推荐系统 - 冷启动问题 and 基于兴趣内容的推荐

• 冷启动 Cold Start

  • 冷启动主要类别

    冷启动问题一般归为 3 个类别：

    1. 系统冷启动：由于新业务，新上线的推荐系统，没有任何数据基础；

    2. 用户冷启动：由于新注册用户，缺少点击、浏览及购买等历史数据；

    3. 物品冷启动：由于新上线商家、物品等，缺少浏览购买等历史数据；

  • 对应处理方案

    1. 对于系统冷启动

       $\bullet$ 整个推荐系统新上线，缺少基础数据。对于系统冷启动，应当引入外部资源，利用专家经验，选用合适推荐架构、建立合适的推荐策略，并适当建立物品间关联。

    2. 对于用户冷启动

       $\bullet$ 拓展用户画像，注册时收集信息。比如年轻的都市女性，往往有较高的消费能力，在推荐策略上可以推荐高规格的一些内容；

       $\bullet$ 利用社交账号登陆，可从社交账号中获取用户详细信息；

       $\bullet$ 特征挖掘，例如利用身份证号获取省、市、出生年月日、性别；利用出生年月可获得星座、属相等；

       $\bullet$ 预采集，在初次登陆时让用户勾选感兴趣标签；

       $\bullet$ 预推荐，记录所有用户在注册后的兴趣物品发展情况，将新注册用户在初始注册的特征空间中进行聚类，将其他相似用户的后续感兴趣的物品进行推荐

       $\bullet$ 热门推荐，利用群体效应，将当前热门内容进行推送，大概率被用户接受；

       $\bullet$ 随机推荐，将不同类别物品进行推荐，试探用户喜好，根据反馈做下一步推荐。

    3. 对于物品冷启动

       $\bullet$ 特征挖掘，聚类推荐。提取出物品特征，而后对物品进行归类，之后利用基于物品相似度进行推荐；

       $\bullet$ 给与新物品适度的曝光机会。

  除了上述 3 种针对不同情况的不同处理方法以外，还有一种基于兴趣内容的推荐方法，下面进行介绍。

• 基于兴趣内容的推荐

  • 是什么

    针对新用户没有浏览、点击以及购买等历史数据，可以应用基于兴趣内容的推荐。简单来说就是计算用户与物品的匹配度，用于预测用户的兴趣。

    在同一个特征空间内，对用户与物品进行描述，特征可以是关键词、打标签等。

    例如：

    用户_1（兴趣）	体育	足球	意甲
    文章_1（属性）	体育	足球	英超

    之后利用 one-hot 编码进行向量化，而后计算匹配度。将匹配度高的进行推荐。

    item	体育	足球	意甲	英超
    用户_1（兴趣）	1	1	1	0
    文章_1（属性）	1	1	0	1

  • 优点与缺点

    优点：

    $\bullet$ 无需其他用户、物品信息，用户、物品较少时也适用；适用于冷启动情景；

    $\bullet$ 可以推荐冷门或新物品，能够针对用户进行更个性化推荐；

    $\bullet$ 可解释性强，基于特征相似情况计算匹配度，便于提供推荐理由；

    缺点：

    $\bullet$ 要求抽取出有意义的特征；

    $\bullet$ 无法利用群体效应；

    $\bullet$ 依据用户的喜好进行推荐，很难出现新的推荐结果（惊喜）；

  • 重点

    $\bullet$ 抽取特征方法；

    $\bullet$ 匹配度计算（相似度、利用决策树、线性分类器判断是否喜欢）；