读书笔记：推荐系统实践-第三章-推荐系统冷启动问题

1、冷启动问题简介

冷启动主要分为三类：

• 用户冷启动
• 物品冷启动
• 系统冷启动

对于冷启动问题的一些解决方案：

• 提供非个性化推荐，如热门排行榜，行为数据积累到一定程度以后再用个性化推荐
• 利用用户注册时提供的年龄、性别等数据做粗粒度的个性化
• 利用用户的社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然后给用户推荐其好友喜欢的物品
• 要求用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐那些和这些物品相似的物品
• 对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户
• 引入专家的知识，通过一定的高效方式迅速建立起物品的相关度表。

下面分别进行介绍

2、利用用户注册信息

注册信息有三种，这里主要讨论第一种：

• 人口统计学信息 包括用户的年龄、性别、职业、民族、学历和居住地
• 用户兴趣的描述 有一些网站会让用户用文字描述他们的兴趣
• 从其他网站导入的用户站外行为数据

基本推荐流程：

• 获取用户的注册信息
• 根据用户的注册信息对用户分类，有时候也可以考虑组合特征
• 给用户推荐他所属分类中用户喜欢的物品，取最喜欢的topN进行推荐

算法核心问题：计算每种特征的用户对各个物品的喜好程度，α是为了解决稀疏问题。

利用的用户人口统计学特征越多，越能准确地预测用户兴趣

3、选择适合的物品启动用户兴趣

主要问题：如何选择物品让用户进行反馈
选择物品需要如下特点：

• 比较热门
• 具有代表性和区分性
• 启动物品集合需要有多样性
  如何选择启动物品集合的系统？
• Nadav Golbandi说用决策树解决，这棵树的分裂是以区分度来度量的
  

4、利用物品的内容信息

UserCF和ItemCF与冷启动问题

• UserCF对物品冷启动问题不敏感。很多网站对用户不止有推荐列表一个曝光位置，基于其他位置的曝光可以得到最初的一些行为数据，基于这些行为数据进行推荐就可以。但是当推荐列表是主要的信息获取途径的时候，就需要考虑利用物品的内容信息。
• ItemCF对物品冷启动问题比较敏感，因此只能利用物品的内容信息计算物品相关表，并且频繁地更新相关表
  

物品内容表示可以使用向量空间模型

• ei就是关键词， wi是关键词对应的权重。w可以是TF-IDF，也可以是推荐物如电影的时候，演员的重要程度。
• 物品的内容相似度可以通过向量之间的余弦相似度计算
• 具体计算可以考虑协同过滤过程中使用倒排表的手法

ItemCF VS 内容相似度

• 内容相似度会忽视用户行为，以及物品的流行度和用户行为中所包含的规律
• 如果用户的行为受到某一内容属性的影响，那么内容过滤算法可以在精度上超过协同过滤算法，但是这种强内容特征需要丰富的领域知识。

当文本比较短时，话题模型LDA更有用

基本思想：一个人在写一篇文档的时候，会首先想这篇文章要讨论哪些话题，然后 思考这些话题应该用什么词描述，从而最终用词写成一篇文章。因此，文章和词之间是通过话 题联系的。

LDA的计算过程包括初始化和迭代两部分。

• 首先要对z进行初始化，而初始化的方法很简单， 假设一共有K个话题，那么对第i篇文章中的第j个词，可以随机给它赋予一个话题。同时，用NWZ(w,z)记录词w被赋予话题z的次数，NZD(z,d)记录文档d中被赋予话题z的词的个数。
• 在初始化之后，要通过迭代使话题的分布收敛到一个合理的分布上去

在使用LDA计算物品的内容相似度时，我们可以先计算出物品在话题上的分布，然后利用两 个物品的话题分布计算物品的相似度。

计算分布的相似度可以利用KL散度：

5、发挥专家的作用

利用专家进行标注

Jinni的例子：半人工、半自动

• 首先，它让专家对电影进行标记，每个电影都有大约50个基因，这些基因来自大约1000个基因库。
• 然后，使用自然语言理解和机器学习技术，通过分析用户对电影的评论和电影的一些内容属性对电影（特别是新电影）进行自己的标记
• 同时，设计了让用户对基因进行反馈的界面，希望通过用户反馈不断改进电影基因系统