Graph Learning for Cold-Start and Data-Scarce Recommendation: A Taxonomy-Driven Critical Survey

In de digitale wereld worden we voortdurend gevraagd om keuzes te maken: welke film we gaan kijken, welk product we kopen of welk artikel we lezen. Om ons te helpen navigeren door deze enorme catalogi, leren computerprogramma's die bekend staan als aanbevelingssystemen van ons eerdere gedrag. Ze observeren wat we klikken, beoordelen of kopen, en gebruiken die patronen om te raden wat we er vervolgens leuk aan zouden kunnen vinden. Dit werkt prachtig wanneer er een lange geschiedenis van interacties is om te bestuderen. Maar het systeem loopt tegen een muur aan wanneer het met iets geheel nieuws wordt geconfronteerd. Stel je een gloednieuwe gebruiker voor die net is aangemeld zonder geschiedenis, of een nieuw product dat nog niet is gekocht of bekeken. Op die momenten heeft de computer geen historische gegevens om op te vertrouwen. Het staat voor een "cold start", een staat van onzekerheid waarbij het geen betrouwbare gok kan maken omdat het bewijs simpelweg niet bestaat. Dit is een fundamenteel probleem voor online winkelen, streamingdiensten en sociale media, waar nieuwe items en gebruikers elke seconde arriveren.

Om dit op te lossen, hebben onderzoekers zich gericht op een andere manier van denken over data. In plaats van gebruikers en items als geïsoleerde punten te beschouwen, zien ze ze als onderdeel van een enorm, onderling verbonden web. In dit beeld is een gebruiker verbonden met de items die zij leuk vinden, en die items zijn verbonden met andere vergelijkbare zaken, met hun beschrijvingen, hun afbeeldingen en de mensen die ook die producten hebben gekocht. Dit web is een graaf, een structuur die relaties in kaart brengt. Wanneer een nieuw item verschijnt zonder aankoopgeschiedenis, kan het systeem nog steeds iets over het leren door te kijken naar de verbindingen met andere zaken: de kleur, de prijs, de categorie of het merk dat het heeft gemaakt. Door langs deze verbindingen te reizen, kan de computer informatie lenen van de bekende delen van het web om de onbekende delen te begrijpen. Deze benadering, bekend als graph learning (graaf-leren), is een primaire tool geworden om het cold-start probleem aan te pakken.

Een recente kritische survey door de onderzoekers Samane Sayyar en Amir Soltani duikt diep in hoe deze graaf-gebaseerde benadering wordt gebruikt om cold-start en data-arme problemen op te lossen. Het team heeft niet alleen naar een paar nieuwe papers gekeken; ze hebben een enorme collectie van 183 wetenschappelijke studies verzameld en geanalyseerd die gepubliceerd zijn tussen 2018 en 2026. Hun doel was om het volledige landschap van deze methoden in kaart te brengen, waarbij ze niet alleen begrepen wat werkt, maar ook hoe onderzoekers de problemen die ze oplossen definiëren en hoe ze bewijzen dat hun oplossingen daadwerkelijk werken. Ze ontdekten dat hoewel het veld vol staat met slimme technieken, er een aanzienlijke kloof bestaat tussen wat veel studies beweren te hebben bereikt en wat ze daadwerkelijk hebben aangetoond.

De onderzoekers hebben deze 183 studies in een helder kader georganiseerd, gegroepeerd op basis van hoe ze proberen de leemte te vullen die door ontbrekende data wordt achtergelaten. Sommige methoden vertrouwen op rijke beschrijvingen, zoals afbeeldingen of tekst, om een nieuw item te beschrijven voordat iemand het ooit heeft gekocht. Anderen maken gebruik van uitgebreide databases met feiten, bekend als kennisgrafen, om een nieuw product te koppelen aan soortgelijke concepten, zoals het verbinden van een nieuw type schoen aan het concept "hardlopen" of "leer". Sommige benaderingen proberen te leren hoe men snel leert, waarbij een kleine hoeveelheid data wordt gebruikt om zich aan een nieuwe situatie aan te passen, terwijl anderen extra oefendata genereren om het systeem te trainen wanneer de echte data schaars is. De survey laat zien dat deze strategieën vaak gecombineerd worden; een enkel systeem kan afbeeldingen, feiten en snelle leertechnieken tegelijkertijd gebruiken om een gok te wagen over een nieuwe gebruiker.

