推荐系统中的i2i,u2u2i,u2i2i和u2tag2i

推荐系统中的i2i,u2u2i,u2i2i和u2tag2i 是什么

推荐系统的冷启动问题

推荐系统的主要目标是将大量的标的物推荐给可能喜欢的海量用户, 这里涉及到标的物和用户两类对象。

任何互联网推荐产品, 标的物和用户都是不断增长变化的，所以一定会频繁面对新标的物和新用户, 推荐系统冷启动问题指的就是对于新注册的用户或者新入库的标的物, 该怎么给新用户推荐标的物让用户满意，怎么将新标的物分发出去，推荐给喜欢它的用户。

另外，如果是新开发的产品，初期用户很少，用户行为也不多，常用的协同过滤、深度学习等依赖大量用户行为的算法不能很好的训练出精准的推荐模型, 怎么让推荐系统很好的运转起来，让推荐变得越来越准确，这个问题就是系统冷启动。

总之，推荐系统冷启动主要分为标的物冷启动、用户冷启动、系统冷启动三大类。

[推荐系统冷启动 ](https://cloud.tencent.com/developer/article/1665549#:~:text=什么是冷启动？ 推荐系统的主要目标是将大量的标的物推荐给可能喜欢的海量用户%2C 这里涉及到,标的物 和 用户 两类对象。)

基于内容的推荐的优缺点

优点：

基于内容的推荐一般是推荐系统的起步阶段，而且会持续存在，其重要性不可替代。

(1) 为某一用户做推荐的时候不需要使用其他用户的数据。

(2) 产品冷启动阶段，新的物品要被推荐出去，首选内容推荐。

(3) 可解释性好，产品的特征决定了推荐值。

缺点：

(1) 某些物品的特征提取比较难。

(2) 过于专门化。永远不会推荐和用户曾经喜欢的物品不相干的物品，完全没有利用其它用户的喜好来提高对此用的推荐质量。

(3) 对于新用户有冷启动问题。新用户的用户画像为空，无法做出推荐。

新用户冷启动：推荐目前热度最高的物品、让新用户主动选择一些标签tag做推荐

适用场景：特别适合文本领域，比如新闻推荐等。核心在于把物品描述以及内容更好的利用起来。

基于内容的推荐算法