Recommender systems are widely used in online platforms for easy exploration of personalized content. The best available recommendation algorithms are based on using the observed preference information among collaborating entities. A significant challenge in recommender system continues to be item cold-start recommendation: how to effectively recommend items with no observed or past preference information. Here we propose a two-stage algorithm based on soft clustering to provide an efficient solution to this problem. The crux of our approach lies in representing the items as soft-cluster embeddings in the space spanned by the side-information associated with the items. Though many item embedding approaches have been proposed for item cold-start recommendations in the past—and simple as they might appear—to the best of our knowledge, the approach based on soft-cluster embeddings has not been proposed in the research literature. Our experimental results on four benchmark datasets conclusively demonstrate that the proposed algorithm makes accurate recommendations in item cold-start settings compared to the state-of-the-art algorithms according to commonly used ranking metrics like Normalized Discounted Cumulative Gain (NDCG) and Mean Average Precision (MAP). The performance of our proposed algorithm on the MovieLens 20M dataset clearly demonstrates the scalability aspect of our algorithm compared to other popular algorithms. We also propose the metric Cold Items Precision (CIP) to quantify the ability of a system to recommend cold-start items. CIP can be used in conjunction with relevance ranking metrics like NDCG and MAP to measure the effectiveness of the cold-start recommendation algorithm.

中文翻译：

---

简单有效的无神经软簇嵌入，可用于项目冷启动建议

推荐系统广泛用于在线平台，可轻松浏览个性化内容。最佳可用推荐算法基于在协作实体之间使用观察到的偏好信息。推荐人系统中的一项重大挑战仍然是商品冷启动推荐：如何有效地推荐没有观察到或过去的偏好信息的商品。在此，我们提出一种基于软聚类的两阶段算法，以提供针对此问题的有效解决方案。我们方法的症结在于将项目表示为与项目相关联的侧面信息所跨越的空间中的软集群嵌入。尽管在过去我们已经提出了许多物品嵌入方法来建议物品冷启动，而且看起来很简单，但据我们所知，在研究文献中还没有提出基于软簇嵌入的方法。我们在四个基准数据集上的实验结果最终表明，与最新算法相比，与常用算法相比，与归一化贴现累积增益（NDCG）和平均平均值之类的最新算法相比，该算法可以在项目冷启动设置中提供准确的建议。精度（MAP）。与其他流行算法相比，我们在MovieLens 20M数据集上提出的算法的性能清楚地证明了我们算法的可扩展性。我们还提出了指标 我们在四个基准数据集上的实验结果最终表明，与最新算法相比，与常用算法相比，与归一化贴现累积增益（NDCG）和平均平均值之类的最新算法相比，该算法可以在项目冷启动设置中提供准确的建议。精度（MAP）。与其他流行算法相比，我们在MovieLens 20M数据集上提出的算法的性能清楚地证明了我们算法的可扩展性。我们还提出了指标 我们在四个基准数据集上的实验结果最终表明，与最新算法相比，与常用算法相比，与归一化贴现累积增益（NDCG）和平均平均值之类的最新算法相比，该算法可以在项目冷启动设置中提供准确的建议。精度（MAP）。与其他流行算法相比，我们在MovieLens 20M数据集上提出的算法的性能清楚地证明了我们算法的可扩展性。我们还提出了指标 与其他流行算法相比，我们在MovieLens 20M数据集上提出的算法的性能清楚地证明了我们算法的可扩展性。我们还提出了指标 与其他流行算法相比，我们在MovieLens 20M数据集上提出的算法的性能清楚地证明了我们算法的可扩展性。我们还提出了指标Cold Items Precision（CIP）可以量化系统推荐冷启动项目的能力。CIP可以与NDCG和MAP等相关性排名指标一起使用，以衡量冷启动推荐算法的有效性。