SwapRec: Warming Up Cold Items Through Training-Time Swaps
Marta Moscati, Jan Malte Lichtenberg, Davide Abbattista, Antonio De Candia, Laura Boggia, Matteo Ruffini
cs.IR, cs.MM
2026-09-01
工业界推理时常用相似热品替换冷品，但SASRec在音乐数据上swap后HR@10从0.318掉到0.042。SwapRec把同一替换提前到训练，swap后HR@10回到0.240。
ID 序列推荐给每个商品一个 embedding，冷品几乎没被点过，embedding 更新不到。用户刚点了冷品，把这次点击喂进模型会把偏好估计带偏；丢掉这次点击，实时个性化又停了。工业上的土办法是推理时把冷品换成侧信息最像的热品，住房和电商都有类似做法。
这个办法默认模型对「语义相近的 ID」表现一样。Albatross AI 和林茨开普勒大学指出：热品和冷品出现在不同用户、不同序列里，训练从未见过这种替换，推理期一 swap，准确率会塌。
SwapRec 不改 SASRec、BERT4Rec 的结构，只改训练序列。用侧信息（音频、标题描述、剧情文本）算每个商品的最近邻映射 φ。训练时每个位置以概率 pswap 把商品换成 φ(该商品)，且一条序列最多换 Mswap 次。输入和训练目标一起换。冷品本来很少出现，被换进来的机会反而多，ID embedding 能多更新几次。Mswap 还让替换更常发生在序列前部，后续子序列都能当监督。
推理时只换输入里的冷品，不换要预测的目标。pswap 和 Mswap 当超参。
评测用全局时间切分，测试集占 20% 交互，序列最长 40。k-core 从常见的 5 降到 2，把冷品留下。三个域：
| 数据 | 用户 / 商品 / 交互 | 侧信息 |
| Music4All-Onion | 2.0 万 / 5.3 万 / 1729 万 | 音频 MusiCNN |
| Amazon AllBeauty | 1.3 万 / 0.7 万 / 50 万 | 标题+描述 MiniLM |
| ML-20M | 11.2 万 / 1.2 万 / 1992 万 | IMDB 剧情 mpnet |
冷品阈值是训练集交互次数 ntrain ≤ 10。对照还有 MultVAE、Item-kNN、ALS；这些协同过滤基线不支持 swap 推理。
不 swap 时，序列模型全面高于非序列基线。SwapRec 对整体 HR@10 几乎不伤，ML-20M 上 SASRec 还从 0.1185 升到 0.1202。
一做推理期 swap，没有 SwapRec 的模型掉得很狠。
| 数据 | SASRec 整体 swap HR@10 | +SwapRec |
| Onion | 0.0422 | 0.2404 |
| Amazon | 0.0098 | 0.0454 |
| ML-20M | 0.0524 | 0.1102 |
Onion 上原 SASRec 从 0.3183 掉到 0.0422；SwapRec 在不 swap 时 0.3104，swap 后仍有 0.2404。BERT4Rec 方向相同，幅度小一些。
严格冷启动（ntrain=0）试了三种处理：swap、随机初始化 embedding、直接丢掉该商品。没有 SwapRec 时，swap 在 Onion 上比丢掉该商品更差（SASRec 0.0423 vs 0.2197），音乐会话长，模型还能靠前面的热品撑着。加上 SwapRec 后，推理期 swap 变成最好的处理：Onion SASRec 0.2405，Amazon 0.0494，ML-20M 0.1102。
内容侧，Amazon top-10 里冷品占比从 30.7% 到 31.8%，目录覆盖率从 0.5779 到 0.6322。提升幅度不大，但 CDF 全程在 SASRec 上方，不是阈值切出来的假象。
很多团队已经在推理期做近邻替换，问题是训练没见过这种输入。SwapRec 的主张很窄：同一启发式提前到训练，ID 模型不用改成多模态，也不用另训 semantic ID。对已经上了 SASRec、又用侧信息近邻顶冷品的栈，这是改数据管线就能做的补丁。
它不是更强的冷启动算法。和 DropoutNet、语义 ID、多模态单塔比，它故意走更简单的路，换来的是能接到现有 ID 序列模型上。
作者列得很清楚。评测只 swap 序列最后一项，因为序列模型对最近一次交互最敏感；真实会话里冷品可以出现在任何位置，多次替换、不同位置、不同近邻映射都没测。φ 只取最相似的一个热品。对比损失（像同义词那样拉近可替换 ID）没做。ID embedding 空间被训练期 swap 拧成什么样，也没有分析。
Amazon 冷品占比只多 1.1 个百分点，内容冷启动的获益有限。Onion 上 BERT4Rec 加 SwapRec 之后，冷序列 swap 的 HR@10 和原 BERT4Rec 一样是 0.1597，不是所有骨干都吃到同等红利。车间论文，数据量和骨干都偏标准，没有在线 A/B。