当推荐遇到冷启动

冷启动问题，大家并不陌生。但是如何解决呢？加特征，加样本，加图谱，加规则？十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是较好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？

不得不面对的冷启动！

冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。《Alleviating Cold-Start Problems in Recommendation through Pseudo-Labelling over Knowledge Graph》这篇论文提出了基于GNN的知识图谱方法解决冷启动问题，该方法增加了伪标签做数据增强。这种方法使用了历史从未观察到的user和item作为正样本，补充到样本中。通过在知识图谱中为每个用户选择可能的正例，同时还进行了负采样策略，从而抑制偏差。通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。

问题描述

我们有一个集合的用户U和一个集合的item I，如果用户u和item i有交互，yu,i = 1，我们知道大部分(u,i)都是没有被观测过的，这是个非常稀疏的交互矩阵(u, i) U * I。我们把观测过的user item 对定义为 O = {(