推荐系统常见问题

推荐系统常见问题主要集中在以下4个维度：

• 冷启动
• 数据稀疏
• 不断变化的用户喜好
• 不可预知的事项

冷启动

1.用户冷启动：给新用户做个性化推荐

解决方案：

• 根据用户注册信息对用户进行分类
• 推荐热门的排行榜
• 基于深度学习的语义理解模型
• 引导用户把自己的属性表达出来
• 利用用户在社交媒体的信息

2.物品冷启动：把新的物品推荐给特定的用户

解决方案：

• 文本分析
• 主题模型
• 给物品打标签
• 推荐排行榜单

3.系统冷启动：新系统让用户感受到个性化推荐

数据稀疏

解决方案：

• 奇异值分解：降低矩阵维数能降低数据稀疏性
• 数据填充：假设用户对其感兴趣物品相似的物品也感兴趣
• 基于物品本身的信息：基于深度学习的语义理解模型

不断变化的用户喜好

• 对用户行为的存储有实时性
• 推荐算法要考虑到用户近期行为和长期行为
• 要不断挖掘用户新的兴趣爱好