冷启动推荐方法及算法

Question

我们正在为我们全新的学习管理系统建立推荐系统.有一堆用户和项目(学习模块)在板上，但没有评级-典型的冷启动问题。

首先，我们正在考虑使用项目属性(标签、类别等)来使用简单的基于项的相似性。这个想法是在评级开始的时候切换到更健壮的协作过滤。

问题：

1. 这样做好吗？是否有一种推荐的ML模式来处理这种冷启动条件？
2. 实现基于项目的相似度，哪种算法是正确的？比如说，余弦相似。但是，请注意，没有“矩阵”。我们应该尝试使用标准的ML算法，还是使用我们自己的算法？

Answer 1

1. 你的方法很好。我会从一种无监督的学习算法开始，比如‘k近邻分类器’。如果您的团队不了解ML的第一件事，我建议您阅读本教程concepts.html。它使用python和一个伟大的库，名为scikit-learn。在那里，您可以学习安德鲁的NG课程(https://www.coursera.org/learn/machine-learning/)，尽管它不包括任何推荐系统。
2. 我通常使用皮尔逊相关算法(coefficient)，这足以解决我的问题。这种方法的问题在于它是线性的。我读到过，Orange数据挖掘工具提供了许多相关的度量。使用它，您可以找到哪一个最适合您的数据。我建议不要使用你自己的算法。

还有一个老问题，它提供了关于这一问题的更多信息：How can I implement a recommendation engine?