【学习笔记】读项亮的《推荐系统实践》_第三章推荐系统冷启动问题

第三章 推荐系统冷启动问题

这一章介绍推荐系统中冷启动时什么问题，以及通常怎么解决这个问题。

3.1 冷启动问题简介

冷启动问题的分类：1. 用户冷启动（新用户来了）；2. 物品冷启动（新物品来了）；3. 系统冷启动（整个推荐系统都是新的，也可以认为，它和“用户冷启动”的区别是，所有用户对系统冷启动来讲都是新用户，都面临冷启动问题）

冷启动问题的解决方案：说白了，就是尽可能利用信息给用户一个可以接受的物品列表，最常见的就是热门排行。

下面的几节介绍中，有的是根据冷启动问题分类来的，有的是从解决方案（能利用用户什么类型信息）来的。

3.2 利用用户的注册信息

解决用户冷启动问题，即新来了一个用户，如何推荐。

最简单的方法就是给用户推荐热门排行。再进一步，如果知道用户的分类（如：男或者女用户），或者能够通过一些信息（如：用户的注册信息）来获得用户的分类，在这个分类中，根据已有的用户统计这个分类下的排行，再把这个排行结果推荐给新用户。如果用户的注册信息不多，且用户填写的比较全面，则这些信息可以形成一个决策树的组织形式，新用户总会落到树的一个叶子节点（分类）中，推荐该节点下的热门排行就行了。不过难点在于，很少有用户会全面填写各种信息，当用户注册信息有（少量）缺失的时候，怎么对用户进行分类，并推荐热门排行。

上文说到算某一个子类的排行，那么在子类中依据什么对物品进行排序呢？这就要计算物品与子类中用户的关联程度，或者说这类用户对物品的喜好程度。则形式化地，定义N(i)为喜欢物品i的用户群体，定义U(f)定义为具有某个特征f的用户群体（例如：为男性用户），定义特征f与物品i的关联程度为：p(f, i) = | N(i) join U(f) | / ( | N(i) | + alpha)，参数alpha作用是解决数据稀疏问题。p表示概率，模计算表示集合的元素数量。

有条件的话，对用户的每个注册信息来进行评估测试，选取最靠谱的那个来区分用户、给用户排行。在无法做到这些的时候，就需要靠先验知识了。

3.3 选择合适的物品启动用户的兴趣

解决系统冷启动问题，及系统都是新做的，咋推荐？

作者应用的方法，是让用户回答一个问题列表，奥妙在于这个列表是随着用户的回答而改变问题的——系统计算，每次给用户提出最具区分力的物品，问用户是否感兴趣。那么对于当前用户来讲，什么是“最具区分力的”物品？Nadav Golbandi是这样想的：首先，对于一群用户和一些物品，如果用户对这些物品的打分的方差很大，说明这些用户的兴趣不一致；其次，对于某一个物品，用户的反应是，喜欢、不喜欢、无所谓（没有打分），这三种反应可以将用户分为三个群体；最后，要找的物品i满足如下条件，即物品i对将用户群体分为三类，这三类用户的方差都很大，即用户兴趣都不很一致，则物品i说是对这群用户是有区分力的。——我脑子有点晕，个人没太想明白Nadav这个假设对应的现实意义。

3.4 利用物品的内容信息

解决物品冷启动问题。

对于协同过滤的两种算法，UserCF对物品冷启动问题并不敏感，因为总有用户会访问到新物品，此时给那些相似的用户推荐这个物品，就会有越来越多的人来访问这个物品，形成良性循环。在ItemCF中，物品冷启动就是比较严重的问题了，因为：1. （个人理解）使用新物品的用户比较少，不容易计算新物品同其他物品的相似度（这种相似度是通过用户的行为来计算的），数据稀疏问题；2. 物品之间的计算好的相似度会load进内存，新物品到来，无法进入相关数据结构，说白了，就是标准ItemCF中没有为新物品预留数据结构，也没有动态更新物品相似度的机制。

解决方法是通过物品的内容来计算物品之间的相似度，并作为ItemCF的补充。物品之间的相似度可以通过余弦距离来计算。但是当文本很短，关键词很少的时候，余弦距离就很难计算出准确的相似度。作者推荐用topic model来处理，流行的有LDA模型。LDA描述了“文档--主题--词语”之间的概率关系。在计算物品相似度的时候，可以将物品（文档）通过LDA计算物品在话题上的分布，再利用话题分布的相似度来计算物品之间的相似度。话题分布相似度可以利用KL距离来计算，距离越大相似度越低——其时相似度数值并不重要，能比较就行。

3.5 发挥专家的作用

即利用专家来对数据进行标注。这个对绝大多数情况并不现实。