De belangrijkste bevinding van de survey gaat echter niet over welke methode de snelste of meest complexe is, maar over hoe de resultaten worden gemeten. De onderzoekers ontdekten dat het veld lijdt onder een verwarrende gebrek aan duidelijkheid in de definitie van "cold start". In veel studies beweren onderzoekers het cold-start probleem te hebben opgelost, maar ze testen hun systemen eigenlijk op items die slechts een paar interacties hebben, in plaats van op items met absoluut geen geschiedenis. De survey toonde aan dat van de 183 onderzochte studies er slechts 49, oftewel ongeveer 27 procent, strikt bewijs leverden dat hun methode werkte op gebruikers of items die tijdens de training volledig onbekend waren. De meerderheid van de studies, ongeveer 73 procent, testte op scenario's waarbij het systeem ten minste een beperkte geschiedenis had om mee te werken, of waarbij de data simpelweg schaars was maar niet volledig afwezig.

Dit onderscheid is van groot belang. Een methode die goed werkt wanneer een gebruiker op een paar items heeft geklikt, kan volledig falen wanneer die gebruiker op helemaal niets heeft geklikt. De survey wijst erop dat veel populaire technieken, met name diegenen die gebruikmaken van self-supervised learning of contrastieve methoden om extra trainingssignalen te genereren, uitstekend zijn in het omgaan met algemene dataschaarste, maar niet noodzakelijkerwijs bewezen werken voor de striktste vorm van cold start. De onderzoekers stellen dat het veld te comfortabel is geworden bij het testen op "low-degree" items — die met een paar verbindingen — terwijl ze de resultaten labelen als cold-start oplossingen. Dit creëert een misleidend beeld van vooruitgang, waarbij systemen beter lijken te worden in het omgaan met nieuwe gebruikers, maar mogelijk nog steeds blind zijn voor de echt nieuwe gebruikers.

De survey benadrukt ook de cruciale rol van zijinformatie (side information). Wanneer een systeem geen geschiedenis van een gebruiker heeft, moet het vertrouwen op andere details, zoals de locatie van de gebruiker, het apparaat dat zij gebruiken, of de tekst van hun profiel. De onderzoekers vonden dat graaf-methoden het meest effectief zijn wanneer ze worden gecombineerd met dit soort betrouwbare externe informatie. Ze waarschuwen echter ook dat veel studies niet duidelijk rapporteren welke informatie beschikbaar was voor het systeem tijdens het testen. Als een nieuwe methode een gedetailleerde afbeelding van een product gebruikt om een gok te doen, maar het systeem waarmee het vergeleken wordt geen toegang heeft tot die afbeelding, dan wordt de nieuwe methode niet eerlijk getest. De survey roept op tot een nieuwe standaard waarbij onderzoekers expliciet moeten vermelden welke informatie beschikbaar is op het moment van voorspelling en ervoor moeten zorgen dat hun vergelijkingen eerlijk zijn.

Kijkend naar de toekomst suggereren de auteurs dat de volgende generatie oplossingen waarschijnlijk hybriden zullen zijn. Geen enkele techniek, of het nu gaat om het gebruik van afbeeldingen, feiten of snelle leeralgoritmen, is een wondermiddel. De meest veelbelovende weg voorwaarts is het combineren van de structuur van de graaf met meerdere soorten zijinformatie en rigoureuze tests. Ze wijzen ook op opkomende gebieden, zoals het gebruik van grote taalmodellen om tekstbeschrijvingen van nieuwe items te begrijpen, maar merken op dat deze zich nog in een vroeg stadium bevinden en zorgvuldige evaluatie vereisen om te voorkomen dat ze fouten of vooroordelen introduceren. De survey concludeert dat voor de voortgang van het veld, onderzoekers niet langer verschillende soorten dataschaarste met elkaar mogen verwarren. Ze moeten het onderscheid duidelijk maken tussen de uitdaging van het omgaan met een gebruiker met een paar klikken en de uitdaging van het omgaan met een gebruiker met nul klikken, en ze moeten benchmarks bouwen die de werkelijke cold-start scenario's testen. Alleen door dit te doen, kunnen we aanbevelingssystemen bouwen die werkelijk klaar zijn voor de nieuwe gebruikers en nieuwe producten die elke dag arriveren.