AI Papers Daily

#Cold-start Recommendation

2 篇

Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation

桥接拓扑鸿沟：语义先验驱动的双分支图蒸馏用于鲁棒冷启动推荐

🧭 冷启动推荐 · 图知识蒸馏

The Hong Kong University of Science and Technology (Guangzhou)

双分支图知识蒸馏：教师端语义先验重塑流形，学生端余弦蒸馏跨模态对齐，冷启动显著提升

📌 工作参考价值（4 点）

• 冷启动 item 的多模态语义特征不要直接拼进协同图或共享空间，建议解耦两阶段训练：先训练协同教师并用语义 prior 做平滑/初始化，再蒸馏到语义学生，避免破坏已有 ID 协同信号。
• 蒸馏损失用余弦相似度替代 MSE/点积，保持方向对齐、不强制匹配模长，更适合跨模态 embedding 迁移，且可减少对热物品向量尺度的扰动。
• 线上全局检索时，对冷启动物品向量做 dynamic norm reconstruction，按冷/暖物品分桶校准模长，避免语义分支模长不一致导致内积排序偏差；可直接复用到新品召回。
• 电商新品/广告冷启动可把“新品语义描述或图像”作为学生分支，老品协同教师蒸馏，发布即获得可检索表示；需评估两阶段训练的离线成本与更新频率。

RecSys | 2026-10-14 | cs.IR | score 7/10

Cold-start RecommendationGraph Collaborative FilteringKnowledge DistillationSemantic FeaturesDual-Branch

MOTIF: Motivation-guided Topology Inference for Cold-start Multimodal Recommendation

MOTIF：动机引导的冷启动多模态推荐拓扑推断

🧭 冷启动多模态推荐 · LLM 语义拓扑重建 ★ 深度解读

Taiyuan University of Technology · Sydney Smart Technology College, Northeastern University, China

用离线 LLM 推理用户与商品动机，重建 item-item 图并做加权对比学习，显著提升冷启动多模态推荐

📌 工作参考价值（4 点）

• LLM 语义只做图重建，不做在线预测输入：业务中可以把 LLM 对商品/内容的功能、场景、人群、替换/互补关系推理离线缓存，转成 item-item 图边权或关系特征，避免 LLM embedding 与协同过滤 embedding 空间不一致带来的噪声，同时不增加在线推理延迟。
• 冷启动用户动机从训练可见历史生成：电商推荐中可用用户短期点击/购买商品的标题、图片、属性离线总结用户动机（如户外训练、礼品购买、家庭活动），作为召回或排序的辅助特征，不泄露测试集。
• 只扰动最后一层表示 + SE 门控的图对比学习：对于不确定性较高的重建边，相比全图扰动更高效、更鲁棒；可迁移到 GNN 召回、商品关系图学习，用 feature-wise gate 自动抑制噪声维度。
• 语义-结构对齐作为辅助损失而非直接拼接：将 LLM 语义向量投影到与图嵌入共享空间做对比对齐，最终主任务只用图嵌入，可解决多模态/文本特征与协同信号不对齐的问题，适合电商冷启动 or 新内容分发。

RecSys | 2026-08-26 | cs.IR | score 8/10

Cold-start RecommendationMultimodal RecommendationLLM ReasoningGraph Contrastive LearningTopology ReconstructionSemantic Alignment