Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating
作者: Hyunsik Jeon, Jong-eun Lee, Jeongin Yun, U Kang
分类: cs.IR, cs.AI
发布日期: 2023-10-05 (更新: 2024-03-10)
备注: 8 pages, 4 figures, 4 tables
💡 一句话要点
提出CoHeat以解决冷启动捆绑推荐问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 冷启动推荐 捆绑推荐 流行度合并 课程学习 对比学习 图形表示 潜在表示
📋 核心要点
- 现有冷启动捆绑推荐方法过于依赖历史数据，无法有效处理捆绑交互的高度偏斜分布。
- CoHeat通过图形化视图表示用户和捆绑，利用流行度合并方法改善用户与捆绑关系的估计。
- CoHeat在冷启动捆绑推荐中表现优异，nDCG@20相较于最佳竞争者提升高达193%。
📝 摘要（中文）
如何向用户推荐冷启动捆绑是一个重要问题。现有的冷启动推荐方法过于依赖历史信息，无法有效应对捆绑交互的高度偏斜分布。本文提出了CoHeat（基于流行度的合并与课程加热），通过图形化视图有效捕捉用户与捆绑之间的协作信息，并通过流行度合并方法改善用户与捆绑关系的估计。CoHeat结合课程学习和对比学习，有效学习潜在表示，在冷启动捆绑推荐中表现优异，相较于最佳竞争者，nDCG@20提升高达193%。
🔬 方法详解
问题定义：本文旨在解决冷启动捆绑推荐中的挑战，现有方法因过度依赖历史信息而无法有效处理捆绑交互的高度偏斜分布。
核心思路：CoHeat通过图形化视图有效捕捉用户与捆绑之间的协作信息，并采用流行度合并方法来改善用户与捆绑关系的估计。这样的设计使得推荐系统能够更好地利用捆绑的流行度信息，从而提高推荐的准确性。
技术框架：CoHeat的整体架构包括用户和捆绑的图形表示、流行度合并模块、课程学习和对比学习模块。首先，通过图形表示捕捉用户与捆绑的协作信息，然后利用流行度合并方法来处理交互数据，最后通过课程学习和对比学习来优化潜在表示。
关键创新：CoHeat的主要创新在于流行度合并方法，该方法通过结合历史和关联信息，针对捆绑的流行度进行优化。这一方法与传统的推荐系统方法相比，能够更有效地处理冷启动问题。
关键设计：在模型设计中，CoHeat采用了特定的损失函数来优化用户与捆绑的关系，同时在网络结构上引入了课程学习和对比学习的机制，以提升潜在表示的学习效果。
🖼️ 关键图片
📊 实验亮点
CoHeat在冷启动捆绑推荐中表现出色，nDCG@20相较于最佳竞争者提升高达193%。这一显著的性能提升表明，CoHeat在处理冷启动问题时具有明显的优势，能够更好地满足用户需求。
🎯 应用场景
该研究在电子商务、在线广告和内容推荐等领域具有广泛的应用潜力。通过有效解决冷启动捆绑推荐问题，能够提升用户体验和满意度，进而推动商业转化率的提高。未来，该方法还可以扩展到其他类型的推荐系统中，进一步提升推荐的准确性和效率。
📄 摘要（原文）
How can we recommend cold-start bundles to users? The cold-start problem in bundle recommendation is crucial because new bundles are continuously created on the Web for various marketing purposes. Despite its importance, existing methods for cold-start item recommendation are not readily applicable to bundles. They depend overly on historical information, even for less popular bundles, failing to address the primary challenge of the highly skewed distribution of bundle interactions. In this work, we propose CoHeat (Popularity-based Coalescence and Curriculum Heating), an accurate approach for cold-start bundle recommendation. CoHeat first represents users and bundles through graph-based views, capturing collaborative information effectively. To estimate the user-bundle relationship more accurately, CoHeat addresses the highly skewed distribution of bundle interactions through a popularity-based coalescence approach, which incorporates historical and affiliation information based on the bundle's popularity. Furthermore, it effectively learns latent representations by exploiting curriculum learning and contrastive learning. CoHeat demonstrates superior performance in cold-start bundle recommendation, achieving up to 193% higher nDCG@20 compared to the best competitor.