本人将《推荐系统实战》放在了资源里，如有需要请前往下载。
3.1 冷启动问题简介
冷启动问题的解决方案：
提供非个性化的推荐。为新注册用户推荐热门的商品，等用户数据搜集到一定程度后，切换到个性化推荐；
利用用户注册时提供的年龄性别等数据做粗粒度的个性化；
要求用户在登录时对一些商品进行反馈，然后给用户推荐那些与反馈结果好的商品相似的商品；
利用用户的社交网络登录，导入用户在社交网络的好友信息，为用户推荐其好友喜欢的商品；
对于新加入的商品，可以利用商品内容信息，将其推荐给 喜欢过与它们内容类似的商品 的用户；
对于系统冷启动问题，可以引入专家的信息，通过一定的高效方式迅速建立起商品的相关度表；
3.2 利用用户注册信息
用户的注册信息主要包括：人口统计学信息。包括用户的年龄、性别、职业、民族、学历和居住地；用户兴趣的自我描述；从其他网站导入的用户站外行为数据；
基于注册信息的个性化推荐流程： 获取用户的注册信息； 利用用户的注册信息对用户进行分类（一个用户根据不同特征会分到不同的类）； 给用户推荐他所属的所有分类中用户最喜欢的商品。
组合特征：可以将多个特征组合起来作为一个特征。比如男性程序员，就是将性别和职业组合起来，作为一个新的特征。但是要注意不是所有的用户都同时具有两个特征，比如可能某个用户在注册时没写职业。
如何用特征进行推荐：
3.3 选取合适的物品启动用户的兴趣
能够用来启动用户兴趣的商品一般具有的特征：首先比较热门。用户看到一个商品，发现根本不了解，就无法做出精确地反馈；其次必须具有代表性和区分性。如果选择的商品，大家都喜欢或者都不喜欢，那么反馈结果没有太大意义；最后要求启动物品集合需要多样性。如果给用户反馈的物品都是一个类型下的，那么我们无法知道用户对其他分类的商品的喜好程度。
如何自动挑选启动物品：首先从所有用户中找到区分度最高的商品i，根据商品i将所有用户分成三部分（喜欢i的用户，不喜欢i的用户，没有对i评分的用户）。然后在三部分用户中，分别找到这三类用户中区分度最高的商品，重复上述操作。遇到冷启动用户时，从根节点开始询问用户对该节点商品的看法，然后根据用户的选择将用户放到不同的分支，直到进入最后的叶子节点。
如何找到区分度最高的商品：一个商品的区分度D(i)由 三部分用户分别对除i之外的所有商品的评分的 方差累加得到。如果这3类用户集合内的用户对其他的物品兴趣很不一样，说明商品i具有较高的区分度。
3.4 利用商品的内容信息
常见的商品的内容信息：
图书： 标题、作者、出版社、出版年代、丛书名、目录、正文
论文： 标题、作者、作者单位、关键词、分类、摘要、正文
电影： 标题、导演、演员、编剧、类别、剧情简介、发型公司
新闻： 标题、正文、来源、作者
微博： 作者、内容、评论
如何表示商品的内容： 空间向量模型。对于物品d，它的内容表示成一个关键词向量 D={ (e1,w1),(e2,w2),… } 。其中e表示关键词，w表示该关键词的权重。对于关键词的获取：如果是演员演员等实体，可以直接将他们作为实体。但是如果是文本，比如论文的内容，需要先进行分词，检测出实体；对于权重的确定：如果是演员，可以根据演员在剧中的重要程度进行赋值。如果是文本分词得到的关键词，可以根据信息检索领域著名的TF-IDF公式计算。W=TF(e) /log(DF(e))。
如何计算商品间的相似度：商品的相似度可以根据向量之间的余弦相似度计算. Wij=(DiDj) / ( ||Di|| * ||Dj|| 开方)。
时间复杂度的改进：倒排表。如果有N个商品，平均每个商品有m个实体组成，那么计算商品两两之间的相似度的时间复杂度为 O(NN*m)。利用前面章节提到的倒排表来进行加速。
实体相似但是不相同：关键词“动态”和“基于时间”虽然不一样，但是却意思相同。如果用之前的方法计算，发现结果也是这两个词是完全不同的词。可以利用话题模型解决该问题。首先获得关键词的话题分布，然后计算关键词之间的相似度。代表性的话题模型时LDA。书中简单介绍了LDA模型的计算过程。
3.5 发挥专家的作用解决系统冷启动问题
书中介绍了专家对商品的属性进行标注，生成VSM，但是没介绍怎么对用户进行推荐？