Bridging the Semantic-Collaborative Gap: An Asymmetric Graph Architecture for Cold-Start Item Recommendation
本文提出了 Shallow-RHS，一种非对称图架构，旨在解决 Tubi 推荐系统中的冷启动挑战，通过训练内容编码器将内在特征直接映射到协同过滤感知的嵌入空间中，而不依赖于交互历史，从而实现新物品和新设备的即时检索。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心问题：街头上的“新来者”
想象一个拥有数百万本书籍（电影和节目）的巨大图书馆（Tubi）。这个图书馆的推荐系统就像一位超级聪明的图书管理员，他非常了解你的喜好，因为他知道你以前读过什么。这位管理员在推荐书籍方面表现出色，因为他掌握了你的阅读历史。
但问题在于：当一本全新的书到货时，会发生什么？
管理员从未见过这本书。还没有人读过它。由于管理员依赖于“谁读了什么”来进行判断，因此他完全不知道该如何推荐这本书。这就是“冷启动”问题。这本书静静地躺在书架上，对所有人来说都是隐形的，因为它没有任何“交互历史”。
同样的问题也会发生在新的图书馆成员（新设备）身上。如果有一个新人走进图书馆，管理员还不了解他，无法猜测他的喜好。
解决方案：一个专门的双人组系统
Tubi 的作者们构建了一个名为 Shallow-RHS 的新系统。你可以把这个系统想象成一个为了解决“新来者”问题而共同协作的两人小组。
1. 左手边 (LHS)：“社交侦探”
这位团队成员是关于人的专家。
- 工作方式： 他们观察用户的历史记录。“哦，你上周看了《动作片 A》和《喜剧 B》，还看了《科幻片 C》。”
- 魔力所在： 他们使用一种叫做“消息传递”（message passing）的技术。想象一下，他们正在图书馆里穿梭，与其他品味相似的人聊天。他们收集关于大众喜好的线索。
- 结果： 他们根据用户的社交行为和历史，为用户创建了一个非常详细的画像。
2. 右手边 (RHS)：“浅层观察者”
这位团队成员是关于内容的专家，但他有一个严格的规则：他被禁止与人交谈。
- 约束条件： 通常，推荐系统试图通过观察谁看了某部电影来学习关于电影的信息。但对于一部新电影，还没有人看过它！因此，这位团队成员被迫只能观察电影自身的特征。
- 观察对象： 标题、类型、演员、剧情摘要，甚至包括剧本（利用 AI 来理解故事）。
- 目标： 他们必须学会如何描述这部电影，使其能够与“社交侦探”对人们喜好的理解相匹配，即便他们从未见过任何一个人观看这部电影。
为什么这是“非对称”的？
这就像一场舞蹈，其中一个舞伴（用户）正在进行一套包含许多步骤的复杂舞步（历史），而另一个舞伴（新电影）则静静站立，手里举着一张写有自己描述的牌子。系统学习如何让这两个舞伴完美地共舞，即使电影本身还没有任何舞步。
“魔力之桥”：连接未知与已知
一旦系统训练完成，它就可以立即处理新电影。流程如下：
- 翻译： 当一部新电影到来时，“浅层观察者”阅读其描述，并将其转化为一段“代码”（嵌入/embedding）。
- 代理邻居： 系统查看这段新代码，并询问：“哪些旧的、热门的电影看起来最像这一部？”
- 类比： 想象一支不知名的新乐队在演奏一首歌。系统虽然不知道这支乐队，但它会说：“这首歌听起来完全像是 1990 年代某支著名乐队的热门歌曲。”
- 推荐： 系统将这首新歌推荐给那些曾经喜爱那首 1990 年代热门歌曲的人。
- 这被称为隐式图补全（Implicit Graph Completion）。系统假装这部新电影与那些旧的、热门的电影相连，从而使其无需等待真实的观看次数即可立即获得推荐。
解决新用户问题（设备冷启动）
论文还解决了新图书馆成员（新设备）没有观看历史的问题。
- 策略： 如果管理员还不了解你，他就会观察你的人口统计特征。
- 类比： 如果一个人戴着红帽子、拿着足球走进图书馆，管理员会假设：“啊，这个人很可能是一个来自这个社区的足球迷。”
- 系统将新用户归入“群体”（基于年龄、位置、设备类型等特征），并推荐该群体通常喜爱的内容。
结果：它奏效了吗？
团队在 Tubi（拥有数亿用户）进行了实地测试。他们进行了为期数月的实验，逐步改进系统：
- 阶段 1： 仅仅是将系统切换到这个新的“双人组”系统，就让新电影被更快地看到。
- 阶段 2： 给系统提供更好的描述（更多的元数据，如预算、评分以及更好的 AI 摘要），使其表现得更出色。
- 阶段 3： 修复缺失的数据（确保每部电影都有完整的描述），帮助系统更准确地理解电影。
- 阶段 4： 使用先进的 AI 来填补那些最难描述的电影（长尾内容）的空白，带来了最后的提升。
最终成果：
- 观看量增加： 人们观看的内容总量增加了。
- 推广更快： 新电影能更快地流行起来，因为它们能立即被推荐给正确的人。
- 第一印象更好： 新用户（新设备）对他们的首次推荐更加满意，因为系统利用群体数据准确地猜中了他们的兴趣。
总结
这篇论文描述了一种通过使用非对称性来推荐新电影并欢迎新用户的聪明方法。系统的其中一侧通过人类行为进行学习，而另一侧则严格通过内容的描述进行学习。通过迫使系统学习如何将“内容描述”转化为“人们想要看什么”，他们可以立即推荐全新的项目，从而弥合了“电影是什么”与“人们想看什么”之间的鸿沟。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。