一.研究背景与意义
1.1 冷启动问题简介
在推荐系统中，冷启动问题指的是系统无法为新加入的物品（cold-start items）提供有效推荐，因为这些物品没有任何历史交互记录。传统协同过滤（CF）方法依赖用户-物品交互数据来学习表示，因此无法处理冷启动物品。
1.2 现有方法的局限性
目前解决冷启动问题的主流方法是引入物品的内容特征（如图像、文本、音频等），并将其与协同信号结合。这些方法大致分为两类：
本文指出：现有方法未能充分挖掘内容特征与协同表示之间的互信息（Mutual Information），缺乏理论指导，导致冷启动推荐性能不佳。
二.研究目标与贡献
2.1 目标
从信息论角度重新建模冷启动物品表示学习，最大化内容特征与协同信号之间的互信息，从而提升冷启动推荐性能。
2.2 主要贡献
- 理论建模：提出冷启动表示学习的下界是两类互信息之和：
用户-物品协同表示之间的互信息（U-I MI）
物品特征表示与协同表示之间的互信息（R-E MI）
-
方法设计：提出基于对比学习（Contrastive Learning）的目标函数，最大化上述互信息。
-
框架实现：设计通用框架 CLCRec，包含三个模块：
对比样本组织（Contrastive Pair Organization）
对比嵌入网络（Contrastive Embedding Network）
对比优化（Contrastive Optimization）
- 实验验证：在4个公开数据集上验证，在冷启动和正常场景下均显著优于SOTA方法。
三.核心思路与理论基础
3.1 问题建模与目标函数推导
3.1.1 冷启动表示学习建模
3.1.2 最大后验估计（MAP）
3.2 对比学习目标函数
3.3 CLCRec 框架结构
3.3.1 对比样本组织
3.3.2 对比嵌入网络（CEN）
3.3.3 对比优化
1.使用多个负样本进行对比训练
2.支持混合训练策略（以概率 ρ 使用特征或协同表示）
3.最终用于预测用户对冷启动物品的偏好
四.实验与结果分析
4.1 数据集与设置
评估指标：Recall@10、NDCG@10
对比方法：DUIF、DropoutNet、MTPR、CB2CF、Heater、MF-BPR、LightGCN
4.2 实验结果
4.2.1 冷启动推荐性能（Recall@10）
4.2.2 与BPR模型对比（CENMF vs MF-BPR）
1.CENMF 在所有数据集上均显著优于 MF-BPR
2.冷启动场景下提升更明显（如 Amazon 上提升近 40 倍）
4.3 消融实验
4.3.1 U-I CEN 影响
1.多负样本采样（128）优于单负样本
2.混合训练策略（ρ=0.2）对冷启动有效
4.3.2 R-E CEN 影响
1.增加负样本数可提升性能，但超过 256 会过拟合
2.R-E 互信息对冷启动物品表示至关重要
4.3.3 λ 参数影响
1.λ 增加 → 冷启动性能提升，热启动略降
2.建议 λ 在 0.6~0.8 之间权衡
五.结论与未来工作
5.1 结论
1.首次从信息论角度建模冷启动表示学习，提出互信息最大化目标。
2.设计通用框架 CLCRec，结合对比学习有效融合内容与协同。
3.在多个数据集上取得SOTA性能，尤其在冷启动场景下提升显著。
5.2 未来工作
1.探索互信息在可解释推荐、解耦表示学习中的应用
2.将对比学习扩展至视频定位、时尚推荐等多模态任务