推薦系統(tǒng)需要根據(jù)用戶的歷史行為和興趣預(yù)測(cè)用戶未來(lái)的行為和興趣瘦穆，因此大量的用戶行為數(shù)據(jù)就稱為推薦系統(tǒng)的重要組成部分和先決條件钾军。很多在開始階段就希望有個(gè)性化推薦應(yīng)用的網(wǎng)站來(lái)說(shuō)比被，如何在沒有大量用戶數(shù)據(jù)的情況下設(shè)計(jì)個(gè)性化推薦系統(tǒng)并且讓用戶對(duì)推薦結(jié)果滿意從而愿意使用推薦系統(tǒng)，就是冷啟動(dòng)問(wèn)題蝴簇。
冷啟動(dòng)問(wèn)題簡(jiǎn)介
冷啟動(dòng)問(wèn)題主要分為3類：
- 用戶冷啟動(dòng)：用戶冷啟動(dòng)主要解決如何給新用戶做個(gè)性化推薦的問(wèn)題燎斩。 當(dāng)新用戶到來(lái)時(shí)虱歪，沒有他的行為數(shù)據(jù)，所以無(wú)法根據(jù)他的歷史行為預(yù)測(cè)其興趣瘫里，從而無(wú)法借此給他做個(gè)性化推薦实蔽。
- 物品冷啟動(dòng)：物品冷啟動(dòng)主要解決如何將新的物品推薦給可能對(duì)它感興趣的用戶這一問(wèn)題。
- 系統(tǒng)冷啟動(dòng)：系統(tǒng)冷啟動(dòng)主要解決如何在一個(gè)新開發(fā)的網(wǎng)站上(沒有用戶谨读，也沒有用戶行為，只有一些物品的信息)設(shè)計(jì)個(gè)性化推薦系統(tǒng)坛吁，從而在網(wǎng)站剛發(fā)布時(shí)就讓用戶體驗(yàn)到個(gè)性化推薦服務(wù)這一問(wèn)題劳殖。
對(duì)于這3種不同的冷啟動(dòng)問(wèn)題，有不同的解決方法拨脉。一般來(lái)說(shuō)哆姻，可以參考如下解決方案。
- 提供非個(gè)性化的推薦 非個(gè)性化推薦的最簡(jiǎn)單例子就是熱門排行榜玫膀，可以給用戶推薦熱門排行榜矛缨，然后等到用戶數(shù)據(jù)收集到移動(dòng)的時(shí)候，再切換為個(gè)性化推薦帖旨。
- 利用用戶注冊(cè)時(shí)提供的年齡箕昭、性別等數(shù)據(jù)做粗粒度的個(gè)性化。
- 利用用戶的社交網(wǎng)絡(luò)賬號(hào)登錄(需要用戶授權(quán))解阅，導(dǎo)入用戶在社交網(wǎng)站上的好友信息落竹，然后給用戶推薦其好友喜歡的物品。
- 需要用戶在登錄時(shí)對(duì)一些物品進(jìn)行反饋货抄，收集用戶對(duì)這些物品的興趣信息述召，然后給用戶推薦那些和這些物品相似的物品。
- 對(duì)于新加入的物品蟹地，可以利用內(nèi)容信息积暖，將它們推薦給喜歡過(guò)和它們相似的物品的用戶。
- 在系統(tǒng)冷啟動(dòng)時(shí)怪与，可以引入專家的知識(shí)夺刑，通過(guò)一定的高效方式迅速建立起物品的相關(guān)度表。
利用用戶注冊(cè)信息
在網(wǎng)站中，當(dāng)新用戶剛注冊(cè)時(shí)性誉，不知道他喜歡什么物品窿吩，于是只能給他推薦一些熱門的商品。但如果我們知道她是一位女性,那么可以給她推薦女性都喜歡的熱門商品错览。這也是一種個(gè)性化的推薦纫雁。當(dāng)然這個(gè)個(gè)性化的粒度很粗,因?yàn)樗袆傋?cè)的女性看到的都是同樣的結(jié)果,但相對(duì)于不區(qū)分男女的方式,這種推薦的精度已經(jīng)大大提高了。因此,利用用戶的注冊(cè)信息可以很好地解決注冊(cè)用戶的冷啟動(dòng)問(wèn)題倾哺。在絕大多數(shù)網(wǎng)站中,年齡轧邪、性別一般都是注冊(cè)用戶的必備信息。
