论文题目：Contrastive Collaborative Filtering for Cold-Start Item Recommendation
论文来源：WWW2023
github代码：CCFCRec
一、Motivation
- 推荐系统一直面临冷启动的问题（用户冷启动、物品冷启动），也即为新用户推荐商品或者为用户推荐新的商品，先前的方法直接在热启动训练好的embedding找寻与冷启动用户或者物品相似的embedding进行替换，这忽略了不同物品之间的差异性，另外直接使用这种方法会导致embedding学到一些模糊的表示，如下图所示：
- 同一个用户对不同两个商品可能有不同的偏好，如图所示，这两个商品有一些共同属性，如果忽略这种共性，直接进行训练会导致学到的这一属性的表示（Action电影）是模糊的，也即两个样本在隐藏空间中的距离可能不会太远。
二、Model
-
该模型主要包含三个部分的参数需要进行更新，分别是基于内容的协同编码器、用户协同编码器、共现协同编码器，其中三个部分的结构如下所示：
-
基于内容的协同编码器是由两层MLP和LeakyReLu激活函数组成的；
-
另外两个编码器就是两个Embedding层；
-
其主要损失函数如下所示：
-
其中q和z都是预测损失，c是对比损失，theta是正则项
- 这里着重讲一下对比的部分，对比提供了两种方法，一种是直接进行对比，公式如上所示，直接用共现协同的embedding表示与内容协同表示计算对比损失，这里略显粗暴，因为这里也没有使用数据增强，属性表示和物品表示之间肯定是有gap的，作者转而提出一种有监督的对比损失，如下所示：
- 这里对物品的协同过滤部分做了一个约束，也即如果购买两个商品的所有用户之间没有交集，也即两个商品都是被不同的用户购买，这个时候不需要进行计算，也即指示函数值为0；
三、Data&Experiments
- 数据集使用公开的两个数据集，其统计表示如下表所示：
- 实验对比的参数设置如下：
四、Performance
- 实验结果表明了该方法的优越性，特别是在稀疏数据集上的效果提升更加明显。
五、Ablation Study
- 作者做的消融实验主要包含三个部分，CCFCRec-Co是去掉共现部分的损失函数，一个是预测损失还有一个对比损失；CCFCRec-pretrain是将预测损失从损失里面去掉，并且用户协同嵌入和共现协同嵌入使用矩阵分解获得，后续不参与训练更新，最后是论文提出的模型CCFCRec，从上图可以看出该论文提出的模型的效果明显好于两者；
- 这里有个疑问？如果单独去掉预测损失和单独去掉对比损失，那个效果会更好？
六、Conclusion
- 实验结果表明了该框架的有效性；
七、References
[1] Zhou Z, Zhang L, Yang N. Contrastive Collaborative Filtering for Cold-Start Item Recommendation[J]. arXiv preprint arXiv:2302.02151, 2023.
