第3章 推薦系統(tǒng)冷啟動(dòng)問題

3.1 冷啟動(dòng)問題簡介 冷啟動(dòng)問題主要分為3類：

• 用戶冷啟動(dòng)：用戶冷啟動(dòng)主要解決如何給新用戶做個(gè)性化推薦的問題。
• 物品冷啟動(dòng)：主要解決如何將新的物品推薦給可能對(duì)它感興趣的用戶這一問題。
• 系統(tǒng)冷啟動(dòng)：系統(tǒng)冷啟動(dòng)主要解決如何在一個(gè)新開發(fā)的網(wǎng)站上（還沒有用戶，也沒有用戶行為，只有一些物品的信息）設(shè)計(jì)個(gè)性化推薦系統(tǒng)。

對(duì)于這3種不同的冷啟動(dòng)問題，有不同的解決方案。

• 提供非個(gè)性化的推薦：推薦熱門排行榜，然后等到用戶收集到一定的時(shí)候，再切換為個(gè)性化推薦。
• 利用用戶注冊(cè)時(shí)提供的年齡、性別等數(shù)據(jù)做粗粒度的個(gè)性化。
• 利用用戶的社交網(wǎng)絡(luò)賬號(hào)登錄（需要用戶授權(quán)），導(dǎo)入用戶在社交網(wǎng)站上的好友信息，然后給用戶推薦其好友喜歡的物品。
• 要求用戶在登錄時(shí)對(duì)一些物品進(jìn)行反饋，收集用戶對(duì)這些物品的興趣信息，然后給用戶推薦那些和這些物品相似的物品。
• 對(duì)于新加入的物品，可以利用內(nèi)容信息，將它們推薦給喜歡過和它們相似的物品的用戶。
• 在系統(tǒng)冷啟動(dòng)時(shí)，可以引入專家的知識(shí)，通過一定的高效方式迅速建立起物品的相關(guān)度表。

?

---

3.2 利用用戶注冊(cè)信息 用戶注冊(cè)信息分3種：

• 人口統(tǒng)計(jì)學(xué)信息：包括用戶的年齡，性別，職業(yè)，民族，學(xué)歷和居住地。
• 用戶興趣的描述：有一些網(wǎng)站會(huì)讓用戶描述他們的興趣。
• 從其他網(wǎng)站導(dǎo)入的用戶站外行為數(shù)據(jù)

基于人口統(tǒng)計(jì)學(xué)特征的推薦系統(tǒng)典型代表是Bruce Krulwich開發(fā)的Lifestyle Finder。 一般來說，粒度越細(xì)，精度和覆蓋率也會(huì)越高。說明利用的用戶人口統(tǒng)計(jì)學(xué)特征越多，越能準(zhǔn)確地預(yù)測(cè)用戶的興趣。 ?

---

3.3 選擇合適的物品啟動(dòng)用戶的興趣 解決用戶冷啟動(dòng)問題的另一個(gè)方法是在新用戶第一次訪問推薦系統(tǒng)時(shí)，不立即給用戶展示推薦結(jié)果，而是給用戶提供一些物品，讓用戶反饋他們對(duì)這些物品的興趣，然后根據(jù)反饋結(jié)果提供個(gè)性化推薦。 一般來說，能夠用來啟動(dòng)用戶興趣的物品需要具有以下特點(diǎn)：

• 比較熱門
• 具有代表性和區(qū)分性：啟動(dòng)用戶興趣的物品不能是大眾化和老少皆宜的，因?yàn)檫@樣的物品對(duì)用戶興趣沒有區(qū)分性。
• 啟動(dòng)物品集合需要多樣性

可以利用決策樹來結(jié)局如何設(shè)計(jì)一個(gè)選擇啟動(dòng)物品集合的系統(tǒng)。 ?

