推荐系统

1. 基础部分
2. 问题

• 物品冷启动：新加入系统的物品，因缺少行为数据而无法被扩散推荐，在注重时效性的场景，比如新闻类应用；
• 解决冷启动：

           方法1：基于内容的推荐算法，基于内容本身的信息，物品相似U1U2，根据内容属性：标题、描述、分类、标签、作者等映射成内容向量，然后余弦相似度计算；

           方法2：基于协同过滤的推荐算法，使用群体行为数据，如抖音的多级流量池算法（赛马机制），先根据标题、简介、封面、粉丝数等进行评级，然后依旧通过个性化内容标签分配，进入各级流量池，然后根据播放率、点赞率、转发、评论等晋升流量池，如不达标则不晋升流量池，推荐量停止，达到最高级流量池，冷启动结束，协同过滤可以很好进行推荐；

•