前言：

在推荐系统中user&item emb往往是最重要的特征之一，在冷启动和长尾优化的工作中，往往也是优化的重点，相当一部分工作是围绕着emb优化展开，所以这里单独开了一章。

---

4)emb分布一致性

主要思路在于冷启内容emb和高活emb的一致性。通过对比学习，对抗网络来强化这一点，令生成的冷门物品嵌入可以具有与常规嵌入相似的分布，达到提升效果的目的。

比如《SIGIR '22：Generative Adversarial Framework for Cold-Start Item Recommendation》利用对抗网络来提升emb分布的一致性

5,显式强化最终emb分布一致性

主要思路也在于冷启内容emb和高活emb的一致性，《Item Cold Start Recommendation via Adversarial Variational Autoencoder Warm-up 》区别在于利用对抗网络显式强化最终emb分布的一致性。

6,生命周期一致性

主要思路在于冷启内容和自身的一致性，不仅仅强调冷启动和高活emb一致，更突出了和自身训练充分后的emb一致《Generative Adversarial Style Transfer Networks for Face Aging》

7,emb 分类一致性

在物品冷启动，打分的时候，一个用户往往对应多篇文章，所以item 冷启动的一致性，一般强调的是信息补充和使emb不受歧视。用户冷启动，user emb对所有文章是公平的，user emb被歧视的问题影响相对弱，所以用户冷启动更要强调的是用户emb从相同类别用户中获取到用户的公共兴趣增益。

如：《A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps》将热启用户聚类成K个簇，再将冷启用户划分到最相似的簇，将簇中心作为冷启用户的embedding表示进行推荐

8,emb和最近行为的一致性

用户的兴趣是在实时变化的，user emb能和跟随最近用户的变化而变化。

如《Transform Cold-Start Users into Warm via Fused Behaviors in Large-Scale Recommendation》利用了用户点击序列和user emb融合来产生出一个跟随用户行为变化的emb