推荐系统冷启动

学习https://zhuanlan.zhihu.com/p/79950668
这篇文章做的笔记。

一、什么是冷启动

推荐系统冷启动问题指的就是，

对于新注册的用户或者新入库的标的物, 该怎么给新用户推荐标的物让用户满意，怎么将新标的物分发出去，推荐给喜欢它的用户。

系统冷启动指的是，

对于新开发的产品，初期用户很少，用户行为也不多，常用的协同过滤、深度学习等依赖大量用户行为的算法不能很好的训练出精准的推荐模型, 怎么让推荐系统很好的运转起来，让推荐变得越来越准确。

二、冷启动面临的挑战

1. 对新用户知之甚少；

   （1）没有用户个人身份属性及兴趣偏好等信息，无法得到用户画像；

   （2）用户没有访问记录，不足以用复杂算法推荐模型。

2. 对新的标的物，不知道什么用户喜欢它；

   一般只能根据用户历史行为，新的标的物于库中存在的标的物建立相似性联系，基于相似性进行推荐。

   然而存在：

   （1）标的物信息不完善，包含的信息不好处理、数据杂乱；

   （2）新标的物产生速度太快，短时间来不及处理或处理成本太高；

   （3）新的品类标的物，无法与库中已有标的物联系。

3. 对新开发的产品，从零开始发展用户，冷启动问题更加凸显。

三、解决冷启动问题的重要性

1. 新用户、新标的物是持续产生、无法避免的，冷启动问题伴随整个产品的生命周期；
2. 当投入很大的资源推广产品，短期内吸引大量用户注册时，用户冷启动问题更加严峻；
3. 如果不解决冷启动问题，新用户一直会得不到好的推荐体验，极有可能会流失掉。

四、解决冷启动的方法和策略

7个策略：

1. 提供非个性化的推荐(用户冷启动)

   （1）先验数据：热门内容、生活必需等；

   （2）多样化选择：不同类型（热门的类）每类推荐一个；

2. 利用用户注册时提供的信息(用户冷启动、系统冷启动)

   （1）人口统计学数据：用户画像；

   （2）社交关系：推荐好友喜欢的标的物；

   （3）用户填写的兴趣点；

3. 基于内容做推荐(用户冷启动、系统冷启动)

   比如看一部电影，推荐类似题材的电影。（基于少量行为就能给用户推荐）

4. 利用标的物的metadata信息做推荐(标的物冷启动)

   （1）标的物和用户行为（通过他看过的标的物特征的叠加）的相似性；

   （2）标的物和标的物的相似性。

5. 采用快速试探策略(用户冷启动、标的物冷启动)

   （1）先随机或按照非个性化推荐->挖掘用户兴趣点；【用户冷启动】

   （2）新标的物随机曝光给一批用户->找到有正反馈的用户推荐。【标的物冷启动】

6. 采用兴趣迁移策略(用户冷启动、系统冷启动)

   基于老产品上用户的特征迁移在新产品上。

7. 采用基于关系传递的策略(标的物冷启动)

   短视频与长视频有相似关系，长视频与喜欢它的用户有相似关系，最终得到短视频与用户有相似关系。（这不是标的物与标的物的相似性吗？）

新视角看冷启动

用户对喜欢的内容诉求主要四种情况：

（1）需求很明确。比如我就是想看”狂暴巨兽”；

（2）需求很明确。想看最近正在热播的内容；

（3）需求有一定范围，但是不明确。比如我想找恐怖电影看；

（4）需求完全不明确，如果给我的内容我喜欢就会看。

那么，对于上述(1)，搜索可以满足用户需求；对于(2)，热播榜可以满足用户诉求；对于(3)，筛选可以满足用户需求；对于(4)，给出各种风格各异的内容，让用户快速选择自己喜欢的类型。（好妙啊）

五、不同推荐产品形态解决冷启动的方案

推荐系统主要5种范式：

1. 完全个性化范式

2. 群组个性化范式

3. 非个性化范式

4. 标的物关联标的物范式

5. 笛卡尔积范式

   ？？？没看懂，不就是非个性化推荐的意思咩，还是说两个具有相似兴趣的用户，标的物互相推荐？

六、设计冷启动需要注意的问题

1. 逐步迭代

   选择效果更好的方法，不断优化。

2. 量化冷启动用户的比例及转化效果

   多少用户采用了冷启动策略、各种冷启动策略及非冷启动策略的比例、冷启动策略的转化效果及与其他非冷启动策略的转化效果的对比 -> 不同维度去优化

3. 级联推荐

   优先利用所有已知的最好信息，尽量减少采用非个性化冷启动推荐的比例，最大程度提升用户的使用体验。

   比如，如果协同过滤有推荐结果就采用协同过滤的结果，没有的话(可能是新注册不久的用户)就采用基于内容的推荐，如果用户没有看任何内容这时可以采用冷启动推荐(如热门推荐等)。

4. 维护提供标的物的第三方利益

   确保更好地将优质的标的物尽量推荐给更多的用户，质地差的标的物少推荐。

七、冷启动未来发展趋势

1. 解决冷启动的迫切性；

   在竞争激烈的情形下，留住新用户需要优化推荐的冷启动方法；

2. 更加实时了解用户兴趣；

   同时随着硬件的升级和边缘计算的发展，在终端部署复杂的深度学习模型变得可行，我们可以直接在终端中做复杂的计算处理，快速获取用户的特征。

3. 新的解决冷启动的方案；

   未来可能出现，你开启APP摄像头自动识别你或者你说一句话，APP马上就可以识别出你的年龄、性别、心情、着装、体型、精神状态等特质，这样立马就为你构建了一套专属的用户画像，基于该用户画像，系统马上就可以为你推荐跟你的画像匹配的标的物。

4. 资源共享的协同效应。

   这个APP的新用户, 可能就是另外一个APP的老用户,可以从另外一个APP知道他的信息, 这些信息可以帮助第一个APP来更好的做冷启动。