推薦系統 - 冷啟動問題 and 基于興趣内容的推薦

• • • • 冷啟動 Cold Start
      • • 冷啟動主要類别
        • 對應處理方案
      • 基于興趣内容的推薦
      • • 是什麼
        • 優點與缺點
        • 重點

• 冷啟動 Cold Start

  • 冷啟動主要類别

    冷啟動問題一般歸為 3 個類别：
    1. 系統冷啟動：由于新業務，新上線的推薦系統，沒有任何資料基礎；
    2. 使用者冷啟動：由于新注冊使用者，缺少點選、浏覽及購買等曆史資料；
    3. 物品冷啟動：由于新上線商家、物品等，缺少浏覽購買等曆史資料；

  • 對應處理方案

    1. 對于系統冷啟動

       ∙ \bullet ∙ 整個推薦系統新上線，缺少基礎資料。對于系統冷啟動，應當引入外部資源，利用專家經驗，選用合适推薦架構、建立合适的推薦政策，并适當建立物品間關聯。

    2. 對于使用者冷啟動

       ∙ \bullet ∙ 拓展使用者畫像，注冊時收集資訊。比如年輕的都市女性，往往有較高的消費能力，在推薦政策上可以推薦高規格的一些内容；

       ∙ \bullet ∙ 利用社交賬号登陸，可從社交賬号中擷取使用者詳細資訊；

       ∙ \bullet ∙ 特征挖掘，例如利用身份證号擷取省、市、出生年月日、性别；利用出生年月可獲得星座、屬相等；

       ∙ \bullet ∙ 預采集，在初次登陸時讓使用者勾選感興趣标簽；

       ∙ \bullet ∙ 預推薦，記錄所有使用者在注冊後的興趣物品發展情況，将新注冊使用者在初始注冊的特征空間中進行聚類，将其他相似使用者的後續感興趣的物品進行推薦

       ∙ \bullet ∙ 熱門推薦，利用群體效應，将目前熱門内容進行推送，大機率被使用者接受；

       ∙ \bullet ∙ 随機推薦，将不同類别物品進行推薦，試探使用者喜好，根據回報做下一步推薦。

    3. 對于物品冷啟動

       ∙ \bullet ∙ 特征挖掘，聚類推薦。提取出物品特征，而後對物品進行歸類，之後利用基于物品相似度進行推薦；

       ∙ \bullet ∙ 給與新物品适度的曝光機會。

  除了上述 3 種針對不同情況的不同處理方法以外，還有一種基于興趣内容的推薦方法，下面進行介紹。

• 基于興趣内容的推薦

  • 是什麼

    針對新使用者沒有浏覽、點選以及購買等曆史資料，可以應用基于興趣内容的推薦。簡單來說就是計算使用者與物品的比對度，用于預測使用者的興趣。

    在同一個特征空間内，對使用者與物品進行描述，特征可以是關鍵詞、打标簽等。

    例如：

    使用者_1（興趣）	體育	足球	意甲
    文章_1（屬性）	體育	足球	英超

    之後利用 one-hot 編碼進行向量化，而後計算比對度。将比對度高的進行推薦。

    item	體育	足球	意甲	英超
    使用者_1（興趣）	1	1	1
    文章_1（屬性）	1	1	1

  • 優點與缺點

    優點：

    ∙ \bullet ∙ 無需其他使用者、物品資訊，使用者、物品較少時也适用；适用于冷啟動情景；

    ∙ \bullet ∙ 可以推薦冷門或新物品，能夠針對使用者進行更個性化推薦；

    ∙ \bullet ∙ 可解釋性強，基于特征相似情況計算比對度，便于提供推薦理由；

    缺點：

    ∙ \bullet ∙ 要求抽取出有意義的特征；

    ∙ \bullet ∙ 無法利用群體效應；

    ∙ \bullet ∙ 依據使用者的喜好進行推薦，很難出現新的推薦結果（驚喜）；

  • 重點

    ∙ \bullet ∙ 抽取特征方法；

    ∙ \bullet ∙ 比對度計算（相似度、利用決策樹、線性分類器判斷是否喜歡）；