2024年4月14日至19日，我实验室博士生王文博参加了在韩国首尔举办的第49届IEEE国际声学、语音与信号处理会议(International Conference on Acoustics, Speech and Signal Processing, ICASSP 2024)，并在会议上对实验室录用的论文《Mutual Information Assisted Graph Convolution Network for Cold-start Recommendation》进行现场海报讲解，并与参会领域专家同行进行深入交流。

论文摘要：

为了解决全新商品没有历史交互信息来获取协同特征作为表示的全新商品冷启动问题，现有方法往往完全基于从商品固有内容(即图像、视频和属性)中获得的内容特征来进行表征。然而，当全新商品首次出现在测试阶段时，若其内容与原有商品差异较大时，这些方法将几乎失效。本文提出了一种互信息辅助图卷积网络(MI-GCN)，该网络通过同时考虑全新商品的固有内容和由成对互信息(PMI)捕获的相关用户特征来表示全新商品。此外，为了提高整体性能，采用包含关系损失和相似误差损失的联合目标函数来更好地权衡全新（原有）商品之间表征的相似度。在亚马逊数据集上进行的实验表明，与最先进的方法相比，我们的方法具有优越性。

论文主要贡献：

1.通过成对互信息（PMI）的方式在用户与商品之间建立起了虚拟连接，并通过其进行信息传递，使得全新商品的表征效果得到提高。

2.在联合目标函数中，通过用户商品关系损失以及商品内容与协同的相似误差损失对全新商品与原有商品推荐效果进行平衡，使得模型整体效果得到改善。

1. 研究方法

本文提出的MI-GCN包括一个输入处理模块和一个两分支结构网络。两分支结构网络中包括一个用于获取用户的协同特征与原有商品协同特征的原有商品网络分支以及一个用于获得所有商品的内容特征全新商品网络分支。在分方案中我们提出了PMI增广邻接矩阵的构造方式，用于计算再全新商品网络分支中计算全新商品的内容特征。此图中，我们为每个目标商品选择最相似的前3个原有商品作为示例，PMI增广邻接矩阵的构造方式。

2. 实验设置

本文首先在数据集中随机选取了20%的语义相关性最差的商品作为本次实验中所说的新品，并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. 实验结果

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

消融实验验证了本方案中基于互信息的边的构建以及像损失函数中添加边界角对解决全新商品冷启动问题的有效性。

4. 结论

本文提出了一种基于互信息辅助GCN的全新商品冷启动方法。通过同时考虑全新商品分支中商品的固有内容和其通过互信息相关用户的协同特征，引入了一种成对互信息增强邻接关系来改善全新商品的表征结果。此外，提出了一个联合目标函数，通过更好地权衡原有商品与全新商品之间的表示相似度来提高整体推荐性能。

参考文献

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

[2] 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.

[3] Zhu Z, Sefati S, Saadatpanah P, et al. Recommendation for new users and new items via randomized training and mixture-of-experts transformation[C]//Proceedings of the 43rd International ACM SIGIR conference on research and development in Information Retrieval. 2020: 1121-1130.

[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.