推荐系统的冷启动问题

1. 概念

推荐系统本质上是基于历史数据向用户进行个性化推荐，在系统初期或者新用户注册、新物品上线时，并没有历史数据为基础实现推荐，这种情况称为推荐系统冷启动。

冷启动包含以下三种情况：

• 用户冷启动：如何为新用户做个性化推荐？
• 物品冷启动：如何将新物品推荐给用户？
• 系统冷启动：用户冷启动 + 物品冷启动

现在，针对以上三种情况，分别阐述解决方案。

2. 用户冷启动

• 1. 收集用户特征
  • 用户注册信息：性别、年龄、地域
  • 设备信息：定位、手机型号、app列表

  • 社交信息、安装来源等

    
    
    recommend4.png

• 2. 引导用户填写兴趣标签

     
     
     recommend5.png
• 3. 从其他站点获取用户的行为数据，如今日头条&抖音等
• 4. 新用户在冷启动阶段倾向于推荐热门排行榜，同时可以加大EE(Explore & Exploit)力度

3. 物品冷启动

• 给物品打标签

• 根据物品的内容信息，找出喜欢与之内容相似的物品的用户，将新物品推荐给这些用户

  
  
  firststart2.png

4. 系统冷启动

• 在系统早期，使用基于内容的推荐
• 逐渐从基于内容的推荐过渡到协同过滤
• 基于内容的推荐和协同过滤的推荐结果都计算出来，加权求和得到最终推荐结果