文章首次系统整合了内容特征、图关系、领域信息、LLM 世界知识四大知识来源的冷启动推荐方法，明确了 9 类冷启动任务，梳理了技术演进脉络，并指出了多模态、基础模型等未来关键方向。

一、核心背景与问题定义

1. 冷启动推荐的重要性

• 解决新用户 / 物品的公平性：避免依赖历史数据导致的偏见，让新内容获得曝光。
• 提升平台价值：新用户首屏精准推荐可提升留存，新物品快速冷启动可增强平台活力。
• 支撑规模化增长：适配用户 / 物品指数级增长，维持推荐系统动态相关性。

2. 明确的任务定义

• 通用定义：训练集包含有交互的 “暖用户 / 物品”，测试集包含无 / 少交互的 “冷用户 / 物品”，需预测冷实体的交互行为。
• 9 类具体任务（分 4 大类）：

二、四大知识来源的技术路径

1. 基于内容特征的方法

核心思路：利用用户 / 物品自身的描述信息（如用户画像、物品标题）弥补交互数据缺失，分两类场景：

（1）数据不完整学习（处理严格冷启动）

• 鲁棒协同训练：联合行为特征（暖实体）和内容特征（冷实体）训练，提升模型泛化性
  • 例子：DropoutNet（随机将用户 - 物品偏好输入置零，迫使模型依赖内容信息重建相关性得分）；Heater（随机输入协同表示或内容中间表示，混合训练暖 / 冷实体）。
• 知识对齐：缩小内容特征（冷）与行为特征（暖）的语义鸿沟
  • 例子：ALDI（将预训练暖推荐模型作为 “老师”，从评分分布、排序、识别三个维度蒸馏知识给冷实体）；GAR（用 GAN 让冷物品嵌入模仿暖物品嵌入分布）。
• 冷探索：通过 “试错” 挖掘冷实体兴趣
  • 例子：MetaCRS（用强化学习开展探索性对话，快速识别冷用户偏好）；WSCB（将用户冷启动转化为多臂老虎机问题，平衡探索与利用）。
• 特征相似度度量：直接基于内容特征计算用户 - 物品匹配度
  • 例子：NeuHash-CF（将暖 / 冷实体映射到二进制哈希码，用汉明距离快速计算相似度）；CIRec（融合协同、视觉、跨模态特征增强冷实体表示）。

（2）数据高效学习（处理普通冷启动）

• 核心技术：元学习（Meta-Learning），模拟少样本场景训练模型快速适应能力
  • 例子：MeLU（用 MAML 算法预训练全局参数，冷用户仅需少量交互即可快速微调）；Wen et al.（用课程学习给用户分配权重，缓解高难度用户对预测的偏见）。

2. 基于图关系的方法

核心思路：利用图结构的高阶关联信息（如用户 - 物品 - 属性关联），为冷实体补充 “间接交互”，分三类策略：

（1）交互图增强：为冷实体补充图边

• 例子：CGRC（对随机选择的物品执行掩码 - 重建操作，推断冷实体的潜在边）；SDCRec（在用户 - 物品 - 属性图中定义 “回文路径”，挖掘用户间隐式好友关系）。

（2）图关系扩展：丰富图的节点 / 边类型

• 异构图关系：引入多类型节点 / 边（如用户、物品、社交关系）
  • 例子：GIFT（构建包含物理链接和语义链接的异构图，实现暖视频到冷视频的信息传递）。
• 属性图关系：用实体属性构建图（如物品的细粒度属性）
  • 例子：ColdGPT（用 LLM 从物品内容中提取属性，构建物品 - 属性图，学习冷物品表示）。
• 知识图关系：融合外部知识图（如物品类别、实体关联）
  • 例子：MetaKG（设计两个元学习器，分别捕捉用户偏好和知识图实体知识，适配冷启动）。

