DemoGCL：用于冷启动推荐的人口统计增强图对比学习

《Scientific Reports》：DemoGCL: Demographic-augmented graph contrastive learning for cold-start recommendation

　　

摘要

电子商务推荐中最持久的问题之一是新用户注册或新产品上线时会发生什么，系统对他们几乎一无所知，而完全依赖于交互历史的基于图的协同过滤产生的嵌入本质上是随机的。现有方法往往将冷启动用户和冷启动物品视为两个独立的问题，这通常以牺牲服务时语言模型推理为代价，而该推理对于生产系统来说太慢了。在这项工作中，我们提出了 DemoGCL，这是一个统一的人口统计学增强图对比学习框架，能在一个轻量级模型中解决两种冷启动场景。在其核心，DemoGCL 基于三层 LightGCN 主干网络处理活跃协同信号，并通过两个专用分支对其进行增强：一个两层 MLP，将源自公开可观察人口统计学信号的五维行为代理向量投影到共享嵌入空间中，用于没有购买历史的冷启动用户；以及一个经过 LoRA 适配的 DistilBERT 编码器（秩为 8，6670 万个参数中有 33.2 万个可训练，即 0.50%），仅根据产品文本生成冷启动物品嵌入。一个 Sigmoid 门控融合层协调了活跃和冷启动表示，训练期间的跨视图 InfoNCE 目标将它们对齐，以便冷启动嵌入落在与其活跃对应物相同的语义邻域中。我们在采样排名协议下对 Amazon Beauty、Amazon Clothing 和 Epinions 进行了评估，发现 DemoGCL 的活跃分割 NDCG@10 分别为 0.0612、0.0487 和 0.0831，冷启动用户 NDCG@10 分别为 0.0543、0.0411 和 0.0762（保留了 88.7%、84.4% 和 91.7% 的活跃性能），冷启动物品 NDCG@10 分别为 0.0388、0.0319 和 0.0594。在 Amazon Beauty 上，基于 LLMDiRec 在其自身评估设置下发布的数字，尽管评估协议不同，DemoGCL 在冷启动用户上比 LLMDiRec 提高了 0.18%，在冷启动物品上提高了 77.2%。消融研究证实，人口统计学分支是单一最关键的部分，移除它会导致冷启动用户 NDCG@10 下降多达 41.4%，而放弃 LoRA 微调会使冷启动物品性能下降多达 37.9%。由于活跃嵌入是预计算并缓存为查找表的，服务路径避免了在线大语言模型生成，并将冷启动用户推理限制在一个小的投影模块中，这支持了电子商务流水线的轻量级部署结构。