用戶的注冊(cè)信息分3種羞海。
- 人口統(tǒng)計(jì)學(xué)信息： 包括用戶的年齡忌愚、性別、職業(yè)却邓、民族硕糊、學(xué)歷和居住地；
- 用戶興趣的描述： 有一些網(wǎng)站會(huì)讓用戶用文字描述他們的興趣腊徙；
- 從其他網(wǎng)站導(dǎo)入的用戶站外行為數(shù)據(jù)： 比如用戶通過(guò)豆瓣简十、新浪微博的賬號(hào)記錄，就可以在得到用戶同意的情況下獲取用戶在豆瓣或者新浪微博的一些行為數(shù)據(jù)和社交網(wǎng)絡(luò)數(shù)據(jù)撬腾。
人口統(tǒng)計(jì)學(xué)特征包括年齡螟蝙、性別、工作民傻、學(xué)歷胰默、居住地、國(guó)籍漓踢、民族等牵署，這些特征對(duì)預(yù)測(cè)用戶的興趣有很重要的作用，比如男性和女性的興趣不同彭雾，不同年齡的人性卻也不同碟刺。
基于人口統(tǒng)計(jì)學(xué)特征的推薦系統(tǒng)其典型代表是Bruce Krulwich開發(fā)的Lifestyle Finder.首先Bruce將美國(guó)人群根據(jù)人口統(tǒng)計(jì)學(xué)屬性分成62類，然后對(duì)比每個(gè)新用戶根據(jù)其填寫個(gè)個(gè)人資料判斷他屬于什么分類薯酝，最后給他推薦這類用戶最喜歡的15個(gè)鏈接半沽，其中5個(gè)鏈接是推薦他購(gòu)買的商品,5個(gè)鏈接是推薦他旅游的地點(diǎn),剩下的5個(gè)鏈接是推薦他去逛的商店。
為了證明利用用戶人口統(tǒng)計(jì)學(xué)特征后的推薦結(jié)果好于隨機(jī)推薦的結(jié)果, Krulwich做了一個(gè)AB測(cè)試吴菠。相對(duì)于利用人口統(tǒng)計(jì)學(xué)特征的算法, Krulwich設(shè)計(jì)了一個(gè)對(duì)照組,該組用戶看到的推薦結(jié)果是完全隨機(jī)的者填。實(shí)驗(yàn)結(jié)果顯示,對(duì)于利用人口統(tǒng)計(jì)學(xué)特征的個(gè)性化推薦算法,其用戶點(diǎn)擊率為89%,而隨機(jī)算法的點(diǎn)擊率只有27%。對(duì)于利用人口統(tǒng)計(jì)學(xué)特征的個(gè)性化算法,44%的用戶覺得推薦結(jié)果是他們喜歡的,而對(duì)于隨機(jī)算法只有31%的用戶覺得推薦結(jié)果是自己喜歡的做葵。因此,我們得到一個(gè)結(jié)論——使用人口統(tǒng)計(jì)學(xué)信息相對(duì)于隨機(jī)推薦能夠獲得更好的推薦效果占哟。當(dāng)然, Krulwich的實(shí)驗(yàn)也有明顯的缺點(diǎn), 即他沒有對(duì)比和給用戶推薦最熱門的物品的推薦算法。因?yàn)闊衢T排行榜作為一種非個(gè)性化推薦算法,一般也比隨機(jī)推薦具有更高的點(diǎn)擊率。
基于注冊(cè)信息的個(gè)性化推薦流程基本如下：
- 獲取用戶的注冊(cè)信息榨乎；
- 根據(jù)用戶的注冊(cè)信息對(duì)用戶分類怎燥；
- 給用戶推薦他所屬分類中用戶喜歡的物品。
基于用戶注冊(cè)信息的推薦算法其核心問(wèn)題是計(jì)算每種特征的用戶喜歡的物品蜜暑。也就是說(shuō)铐姚，對(duì)于每種特征f，計(jì)算具有這種特征的用戶對(duì)哥哥物品的喜好程度p(f,i).
p(f,i)可以簡(jiǎn)單地定義為物品i在具有f的特征的用戶中的熱門程度：
其中肛捍，N(i)是喜歡物品i的用戶集合隐绵，U(f)是具有特征f的用戶集合。
根據(jù)這種定義可以比較準(zhǔn)確地預(yù)測(cè)具有某種特征的用戶是否喜歡某個(gè)物品拙毫。但是依许，在這種定義下，往往熱門的物品會(huì)在各種特征用戶中都具有比較高的權(quán)重缀蹄。也就是說(shuō)具有比較高的|N(i)|的物品會(huì)在每一類用戶中都有比較高的p(f,i)峭跳。對(duì)公式進(jìn)行修正，將p(f,i)定義為喜歡物品i的用戶中具有特征f的比例：
這里分母中參數(shù)alpha用來(lái)解決數(shù)據(jù)稀疏問(wèn)題缺前。比如坦康，有一個(gè)物品只被1個(gè)用戶喜歡過(guò)，而這個(gè)用戶剛好具有特征f诡延，那么就有p(f,i)=1.但是，這種情況并沒有統(tǒng)計(jì)意義古胆，因此為分母加上一個(gè)比較大的數(shù)肆良，可以避免這樣的物品產(chǎn)生比較大的權(quán)重。
選擇合適的物品啟動(dòng)用戶的興趣
解決用戶冷啟動(dòng)問(wèn)題的另一個(gè)方法是在新用戶第一次訪問(wèn)推薦系統(tǒng)時(shí)逸绎，不立即給用戶展示推薦結(jié)果惹恃，而是給用戶提供一些物品，讓用戶反饋他們對(duì)這些物品的興趣棺牧，然后根據(jù)用戶反饋提供個(gè)性化推薦巫糙。
對(duì)于這些通過(guò)讓用戶對(duì)物品進(jìn)行評(píng)分來(lái)收集用戶興趣，從而對(duì)用戶進(jìn)行冷啟動(dòng)的系統(tǒng)颊乘，它們需要解決的首要問(wèn)題就是如何選擇物品讓用戶進(jìn)行反饋参淹。
一般來(lái)說(shuō)，能夠用來(lái)啟動(dòng)用戶興趣的物品需要具有一下特點(diǎn)：
- 比較熱門 如果要讓用戶對(duì)一個(gè)物品進(jìn)行反饋乏悄，前提是用戶知道這個(gè)物品是什么東西浙值。以電影為例，如果一開始讓用戶進(jìn)行反饋的電影都很冷門檩小，而用戶不知道這些電影的情節(jié)和內(nèi)容开呐，也就無(wú)法對(duì)它們做出準(zhǔn)確的反饋。
- 具有代表性和區(qū)分性 啟動(dòng)用戶興趣的物品不能是大眾化或老少皆宜的，因?yàn)檫@樣的物品對(duì)用戶的興趣沒有區(qū)分性筐付。熱門物品對(duì)區(qū)分用戶個(gè)性化的興趣沒有幫助卵惦。
- 啟動(dòng)物品集合需要有多樣性 在冷啟動(dòng)時(shí)，不知道用戶的興趣瓦戚，而用戶興趣的可能性非常多沮尿，為了匹配多樣的興趣，需要提供具有很高覆蓋率的啟動(dòng)物品集合伤极，這些物品能覆蓋幾乎所有主流的用戶興趣蛹找。
上面這些因素是選擇啟動(dòng)物品時(shí)需要考慮的，但如何設(shè)計(jì)一個(gè)選擇啟動(dòng)物品集合的系統(tǒng)哨坪？Nadav Golbandi提出可以使用一個(gè)決策樹解決這個(gè)問(wèn)題庸疾。
利用物品的內(nèi)容信息
物品冷啟動(dòng)需要解決的問(wèn)題是如何將新加入的物品推薦給對(duì)它感興趣的用戶。物品冷啟動(dòng)在新聞網(wǎng)站等時(shí)效性很強(qiáng)的網(wǎng)站中非常重要当编。
UserCF算法對(duì)物品冷啟動(dòng)問(wèn)題并不非常敏感届慈。因?yàn)椋琔SerCF在給用戶進(jìn)行推薦時(shí)忿偷，會(huì)首先找到和用戶興趣相似的一群用戶金顿，然后給用戶推薦這一群用戶喜歡的物品。在很多網(wǎng)站中鲤桥，推薦列表并不是給用戶展示內(nèi)容的唯一列表揍拆，當(dāng)一個(gè)用戶對(duì)某個(gè)物品產(chǎn)生反饋后，和他歷史興趣相似的其他用戶的推薦列表中就有可能出現(xiàn)這一物品茶凳，從而更多的人就會(huì)對(duì)這個(gè)物品產(chǎn)生反饋嫂拴，導(dǎo)致更多的人的推薦列表中就會(huì)出現(xiàn)這一物品，因此該物品就能不斷地?cái)U(kuò)散開來(lái)贮喧，從而逐步展示到對(duì)它感興趣用戶的推薦列表中筒狠。
