协同过滤的冷启动

协同过滤是运用集体智慧的典型方式。首先，想一个简单的场景。如果你现在想看一部电影，但是不知道看哪一部，你会怎么做？大多数人都会问身边的朋友，看看最近有什么好电影推荐，但我们一般更喜欢得到口味相近的朋友推荐。这是协同过滤的核心思想。

下图以用户对电影的推荐为例。表1是用户对电影的评级数据的简单矩阵的示例，其中每行代表一个用户，每列代表一部电影。矩阵中的元素表示用户对所看电影的评分，评分值一般为1到5的整数。评分值越大，用户越喜欢这部电影。

对表1中的数据使用协同过滤推荐算法，系统发现用户爱丽丝、鲍勃和克里斯有相似的兴趣爱好，因为他们对最近三部电影的评分相同，所以系统会向克里斯推荐《白雪公主》，因为兴趣爱好相似的用户爱丽丝和鲍勃对这部电影的评分更高。在表2中，没有新用户Amy的评级信息。根据协同过滤推荐算法，根据评分信息找不到兴趣爱好相似的用户，因此系统无法为该用户推荐电影。同样的，新电影《怪物史莱克》也因为缺乏评分信息而无法被系统感知，所以无法推荐。这就是协同过滤推荐算法中新用户、新项目的问题，即冷启动问题。

“冷启动”包括两个层次:

1.用户的冷启动，由于新用户没有在产品上留下行为数据，自然无法知道他/她的喜好，从而做出可靠的推荐。这时候一般需要依靠用户的背景信息，或者引导用户选择，或者暂时用热门启动代替个性化推荐。在线推荐系统可以在用户产生行为数据之后立即更新推荐列表。

2.物品冷启动主要适用于基于物品的场景，即推送相似物品到一个物品。因为没有新品的用户行为数据，自然没有办法通过协同过滤来推荐。这时候一般用物品属性的相关性来解决。

在现实生活中，对于电子商务推荐系统来说，每天都有大量的新用户访问系统，每天都有相当数量的新商品加入系统。一方面，如果推荐系统能够为新用户推荐喜欢的商品，推荐系统将赢得更多用户的信任，为商家增加客户数量，提高用户对系统的忠诚度，随时为用户提供优质的个性化服务；另一方面，如果能够及时推荐新产品，可以增加产品的销量，为商家赢得更大的经济效益，促进电子商务的健康发展。

目前针对冷启动问题提出了一些解决方法，如随机推荐法、平均法、模式法、信息熵法、相似性度量改进法、内容信息组合法等。

本文摘自/s/blog _ 7f 9 BC 990102 w 81l . html。