如何使我的推荐引擎适应冷启动？

Question

我很好奇有什么方法/途径来克服“冷启动”问题，即当一个新用户或一个项目进入系统时，由于缺乏关于这个新实体的信息，做出推荐是一个问题。

我可以考虑做一些基于预测的推荐(比如性别、国籍等等)。

Answer 1

也许有些时候你就是不应该做推荐？“数据不足”应该是其中之一。

我只是不明白基于“性别、国籍等”的预测建议将如何超越刻板印象。

IIRC，亚马逊等地在推出推荐之前建立了一段时间的数据库。这不是你想犯的错误；有很多关于基于不充分数据的不恰当推荐的故事。

Answer 2

您可以冷启动推荐系统。

推荐系统有两种类型:协同过滤和基于内容的推荐。基于内容的系统使用关于您推荐的内容的元数据。那么问题是什么元数据是重要的？第二种方法是协同过滤，它不关心元数据，它只使用人们对某一项目的所作所为或所说的话来做出推荐。使用协作过滤，您不必担心元数据中的哪些术语是重要的。事实上，你不需要任何元数据来做出推荐。协同过滤的问题是你需要数据。在你有足够的数据之前，你可以使用基于内容的推荐。你可以提供基于这两种方法的推荐，一开始是100%基于内容的，然后随着你获得更多的数据，开始混合基于协同过滤的数据。这就是我过去使用的方法。

另一种常见的技术是将基于内容的部分视为一个简单的搜索问题。您只需将元数据作为文档的文本或正文放入，然后对文档进行索引。使用Lucene & Solr可以做到这一点，而无需编写任何代码。

如果您想了解基本的协作过滤是如何工作的，请查看Toby Segaran的"Programming Collective Intelligence“的第2章

Answer 3

我自己也在研究这个问题，但这篇来自微软的关于玻尔兹曼机器的论文看起来很有价值：http://research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf