐方法所通常采用的商品级对齐策略不能很好的在测试阶段对全新商品进行特征编码的问题，本篇工作通过利用所提出的偏好感知对比函数来实现用户偏好和商品内容特征之间的群组级对齐。并在此基础处置上，通过联合目标损失函数，从商品级和群组级两个角度更好地权衡原有商品和全新商品的推荐性能，从而获得更好的整体推荐性能。最终的实验证明，该方法在处理全新商品冷启动问题上表现出卓越的性能，为解决商品冷启动问题的发展提供了一项具有创新性和实际应用价值的贡献。

摘要：

现有的冷启动推荐方法通常采用商品级对齐策略，在训练阶段将原有商品的内容特征与协同特征对齐，而测试阶段的全新商品没有与用户的历史交互信息来获得协同特征。这些现有的模型忽略了上述训练阶段全新商品的情况，导致推荐性能受限。在本文中，我们提出了一种基于偏好感知的对偶对比学习推荐模型(PAD-CLRec)，其中探索用户偏好以考虑全新商品的情况进行特征对齐。在这里，用户偏好是通过聚合用户购买记录中原有物品的一组协同特征来获得的。然后，可以通过提出的偏好感知对比函数来实现用户偏好和商品内容特征之间的群组级对齐，以增强全新商品推荐效果。此外，引入联合目标函数，从商品级和群组级两个角度更好地权衡原有商品和全新商品的推荐性能，从而获得更好的整体推荐性能。大量的实验证明了所提出的方法的有效性。

1. 研究问题：

全新商品冷启动问题，即针对于推荐系统中新出现的商品进行推荐。这种全新商品通常具备丰富的内容特征（如：图像描述，文本描述等），但未与任何用户发生交互，不具备任何交互信息。这导致这些全新商品在现有的基于协同过滤的推荐系统中难以被准确推荐。与此同时，在真实的推荐系统中往往同时存在全新商品与原有商品，这极大程度增大了对全新商品进行精准推荐，实现全新商品冷启动的难度。现有方法针对这一问题通常采用在训练过程中将原有商品的内容特征与协同特征进行商品层级的对齐，以求商品内容编码器可以根据商品内容生成与该商品协同特征具有相同推荐效果的内容特征。但是由于全新商品只在测试过程中出现，其内容并不会参与训练，这导致现有方法的表现效果受到一定程度的限制。

2. 研究方法：

本文提出了一种基于偏好感知的对偶对比学习推荐模型(PAD-CLRec)，引入由用户购买记录中一组原有商品的协同特征构成的用户偏好，挖掘全新商品内容特征与原有商品协同特征之间的关系。并通过用户偏好和商品内容特征之间的对齐建立群组级对齐关系，并将其与商品层级对其策略进行结合，以增强全新商品推荐效果。此外，对联合目标函数中的推荐损失函数与商品层级对齐函数采用对偶形势，来更好的平衡全新商品与原有商品的表现效果，达到更好的整体推荐效果。

3. 实验

3.1 实验设置

本文设置了三个任务用于验证方案的有效性，其中包括All任务，Warm任务以及Cold推荐任务。其中Warm任务中的商品全部为原有商品，即，这些商品均在训练过程中出现过；Cold任务中的商品全部为全新商品，即，这些商品均未在训练过程中出现过；All任务中的商品为Warm任务中的商品集合与Cold任务中的商品集合的并集。

3.2 实验结果

与现有方法（BPR[1], DropoutNet[2], MTPR[3], GAR[4], CFCCRec[5], 以及CLCRec[6]）进行对比，验证了本文方法PAD-CLRec的有效性。

消融实验验证了本方案中的用户偏好感知损失函数以及对偶框架对解决全新商品冷启动问题的有效性。

与此同时，分析了三种用户偏好构建方式，选择其中的均值方法，作为本方案最终计算方式。

本文还给出了结果示例：

4. 结语

本文提出了一种基于偏好感知的项目冷启动双对比学习模型。引入偏好感知对比函数，通过捕捉目标商品与用户购买记录中原有商品特征所获得的用户偏好之间的关系，从群组层级在训练阶段考虑全新商品的特点。此外，采用联合目标函数从商品层级和群组层级两个角度挖掘项目的内容特征和协同特征之间的关系，在原有商品和全新商品的推荐性能之间实现更好的权衡。实验结果证明了该方法的有效性和优越性。

参考文献：

[1] Rendle S, Freudenthaler C, Gantner Z, et al. BPR: Bayesian personalized ranking from implicit feedback[J]. arXiv preprint arXiv:1205.2618, 2012.

[2] Volkovs M, Yu G, Poutanen T. Dropoutnet: Addressing cold start in recommender systems[J]. Advances in neural information processing systems, 2017, 30.

[3] Du X, Wang X, He X, et al. How to learn item representation for cold-start multimedia recommendation?[C]//Proceedings of the 28th ACM International Conference on Multimedia. 2020: 3469-3477.

[4] Wei Y, Wang X, Li Q, et al. Contrastive learning for cold-start recommendation[C]//Proceedings of the 29th ACM International Conference on Multimedia. 2021: 5382-5390.

[5] Chen H, Wang Z, Huang F, et al. Generative adversarial framework for cold-start item recommendation[C]//Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2022: 2565-2571.

[6] Zhou Z, Zhang L, Yang N. Contrastive collaborative filtering for cold-start item recommendation[C]//Proceedings of the ACM Web Conference 2023. 2023: 928-937.