1.什么是推荐系统的冷启动？

新用户、新内容对推荐系统来说都是没有过往信息积累的、陌生的，需要通过一定的曝光量和互动量来收集基础数据。这个从0到1积累基础数据的过程就是冷启动。其效果的好坏直接关系的整个产品新用户的留存于与转化，而用户留存与转化的提升是做冷启动优化的动力来源。

2.冷启动分类
  • 用户冷启动：主要解决如何对新用户做个性化推荐。当用户到来时，没有任何行为数据，无法根据其历史行为预测其兴趣，从而无法借此做个性化推荐。
  • 物品冷起动：主要解决如何将新的物品推荐给可能对他感兴趣的用户。
  • 系统冷启动：主要解决如何在一个新的网站上（没有用户，没有用户行为，只有一些物品信息）设计个性化推荐系统，从而在网站发布时就让用户体验到个性化推荐服务。
3.那些方面进行推荐系统的冷启动处理
  • 强规则： 产品侧做区分对待。固定展示位展示新物品。一定量流量展示新物品。
  • 策略：排序队列做区分对待。减少新物品的过滤等级。召回和排序固定百分比新物品
  • 模型。倾向新物品的算法。针对新物品（用户）的Embedding表示。独立的新物品排序模型
4.冷启动的判断
  • 新物品的判断：曝光、点击或者转化阈值。时间阈值
  • 新用户的判断：浏览或者曝光次数。活跃天数间隔。
  • 业务特点确定：实时过程或者非实时?、旧的是否回退新的？、与其他业务是否冲突？
5.用户冷启动

1.非个性化推荐（与具体用户无关）

  • 推送整体热门
  • 推送不同时间段热门
  • 推送各类排行榜
    2.尽可能收集用户信息
  • 新用户信息收集启动项：人口统计学信息：年龄、性别、学习。；人口兴趣描述启动项：音乐风格等。
  • 站外数据：第三方登录权限：微信等。；购买数据公司数据：友盟等。

3.利用已有用户信息进行粗粒度推荐：

  • 利用专家经验和基础属性信息做更细粒度排行榜，热度榜，基于性别、设备信息、网络信息、位置等用户和上下文信息相关的榜单。
  • 利用算法和基础属性做更细粒度榜单：训练决策树模型构建叶子结点对应的冷启动榜单
  • 利用外部数据寻找相似用户做推荐：微信好友、拼多多好友等。
  • 少样本学习算法
6.物品冷启动

1.基于规则：
固定展示位上新物品随机推荐
利用物品内容信息进行不同粒度匹配（图书分类）
2.物品冷起动不敏感的算法：
协同过滤User-CF
look-like相似人群扩展
利用物品信息获取相似物品进行模型推荐
3.探索与利用策略

7.（物品冷启动）探索与利用

1.探索：
寻找用户可能喜欢的新物品，或者说可能对这个新物品感兴趣的用户，探索用户可能感兴趣的信息
2.利用：
充分利用已有信息，推荐最大价值或最感兴趣的物品。
3.探索与利用典型算法

  • 简单贪心：e-Greedy
  • 汤普森采样：Thompson sampling
  • 置信上界：UCB
  • 线性置信上界：Lin-UCB