冷处理

推荐算法(1)：协同过滤总结
推荐算法(2)：基于内容的推荐
推荐算法（3）：利用用户标签数据
推荐算法（4）利用上下文信息
推荐算法（5）利用社交网络数据
推荐算法（6） 实例
推荐算法(7)缺失的评分预测问题
推荐算法（8）评测指标
冷处理
冷处理问题：
1.用户冷处理
2.物品冷处理 （商品本身内容的信息）
3.系统冷处理：如何再一个新开发的网站上设计个性化推荐 （利用用户的社交网络登录，可以引入专家的信息）

用户冷处理：
解决方法:
1.提供非个性化的推荐。为新注册用户推荐热门的商品，等用户数据搜集到一定程度后，切换到个性化推荐；
2.利用用户注册时提供的年龄性别等数据做粗粒度的个性化；
注册信息：
（1).人口信息：年龄、性别、职业、民族、学历、居住地
（2)用户兴趣
（3)其他网站导入
基于注册信息的个性化推荐流程：
（1） 获取用户的注册信息；
（2）利用用户的注册信息对用户进行分类（一个用户根据不同特征会分到不同的类，再将特征进行组合，得到整个的推荐列表）；
（3）给用户推荐他所属的所有分类中用户最喜欢的商品。

3.要求用户在登录时对一些商品进行反馈，然后给用户推荐那些与反馈结果好的商品相似的商品；
如何选反馈物品：
（1）比较热门
（2）具有代表性和区分性（如何找到区分度最高的商品：一个商品的区分度D(i)由 三部分用户分别对除i之外的所有商品的评分的 方差累加得到。如果这3类用户集合内的用户对其他的物品兴趣很不一样，说明商品i具有较高的区分度。）
（3）启动物品集合需要多样性

4.利用用户的社交网络登录，导入用户在社交网络的好友信息，为用户推荐其好友喜欢的商品；
5.对于新加入的商品，可以利用商品内容信息，将其推荐给 喜欢过与它们内容类似的商品 的用户；
商品本身内容的信息
6.对于系统冷启动问题，可以引入专家的信息，通过一定的高效方式迅速建立起商品的相关度表；