具有特色的冷启动推荐系统

Question

我必须开发一个推荐系统，其中大多数用户只购买一个项目，所以我有一个冷启动的问题。因此，我将放弃矩阵分解技术和基于内容的系统。

幸运的是，我对每个用户都有很多特性。我有位置，年龄，性别，他们用来登录的设备，网页浏览器，移动载体，回答一个小的登录表单，等等。

考虑到我在特性上有这个冷启动问题，我能遵循什么方法？

我知道我可以把它当作一个多类别的分类问题，在这个问题上，我预测用户最有可能购买的物品。这有两个不方便的地方：

• 添加新项时会发生什么情况？我需要重新训练整个模型吗？
• 如何防止系统只推荐最常见的项目？多类问题可能会给非常常见的商品带来更高的概率，而我的建议可能会变得虚假(就像在超市推荐面包一样，不会增加任何价值，因为用户无论如何都会购买它)。

这些问题能否用分类的方法来解决？解决这些问题的其他方法是什么？

Answer 1

由于您可以访问用户级别的功能，所以尝试一个k最近的邻居推荐algo。

当用户登录到您的站点时，找到k个最相似的用户(基于类似于余弦相似性的相似性度量)，并推荐这些用户购买的产品。