Kontrastives Lernen für Cold-Start-Empfehlungen

Die Empfehlung rein kalter Startartikel ist eine langjährige und grundlegende Herausforderung in Empfehlungssystemen. Ohne historische Interaktionen bei kalten Startartikeln ist das kollaborative Filterungsverfahren (CF) nicht in der Lage, kollaborative Signale zu nutzen, um die Nutzerpräferenz für diese Artikel abzuleiten. Um dieses Problem zu lösen, wurden umfangreiche Studien durchgeführt, um Zusatzinformationen über Artikel (z.B. Inhaltsmerkmale) in das CF-Verfahren zu integrieren. Dabei werden moderne Techniken neuronaler Netzwerke (z.B. Dropout, Konsistenzbeschränkung) eingesetzt, um den Koalitionseffekt von Inhaltsmerkmalen und kollaborativen Repräsentationen zu entdecken und zu nutzen. Wir argumentieren jedoch, dass diese Arbeiten die gegenseitigen Abhängigkeiten zwischen Inhaltsmerkmalen und kollaborativen Repräsentationen weniger untersuchen und an ausreichenden theoretischen Grundlagen mangeln, was zu unzufriedener Leistung bei Cold-Start-Empfehlungen führt.