Task1-推荐系统中的冷启动问题_8.20

项目背景

• 为某高端车型用户的车载FM进行歌曲推荐，解决这部分用户歌曲/歌单推荐的冷启动问题。

方案

• 数据源
  
  • 淘系用户画像数据：对高端车型进行用户画像，筛选全体（label-taobaoid）
  • 虾米用户歌曲/歌单收听行为数据：埋点数据（taobaoid-pv）
• 策略
  
  • 基于【高端车型用户】提取其虾米上的收听行为数据，若相同则取其对应的数据（优化1：maybe可以基于user的相似度做推荐），若不同则取【高端车型用户】群体的歌曲/歌单list。
  • 重复性采样策略（保证不要每次都推一样的歌单）

冷启动方法思考

• 《推荐系统实践》中提出以下几种冷启动方法：

  • 提供热门内容，将热门的内容优先推给用户。
  • 利用用户注册信息，可以利用人口统计学的一些特征，如性别、国籍、学历、居住地来预测用户的偏好，当然在极度强调用户体验的今天，注册过程的过于繁琐也会影响到用户的转化率，所以另外一种方式更加简单且有效，即利用用户社交网络账号授权登陆，导入社交网站上的好友信息或者一些行为数据。
  • 在用户登录时收集对物品的反馈，了解用户兴趣，推送相似的物品。
  • 在一开始引入专家知识，建立知识库、物品相关度表；或者通过自然语言处理来进行文本的数据挖掘。
  • 通过用户在时间和地点的上下文来进行实时的预测

• 知乎大神

  • https://www.zhihu.com/question/19843390/answer/40454433
  • 利用用户在其他地方已经沉淀的数据进行冷启动。
  • 利用用户的手机等兴趣偏好进行冷启动。
  • 制造选项，让用户选择自己感兴趣的点后，即时生成粗粒度的推荐。【口味测试】