冷启动问题，大家并不陌生。但是如何解决呢？加特征，加样本，加图谱，加规则？十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是最好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？
不得不面对的冷启动！
冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。《Alleviating Cold-Start Problems in Recommendation through Pseudo-Labelling over Knowledge Graph》 这篇论文提出了基于GNN的知识图谱方法解决冷启动问题，该方法增加了伪标签做数据增强。这种方法使用了历史从未观察到的user和item作为正样本，补充到样本中。通过在知识图谱中为每个用户选择可能的正例，同时还进行了负采样策略，从而抑制偏差。通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。
问题描述
我们有一个集合的用户U和一个集合的item I，如果用户u和item i有交互，yu,i = 1，我们知道大部分(u,i)都是没有被观测过的，这是个非常稀疏的交互矩阵(u, i) U * I。我们把观测过的user item 对定义为 O = {(?,?)|? ∈ U,? ∈ I } 。同时我们还有个KG G = {(ℎ, ?, ?)|ℎ, ? ∈ E, ? ∈ R}，看过前几篇关于 GNN的肯定很清楚，h表示head entity，t表示target entity，r就是h和t的关系。然后我们目标就是预估那些未被观测到的yu,i。这篇论文用的GNN框架是KGNN-LS("Knowledge-aware graph neural networks with label smoothness regularization for recommender systems")，不是本文重点，本文重点介绍通过3种方法解决冷启动的样本问题。
半监督学习伪标签
我们的数据必须高度覆盖未观测数据，且不能把它们完全当成负样本。为了缓解观测到的(u,i)稀疏性问题，我们通过模型预测未观察到的样本(u,i)的label来增加正负标记数据。具体内容如下：
I , I− , 和 I ±分别表示正例，负例和伪标签，loss定义如下：
基于知识图谱和流行度采样
为了找到可靠的个性化伪标签，我们可以用观测到的user和item对，构建图，从而用h跳广度优先搜索算法(BFS)计算某个用户的正例(I )到各个未交互过的item( I ±)的路径数，通过以下概率公式采样伪标签:
a是一个控制采样分布偏度的超参，nu,i± 表示用户u有交互的item到未交互过的item路径数之和。从该公式，我们发现，如果观测过的item到未观测的item路径数越多，被采样到的概率越大。如果控制a为一个很小的值，这个采样分布就偏向于均匀分布，该论文a取0.5。
此外还有基于流行度的采样。由于冷启动的item相比较与流行的item，更容易被采样作为负样本，因此这个偏差会影响模型的效果，解决办法就是用下式概率分布进行负采样：
mu,i-表示i-与用户交互过的频次，b用于控制频次的重要程度。在训练时，确保三种样本(正例，负例，伪标签)是均匀的。下面算法给出了采样策略。
Co-training
我们知道，用伪标签训练模型，会造成模型优化过程不稳定，所以该论文引入了co-training方法，该方法同时训练两个模型f和g，每个模型的训练都依赖对方模型的预估结果。学习算法简单描述如下：
(1) 采样两个mini-batches B? 和 B?. 并通过f和g分别算出伪标签。
(2) 通过loss计算梯度，模型f用 B? 更新参数，模型g用B? 更新参数。
因此f在B?的loss函数定义如下：
实验
实验比较了各种基于KG的推荐算法，用了3个开源数据集，如下：
实验结果发现，KGPL在各个数据集的效果是可圈可点的。
