冷启动处理

推荐系统，都有哪些方案解决冷启动问题，百万级用户的推荐系统，一般用什么样的框架？

周开拓: 推荐系统冷启动是个很大的话题，可能这里只能给大家一些简单的例子。冷启动分为用户的冷启动和整个推荐系统的冷启动，

整个推荐系统的冷启动就是在搭建推荐系统之前，我能否已经收集了一些用户行为的数据，如果有的话，可以构造一些弱一点的模型，

比如说用 CF、SVD、热度这样的方法对内容做一些初步的排序和筛选，同时配合一些简单的基于 query 的策略，

比如最新、最热、最多评价等等先构造一个差一点但是比随机强很多的推荐列表。如果数据基础更好，也可以用其他场景的数据来构造 label、样本来进行建模。

而用户的冷启动，归根结底就是在用户进入产品之后，尽快有效地获取他的信息，一方面可以通过产品的手段来实现，一方面可以通过第三方数据合作的方式来实现，

比如说这个人如果是微博注册的话，如果你能够收集到一些公开的微博数据，就会对冷启动很有帮助。关于架构的话，刚才已经介绍很多了，您可以参考。

《基于分类模型的广告推荐方法研究_李哲》这篇文章介绍了协同过滤算法的两大主要问题：1、冷启动问题  2、数据稀疏 。 

解决办法：

     Item-based CF的冷启动问题：可以利用物品的内容信息，比如分词、关键字排名，或者使用基于内容的推荐

     User-based CF的冷启动问题：

1、提供非个性化的推荐，如：热门的排行榜，等用户充足了再改为个性化推荐

 2、根据用户的注册信息，如：兴趣爱好、或从其他网站导入行为数据（微博登录的用户，可以分析微博信息）

3、选择合适的物品启动用户兴趣，如：在用户首次登陆时，让用户选择感兴趣的话题（sina weibo）