推荐系统实践（三）推荐系统冷启动问题

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_20095389/article/details/87811651

一、思维导图

二、用户冷启动

1、利用用户注册信息

算法流程

• 获取用户的注册信息
• 根据用户的注册信息对用户分类
• 给用户推荐他所属分类中用户喜欢的物品

重点 - 计算每种特征用户喜欢的物品

• 方式一:p(f,i)：有f特征的用户中喜欢物品i的人数

• 方式二：惩罚热门物品

• 一般来说，分类粒度越细，精度和覆盖率也会越高

2、选择合适的物品启动用户的兴趣

什么是合适的物品？

• 比较热门
• 具有代表性和区分性
• 启动物品集合需要多样性

如何选择启动物品集合？

基本思想，选择物品区分度大的作为启动物品集合，然后利用决策树将用户兴趣提取出来，再推荐同类型的物品~

• 算法，其中 $\delta_{u\in N^{+}(i)}$是喜欢物品i的用户对其他物品评分的方差， $\delta_{u\in N^{-}(i)}$是不喜欢物品i的用户对其他物品评分的方差， $\delta_{u\in \bar{N}(i)}$是没有对物品i评分的用户对其他物品评分的方差。

3、两个算法的区别

• 利用用户注册信息，一般是基本信息，无法知道用户的兴趣，或用户自己也不知道自己兴趣的情况下，因此利用用户的类别和这类别用户喜欢的物品推荐，更具社交属性。
• 选择合适的物品启动兴趣，主要利用用户对物品的选择，发掘用户的兴趣点，给用户推荐同类别的物品，更具有用户自我的独特个性~

三、物品冷启动

1、利用物品的内容信息

个人感觉这应该是依据具体业务，然后自己制定相应的算法，这边所谓的算法，除了通用的，基本是根据业务自己设定的逻辑条件等，就像传统图像算法一样。

向量空间模型

• 将文本信息表示成关键向量 $d_{i}=\{(e_{1},w_{1}),(e_{2},w_{2})...\}$，其中 $e_{i}$是关键词，w_{i}是关键词对应的权重。

• 权重计算利用TF-IDF理论https://www.cnblogs.com/pinard/p/6693230.html
  $w_{i}=\frac{TF(e_{i})}{logDF(e_{i})}$
• 计算物品相似度
  $w_{ij}=\frac{d_{i}*d_{j}}{\sqrt{\left\|d_{i}\right\|\left\|d_{j}\right\|}}$
• ItermCF 的思想，给用户推荐和他历史上喜欢的物品相似的物品。

话题模型

• 解决文本很短，关键词很少情况，物品相似度难以计算的问题。例如：推荐系统的动态特性VS基于时间的协同过滤算法研究。因此需要建立文章，话题，关键词的关系
• LDA算法
  • 对z初始化，z[i][j]是第i篇文档中第j个词属于的话题
  • 迭代使话题的分布收敛到一个合理的分布上去
• 这篇讲的比较好LDA原理讲解通俗版

2、发挥专家作用