- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法研习社
推荐系统冷启动
冷启动是推荐系统的重要挑战之一。那么，什么是冷启动？如何设计一个好的冷启动方案？本文将主要从以下7个方面给大家讲清楚这些问题： 什么是冷启动？ 解决冷启动面临的挑战 解决冷启动为何如此重要？ 解决冷启动的方法和策略 不同推荐产品形态冷启动的解决方案 设计冷启动时，需要注意的问题 冷启动未来发展趋势 希望通过本文，你能对推荐系统的冷启动有个全面的认识，并结合自己公司的实际业务，将冷启动策略更好的落地到真实推荐场景中 解决冷启动面临的挑战 冷启动问题是推荐系统必须要面对的问题，也是一个很棘手的问题，要想很好的解决冷启动，需要发挥推荐算法工程师的聪明才智。 具体思路有如下7个(括号里面代表适用于哪类冷启动)： 提供非个性化的推荐(用户冷启动) 利用用户注册时提供的信息(用户冷启动、系统冷启动) 基于内容做推荐(用户冷启动、系统冷启动) 利用标的物的metadata 冷启动未来发展趋势 冷启动与推荐系统密切相关, 随着推荐系统在互联网产品中的重要性日益增大，解决冷启动问题也越来越重要和迫切。
2.2K20发布于 2020-07-21 - 来自专栏炼丹笔记
当推荐遇到冷启动
作者：十方 冷启动问题，大家并不陌生。但是如何解决呢？加特征，加样本，加图谱，加规则？ 十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是最好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？ 不得不面对的冷启动！ 冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。 通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。 实验 实验比较了各种基于KG的推荐算法，用了3个开源数据集，如下： ? 实验结果发现，KGPL在各个数据集的效果是可圈可点的。 ? 大家是怎么解决冷启动问题的呢？欢迎留言讨论。
1.2K20发布于 2021-05-14 - 来自专栏阿泽的学习笔记
当推荐遇到冷启动
冷启动问题，大家并不陌生。但是如何解决呢？加特征，加样本，加图谱，加规则？ 十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是最好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？ ? ? ? 不得不面对的冷启动！ ? 冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。 通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。 ? ? ? 问题描述 ? ? ? 实验 实验比较了各种基于KG的推荐算法，用了3个开源数据集，如下： ? 实验结果发现，KGPL在各个数据集的效果是可圈可点的。 ?
1.1K10发布于 2021-03-10 - 来自专栏老秦求学
推荐系统冷启动问题
很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动问题。 冷启动问题简介 冷启动问题主要分为3类： 用户冷启动：用户冷启动主要解决如何给新用户做个性化推荐的问题。 当新用户到来时，没有他的行为数据，所以无法根据他的历史行为预测其兴趣，从而无法借此给他做个性化推荐。 物品冷启动：物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。 系统冷启动：系统冷启动主要解决如何在一个新开发的网站上(没有用户，也没有用户行为，只有一些物品的信息)设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。 利用物品的内容信息 物品冷启动需要解决的问题是如何将新加入的物品推荐给对它感兴趣的用户。物品冷启动在新闻网站等时效性很强的网站中非常重要。 UserCF算法对物品冷启动问题并不非常敏感。
1.7K20发布于 2018-12-06 - 来自专栏大模型应用
大模型应用：电商智能推荐：基于本地大模型的冷启动智能推荐系统实例.61
