推薦系統的冷啓動問題

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