智能推荐系统新用户冷启动—EE问题及Bandit算法！

前言

几乎在所有信息消费类的应用场景中，对于外部画像缺失的新用户，如何承接都是一个棘手但又十分关键的问题。承接的好，理所当然就能提升留存率，离人生巅峰就更进一步了，嘿嘿！

算法适用场景：

1. 新用户冷启动
2. 用户兴趣探索
3. (请各位补充）

如何定义新用户（冷启动用户）？

在这抛砖引玉，说三点简单的方法。

1. 综合曝光，点击数等行为。
2. 基于用户画像。
3. 综合各种信息。

Exploration and Exploitation（简称EE）

在推荐系统中：Exploitation的意义在于对用户感兴趣的要大力开发。但一直给用户推荐那几样内容，用户就会腻。所有就需要exploration。探索挖掘用户兴趣。

bandit算法

bandit算法泛指解决EE问题的所有算法，在此介绍其中较为经典的两种——LinUCB和Thompson Sampling。

Thompson Sampling：

简单来说：以用户对不同item的兴趣，分别计算兴趣值。且我们假设用户对item的兴趣是符合Beta分布的。

 

 

 

算法实现流程：

1. 每个臂(item或类目等）都对应一套（a,b)参数，然后通过上述公式生成beta随机数。