在上一篇博客里面分享的是《推荐系统实践》中协同过滤相关的算法，对此还不熟悉的读者可以戳这里。

关于这个系列会分为如下几个部分：

《推荐系统实践》算法纯享（附代码链接）（一）—— 评价指标篇
《推荐系统实践》算法纯享（附代码链接）（二）—— 协同过滤篇
《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇
《推荐系统实践》算法纯享（附代码链接）（四）—— UGC推荐篇
《推荐系统实践》算法纯享（附代码链接）（五）—— 借助上下文信息推荐篇
《推荐系统实践》算法纯享（附代码链接）（六）—— 借助社交网络推荐篇
《推荐系统实践》算法纯享（附代码链接）（七）—— 评分预测篇

完整代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice

下面将开始本系列的第三部分——冷启动篇。

文章目录

3 冷启动
- 3.1 利用用户注册信息
- 3.2 利用物品的内容信息

3 冷启动

冷启动问题主要分为3类：

用户冷启动：解决为新用户做个性化推荐的问题
物品冷启动：解决将新物品推荐给可能对它感兴趣的用户这一问题
系统冷启动：解决在新开发的网站上，没有用户，也没有用户行为，只有一些物品信息的推荐问题

这里主要分享两个算法，一个是利用用户的注册信息进行冷启动，一个是利用物品本身信息进行冷启动。

3.1 利用用户注册信息

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter3/用户冷启动-利用用户的注册信息.ipynb

这里主要利用用户注册时填写的人口统计学信息，如年龄、性别、职业、民族、学历和居住地等，来进行推荐。其基本流程如下：

获取用户的注册信息
根据注册信息对用户进行分类
给用户推荐他所属那个分类中用户喜欢的物品

其中核心问题是计算每种分类（特征）的用户喜欢的物品，即对于每种类别（特征）fff，计算具有这种特征的用户对各个物品的喜好程度p(f,i)p(f, i)p(f,i)。

令N(i)N(i)N(i)为喜欢物品i的用户集合，U(f)U(f)U(f)是具有特征fff的用户集合。计算方式有如下两种：

a. 物品i在具有fff的特征的用户中的热门程度

p(f,i)=∣N(i)⋂U(f)∣p(f, i) = |N(i) \bigcap U(f)|p(f,i)=∣N(i)⋂U(f)∣

b. 喜欢物品i的用户中具有特征fff的比例

p(f,i)=N(i)⋂U(f)∣N(i)∣+αp(f, i)=\frac{N(i) \bigcap U(f)}{|N(i)| + \alpha}p(f,i)=∣N(i)∣+αN(i)⋂U(f)

α\alphaα是为了解决数据稀疏的问题，比如有一个物品只被1个用户喜欢过，而这个用户刚好就有特征fff，那么就有p(f,i)=1p(f, i)=1p(f,i)=1。但是，这种情况并没有统计意义，因此为分母加上一个比较大的数，可以避免这样的物品产生比较大的权重。

3.2 利用物品的内容信息

代码链接：https://github.com/Magic-Bubble/RecommendSystemPractice/blob/master/Chapter3/物品冷启动-利用物品的内容信息.ipynb

一般物品都有自己的内容信息，比如有一些文本等信息，这时候可以用NLP的知识将物品内容表示成向量空间模型，即表示为一个关键词向量。其流程如下图：

例如对于物品d，它的内容表示为关键词向量如下：其中eie_iei是关键词，wiw_iwi是关键词对应的权重。

di=(e1,w1),(e2,w2),...d_i = {(e_1, w_1), (e_2, w_2), ...}di=(e1,w1),(e2,w2),...

对于关键词权重的计算可以使用著名的TF-IDF公式：

wi=TF(ei)logDF(ei)w_i = \frac{TF(e_i)}{logDF(e_i)}wi=logDF(ei)TF(ei)

在给定物品内容的关键词向量之后，对于物品相似度的计算就可以通过余弦相似度进行计算：

wij=<di,dj>∣∣di∣∣∣∣dj∣∣w_{ij}=\frac{<d_i, d_j>}{\sqrt{||d_i||||d_j||}}wij=∣∣di∣∣∣∣dj∣∣<di,dj>

同样的，与前面的协同过滤算法类似，可以建立关键词-物品的倒排表加速计算过程。

在得到物品之间的相似度之后，就可以用前面的ItemCF进行推荐了。

对于冷启动的分享到这里就结束了，下面将继续分享第四部分——UGC推荐篇。

《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇相关推荐

600页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有600多页! 资料领取方式: ...
700页！分享珍藏很久的《推荐系统学习手册》（附下载链接及入门经验）
这是之前学习推荐系统时的学习资料,非常全面,包含经典模型的解析及代码实现.模型的评估.最新工业界论文解读等等,全网仅此一份!该手册有PDF版本和Markdown版本,总计有700多页! 资料领取方式: ...
fast rcnn 论文解读（附代码链接）
要解决的问题 1.RCNN和SPPnet分多步训练,先要fine tuning一个预训练的网络,然后针对每个类别都训练一个SVM分类器,最后还要用regressors对bounding-box进行回归 ...
Python 三十大实践、建议和技巧（附代码链接）
来源:授权自AI科技大本营(ID:rgznai100) 本文约4900字,建议阅读10+分钟. 本文为你提供30个Python技巧,请收下! [ 导读 ]2020年,你又立了什么新的 Flag?新一年 ...
独家 | 指南：不平衡分类的成本敏感决策树（附代码链接）
作者:Jason Brownlee 翻译:陈超校对:冯羽本文约3500字,建议阅读10+分钟本文介绍了不平衡分类中的成本敏感决策树算法. 决策树算法对平衡分类是有效的,但在不平衡数据集上却表现不 ...
独家 | 浅谈强化学习原理（附代码链接）
作者:Michel Kana 翻译:王琦校对:王雨桐本文约4900字,建议阅读15分钟. 本文介绍了强化学习的基本原理,并通过代码实例来讲解如何找到最优策略. Google在2017年年底发布了A ...
【干货】推荐系统解构.pdf（附下载链接）
今天给大家带来姚凯飞老师所做的分享<推荐系统解构.pdf>,本分享共包含如下四大部分: 1.推荐概述: 2.关键因素建模: 3.推荐流程拆解: 4.系统&全局生态. 本PPT已收录 ...
手把手教你使用Flask轻松部署机器学习模型（附代码链接） | CSDN博文精选
作者 | Abhinav Sagar 翻译 | 申利彬校对 | 吴金笛来源 | 数据派THU(ID:DatapiTHU) 本文旨在让您把训练好的机器学习模型通过Flask API 投入到生产环境 ...
独家 | 数据转换：标准化vs 归一化（附代码链接）
作者:Clare Liu, 英国金融科技数据科学家翻译:林鹤冲校对:王紫岳本文约2300字,建议阅读10分钟本文将解释数据转换中常见的特征缩放方法:"标准化"和" ...
独家 | 如何用简单的Python为数据科学家编写Web应用程序？（附代码链接）
作者:拉胡尔·阿加瓦尔(Rahul Agarwal), Walmart 实验室的数据科学家翻译:陈之炎校对:闫晓雨本文约4300字,建议阅读10分钟. 本文阐述如何使用StreamLit创建支持 ...

《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇

文章目录

3 冷启动

3.1 利用用户注册信息

3.2 利用物品的内容信息

《推荐系统实践》算法纯享（附代码链接）（三）—— 冷启动篇相关推荐

最新文章

热门文章