Cold-Start Product Recommendation (冷启动商品推荐)

1. 解决的问题

新商品没有历史交互数据时，如何精准推荐给用户。

2. 核心算法逻辑

冷启动商品推荐解决的核心问题是：新商品没有历史交互数据时，如何精准推荐给用户。传统方法通过内容特征生成合成嵌入向量，但这会造成冷商品和热商品之间的表征差距。本框架采用LLM用户行为模拟的全新思路：让大语言模型基于世界知识和推理能力，模拟用户可能如何与新商品交互。

3. 业务应用场景

业务问题： 一款新上市的智能穿戴式吸奶器上架亚马逊，0销量、0评价、0浏览历史。如何在海量用户中找到最可能购买的目标用户，实现从0到1的突破？

数据要求： - 商品内容特征： - 标题："Wearable Breast Pump Hands-Free, Smart APP Control" - 描述：静音设计、APP追踪奶量、适合职场妈妈 - 类目：母婴 > 喂养 > 吸奶器 - 价格：$129.99 - 图片：产品图、使用场景图

- 用户历史数据： - 用户画像：孕期阶段、宝宝月龄 - 历史交互：浏览过的商品、购买记录 - 偏好标签：科技爱好者、职场妈妈、价格敏感度

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ✅ 月均上新50+ SKU的快速迭代品类
• ✅ 依赖算法推荐驱动销售的业务（如亚马逊、独立站首页推荐）
• ✅ 有GPU/LLM推理资源的团队
• ✅ 商品内容信息（标题、描述、图片）完整的业务
• ❌ 商品内容信息缺失（如只有商品ID，无描述）
• ❌ 低频上新（季度上新<10 SKU，可用人工策略）

7. 代码模板

代码块数量：2 · 路径：未检测到

"""
Cold-Start Product Recommendation using LLM Simulator
冷启动商品推荐 - 基于LLM用户行为模拟

基于论文: "Large Language Model Simulator for Cold-Start Recommendation" (WSDM 2025)
GitHub: https://github.com/ColdLLM-Team/ColdLLM-repo
"""

import numpy as np
import pandas as pd
from typing import List, Dict, Tuple, Optional
from dataclasses import dataclass
import warnings
warnings.filterwarnings('ignore')


@dataclass
class Product:
    """商品数据结构"""
    item_id: str
    title: str
    description: str
    category: str
    price: float
    attributes: Dict[str, str]


@dataclass
class User:
    """用户数据结构"""
    user_id: str
    history_items: List[str]  # 历史交互商品ID
    history_ratings: List[float]  # 历史评分
    demographics: Dict[str, str]  # 人口统计信息


class ColdStartRecommender:
    """
    冷启动商品推荐器 - ColdLLM简化版
    """

    def __init__(self, n_filter_candidates: int = 100,
                 n_simulate_interactions: int = 20):
        """
        初始化冷启动推荐器

        Args:
            n_filter_candidates: 过滤阶段候选用户数
            n_simulate_interactions: 最终模拟交互数
        """
        self.n_filter_candidates = n_filter_candidates
        self.n_simulate_interactions = n_simulate_interactions

        # 存储
        self.users = {}
        self.products = {}
        self.user_embeddings = {}
        self.interaction_matrix = None

    def add_user(self, user: User, embedding: np.ndarray):

8. 论文来源

• 2402.09176