DiffCold: 콘텐츠 기반 생성 모델을 이용한 초기 사용자 추천

DiffCold: A Diffusion-based Generative Model for Cold-Start Item Recommendation

초기 사용자를 위한 아이템 추천은 실제 시스템에서 상호작용 기록의 부족으로 인해 지속적인 과제를 안고 있습니다. 기존 모델들은 아이템의 콘텐츠 특징을 활용하여 이 문제를 해결하려고 시도하지만, 보편적으로 **seesaw dilemma (왕복 문제)**라는 어려움을 겪습니다. 즉, 초기 아이템의 성능을 향상시키면 기존 사용자(warm item)의 성능이 저하되고, 반대로 기존 사용자의 성능을 향상시키면 초기 아이템의 성능이 저하되는 현상이 발생합니다. 우리는 이 문제가 **분포 불균형**에서 비롯된다는 것을 확인했습니다. 기존 사용자에 대한 임베딩은 풍부한 상호작용 신호에 의해 형성된 복잡한 '행동 공간(behavioral manifold)'을 차지하는 반면, 초기 아이템의 임베딩은 보조 콘텐츠에서 파생된 제한적인 '의미 공간(semantic manifold)'으로 구성됩니다. 기존 방법들은 이러한 일관성 없는 공간 간에 엄격한 매핑을 강제하여 모델이 기존 사용자의 정밀성을 희생하여 초기 아이템을 수용하게 만듭니다. 이를 해결하기 위해, 우리는 **DiffCold**라는 콘텐츠 기반 생성 모델을 제안합니다. DiffCold는 GAN 또는 VAE와 달리, 조건부 확산(conditional diffusion)을 활용하여 콘텐츠로부터 기존 사용자 임베딩을 재구성함으로써, 하위 공간 구조를 손상시키지 않고 유지합니다. 또한, 우리는 이 패러다임을 두 가지 특정 설계로 개선했습니다. 첫째, **Retrieval-enhanced Aggregator (검색 기반 집계기)**는 의미적으로 유사한 기존 사용자를 활용하여 불필요한 노이즈를 줄이고 생성 과정을 초기화합니다. 둘째, **Simulation-based Representation Alignment (시뮬레이션 기반 표현 정렬) 모듈**은 콘트라스트 학습을 통해 생성된 임베딩과 실제 임베딩 간의 분포 일관성을 유지하도록 합니다. 세 가지 벤치마크에서의 실험 결과는 DiffCold가 seesaw dilemma를 해결하고, 모든 지표에서 최첨단 방법보다 우수한 성능을 보인다는 것을 확인시켜줍니다.

Cold-start item recommendation remains a persistent challenge in real-world systems due to the absence of interaction histories. While prior models attempt to bridge this gap using item content features, they universally suffer from the \textbf{seesaw dilemma}: enhancing performance for cold items inevitably degrades performance for warm items, and vice versa. We identify that this dilemma stems from a fundamental \textbf{distributional disparity}: warm item embeddings occupy a complex ``behavioral manifold" shaped by rich interaction signals, whereas cold item embeddings are constrained to a ``semantic manifold" derived solely from auxiliary content. Existing methods often force a rigid mapping between these inconsistent spaces, causing the model to sacrifice the precision of warm representations to accommodate cold ones. To address this, we propose \textbf{DiffCold}, a diffusion-based generative model that unifies warm and cold representations. Unlike GANs or VAEs, DiffCold leverages conditional diffusion to reconstruct warm item embeddings from content, preserving the underlying manifold structure without degradation. We further tailor this paradigm with two specific designs: a \textbf{Retrieval-enhanced Aggregator} that initializes generation using semantically similar warm items to bypass inefficient noise, and a \textbf{Simulation-based Representation Alignment} module that enforces distribution consistency between generated and real embeddings via contrastive learning. Experiments on three benchmarks confirm that DiffCold resolves the seesaw dilemma, consistently outperforming state-of-the-art methods across all metrics.