推荐系统----冷启动问题

冷启动问题 冷启动问题指的其实就是推荐系统如何给新增用户推荐物品列表，以及当一个新物品上架后，如何将该物品推荐给用户?? 用户的冷启动： 利用TopN的热门商品作为推荐列表 当用户只要访问一个物品/对一个物品产生偏好信息后，我们就可以基于ItemCF为该用户产生推荐列表 收集一些用户的信息然后基于用户特征信息构建用户的相似度矩阵，从而可以实现推荐(不是UserCF) 物品的冷启动： 利用物品的特征属性，基于物品特征属性构建物品之间的相似度矩阵；比如将新增加的物品和老的物品数据进行聚类操作，当同一个簇中的老物品被访问的时候，就可以直接获取新的物品作为推荐列表(权重的形式) 当一个新物品被用户产生偏好信息后，我们就可以将这个新物品推荐给和这个用户相似的其它用户 评分的加权: 我们可以根据规则/业务特征对用户-物品评分进行加权 相似度加权: 我们可以认为如果在计算相似度的时候数据量比较少(eg: 计算物品相似度的时候，共同评价的用户量比较少)，计算出来的相似度可信度不会特别高，所以在这种情况下可以考虑对相似度进行加权的操作