推荐系统核心类型协同过滤：基于用户和物品的相似性，突出“人以群分，物以类聚”，实现简单、无需领域知识，但会遇到冷启动问题、稀疏性问题内容推荐：基于物品特征和用户画像，如商品分类、特有的描述信息，优势是可解释性强 、无冷启动，但特征工程成本高、推荐多样性不足深度学习推荐：基于DNN/Transformer 等模型挖掘复杂特征，优势是拟合能力强、效果优，但数据依赖高、部署成本高大语言模型推荐：利用 LLM 理解文本语义 它能够有效弥补传统推荐系统在语义理解与内容生成方面的不足，具体应用包括：冷启动问题缓解：针对新用户或新商品缺乏历史行为数据的情况，Qwen1.5 可基于其文本描述（如用户注册信息、商品标题/详情页）自动生成高质量的语义向量或结构化特征 冷启动问题突破传统挑战：新用户无历史行为数据，新商品无交互记录，导致推荐系统难以准确匹配大模型的解决方案：对新用户理解：解析用户的注册资料、初始行为描述、个人简介等文本信息 用户输入："刚毕业的程序员 = 购买数/点击数 四、总结 今天我们围绕 Qwen1.5构建了一套完整的电商智能推荐系统，用轻量大模型解决了传统推荐的冷启动、意图模糊、可解释性差三大痛点，通过文本嵌入特征增强、个性化意图解析和推荐理由生成
35643编辑于 2026-03-30 - 来自专栏机器学习与推荐算法
冷启动推荐算法理论与实践总结
由于这部分用户与项目没有历史评分信息，系统无法有效推断新用户的兴趣与新项目的受欢迎度，这种涉及新用户和新项目推荐的问题成为冷启动推荐问题。 01 什么是冷启动 推荐系统的主要目标是将大量的物品推荐给可能喜欢的用户, 这里就涉及物品和用户两类对象，任何平台，物品和用户都是不断增长变化的，所以一定会频繁的面对新的物品和新的用户, 推荐系统冷启动问题指的就是对于新注册的用户或者新入库的物品 SIGIR22 | 基于行为融合的冷启动推荐算法 近期推荐系统冷启动顶会论文集锦 一文梳理冷启动推荐算法模型进展 总之，推荐系统冷启动主要分为物品冷启动、用户冷启动和系统冷启动三大类。 系统冷启动：主要解决如何在一个新开发的平台（网站或App）上设计个性化推荐，从而在产品刚上线时就让用户体验到个性化推荐服务。 02 解决冷启动的方案 一、 客户冷启动 （1）利用用户注册信息 很多产品在新用户注册时是需要用户填写一些信息的，这些用户注册时填的信息就可以作为为用户提供推荐的指导。
3.3K30编辑于 2022-10-31 - 来自专栏机器学习与推荐算法
一文梳理冷启动推荐算法模型进展
这两个问题分别是用户冷启动和物品冷启动，统称为冷启动推荐。冷启动问题是推荐系统中极具挑战的一个问题，也是一个业界学术界同时高度关注的问题，本期为大家分享一些冷启动推荐算法层面的思路。 冷启动推荐特指如何给新用户或者新物品进行推荐。“新”也就意味着交互数据少，因此很难抓获冷启动用户兴趣偏好，以及冷启动物品的特质。 如何进行好的冷启动推荐，主要可以从以下几个方面着手： 高效地利用side information 高效地利用有限的交互数据 Explore & exploit 除了常见的用户和物品冷启动推荐以外，还有一些其他场景的冷启动问题 3、跨领域推荐 冷启动的用户或者物品在目标领域没有交互，但是他们在另外一些领域可能存在一些交互数据。跨领域推荐旨在使用辅助领域的数据来帮助目标领域上的推荐，是一种有效的解决冷启动推荐的方法。 ? 在推荐系统中有时会有新的场景出现，比如亚马逊电商推荐，增加一个母婴场景，新的场景通常只有少量交互数据，如何利用其他场景帮助冷启动场景进行推荐。
2.4K40发布于 2021-08-06 - 来自专栏机器学习与推荐算法
利用对话式推荐解决用户冷启动问题
转载：PaperWeekly 链接：mp.weixin.qq.com/s/627wrUxkAPoRlO0YFxRcoA 仅作为学术交流分享 ---- 推荐系统冷启动通常分为三类，即用户冷启动、物品冷启动还有系统冷启动 无论那种冷启动都因为只有较少的数据和特征来训练模型，所有需要不同的技术方案来提升推荐效果。另外冷启动结合产品方案可以加速冷启动的过程。 其中用户冷启动的问题对于移动互联网基于内容推荐产品中非常重要，不管是新产品还是体量很大的产品，都存在大量新用户和低活用户，即冷启动用户。 具体来说，文章研究用户和推荐系统间的多轮对话推荐场景。首先用非冷启动用户的历史交互数据去分布训练一个 FM 模型，得到所有历史用户，物品和属性的 embedding 并为冷启动用户做参数初始化。 推荐阅读 强化学习推荐系统的模型结构与特点总结 如何解决推荐中的Embedding冷启动问题？ WWW2021推荐系统论文集锦（附下载） ? 参考文献 ?