（3）图聚合器改进：优化图信息聚合逻辑

• 例子：MeGNN（区分全局和局部邻域转换，让冷实体感知长距离关联节点）；A-GAR（用自适应邻域聚合策略，增强对冷实体稀疏数据的建模能力）。

3. 基于领域信息的方法

核心思路：利用源领域（数据丰富）的知识，迁移到目标领域（冷启动场景），分三类方向：

（1）领域知识迁移：直接传递源领域信息

• 嵌入映射：将源领域嵌入空间映射到目标领域
  • 例子：MAFT（用 MLP + 注意力机制，高效映射辅助特征空间）；PTUPCDR（用元网络生成个性化映射参数，适配不同用户）。
• 异质连接：通过图结构连接多领域
  • 例子：Jiang et al.（将社交网络建模为星型图，中心是社交领域，连接多个物品领域如帖子、视频）。

（2）领域分布对齐：缩小源 - 目标领域的分布差异

• 例子：DAUC（用对比对齐和对抗损失，缓解移动端 APP 使用与文章阅读领域的分布鸿沟）；DisAlign（通过 Stein 路径迭代移动嵌入，让目标领域冷实体对齐源领域分布）。

（3）领域不变表示学习：学习跨领域通用特征

• 例子：RecSys-DAN（用对抗网络区分源 / 目标领域表示，迫使生成器产出领域无关特征）；CATN（跨领域交换评论中的 Aspect 级偏好，如书籍→电影的 “剧情” 偏好，提取领域不变特征）。

4. 基于 LLM 世界知识的方法（最新技术方向）

核心思路：利用 LLM 的海量预训练知识和语义理解能力，直接建模或增强冷实体表示，分两大角色：

（1）LLM 作为推荐系统（直接完成推荐任务）

• 提示策略（Prompting）：将推荐任务转化为自然语言任务
  • 例子：Direct Prompting（用 GPT-3.5 直接完成零 - shot 评分预测、序列推荐）；Multi-Step Prompting（GPT-3 分 3 步：捕捉用户偏好→选择代表性物品→生成推荐）。
• 模型调优（Tuning）：让 LLM 适配推荐场景
  • 例子：TALLRec（将推荐数据转化为 “用户历史→是否推荐该物品” 的自然语言指令，LLM 输出 “是 / 否”）；NoteLLM（用生成式对比学习微调 LLM，融合协同信号）。

（2）LLM 作为知识增强器（辅助传统推荐模型）

• 表示增强：用 LLM 丰富冷实体的表示
  • 例子：Kim et al.（基于 Transformer 的通用物品表示框架，自然融合多模态特征）；SAID（用 LLM 学习与物品文本描述语义对齐的嵌入）。
• 关系增强：用 LLM 补充冷实体的关联信息
  • 例子：ColdLLM（用 LLM 模拟器生成用户与冷物品的虚拟交互，将冷物品 “暖化”）；CSRec（用 LLM 提取常识知识构建知识图，融合现有元数据知识图）。

三、挑战与未来方向

1. 多模态冷启动

• 现有问题：模态融合易引入噪声、部分模态缺失、用户对模态的敏感度差异未被考虑。
• 未来方向：开发鲁棒的模态融合方法、构建多模态丰富的数据集、个性化多模态嵌入技术。

2. 推荐基础模型

• 现有问题：LLM 需重复适配新任务 / 领域，计算开销大。
• 未来方向：设计统一的推荐基础模型，支持多任务、跨领域快速适配（如 P5 的扩展版）。

3. 效率问题

• 现有问题：LLM-based 方法训练 / 推理开销大，难以部署到工业级系统。
• 未来方向：轻量化模型设计、混合策略（LLM 负责高 - level 规划，传统模型负责实时推荐）。

4. 数据隐私

• 现有问题：冷启动依赖用户侧信息和跨领域数据，易引发隐私泄露。
• 未来方向：差分隐私、同态加密、联邦学习（如 FedCDR 的跨领域联邦推荐）。

5. 基准和统一评估

• 现有问题：数据集不统一、冷实体定义模糊、缺乏专用评估框架。
• 未来方向：发布高质量工业级冷启动数据集、制定统一的冷实体划分规则、开发开源评估代码库。

四、文章核心贡献

1. 首个全面综述：覆盖四大知识来源，收录 220 篇截至 2024 年 12 月的研究，远超现有综述。
2. 创新分类法：以 “外部知识来源” 为核心分类维度，清晰呈现技术演进逻辑。
3. 明确问题定义：首次定义 9 类冷启动任务，提供统一的研究框架。
4. 前瞻性路线图：聚焦 LLM 融合、多模态等前沿方向，为后续研究指明路径。