冷启动问题详解：用户冷启动、物品冷启动、系统冷启动

冷启动（coldstart）在整个推荐系统中，是一个重要的开始。推荐系统通常需要在大量数据的基础上进行更准确的推荐。APP的冷启动可能直接决定新用户是否会继续使用。新产品的冷启动也会影响生产者的热情，因此冷启动非常重要。冷启动问题分为三类：用户冷启动：新用户应该向他推荐什么？冷启动项目：新项目，应该推荐给谁？冷启动系统：在“一穷二白”的基础上，新用户和未推荐的物品，如何建立他们的联系？用户冷启动最常见的场景是新用户冷启动。将新用户转化为老用户的路径是获取新用户的兴趣（构建冷启动用户的初始肖像）->内容消费和兴趣收敛->沉淀兴趣成为老用户。综上所述，第一步是“千方百计”获取用户画像或让用户主动生成画像，有几种方法可以考虑。利用性别、年龄、地区等用户的社会属性。当用户第一次打开应用程序时，许多应用程序会提示或留下用户填写相关信息的入口。即使用户不主动输入，也可以尝试从外部渠道(渠道肖像、矩阵肖像、applist等)引入肖像信息(但需要注意用户的重叠度和相关性)。有了这些信息，粗粒度的个性化推荐可以根据社会属性进行。使用用户关系链，您可以通过运营活动收集（如支付宝活动收集朋友、亲子关系）或从外部引入（第三方登录或开放API），并根据“群体”的原则向用户推荐朋友喜欢的内容。在对用户“一无所知”的情况下，基于从众心理和28定律，可以尝试向用户推荐流行内容。这样主要关注流行的范围和算法，效果会比随机推荐好。使用高质量的内容也是如此。(左:微博，右:今日头条)用户冷启动的指标可以关注新用户的肖像指标(人均兴趣、肖像覆盖率、肖像准确性等)。)以及新用户的活跃性能(点击率、保留率等。).假设一款基于国籍和性别的国际APP一开始可以有更好的推荐效果。它如何获取这些信息？显性方法：正如前面所说，用户可以填写、指导或激励用户。隐性方法:用一些性别/国籍点击差异很大的内容来猜测用户的性别和国籍，然后开始有偏见的个性化推荐。这种隐藏的探索，选择项目需要技能：流行：有一定的认知，项目太罕见，大部分结果必须是“跳过”。具有代表性和区别性：物品与物品之间要有区别，能够表达用户的不同兴趣。多样性：由于人们的兴趣多样，要注意尽可能多的覆盖，避免“无选择”的尴尬。项目冷启动思路利用项目内容推荐：项目类似推荐：找到与新项目相同的内容，新项目搭上“搭便车”，进行类似推荐。项目相关推荐：根据专家知识建立项目信息知识库，建立项目之间的相关性。例如，知识图谱，通过一个已知的节点和关系找到另一个节点进行扩展推荐。例如，一个用户喜欢“周冬雨”（节点）。周冬雨是电影《青春的你》的主角。通过这种关系，它与节点“青春的你”有关，因此向用户推荐“青春的你”。(图片来自网络)相关算法简介中常用的算法有哪些？假设A用户是新用户，只有少量肖像。UserCF：根据用户的协同过滤，通过用户行为计算用户的相似性，找到与A用户相似的B用户，并向A用户推荐B用户喜欢的物品。ItemCF：根据物品的协同过滤，通过用户行为计算物品的相似性，找到与物品a相似的物品B，并向喜欢物品a的用户A推荐物品B。                          （左：UserCF，右：ItemCF）ContentItemKNN：基于内容的过滤，根据项目的内容特征计算内容的相似性，找到类似项目A的项目B，并向喜欢项目A的用户A推荐项目B。UserCF和ItemCF使用相同的用户行为数据，但统计维度不同。UserCF和ItemCF使用相同的用户行为数据，但统计维度不同。如下图所示，UserCF横向计算用户的相似性，ItemCF纵向计算用户的相似性。UserCF、在冷启动问题上，ItemCF存在“第一驱动力”问题。UserCF，为了让新项目首先出现在用户显示列表中，更多的人可以反馈项目，项目可以传播，所以有一个第一个驱动力问题，即第一个用户在哪里找到新项目。ItemCF是计算用户行为（巨大的日志，更耗时）计算项目相似性（如果大量用户看到项目A，也看到项目B，即认为两个项目相似），输出项目相关矩阵，新项目不会自动添加矩阵表，也需要用户首先找到新项目。ContentitemKNN利用物品的内容特征计算物品相关表，可以频繁更新相关表，没有第一驱动力问题。然而，它忽略了用户行为，从而忽略了用户行为中包含的规律。结果精度低，新颖性高，效果一般不如协同过滤。但是，如果用户的行为受到内容特征的强烈影响，内容过滤算法就有亮点。上述第一驱动力问题，即物品冷启动问题，又称“新物品试投”，有什么解决办法？新品试投是“物品寻找用户”。若为“用户寻找物品”，则容易出现马太效应：热门分类曝光多，长尾现象严重。有两种方法可以找到用户：随机投资兴趣投资假设我们定义曝光不到500个项目是新项目（信息产品一般有时间限制，如6小时内），新项目和用户表示多维向量，计算向量距离，更活跃的用户分发，在冷启动阶段排序加权和重排限制。在冷启动阶段，物品会有稳定的点击率(或其他综合指标)，这是其后续流量分配的基础——根据小流量的点击率性能，性能好的物品会进入下一个更大的流量池，性能差的物品会被淘汰或减少。梯度流量分配策略是一种常见的个性化推荐“赛马机制”。用什么指标来评估冷启动效果？此外，还需要注意用户的上下文信息，包括时间信息和空间信息，并遵循一些强有力的规则。例如，电子商务应用程序，新用户在夏季登录时不应推出羽绒服；如果你在中秋节登录，你不应该推出端午节的信息。但这不仅在冷启动阶段，在整个推荐场景中也要注意用户的上下文信息。备注:参考文献《推荐系统实践》项亮编辑 

以上就是关于冷启动问题详解：用户冷启动、物品冷启动、系统冷启动的相关介绍，更多冷启动问题详解：用户冷启动、物品冷启动、系统冷启动相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对冷启动问题详解：用户冷启动、物品冷启动、系统冷启动有更深的了解和认识。