冷启动问题——协同过滤（推荐系统）

1. 什么是冷启动问题

冷启动问题：推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣。

这类问题主要分为3类¹：

• 用户冷启动：即如何给新用户做个性化推荐
• 物品冷启动：即如何将新的物品推荐给可能对它感兴趣的用户
• 系统冷启动：即如何在一个新开发的网站（没有用户，没有用户行为，只有部分物品信息） 上设计个性化推荐系统，从而在网站刚发布时就让用户体会到个性化推荐

而本文主要讨论协同过滤（Collaborative Filtering）算法，该算法可以很好的解决第二种冷启动问题，，即物品冷启动。

---

2. 协同过滤

协同过滤可以分为两种：

• User CF：基于用户的协同过滤
• Item CF：基于物品的协同过滤
  

2.1 User CF

User CF：（User Collaboration Filter），是基于用户之间行为的方法，举个栗子：
有两位顾客，顾客A之前买过詹姆斯17、AHC洗面奶、伊利纯牛奶等商品；顾客B之前买过詹姆斯10、AHC洗面奶。
根据这两位顾客的历史购买喜好行为等信息、系统就会自然而然的推荐牛奶给顾客B。

2.2 Item CF

Item CF：（Item Collaboration Filter），基于物品的协同过滤
核心思想：为用户推荐他们之前喜欢的物品相似的物品。

主要分为2步：

1. 计算物品之间的相似度；
2. 根据物品的相似度和用户的历史行为完成推荐操作。

物品之间的相关程度通过物品本身的内部信息进行计算，比如：名称、商品成分、价格等信息。
基本思路就是将物品转换成嵌入向量，通过计算向量之间的相似度（例如计算余弦相似度），得到物品的相关程度。²

具体实例²如下：

最近在研究服装推荐相关的领域，有一起的小伙伴可以相互讨论哈！

最后日常心灵鸡汤来啦：
有人在奔跑，有人在睡觉，有人在感恩，有人在抱怨，有目标的睡不着，没目标的人睡不醒，
努力才是人生应有的态度，睁开眼就是新的开始。

---

1. 推荐系统浅谈系列（三） - 冷启动问题 ↩︎

2. [推荐算法]ItemCF,基于物品的协同过滤算法 ↩︎ ↩︎