推荐系统中的用户冷启动问题

问题

在推荐系统中，新用户进入系统，缺乏用户行为特征，无法准确地用常用的CF等方法进行推荐。

方案

利用用户注册信息

• 人口统计学信息: 年龄 性别 职业 名族 学历 居住地： 计算离线相关表（按照一定权重相加，或者）

  
  给用户推荐热门物品并不是推荐系统的主要任 务，推荐系统应该帮助用户发现他们不容易发现的物品, 里分母中使用参数 的目的是解决数据稀疏问题。比如有一个物品只被1个用户喜欢过， 而这个用户刚好就有特征f，那么就有 p( f , i)  1 。但是，这种情况并没有统计意义，因此我们为 分母加上一个比较大的数，可以避免这样的物品产生比较大的权重，一般说来，粒度越细，精度和覆盖率也会越高。

• 用户兴趣的描述： 文字描述兴趣

• 从其他网站导入的用户站外行为数据：其它网站的社交网络信息和行为数据
• 设备信息：已安装APP，已下载音乐

推荐最热门的

选择合适的物品启动用户的兴趣

能够用来启动用户兴趣的物品需要具有以下特点：
1.比较热门
2.具有代表性和区分性
3.启动物品集合需要有多样性

，$N^+(i)$ 是喜欢物品i的用户集合，$N^-(i)$ 是不喜欢物品i的用户集合，$N(i)$ 是没有对物品i评分的用户集合.Nadav Golbandi将用户分成3类——喜欢物品i的用户、不喜欢物品i的用户和不知 道物品i的用户(即没有给i评分的用户)。首先会从所有用户中找到具有最高区分度的物品i，然后将用户分成3 类。然后在每类用户中再找到最具区分度的物品，然后将每一类用户又各自分为3类，也就是将 总用户分成9类

上下文信息

时间：上午 中午 下午
天气：晴天 阴天 雨天
状态：走路 跑步 坐下 躺下

参考

《推荐系统实践》：李航