目录

内容冷启动

CB2CF

MetaEmbedding

用户冷启动

MELU

POSO

本文为funrec推荐系统学习笔记，整合自己的理解和网络其他资料写成。

内容冷启动

新上线的物品由于缺乏用户交互历史，传统的协同过滤方法难以为其提供有效推荐。
本节介绍两种具有代表性的方法：CB2CF（Content-Based to Collaborative Filtering）和MetaEmbedding。CB2CF通过学习内容特征到协同过滤表示的映射关系，让新物品能够直接获得协同过滤质量的推荐效果；MetaEmbedding则通过元学习的思想，利用物品的辅助属性信息为新物品生成更好的初始embedding表示。

CB2CF

核心思想是学习从物品内容特征到协同过滤表示的映射关系
模型主要由三个核心模块构成：
1. 内容编码器（Content Encoder）：负责将物品的多模态内容特征编码为统一的内容表示向量。
2. 映射网络（Mapping Network）：由多层全连接神经网络构成，负责学习从内容特征空间到协同过滤嵌入空间的非线性映射关系。
3. 约束优化模块（Constraint Optimization）：通过余弦相似度约束确保映射后的表示与真实的协同过滤嵌入在语义上保持一致。

MetaEmbedding

MetaEmbedding聚焦于如何为新物品生成更好的初始embedding表示。
传统做法通常采用随机初始化新物品的embedding，但这种简单粗暴的方式往往导致新物品在初期表现不佳，需要大量交互数据才能收敛到有效状态。

MetaEmbedding采用基于SGD的元学习训练算法，其核心思想是通过模拟物品从冷启动到预热的完整过程来优化embedding生成器。该算法为每个物品ID学习一个能够快速适应的初始embedding，从而解决新物品的冷启动问题。

这种双阶段机制的深层含义在于优化embedding的“可学习性”而非embedding本身。通过在大量现有物品上重复“初始化→适应→评估”的过程，Meta-Embedding生成器学会了如何为新物品提供一个既有良好初始性能，又具备强适应潜力的embedding起点。

用户冷启动

用户冷启动问题聚焦于如何为新用户提供高质量的个性化推荐。

MELU

MeLU的核心思想是将每个用户的偏好学习视为一个独立的学习任务，通过元学习框架训练一个能够快速适应新用户偏好的推荐模型。
训练过程严格遵循MAML（Model-Agnostic Meta-Learning）框架：

主要是以下步骤：
- 算法初始化
- 批次用户采样
- 内循环适应阶段
- 外循环元更新阶段

POSO

POSO(Personalized COld Start MOdules)架构设计方法从模型架构设计的角度提出了一种全新的解决思路。
核心就是给新老用户 “分开定制” 推荐逻辑，避免新用户的需求被老用户的数据 “带偏”。
POSO在三种典型模块中的具体应用方式，分别为MLP、MAH及MMoE:
- POSO-MLP：把原来的推荐模型拆成多个并行的小模型，新用户用针对 “高点赞、短视频” 等行为优化的小模型，老用户用针对 “固定偏好” 优化的小模型。
- POSO-MHA：在处理用户浏览记录时，给新用户和老用户分配不同的 “注意力方向”，新用户重点看内容是否新颖，老用户重点看是否符合历史喜好。
- POSO-MMoE：在同时处理多个推荐任务（比如 “猜你喜欢”“热门推荐”）时，既分任务设计模块，又分新老用户设计模块，让推荐既适配任务，又适配用户类型。