本文入选顶会SIGIR 2025
点击率预估任务通常会面临冷启动问题，即新用户因历史行为数据不足而难以进行准确预测。近期研究尝试通过编码器-解码器网络，基于活跃用户数据为冷启动用户生成虚拟行为表征。然而，现有方法存在两大缺陷：对活跃用户行为的编码技术过于简单化，且直接使用虚拟行为表征会导致用户兴趣表达受限、模型泛化能力不足。为解决这些问题，我们提出创新性的基于图同构网络的群体建模方法。该方案通过GIN网络有效捕捉用户-物品高阶交互关系，从而更精细地刻画用户多样化兴趣。结合群体建模策略，可显著减少嵌入构建偏差，增强模型泛化能力。我们在公开数据集和工业数据集上的实验表明，相较现有方法，新方案对活跃用户和冷启动用户均带来显著效果提升。
论文链接：https://dl.acm.org/doi/10.1145/3726302.3731936
一、业务背景与问题表现
1、业务场景：京东广告推荐系统
在京东的在线广告推荐系统中，系统每天需要为数亿用户实时推送个性化广告。CTR（点击率）预测模型是核心模块，直接决定广告收入和用户体验。
核心目标：预测用户对某个广告的点击概率 P(y=1∣u,i)P(y=1∣u,i)，从而排序并展示最可能被点击的广告。
2、冷启动问题（Cold Start Problem）的表现
冷启动问题是指推荐系统在缺乏用户-物品交互数据时，无法提供有效个性化推荐的困境。
| 用户类型 | 行为数据 | 问题表现 |
| 活跃用户（Warm User） | 有大量历史点击、浏览、收藏行为 | 模型可精准建模兴趣 |
| 冷启用户（Cold User） | 无/少历史行为、仅知基础属性（性别、年龄、地域） | 模型无法有效建模兴趣 → 推荐随机、点击率低、转化差 |
3、具体业务影响
新用户点击率低：因无行为数据，只能依赖统计特征，推荐“热门商品”或“默认广告”，缺乏个性化。
用户体验差：用户看到“与我无关”的广告 → 产生反感、降低平台信任度。
模型评估偏差：传统模型在“全体用户”上AUC表现良好，但在“新用户”子集上显著下降。
关键痛点： “没有行为，就没有兴趣” —— 但用户不能等行为积累后才被推荐。
二、问题抽象与动机提炼
1、零样本学习的核心思路
在缺乏交互数据的前提下，利用辅助信息（属性、内容、关系等）进行兴趣推断。“从千万个老用户的行为模式中，学习‘属性→行为’，‘行为→属性’的映射规则，然后用这个规则，基于用户的属性信息，为新用户生成一个‘虚拟的但合理’的行为推断。”
场景设定
一位新用户“小李”刚注册京东App，仅提供以下属性信息：性别-女，年龄-28岁，城市-北京，设备-iPhone 15，从未点击、购买过任何商品—— 行为数据为0。
传统推荐系统看到她，只能推“全站热销”：iPhone 17、AirPods、小米手环……
但系统中有多个与小李相似的活跃用户和其历史行为
用户A：性别-女，年龄-26岁，城市-北京，设备-iPhone16 ，历史点击- Apple Watch, 吹风机，扫地机器人……
用户B：性别-女，年龄-29岁，城市-北京，设备-iPhone16 ，历史点击- 运动服饰，网球拍……
基于这部分用户的历史兴趣，我们可以大致推断该类用户比较共同的兴趣范畴：她们生活在一线都市，注重生活品质与效率，偏好科技感强、能提升日常体验的智能家电，同时关注健康与自我管理。
零样本方法两大问题（论文动机来源）：
| 缺陷 | 描述 | 问题 |
| 1. 行为编码过于简单 | 用Mean-Pooling等方式直接聚合行为序列，忽略高阶交互（如：用户A买过手机+耳机 → 可能也买充电宝） | 生成的虚拟行为嵌入信息稀疏、表达力弱 |
