文章目录

目录
- 1.什么是冷启动问题？
- - 1.1冷启动问题
  - 1.2 冷启动问题的分类
  - - 1. 用户冷启动
    - 2 物品冷启动
    - 3 系统冷启动
- 2.如何解决冷启动问题？
- - 2.1利用用户注册信息
  - 2.2选择合适的物品启动用户的兴趣
  - 2.3利用物品的内容信息
  - 2.4 发挥专家的作用

解决的方法如下：
1.提供非个性化的推荐，简单例子为热门排行，等到用户数据收集到一定的时候，再切换为个性化推荐
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
3.利用用户的社交账号登陆，导入用户在社交网站上的好友信息，然后推荐给用户推荐其好友喜欢的物品
4.要求用户在登录时对一些物品进行反馈，搜集用户的兴趣信息，然后给用户推荐和物品相似的物品
5.对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户
6.在系统冷启动时，可以引入专家的知识，通过一定的高效的方式迅速建立起物品的相关度表。

2.如何解决冷启动问题？

2.1利用用户注册信息

2.2选择合适的物品启动用户的兴趣

2.3利用物品的内容信息

基于物品的内容信息主要介绍了两种主要的推荐算法：UserCF和ItemCF

UserCF针对物品冷启动问题并不敏感：UserCF在给用户进行推荐时，会首先找到和用户兴趣相似的一群用户，然后给用户推荐这一群用户喜欢的物品。在很多网站中，推荐列表并不是给用户展示内容的唯一列表，那么当一个新物品加入时，总会有用户从某些途径看到这些物品，对这些物品产生反馈。那么，当一个用户对某个物品产生反馈后，和他历史兴趣相似的其他用户的推荐列表中就有可能出现这一物品，从而更多的人就会对这个物品产生反馈，导致更多的人的推荐列表中会出现这一物品，因此该物品就能不断地扩散开来，从而逐步展示到对它感兴趣用户的推荐列表中
ItemCF针对物品冷启动问题算一个严重的问题：因为ItemCF算法的原理是给用户推荐和他之前喜欢的物品相似的物品。ItemCF算法会每隔一段时间利用用户行为计算物品相似度表（一般一天计算一次），在线服务时ItemCF算法会将之前计算好的物品相关度矩阵放在内存中。因此，当新物品加入时，内存中的物品相关表中不会存在这个物品，从而ItemCF算法无法推荐新的物品。解决这一问题的办法是频繁更新物品相似度表，但基于用户行为计算物品相似度是非常耗时的事情，主要原因是用户行为日志非常庞大。而且，新物品如果不展示给用户，用户就无法对它产生行为，通过行为日志计算是计算不出包含新物品的相关矩阵的。为此，我们只能利用物品的内容信息计算物品相关表，并且频繁地更新相关表（比如半小时计算一次)

推荐算法--推荐系统冷启动问题（03）

文章目录

目录

1.什么是冷启动问题？

1.1冷启动问题

1.2 冷启动问题的分类

1. 用户冷启动

2 物品冷启动

3 系统冷启动

2.如何解决冷启动问题？

2.1利用用户注册信息

2.2选择合适的物品启动用户的兴趣

2.3利用物品的内容信息

2.4 发挥专家的作用

推荐算法--推荐系统冷启动问题（03）相关推荐

最新文章

热门文章