如何解决推荐系统中的冷启动问题？

当新用户或新项目进入内容平台时，就会出现冷启动（Cold Start）问题。

以协同过滤这样的经典推荐系统为例，假设每个用户或项目都有评级，这样我们就可以推断出类似用户/项目的评级，即使这些评级没办法调用。但是，对于新进入的用户/项目，实现这一点很困难，因为我们没有相关的浏览、点击或下载等数据，也就没办法使用矩阵分解技术来“填补空白”。

不过，研究人员已经提出了各种方法来解决冷启动问题。在这篇文章中，我们会简单介绍一些解决推荐系统中冷启动问题的方法，至于这些方法在实践工作中是否奏效，尚无定论。

精华版

•基于代表性：使用有代表性的项目和用户子集；

•基于内容：使用诸如文本、社交网络等的辅助信息；

•老虎机：考虑新项目中的EE问题（Exploration&Exploitation）；

•深度学习：使用黑盒子。

详细版

基于代表性

如果没有足够的用户和项目信息，我们可以更多地依赖那些能够“代表”项目和用户的用户。这就是基于代表性的方法背后的哲学。

代表性用户的兴趣偏好线性组合能与其他用户的无限接近。例如，基于代表性的矩阵因子分解（RBMF，Representative Based Matrix Factorization），其实是矩阵因子分解方法的扩展，其附加约束条件是m个项应该由k个项的线性组合表示，如下面的目标函数所示：

有了这个附加约束条件，就有了类似于标准MF方法的重建误差。当新用户进入平台时，要求新用户对这k个项进行评级，并用它来推断其他m-k项的评级。这种方法通过让用户对某些项目进行额外评级，从而改进对新用户的推荐。经过改进的RBMF只需要一部分新用户对这些项目评级，而不是所有的新用户。

优点

•用少数代表性用户来表达新用户，更具可解释性；

•是MF的简单扩展。