1.7K40发布于 2021-04-02 - 来自专栏素质云笔记
推荐系统︱基于bandit的主题冷启动在线学习策略
推荐系统里面有两个经典问题：EE问题和冷启动问题。 什么是EE问题？又叫exploit－explore问题。 因此请注意在这个实例当中，不仅y轴是概率（或者更准确地说是概率密度），x轴也是（击球率就是一次击球击中的概率）。这个Beta分布表示了一个概率的概率分布。 COFIBA算法 基于这些思想，有人提出了算法COFIBA（读作coffee bar）13，简要描述如下： 在时刻t，用户来访问推荐系统，推荐系统需要从已有的候选池子中挑一个最佳的物品推荐给他，然后观察他的反馈 3.2 基于bandit的主题冷启动强化策略 首轮纯冷启动，会主动推给用户随机的10个主题样例,获得前期样本； 后进行迭代操作。 这边笔者在模拟实际情况，譬如在做一个新闻推荐的内容，需要冷启动。
2.1K10发布于 2019-05-26 - 来自专栏机器学习与推荐算法
WWW2023 | 对比协同过滤冷启动推荐算法
TLDR： 本文针对现有的基于映射的冷启动解决方法存在的模糊协同嵌入的问题，提出了一种基于对比协同过滤的冷启动推荐算法。 论文：https://arxiv.org/abs/2302.02151 代码：https://github.com/zzhin/CCFCRec 冷启动问题一直以来都是推荐系统中长期存在的一个严峻挑战。 然而，由于冷启动推荐模型的训练是在常规的数据集上进行的，现有的方法面临着物品的协同嵌入特征会被模糊的问题。 ），进而大大降低了冷启动物品推荐的性能。 ）来缓解冷启动物品推荐中协同嵌入模糊的问题。
1.2K20编辑于 2023-08-22 - 来自专栏量子位
推荐系统中的冷启动和探索利用问题探讨
然而我们常常面对的情况是用户的行为是稀疏的，而且可能存在比例不一的新用户，如何给新用户推荐，是推荐系统中的一个著名问题，即冷启动问题，给新用户展示哪些item决定了用户的第一感和体验。 2.冷启动和EE问题 推荐系统需要根据历史的用户行为和兴趣偏好预测用户未来的行为和兴趣，因此历史用户行为某种程度上成为推荐推荐的重要先决条件。 与用户的冷启动相对应的，则是item的冷启动，当一个新物品加入站内，如何快速的展现的用户。 比较简单的方式我们可以可以根据ctr排序，给冷启动用户推荐最热门点击率最高的物品，给足球迷推荐点击率最高的足球相关物品，显然这样做会保证我们推荐结果的ctr会比较高。 6.结束语 本文简单介绍了推荐系统中一直存在的两大问题：冷启动和EE问题，并简单阐述了业界解决这两大问题的一些常见解决方法和算法。
3.8K71发布于 2018-03-28 - 来自专栏机器学习与推荐算法
SIGIR2022 | 基于行为融合的冷启动推荐算法
今天给大家简要分享的是发表在SIGIR2022会议上的一篇关于冷启动推荐算法的短文，其核心思想是通过设计基于上下文的自适应嵌入算法来抵消特征分布的差异，以此将冷启动用户的特征嵌入转化为与现有“热”用户相似的特征状态 对数据有限的冷启动用户进行有效推荐是一个固有挑战。 现有的深度推荐算法利用用户的内容特征和行为数据来产生个性化的推荐列表，但由于存在以下挑战，使得在冷启动用户身上往往面临着显著的性能下降：（1）冷启动用户可能与现有用户存在非常不同的特征分布。 (2) 冷启动用户的少量行为数据很难被算法有效且高效利用。基于此，本文提出了一个名为Cold-Transformer的推荐模型来缓解以上问题。 图1:本文提出的基于双塔框架的模型示意图。 最后，为了进行大规模的工业推荐任务，本文基于双塔结构，将用户和目标物品进行解耦。
1.1K30编辑于 2022-10-31 - 来自专栏SimpleAI
PaperReading-使用Dropout解决推荐系统冷启动问题
