综述：深度学习与大型语言模型在推荐系统冷启动问题中的应用综述

冷启动推荐问题中，深度学习（DL）与大语言模型（LLMs）在内容、结构、迁移、生成四类范式中各有优势，结合可提升特征表示与数据增强能力，但缺乏标准化评估和策略整合研究。

摘要

推荐系统对于信息过滤至关重要，但往往由于交互数据有限而面临“冷启动”问题（即系统初期无法有效推荐内容）。深度学习（DL）和大型语言模型（LLM）的最新进展显示出潜力，然而对其有效性的系统分析仍然不足。为了解决这一差距，我们提出了一种基于范式的分类方法，根据信息的主要来源将解决方案分为四类：内容、结构、迁移和生成。在这一框架下，深度学习方法在利用交互日志和多模态数据中的内容和结构信息方面取得了进展；而大型语言模型则通过基于迁移的范式，在文本丰富但数据稀疏的环境中展现出优势，这些范式利用了语义理解和预训练知识。此外，新兴的生成式方法在合成数据或关系以缓解信息稀缺问题上具有潜力。目前尚不存在通用的解决方案；有效性取决于具体场景下的主导范式、数据可用性和计算成本。结合深度学习和大型语言模型可以带来诸多机会，包括改进特征表示、数据增强以及混合处理流程。然而，研究领域仍存在不足，尤其是缺乏标准化的评估指标，以及对集成策略的探索有限。从范式角度出发解决这些问题，可以显著提高推荐系统在多种场景下的鲁棒性和适应性。

本文属于以下分类：

• 应用领域 > 数据挖掘软件工具
• 技术 > 机器学习
• 技术 > 人工智能

图形摘要

推荐系统如何为新用户推荐相关内容？本文将前沿的深度学习和大型语言模型策略分为四种主要范式，为实现更智能、更个性化的推荐指明了方向。

利益冲突

作者声明没有利益冲突。

数据可用性声明

由于本研究未创建或分析新的数据，因此不适用数据共享。