| 2. 直接使用虚拟嵌入 | 将生成的虚拟行为嵌入直接输入CTR模型，未做校正 | 与真实行为嵌入存在偏差→ 模型学到的是“噪声兴趣” |
核心洞察： 我们不需要“完美还原”个体行为，而是要找到一群相似的用户，用群体共识来校正个体偏差。
2、论文的抽象与动机提炼
| 核心问题 | 抽象问题 | 论文动机 |
| 数据层面 | 个体行为嵌入表达力不足 | → 引入GIN图网络，建模高阶、非线性用户-物品交互 |
| 建模层面 | 虚拟嵌入有偏差 | → 引入群体建模（Cohort Modeling）：不依赖个体，依赖群体共识 |
| 系统层面 | 无法在线部署，延迟高 | → 设计预计算+实时读取架构，兼顾精度与效率 |
核心动机： “用图神经网络生成虚拟行为表征，再用群体共识校正个体偏差，实现冷启动用户的群体智能推荐”
三、论文解法与实验方案
1、整体架构
GINCM（Graph Isomorphism Network-based Cohort Modeling）
2、模型由三大模块协同工作
模块一：GIN-based Graph Encoder（高阶交互建模）
输入：用户-物品交互图（二部图），节点=用户/物品，边=点击/浏览
步骤：使用Graph Isomorphism Network (GIN)编码子图
◦GIN 相比GCN、GraphSAGE，GIN能捕捉更复杂的拓扑结构，能学习到更高级的用户-商品交互模式
输出：聚合后的用户行为表征
模块二：Joint Denoising Auto-Encoder（JDAE）—— 虚拟行为生成
目标：为冷启用户生成“虚拟行为嵌入”
输入：冷启用户的属性特征（如：性别=男，年龄=25，城市=北京）
结构：
编码器：将用户属性特征和用户行为特征都进行编码；
解码器：双向重建，用“行为”重建“属性” ，用“属性”重建“行为”•损失函数（式6）：
关键设计： 如果“25岁男性”能重建出“买手机+耳机”行为 → 说明模型学到真实模式 如果“买手机+耳机”能重建出“25岁男性” → 说明行为与属性强相关
模块三：Cohort Modeling Network（CMN）—— 群体共识校正
核心思想：以群体兴趣代替有偏的个体兴趣
步骤：
1、将生成的虚拟用户行为表征二值化（Binarization + STE）得到二进制码
2、STE（Straight-Through Estimator）允许反向传播通过二值化操作
3、每个二进制码代表一个群体（Cohort），如：[1,0,1,0,0,1,0,0]表示属于第1、3、6群体
4、对当前用户对应群体兴趣进行聚合
为什么有效？ 即使生成的用户行为表征有偏差，只要它落在“相似群体”中，就能被群体中心拉回正轨。 群体像“平均值”，能过滤噪声，提升鲁棒性。
3、实验方案与结果
数据集
| 类型 | 数据量 | 说明 |
| 公开数据集 | Amazon Reviews | 1.2M样本，标准benchmark |
| 工业数据集 | 京东广告系统 | 30亿样本，31天数据（前30天训练，最后1天测试） |
消融实验（Ablation）
| 模块 | 去除后新用户AUC | 结论 |
| 无GIN（用Mean Pooling） | ↓ 0.7321 | GIN对高阶交互建模非常重要 |
| 无JDAE（用默认向量） | ↓ 0.7112 | 虚拟行为生成效果优于直接用属性 |
| 无CMN（直接用虚拟嵌入） | ↓ 0.7145 | 群体校正比个体直接使用更鲁棒 |
在线部署与A/B测试
部署方式：
预计算：用户行为发生 → 图引擎实时构建子图 → GINCM计算并缓存
实时预测：精排阶段，直接读取缓存的 cohort embedding，无需重算图
结果：
CTR 提升 2.13%
RPM（千次展示收入）提升 2.13%
