冷启动问题分类

冷启动问题主要分3类

利用用户注册信息——解决用户冷启动问题

基于注册信息的个性化推荐流程基本如下：

(1) 获取用户的注册信息；

(2) 根据用户的注册信息对用户分类；

(3) 给用户推荐他所属分类中用户喜欢的物品。

基于用户人口统计学特征推荐的简单例子

注：上图截取自项亮《推荐系统实践》

选择合适的物品启动用户的兴趣——解决用户冷启动问题

一般来说，能够用来启动用户兴趣的物品需要具有以下特点：

1）比较热门： 如果要让用户对一个物品进行反馈，前提是用户知道这个物品是什么东西。以电影为例，如果一开始让用户进行反馈的电影都很冷门，而用户不知道这些电影的情节和内容，也就无法对它们做出准确的反馈。

2）具有代表性和区分性： 启动用户兴趣的物品不能是大众化或老少咸宜的，因为这样的物品对用户的兴趣没有区分性。还以电影为例，用一部票房很高且广受欢迎的电影做启动物品，可以想象的到的是几乎所有用户都会喜欢这部电影，因而无法区分用户个性化的兴趣。

3）启动物品集合需要有多样性 在冷启动时，我们不知道用户的兴趣，而用户兴趣的可能性非常多，为了匹配多样的兴趣，我们需要提供具有很高覆盖率的启动物品集合，这些物品能覆盖几乎所有主流的用户兴趣。

利用物品的内容信息——解决物品冷启动问题

一般来说，物品的内容可以通过向量空间模型①表示，该模型会将物品表示成一个关键词向量。但如

果内容是文本的形式，则需要引入一些理解自然语言的技术抽取关键词。

从文本生成关键词向量的主要步骤。对于中文，首先要对文本进行分词，将字流变成词流，然后从词流中

检测出命名实体（如人名、地名、组织名等），这些实体和一些其他重要的词将组成关键词集合，

最后对关键词进行排名，计算每个关键词的权重，从而生成关键词向量。

关键词向量的生成过程

-----------------------------------------------------------------------------------------------------------------------------------------

如何建立文章、话题和关键词的关系是话题模型（topic model）研究的重点。代表性的话题模型有LDA（（Latent Dirichlet Allocation）。