【推荐算法】冷启动

具体地讲，根据数据匮乏情况的不同，冷启动问题主要分为 3 类：

• 用户冷启动：新用户注册后，没有历史行为数据。
• 物品冷启动：新物品上架后，没有用户对该物品的交互数据。主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。
• 系统冷启动：新系统上线时，缺乏所有历史相关数据。如何在一个新开发的网站上（还没有用户，也没有用户行为，只有一些物品的信息）设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。

可以把主流的冷启动策略归纳为以下三类：

• 基于规则的冷启动过程；
• 丰富冷启动过程中可获得的用户和物品特征；
• 利用主动学习、迁移学习和“探索与利用”机制。

一、基于规则的冷启动过程

有以下几种策略策略：

• 提供非个性化的推荐：“热门排行榜”、“最近流行趋势”、“最高评分”等；
• 利用用户注册时提供的年龄、性别等信息做粗粒度的个性化推荐；
• 利用用户的社交网络账号登录（需要授权），导入用户在社交网站上的好友信息。为其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偏好信息，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；
• 在系统冷启动时，可以引入专家知识，通过一定的高效方式迅速建立起物品的相关度表。

二、 丰富冷启