日萌社
人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度學習實戰(不定時更新)
1.6 推薦系統的冷啓動問題
學習目標
- 記憶推薦系統冷啓動概念
- 瞭解處理推薦系統冷啓動的常用方法
1 推薦系統冷啓動概念
- ⽤戶冷啓動:如何爲新⽤戶做個性化推薦
- 物品冷啓動:如何將新物品推薦給⽤戶(協同過濾)
- 系統冷啓動:⽤戶冷啓動+物品冷啓動
- 本質是推薦系統依賴歷史數據,沒有歷史數據⽆法預測⽤戶偏好
2 處理推薦系統冷啓動問題的常用方法
-
用戶冷啓動
-
1.收集⽤戶特徵
-
⽤戶註冊信息:性別、年齡、地域
-
設備信息:定位、⼿機型號、app列表
-
社交信息、推⼴素材、安裝來源
-
-
- 2 引導用戶填寫興趣
-
3 使用其它站點的行爲數據, 例如騰訊視頻&QQ音樂 今日頭條&抖音
-
4 新老用戶推薦策略的差異
- 新⽤戶在冷啓動階段更傾向於熱門排⾏榜,⽼⽤戶會更加需要長尾推薦
- Explore Exploit⼒度
- 使⽤單獨的特徵和模型預估
-
舉例 性別與電視劇的關係
- 物品冷啓動
- 給物品打標籤
- 利用物品的內容信息,將新物品先投放給曾經喜歡過和它內容相似的其他物品的用戶。
- 系統冷啓動
- 基於內容的推薦 系統早期
- 基於內容的推薦逐漸過渡到協同過濾
- 基於內容的推薦和協同過濾的推薦結果都計算出來 加權求和得到最終推薦結果