冷启动内容推荐的通用项目表示学习

本研究提出了一种模型，通过提问找到初始化评分，解决协同过滤问题，改善了基准性能。

提出了一种基于对比学习的冷启动推荐框架，结合内容特征和协同表示，显著提高冷启动推荐效果。

基于预训练语言模型的情感分析方法被引入以解决冷启动问题，并验证了其有效性。

结合活跃学习与商品属性信息的新型冷启动推荐方法，通过用户选择标准优化选择用户，生成准确的评分预测。

深度学习方法在冷启动问题中表现良好，提供类似或更好的性能，易于实际应用。

提出了混合矩阵分解模型，优于协同过滤和基于内容的模型，特别是在稀缺交互数据情况下表现优异。

研究发现将新商品与不太活跃的用户联系起来比推送给活跃用户更有效。

集体矩阵分解模型在推荐系统中的应用，提出的新公式能更快预测没有反馈的用户和商品。

混合多任务学习方法通过对描述性文本进行对比学习，提高了用户推荐的准确性和多样性，尤其对冷启动用户有效。