推荐系统之冷启动

任何推荐系统都要经历数据从无到有，从简单到丰富的过程。在某个特定场景下，对一个新用户而言，如何推荐其可能喜欢的物品，对于一个新物品而言，如何找到其受众，在推荐系统中被称为冷启动问题。

书中提到，“冷启动”分为三种：
1. 用户冷启动
2. 物品冷启动
3. 系统冷启动

主流的冷启动方案
1. 基于规则的冷启动
基于人工制定的某些规则来实现冷启动过程。例如对新用户推荐“热门”、“最新”，对某个地方的用户推荐编排好的内容，对新物品采用相似推荐的方法。

2. 丰富冷启动过程中可获得的用户特征和物品特征
丰富模型的用户特征和物品特征，使其在缺乏用户历史行为特征的时候，可以完成粗粒度的推荐。对用户而言，可增加其人口画像特征及外部合作数据，对物品而言，可增加其内容特征，例如颜色，标签，风格等。

3. 主动学习、迁移学习、探索与利用（Exploration and Exploitation）
主动学习、迁移学习这里略过。
探索与利用，在推荐系统中也称为EE问题，是计算广告和推荐系统里最常见的两大问题之一（另外一个是冷启动问题）。EE 问题中的利用（Exploitation），表示对用户比较确定的兴趣，要利用开采迎合；而探索（Exploration）则表示光对着用户已知的兴趣使用，用户很快会腻，所以要不断探索用户新的兴趣才行。

关于EE问题的参考资料：
https://lumingdong.cn/exploration-and-exploitation-in-the-recommendation-system.html