[论文解读] The Continuous Cold Start Problem in e-Commerce Recommender Systems

Lucas Bernardi, Jaap Kamps+2 more|UvA-DARE (University of Amsterdam)|Aug 5, 2015

Recommender Systems and Techniques参考文献 18被引用 13

一句话总结

本文提出了电子商务推荐系统中的连续冷启动（CoCoS）问题，即用户和商品因使用频率低、兴趣变化或存在多个身份角色而反复进入和退出冷启动状态。该文提出基于上下文感知和内容的推荐策略作为有效解决方案，利用实时用户意图和上下文特征，在数据稀疏的情况下仍能提供及时且相关的推荐。

ABSTRACT

Many e-commerce websites use recommender systems to recommend items to users. When a user or item is new, the system may fail because not enough information is available on this user or item. Various solutions to this `cold-start problem' have been proposed in the literature. However, many real-life e-commerce applications suffer from an aggravated, recurring version of cold-start even for known users or items, since many users visit the website rarely, change their interests over time, or exhibit different personas. This paper exposes the `Continuous Cold Start' (CoCoS) problem and its consequences for content- and context-based recommendation from the viewpoint of typical e-commerce applications, illustrated with examples from a major travel recommendation website, Booking.com.

研究动机与目标

• 识别并形式化连续冷启动（CoCoS）问题作为工业推荐系统中的重复性挑战，特别是在Booking.com等电子商务平台中。
• 指出传统冷启动解决方案（如协同过滤和混合模型）在用户或商品因低活跃度、兴趣变化或多重身份角色而反复进入冷启动状态时的局限性。
• 提出基于上下文感知和内容的推荐方法作为更稳健的解决方案，能够实时适应用户不稳定性与临时用户状态。
• 证明现有方法如带卡尔曼滤波的矩阵分解或主题建模仅能提供部分改进，但无法完全应对CoCoS的动态特性。
• 倡导在线意图建模与上下文推荐作为有前景的策略，可通过响应当前用户行为与上下文来缓解CoCoS问题。

提出的方法

• 提出基于上下文感知的推荐系统，根据实时上下文特征（如时间、位置、设备、天气及用户会话行为）计算推荐结果。
• 采用在线用户意图预测，仅通过几次交互即可动态估算用户当前的用户画像，从而实现更快、更相关的推荐。
• 利用基于内容的过滤技术，仅需极少输入（如单次搜索查询或点击）即可生成初始推荐，方法基于商品属性的相似性。
• 引入因子化马尔可夫决策过程以在会话级别建模用户意图，从而根据用户行为的演变实现自适应推荐生成。
• 采用上下文多臂赌博机框架，在实时环境中平衡探索与利用，尤其适用于信号较弱的场景。
• 采用结合协同过滤与内容感知或上下文感知组件的混合模型，但强调标准混合方法在用户快速切换身份或兴趣时会失效。

实验结果

研究问题

• RQ1 在现实世界中的电子商务推荐系统中，连续冷启动（CoCoS）问题如何表现，特别是在用户活跃度低或兴趣频繁变化的平台中？
• RQ2 为何传统冷启动解决方案（如带基线的协同过滤或混合模型）在工业应用中无法解决冷启动的重复性问题？
• RQ3 基于上下文感知和内容的推荐策略在多大程度上能通过适应临时用户状态和多重身份角色来缓解CoCoS问题？
• RQ4 在线意图建模与实时上下文处理在降低冷启动阶段推荐延迟并提升相关性方面有多有效？
• RQ5 现有方法如动态矩阵分解或主题建模在处理用户兴趣快速变化及上下文依赖行为方面存在哪些局限性？

主要发现

• 连续冷启动（CoCoS）问题在现实世界中的电子商务平台（如Booking.com）中普遍存在，用户常在长时间不活跃后重新返回，或在不同旅行身份角色（如商务与休闲）之间切换。
• 传统冷启动解决方案在CoCoS场景中失效，因其假设用户一旦“回暖”便会保持活跃，而实际上用户因兴趣变化或使用频率低而反复冷却。
• 基于上下文感知的推荐系统通过基于实时上下文（如时间、设备、位置）对用户进行聚类，有效缓解CoCoS问题，即使在历史数据极少的情况下也能提供相关推荐。
• 在早期推荐阶段，基于内容的推荐方法优于协同过滤，因其仅需一次交互或查询即可生成有意义的推荐。
• 通过因子化马尔可夫决策过程进行在线意图建模，可在短会话中通过几次点击后动态估算用户意图，从而提升推荐的相关性。
• 尽管混合模型和动态矩阵分解（如带卡尔曼滤波的SVD）在离线评估中表现有所提升，但在生产系统中仍不足以应对快速身份切换或上下文依赖行为。