推荐系统之冷启动问题
前言
冷啟動問題同比于啟動車輛，通常車正式開啟之前需要有熱車階段，這個過程就是冷啟動過程。冷啟動在推薦系統也是常見的問題，大家知道類似于抖音、淘寶等工具，都會根據用戶的興趣去推薦內容，如果一個新用戶進來，系統完全不清楚他的興趣，該如何推薦呢？這就是本文要給大家介紹的內容。
?
冷啟動對于一個推薦系統是至關重要的，因為新用戶最初使用APP階段也是這名用戶最可能卸載APP的時候，如果新用戶進入產品不能快速給用戶帶來價值，是非常危險的。今天介紹的內容會圍繞下面這張圖展開：
首先把冷啟動問題歸為3個類別：
系統冷啟動：整個系統都是新做的，沒有任何數據和經驗基礎
推薦主體冷啟動：通常指的是缺少新注冊用戶的歷史購買或點擊數據
被推薦對象冷啟動：通常指的是缺少商城中的新商品或者新的內容歷史被點擊或購買的數據
下面分別針對以上內容講下處理方法。
?
1. 系統冷啟動
系統冷啟動這個其實真的沒太好的辦法，萬事開頭難，系統冷啟動缺少的是專家經驗，建議系統在運行前務必請有經驗的架構師或者產品經理參與設計，如果架構或者整個推薦策略不合理，上線后是比較難調整的。
?
2.推薦主體冷啟動
?
當推薦主體冷啟動時，往往是新用戶進來之后，大方向上要從兩個角度去想解決方案，一個方向是盡可能擴展用戶畫像，增加更多維度的信息。第二個方向在初期推薦的內容上也要有所策略。
?
2.1 擴充用戶畫像
?
用戶畫像的擴充有很多手段，常用的方法如下：
-
賬號注冊信息：注冊的時候可以讓用戶填寫年齡、性別等內容、手機號等內容，同時也可以通過LBS信息了解用戶的活動區域。針對這些信息可以給用戶興趣做一個初步判斷，比如年輕的都市女性，往往有較高的消費能力，在推薦策略上可以推薦高規格的一些內容
-
身份證信息：現在很多系統都需要實名認證，身份證號其實可以帶來很多有用的信息，比如前兩位是省級代碼，34位是市級代碼，7-14位是生日代碼，第17位是性別代碼（奇數代表男性、偶數代表女性）
-
社交賬號登錄：如果系統可以設計成支持淘寶、微信等賬號登錄，也可以通過這些系統拿到部分用戶畫像信息
-
預采集：現在很多APP，當用戶初次進入都有一個興趣愛好勾選的按鈕，這個就是為了解決冷啟動的一個手段，在推薦之前先通過用戶標記獲取用戶信息
-
數據交換：注冊的時候其實可以拿到用戶的手機號碼，現在有很多賣數據的公司都提供用戶畫像數據的交易，只要提供手機號就能獲取特別全的用戶數據（這個貌似是個黑產業）
2.2 推薦策略
對于這種冷啟動問題推薦策略有兩個方向可以選擇，可以結合著來使用。
-
熱門推薦法：反正也不清楚用戶的信息，就挑平臺上最熱門的內容推薦，總歸從概率層面上被大多受眾認可的東西也有大概率被新用戶認可
-
老虎機算法：學名叫Bandit算法，意思是假設用戶前方有10個老虎機，每個都有不同的概率出錢，用戶不知道這個概率，那用戶該怎么選呢，就是懵！落到冷啟動問題上，就是先隨便推薦用戶幾個不同Topic的內容（一定是不同的），看看用戶的反饋再決定下一步的推薦安排
?
3.?被推薦對象冷啟動
?
被推薦對象往往是平臺上新增加的內容，不同于推薦主體，被推薦對象如商品、短視頻、廣告等，平臺是有辦法通過一些分析拿到內容屬性的。可以通過以下兩個步驟建立推薦推薦策略：
挖掘屬性：先對新增內容屬性進行挖掘，比如增加的是個手機，可以通過標簽獲取手機價格、顏色等信息，再進行下一步推薦
ICF聚類：在之前推薦系統相關的文章中已經多次介紹過協同過濾算法，本質上是先將內容分類。比如新增加的是一個美女跳舞的視頻，那么再找哪些用戶瀏覽過類似的視頻，就把新增視頻推薦給對應的用戶，這種策略本質上是一種聚類算法。比如新增內容是個紅色的手機，就找到歷史上購買過紅色手機的用戶來推薦
?
文末，全文針對冷啟動問題的不同細節介紹了具體的一些實踐路徑。具體如何把其中的細節實現其實對推薦系統有很高的架構要求，比如被推薦對象冷啟動問題，每當新來一個商品就需要快速的做協同過濾找到商品所屬類別，這其實要依賴一個流式的計算引擎才可以實現。ok，關于架構的事情之前已經寫過一些，過一段會有一個總結。感謝觀看，希望能有收獲~
?
?
?
?
總結
以上是生活随笔為你收集整理的推荐系统之冷启动问题的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 谈谈对搜索技术Elastic Searc
- 下一篇： 推荐系统之业务架构总览