推荐系统回顾 & 冷启动问题 ? 但是，以LFM为代表的利用Users和Items的交互信息来进行推荐的隐模型，矩阵越稀疏，效果就会越差，极端情况就是，来了一些新的User或者Item，它们压根没有任何历史交互信息，即冷启动（Cold 论文主要思想 前面讲了，要处理冷启动问题，我们必须使用content信息。但是想要整个系统的推荐效果较好，我们也必须使用preference信息。 U和V都是有比较丰富的preference信息的向量，在实际推荐中，如果preference信息比较丰富，那么我们只利用这些信息就可以得到很好的推荐效果。 以往处理这种准冷启动问题也很复杂，因为它既不是冷启动，但是可用的preference信息也十分稀少。
1.1K30发布于 2019-05-16 - 来自专栏小小挖掘机
RS Meet DL(51)-谈谈推荐系统中的冷启动
因此从本文开始，我们使用RS Meet DL来替换原来的标题推荐系统遇上深度学习。 本文是推荐系统遇上深度学习系列的第五十一篇文章，来谈谈推荐系统中冷启动的解决吧。 1、冷启动问题的分类 咱都知道，冷启动问题是推荐系统中面临的难题之一。冷启动问题主要分为以下三类： 1)用户冷启动:用户冷启动主要解决如何给新用户做个性化推荐的问题。 2)物品冷启动:物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。 3)系统冷启动:系统冷启动主要解决如何在一个新开发的网站上(还没有用户，也没有用户行为，只有一些物品的信息)设计个性化推荐系统。 今天咱们主要来谈谈用户冷启动和物品冷启动问题的解决。 2、用户冷启动的解决方案 2.1 使用热门榜单 当新用户来的时候，把近一周、近一个月比较热门的item推荐给用户。使用热门榜单推荐在某些场景下也能达到很好的推荐效果。
1.2K10发布于 2019-06-17 - 来自专栏机器学习与推荐算法
如何解决推荐系统中的Embedding冷启动问题？
如何解决深度推荐系统中的Embedding冷启动问题？ 今天我们聊一聊Embedding的冷启动问题。 当然，解决冷启动问题也没必要总是执着于从Embedding的角度解决，因为Embedding也是作为一类特征输入到主推荐模型，或者主CTR预估模型之中的。 再比如根据用户/物品的特征训练一颗决策树，再把冷启动的用户/物品根据有限的信息分配到决策树的某个分支中去，再根据分支对应的默认列表进行推荐等等。 3、推荐系统工程框架的改进 下面一个角度我想谈一谈通过“推荐系统工程架构上的改进”来解决冷启动问题。或者从更高的层面来说，冷启动的问题其实有一半是系统实时性的问题。 那么这样基于“边缘计算”的推荐系统，无论在解决用户冷启动，还是物品冷启动，都可以实时处理新的信号，帮助用户或者物品以最快的速度渡过冷启动阶段。
3K10发布于 2021-03-16 - 来自专栏秋枫学习笔记
CIKM23 | 统一的搜索推荐冷启动基础模型
1.导读 本文主要尝试将大模型LLM用于多领域推荐模型，常见的多任务模型包含共享层和特定任务的层来训练模型。 并且，使用域自适应模块训练多个场景的样本，得到多领域基础模型，然后可以通过预训练微调的方式将多领域基础模型用于冷启动场景。 本文的特点： 用LM提取查询和item的文本特征，缓解冷启动时缺乏ID类特征的问题 通过门控融合在融合样本中不同方面特征（文本，ID类特征，稀疏特征等）的同时，加入域信息（随机初始化的域emb），使得得到的最终 在冷启动的时候，样本中包含的ID特征会比较少，导致他们的表征是不足的，可以通过本文特征来增强表征。 而LLM是预训练好的，不受训练推荐模型的各个域的数据的影响，因此有助于提取域不变特征。 2.2 门控融合 在通过编码层得到对应的emb后，从不同方面融合查询和item的emb。
1.1K60编辑于 2023-10-06 - 来自专栏活动
推荐系统中的冷启动问题及解决方案
