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

在数字世界中，我们不断被要求做出选择：看哪部电影、买哪件产品或阅读哪篇文章。为了帮助我们应对这些庞大的目录，被称为推荐系统的计算机程序会通过学习我们过去的行为来进行引导。它们观察我们的点击、评分或购买行为，并利用这些模式来猜测我们接下来可能喜欢什么。当有长期的交互历史可以研究时，这种方式运作得非常出色。但当系统遇到全新的事物时，它就会撞上一堵墙。想象一位刚刚注册且没有任何历史记录的新用户，或者一件尚未被购买或查看过的新产品。在这些时刻，计算机没有过去的数据可以依赖。它面临着“冷启动”问题，这是一种不确定状态，因为它无法形成可靠的猜测，因为证据根本不存在。对于在线购物、流媒体服务和社交媒体而言，这是一个根本性的问题，因为新的项目和用户每秒都在涌入。

为了解决这个问题，研究人员转向了一种不同的思考数据的方式。他们不再将用户和项目视为孤立的点，而是将它们视为一个庞大且相互连接的网络的一部分。在这种视角下，用户连接到他们喜欢的项目，而这些项目又连接到其他相似的事物、它们的描述、它们的图像以及同样购买了它们的人。这个网络是一个图（graph），一种映射关系的结构。当一个没有任何购买历史的新项目出现时，系统仍然可以通过观察它与其他事物的连接来了解它：它的颜色、价格、类别或制造该产品的品牌。通过沿着这些连接进行“旅行”，计算机可以从网络的已知部分借用信息，从而理解未知的部分。这种被称为图学习（graph learning）的方法，已成为解决冷启动问题的主要工具。

由研究人员 Samane Sayar 和 Amir Soltani 进行的一项近期批判性综述，深入探讨了这种基于图的方法如何被用于解决冷启动和数据稀缺问题。该团队不仅仅是查看了几篇新论文；他们收集并分析了大量发表于 2018 年至 2026 年间的 183 项科学研究。他们的目标是绘制出这些方法的完整版图，不仅要了解哪些方法有效，还要了解研究人员是如何定义他们试图解决的问题，以及他们是如何证明其解决方案确实有效的。他们发现，尽管该领域充满了巧妙的技术，但在许多研究声称取得的成就与它们实际展示出的成就之间，存在着显著的差距。

研究人员将这 183 项研究组织进一个清晰的框架中，根据它们尝试填补缺失数据留下的空白的方式进行分组。一些方法依赖于丰富的描述，例如图像或文本，以便在没有人购买新项目之前对其进行描述。另一些方法则使用被称为知识图谱的庞大事实数据库，将新产品与相似的概念联系起来，例如将一种新型鞋类连接到“跑步”或“皮革”的概念。还有一些方法试图学习如何快速学习，即利用少量数据来适应新情况，而另一些方法则生成额外的练习数据，以便在真实数据稀薄时训练系统。调查显示，这些策略经常被结合使用；一个单一的系统可能会同时使用图像、事实和快速学习技术，来对一个新用户做出猜测。

然而，该综述最重要的发现并不是关于哪种方法最快或最复杂，而是关于结果是如何衡量的。研究人员发现，该领域在如何定义“冷启动”方面存在着令人困惑且缺乏清晰度的问题。在许多研究中，研究人员声称解决了冷启动问题，但他们实际上是在针对那些仅有几次交互的项目进行测试，而不是针对完全没有任何历史记录的项目。调查发现，在他们审查的 183 项研究中，只有 49 项（约 27%）提供了严格的证明，证明其方法在训练期间完全未见过的用户或项目上有效。大多数研究（约 73%）测试的是系统至少拥有一些有限的历史记录，或者数据仅仅是稀疏而非完全缺失的情景。

这种区别至关重要。一个在用户点击了几次后表现良好的方法，在用户一次也未点击时可能会完全失效。该综述指出，许多流行技术，特别是那些使用自监督学习或对比方法来生成额外训练信号的技术，非常擅长处理一般的数据稀缺问题，但不一定被证明能有效应对最严格形式的冷启动。研究人员认为，该领域已经过于习惯于在“低度数”（low-degree）项目（即那些拥有少量连接的项目）上进行测试，却将其结果贴上冷启动解决方案的标签。这创造了一个误导性的进步图景，即系统看起来在处理新用户方面变得越来越好，但对于真正的全新用户，它们可能仍然是盲目的。

该综述还强调了侧面信息（side information）的关键作用。当系统没有用户的历史记录时，它必须依赖其他细节，例如用户的地理位置、使用的设备或其个人资料的文本。研究人员发现，当图方法与这种可靠的外部信息相结合时，效果最为显著。然而，他们也警告说，许多研究都没有明确报告在测试期间系统可以获得哪些信息。如果一种新方法使用产品的详细图像来进行预测，而与之对比的系统无法看到该图像，那么这种新方法就不是在公平地接受测试。该综述呼吁建立一个新的标准，要求研究人员必须明确说明在预测时刻有哪些信息可用，并确保其比较是公平的。

展望未来，作者们建议下一代的解决方案很可能是混合型的。没有任何一种单一的技术——无论是使用图像、事实还是快速学习算法——是万能灵药。最有前景的路径是将图的结构与多种类型的侧面信息以及严谨的测试相结合。他们还指出了一些新兴领域，例如使用大语言模型来理解新项目的文本描述，但同时也指出这些仍处于早期阶段，需要仔细评估以确保不会引入错误或偏差。该综述总结道，为了让该领域向前发展，研究人员必须停止混淆不同类型的数据稀缺。他们必须清晰地分离“处理具有几次点击的用户”与“处理一个点击都没有的用户”之间的挑战，并且必须建立能够测试真正冷启动场景的基准。只有这样，我们才能构建出真正能够应对每天到来的新用户和新产品的推荐系统。