---

3.4 利用物品的內(nèi)容信息 　　第2章介紹了兩種主要的推薦算法——UserCF與ItemCF算法。首先需要指出的是，UserCF算法對(duì)冷啟動(dòng)問題并不非常敏感。因?yàn)?#xff0c;UserCF在給用戶進(jìn)行推薦時(shí)，會(huì)首先找到和用戶興趣相似的一群用戶，然后給用戶推薦這一群用戶喜歡的物品，在很多網(wǎng)站中，推薦列表并不是給用戶展示內(nèi)容的唯一列表，那么當(dāng)一個(gè)新物品加入的時(shí)候，總會(huì)有用戶從某些途徑看到這些物品，對(duì)這些物品產(chǎn)生反饋。那么當(dāng)一個(gè)用戶對(duì)某個(gè)物品產(chǎn)生反饋后，和他歷史興趣相似的其他用戶的推薦列表中就有可能出現(xiàn)這一物品，從而更多的人就會(huì)對(duì)這個(gè)物品產(chǎn)生反饋，導(dǎo)致更多的人的推薦列表中會(huì)出現(xiàn)這一物品，因此該物品就能不斷擴(kuò)散開來，從而逐步展示到對(duì)它感興趣用戶的推薦列表中。 　　但是，有些網(wǎng)站中推薦列表可能是用戶獲取信息的主要途徑，比如豆瓣網(wǎng)絡(luò)電臺(tái)。那么對(duì)于UserCF算法就需要解決第一推動(dòng)力的問題，即第一個(gè)用戶從哪兒發(fā)現(xiàn)新的物品，只要有一小部分人能夠發(fā)現(xiàn)并喜歡新的物品，UserCF算法就能夠?qū)⑦@些物品擴(kuò)散到更多的用戶中，解決第一推動(dòng)力最簡單的方法是將新的物品隨機(jī)展示給用戶，但這樣顯然不太個(gè)性化，因此可以考慮利用物品的內(nèi)容信息，將新物品先投放給曾經(jīng)喜歡過和它內(nèi)容相似的其他物品的用戶。 　　對(duì)于ItemCF算法來說，物品冷啟動(dòng)就是一個(gè)嚴(yán)重的問題了。因?yàn)镮temCF算法的原理是給用戶推薦和他之前喜歡的物品的相似的物品。ItemCF算法會(huì)每隔一段時(shí)間利用用戶行為計(jì)算物品相似度表（一般一天計(jì)算一次），在線服務(wù)ItemCF算法會(huì)將之前計(jì)算好的物品相關(guān)度矩陣放在內(nèi)存中。因此當(dāng)新物品加入時(shí)，內(nèi)存中的物品相關(guān)表中不會(huì)存在這個(gè)物品，從而ItemCF算法無法推薦新的物品。解決這一問題的辦法是頻繁更新新物品相似度表，但基于用戶行為計(jì)算物品相似度是非常耗時(shí)的事情，主要原因是用戶行為日志非常龐大。而且，新物品如果不展示給用戶，用戶就無法對(duì)它產(chǎn)生行為，通過行為日志計(jì)算是計(jì)算不出包含新物品的相關(guān)矩陣的。為此，我們只能利用物品的內(nèi)容信息計(jì)算物品相關(guān)表，并且頻繁更新相關(guān)表（比如半小時(shí)計(jì)算一次）。 　　物品的內(nèi)容信息多種多樣，不同類型的物品有不同的內(nèi)容信息。如果是電影，那么內(nèi)容信息一般包括標(biāo)題、導(dǎo)演、演員、編劇、劇情、風(fēng)格、國家、年代等。如果是圖書，內(nèi)容信息一般包括標(biāo)題、作者、出版社、正文、分類等。 ?

---

3.5 發(fā)揮專家的作用 　　很多推薦系統(tǒng)在建立時(shí)，既沒有用戶的行為數(shù)據(jù)，也沒有充足的物品內(nèi)容信息來計(jì)算準(zhǔn)確的物品相似度。那么，為了在推薦系統(tǒng)建立時(shí)就讓用戶得到比較好的體驗(yàn)，很多系統(tǒng)都利用專家進(jìn)行標(biāo)注。這方面的代表系統(tǒng)是個(gè)性化網(wǎng)絡(luò)電臺(tái)Pandora和電影推薦網(wǎng)站Jinni。 　　

轉(zhuǎn)載于:https://www.cnblogs.com/chuwu6859/p/10993785.html

總結(jié)

以上是生活随笔為你收集整理的推荐系统实战3的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。