标签：了解 精确 完全 str 成本 兴趣爱好 基于 类型 复杂
冷启动
推荐系统主要是通过用户的历史行为来构建用户画像，从而为用户推荐他们感兴趣的内容，但是新注册的用户在系统中无历史行为，该如何为他们推荐内容是一个很重要的问题，即冷启动问题。推荐系统冷启动问题指的就是对于新注册的用户或者新入库的标的物, 该怎么给新用户推荐标的物让用户满意，怎么将新标的物分发出去，推荐给喜欢它的用户。此外，如果初期用户很少，用户行为也不多，而协同过滤又依赖大量用户行为从而不能很好的训练出精准的推荐模型, 如何让推荐系统推荐的更精确则是系统冷启动问题。
1.用户冷启动
对于新注册的用户，他们在你的系统平台上还未产生行为信息，不足以用复杂的算法来训练推荐模型，暂时还无法根据用户历史行为构建用户画像。所以我们无法准确的知道用户的兴趣爱好，也就无法准确的为用户推荐内容。
2.标的物冷启动
我们根据用户的历史行为了解用户的喜好，如果新的标的物与数据库中存在的标的物可以建立相似性联系的话, 我们可以基于这个相似性将标的物推荐给喜欢与它相似标的物的用户。
但是，对于标的物有以下几点原因导致无法很好的与库中已有的标的物建立联系：
①标的物的信息不完善、杂乱、数据难处理
②新的标的物产生的速度太快，如新闻资讯，一般通过爬虫可以短时间爬取大量的新闻信息
③新的标的物短时间内来不及处理或者处理成本太高
④新的标的物是完全新的类型或领域
以上几点原因都会增加将标的物分推荐给喜欢该标的物的用户的难度。
3.系统冷启动
由于系统为新开发的产品，从零开始发展用户，冷启动问题就更加严重，由于每个用户都是冷启动用户，推荐更加困难。
如何解决？
1.
标签：了解 精确 完全 str 成本 兴趣爱好 基于 类型 复杂
原文地址：https://www.cnblogs.com/qilin20/p/12257190.html
