生成推荐中的冷启动：可重复性研究

冷启动推荐仍然是动态开放世界平台中的一个核心挑战，要求模型在稀疏或缺失的交互信号下为新注册用户推荐（用户冷启动）并向现有用户推荐新引入的项目（项目冷启动）。最近基于预训练语言模型（PLM）构建的生成推荐器通常期望通过使用项目语义信息（例如标题和描述）和有限用户上下文的测试时间条件来减轻冷启动。然而，在现有研究中，冷启动很少被视为主要评估设置，并且报告的收益很难解释，因为关键的设计选择，例如模型规模、标识符设计和训练策略，经常一起改变。在这项工作中，我们在一套统一的冷启动协议下提出了生成推荐的系统再现性研究。