冷启动问题通常分为三类：12新用户冷启动新用户注册后，系统没有足够的数据来判断其兴趣偏好，难以提供精准的推荐新物品冷启动系统中引入新物品后，由于缺乏用户的交互数据，难以预测哪些用户会对其感兴趣新系统冷启动在推荐系统刚上线时 冷启动问题的挑战与影响12新用户冷启动新用户冷启动是冷启动问题中最常见的一种情况。当一个新用户注册到平台上时，由于系统无法获得该用户的历史行为数据，难以了解其偏好，从而难以提供个性化的推荐。 新系统冷启动新系统冷启动发生在推荐系统刚上线或引入新的推荐模型时。由于没有足够的历史数据，系统难以为用户提供任何有效的推荐。这种情况下，冷启动问题会极大地影响系统的初期表现，可能导致用户流失。 ，以提高推荐的准确性和应对冷启动问题。 cluster_group = users[users['cluster'] == new_user_cluster[0]]print("推荐物品给新用户的聚类组:", cluster_group)冷启动问题解决方案的实际应用实例分析假设我们在一个电商平台上
2.1K20编辑于 2024-08-09 - 来自专栏数据STUDIO
图解推荐系统知识点：用户理解、召回、排序、冷启动
大家好，最近看到一篇图解推荐系统的文章，觉得全面和基础，可以快速了解推荐系统中的知识点~分享给大家 什么是推荐系统 推荐系统是一种利用算法和模型为用户推荐个性化内容的技术。 推荐系统广泛应用于电子商务、社交媒体、音乐、电影、新闻等领域。 混合推荐Hybrid Recommendation： 将不同推荐算法结合起来，以克服各自算法的局限性，提高整体推荐性能。 实时推荐Real-time Recommendation： 考虑实时性，通过快速响应用户行为和动态更新模型，提供实时的个性化推荐。 在实际应用中，还需要考虑数据隐私、在线学习、冷启动问题等挑战。
1.1K10编辑于 2023-11-21 - 来自专栏达观数据
技术干货 | 推荐系统中的冷启动问题和探索利用问题
冷启动和探索利用问题是推荐系统技术中的两个关键问题，本文结合达观数据的技术实战，对问题的解决方案进行了梳理和介绍。 ，如何给新用户推荐，是推荐系统中的一个著名问题，即冷启动问题，给新用户展示哪些item决定了用户的第一感和体验；同时在推荐过程中，我们需要考虑给新item展示的机会，比如给一个喜欢科幻电影的user推荐一些非科幻类型的电影 2 冷启动和EE问题 推荐系统需要根据历史的用户行为和兴趣偏好预测用户未来的行为和兴趣，因此历史用户行为某种程度上成为推荐推荐的重要先决条件。 与用户的冷启动相对应的，则是item的冷启动，当一个新物品加入站内，如何快速的展现的用户。特别是在某些场景下，推荐列表是给用户展示的唯一列表，那么显而易见，只能在推荐列表中尝试给用户推荐新物品。 比较简单的方式我们可以可以根据ctr排序，给冷启动用户推荐最热门、点击率最高的物品，给他推荐点击率最高的足球相关物品，显然这样做会保证我们推荐结果的ctr会比较高，但是这样做会减少我们推荐结果的覆盖率，
1.8K50发布于 2018-03-30 - 来自专栏刘笑江的专栏
微信读书冷启动推荐实战：一种基于用户属性的方法
引言 在文章《微信读书冷启动书籍推荐初探：一个借助微信用户画像的方法 》1，我们发现用户的阅读偏好与用户属性（性别、年龄、n 线城市、公众号阅读偏好）相关。 基于这个发现，我们利用用户属性，给冷启动的新注册用户做个性化推荐，效果较编辑推荐提升约 50%。 ? 思路 假设具有相似用户属性的用户，有相似的阅读偏好。 A/B 测试设计 微信读书搭建了书籍推荐 A/B 测试的基础设施，通过如下方法统计不同推荐策略的转化率： 在推荐书籍时，后台记录日志：『用户 推荐书籍 推荐策略 推荐位置标识符 时间』 在用户把书籍加入书架时 ，前端上报日志：『用户 推荐书籍 推荐位置标识符 时间』 统计时，给定推荐策略、推荐位置标识符、时间范围，可通过 Spark 脚本统计推荐/加书架转化率 本次实验把有属性的用户随机分成两组： 个性化推荐组 （实验组） 编辑推荐组（对照组） 对个性化推荐组的用户，把用户所在群体热门书单推荐给他们。
1.1K50发布于 2018-05-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号