Contrastive Learning for Cold-Start Recommendation阅读笔记

动机

本文是2021年ACM MM上的一篇论文。之前关于推荐系统冷启动的工作很多都使用神经网络来探索冷物品的特征内容和协同表示之间的联合效应，但是作者认为这些工作很少探索内容特征和协同表示之间的依赖关系，同时缺乏理论支持。针对以上问题，作者提出了一个基于对比学习的冷启动推荐框架CLCRec。

方法

CLCRec框架如下。

对比学习对构造

对比学习对的构造有两种，第一种是用户与交互物品的协同表示的对比学习对构造(U-I)。

u表示用户，i表示用户交互的物品i，j表示与用户无交互的物品，是负采样。
第二种是特征表示和协同表示的对比学习对构造(R-E)。

对比学习嵌入网络

U-I的对比学习嵌入网络。首先通过embedding层获取用户和物品的embedding。

之后通过协同编码器获取协同表示

然后用以下函数度量用户和物品的相关性

R-E对比学习嵌入网络。大致与上述类似，特征编码器实现如下

然后用以下函数度量物品协同表示和特征表示之间的相关性

优化目标

实验结果

本文提出的方法在各个场景下都取得最佳效果。

总结

本文是利用对比学习缓解物品冷启动问题的一篇论文，文中用到的两个对比学习分别是为了让用户与有交互的物品协同表示更接近，有交互的物品的协同表示和自身的特征表示更接近，同时让用户与无交互的物品协同表示距离更远，有交互的物品的协同表示和其他物品的特征表示距离更远。文章中有理论证明这种做法的有效性，详细内容还是建议看原文。