推荐系统冷启动问题指的是新用户注册或者新物品入库,该怎么给新用户提供推荐服务让用户满意,怎么将新物品推荐出去,推荐给喜欢它的用户。
所以,冷启动包含用户冷启动和物品冷启动,下面分别描述怎么做用户和物品的冷启动,有哪些可行的策略。
用户冷启动:针对新用户,可行的推荐策略有如下几个:
1. 推荐热门物品或者必需品,这些物品往往是热点或者是购买最多的,比如视频推荐的新上映的大片,电商的畅销品,或者是生活必需品。
2. 基于用户的信息来做推荐,如年龄,性别,地域等。这要求平台事先要知道用户的部分信息,这在某些行业是比较困难的,比如OTT端的视频推荐。
3. 将库中的物品聚类,在给新用户推荐时,每个类别中推荐几个,总有一款是你喜欢的。
4. 当用户有很少的行为记录时,这时很多算法(比如协同过滤)还无法给用户做推荐,这时可以采用基于内容的推荐算法。
5. 当产品在拓展过程中,比如视频类应用,前期只做长视频推荐,后来拓展到短视频,那么对某些没有短视频观看行为的用户,怎么给他做短视频推荐呢?可以行的方式是借用迁移学习的思路,利用长视频观看历史,计算出用户的相似度,
如果某个用户没有看短视频,但是跟他相似的用户看了很多短视频,这时可以将相似用户看过的短视频推荐给该用户。
6. 事先构造选项,让用户选择自己的兴趣。
7. 利用社交信息来做冷启动,特别是在有社交属性的产品中,将好友喜欢的物品推荐给新用户。
物品冷启动:针对新上线的物品,可行的推荐策略有:
1. 基于物品的属性的推荐,一般新上线的物品或多或少都是有一些属性的,根据这些属性找到与该物品最相似的物品,
这些相似的物品被哪些用户“消费”过,可以将该物品推荐给这些消费过的用户。
另外一种思路是借用强化学习中的exploration-exploitation思想,将该物品曝光给随机一组用户,观察用户对物品的反馈,找到对该物品有正向反馈(观看,购买,收藏,分享等)的用户, 后续将该物品推荐给与正向反馈相似的用户。