Learning Sparse Representations of Multimodal Content for Enhanced Cold Item Recommendation
多模态内容稀疏表示学习增强冷启动物品推荐
🧭 稀疏表示学习 · 内容冷启动
Queen Mary University of London
用稀疏嵌入替代稠密向量，以更低存储成本显著提升内容冷启动推荐准确性
📌 工作参考价值
- 冷启动物品直接用多模态内容（图片、文本）生成稀疏嵌入，无需交互历史，可无缝用于电商 / 广告新品推荐。
- 稀疏嵌入显著降低存储成本（大幅压缩向量维度），并支持高效近似近邻检索，适合大规模商品目录。
- 借鉴预稀疏化激活技术（基于线性注意力），可以增强物品间相似度的尖锐性和去噪效果，让稀疏表示更具判别力。
- 稀疏性天然利于可解释推荐：非零维度可对应具体内容语义，方便向广告主解释为何推荐该物品。
动机：大规模目录中物品冷启动是推荐系统的关键难题，利用图像、文本等辅助内容生成冷物品表示是主流方案，但传统稠密嵌入存储开销大、检索延迟高。
方法：将稀疏表示学习引入内容冷启动范式，基于线性注意力设计一种预稀疏化激活函数（pre-sparsification activation），在训练时对相似度施加稀疏性约束，同时保留内容语义。该激活诱导相似度矩阵更尖锐且具备去噪效果，最终产出可解释的稀疏物品嵌入。
结果：在四个多模态推荐数据集上，稀疏嵌入的冷启动推荐准确率（Recall@20/50、NDCG）显著超越稠密基线，存储成本降低最高达 80%；尤其对多兴趣用户提升明显。同时，稀疏维度可追踪至具体内容特征，提供天然可解释性，且在空间与精度权衡中更鲁棒。