返回
Behavior-Aware Consistent Distillation for Cold-Start Recommendation
DOI:10.1109/tkde.2026.3705082.png)
摘要
En 中文
冷启动场景下无交互用户和物品的推荐仍是一项基础挑战,因为内容驱动的冷启动实体与行为丰富的热实体存在显著差异。生成方法试图通过从内容特征推断嵌入向量来应对这一问题,而基于丢弃的技术则通过训练时随机屏蔽行为信号来提高鲁棒性。然而,这些方法主要关注有限的冷启动场景,未能充分捕捉冷启动与热推荐之间的差异。因此,生成模型可能产生不平衡的预测,而丢弃策略会降低热实体的推荐质量。为解决这些局限性,我们提出行为感知一致性蒸馏(BACD)框架,用于用户和物品的冷启动推荐。BACD采用行为感知的教师-学生范式,并结合行为感知的教师质量加权机制以确保可靠的监督。此外,它引入了三种一致性导向的蒸馏目标,包括评分分布一致性、排名一致性和表示分布一致性,共同缩小冷启动与热实体之间的差距。在四个基准数据集上的大量实验表明,BACD在冷启动和整体设置下均能持续提升推荐性能,并在多种骨干模型上显著优于现有最先进基线方法。
Keyword:
Cold-start recommendation
consistent distillation
content features
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W