但是，有些網(wǎng)站中推薦列表可能是用戶獲取信息的主要途徑箱沦，比如豆瓣網(wǎng)絡(luò)電臺(tái)辩恼。那么對(duì)于UserCF算法就需要解決第一推動(dòng)力的問(wèn)題, 即第一個(gè)用戶從哪兒發(fā)現(xiàn)新的物品。只要有一小部分人能夠發(fā)現(xiàn)并喜歡新的物品谓形，UserCF算法就能將這些物品擴(kuò)散到更多的用戶中灶伊。解決第一推動(dòng)力最簡(jiǎn)單的方法是將新的物品隨機(jī)展示給用戶，但這樣不太個(gè)性化套耕，因此可以考慮利用物品的內(nèi)容信息谁帕，將新物品先投放給曾經(jīng)喜歡過(guò)和它內(nèi)容相似的其他物品的用戶。
對(duì)于ItemCF算法來(lái)說(shuō)冯袍，物品冷啟動(dòng)是一個(gè)嚴(yán)重的問(wèn)題匈挖。因?yàn)镮temCF算法的原理是給用戶推薦和他之前喜歡的物品相似的物品碾牌。ItemCF算法會(huì)每隔一段時(shí)間利用用戶行為計(jì)算物品相似度表(一般一天計(jì)算一次)，在線服務(wù)時(shí)ItemCF算法會(huì)將之前計(jì)算好的物品相關(guān)度矩陣放在內(nèi)存中儡循。因此舶吗，當(dāng)新物品加入時(shí)，內(nèi)存中的物品相關(guān)表中不會(huì)存在這個(gè)物品择膝，從而ItemCF算法無(wú)法推薦新的物品誓琼。解決這一問(wèn)題的辦法是頻繁更新物品相似度表，但基于用戶行為九三物品相似度是非常耗時(shí)的肴捉，主要原因是用戶行為日志非常龐大腹侣。而且，新物品如果不展示給用戶齿穗，用戶就無(wú)法對(duì)產(chǎn)生行為傲隶，通過(guò)行為日志計(jì)算是計(jì)算不出包含新物品的相關(guān)矩陣的。為此窃页，只能利用物品的內(nèi)容信息計(jì)算物品相關(guān)表跺株，并且頻繁地更新相關(guān)表(比如半小時(shí)計(jì)算一次)。
物品的內(nèi)容可以用向量空間模型表示脖卖，該模型會(huì)將物品表示成一個(gè)關(guān)鍵詞向量乒省。對(duì)于文本，該模型通過(guò)分詞畦木、實(shí)體檢測(cè)袖扛、關(guān)鍵詞排名等步驟將文本表示成一個(gè)關(guān)鍵詞向量 {(e1,w1),(e2,w2),...} 。其中十籍，ei是關(guān)鍵詞攻锰，wi是關(guān)鍵詞對(duì)應(yīng)的權(quán)重。次的權(quán)重可以用TF-IDF計(jì)算權(quán)重：
向量空間模型的優(yōu)點(diǎn)是簡(jiǎn)單妓雾，缺點(diǎn)是丟失了一些信息，比如關(guān)鍵詞之間的關(guān)系信息垒迂。不過(guò)在絕倒數(shù)應(yīng)用中械姻，向量空間模型對(duì)于文本的分類、聚類机断、相似度計(jì)算已經(jīng)可以給出令人滿意的結(jié)果楷拳。
在給定物品內(nèi)容的關(guān)鍵詞向量后，物品的內(nèi)容相似度可以通過(guò)向量之間余弦相似度計(jì)算：
代碼：
function CalculateSimilarity(D)#D文檔集合
for di in D:
for dj in D:
w[i][j] = CosineSimilarity(di, dj)
return w
向量空間模型的一個(gè)問(wèn)題是不能理解含義近似的關(guān)鍵詞吏奸，因此在內(nèi)容較少時(shí)準(zhǔn)確度很差欢揖。話題模型通過(guò)首先計(jì)算文本的話題分布，然后再計(jì)算相似度來(lái)解決這個(gè)問(wèn)題奋蔚，如LDA模型她混。
任何模型都有一個(gè)假設(shè), LDA作為一種生成模型,對(duì)一篇文檔產(chǎn)生的過(guò)程進(jìn)行了建模烈钞。話題模型的基本思想是,一個(gè)人在寫一篇文檔的時(shí)候,會(huì)首先想這篇文章要討論哪些話題,然后
思考這些話題應(yīng)該用什么詞描述,從而最終用詞寫成一篇文章。因此,文章和詞之間是通過(guò)話
題聯(lián)系的.
** LDA 包含文檔坤按、話題毯欣、詞3種元素，每個(gè)詞屬于一個(gè)話題臭脓，通過(guò)迭代收斂得到話題的分布酗钞，文檔的相似度由話題分布的相似度來(lái)度量**. 每一篇文檔都會(huì)表現(xiàn)為詞的集合。這稱為詞袋模型(bag of words).每個(gè)詞在一篇文檔中屬于一個(gè)話題来累。令D為文檔集合砚作，D[i]是第i篇文檔，w[i][j]是第i篇文檔的第j個(gè)詞嘹锁，z[i][j]是第i篇文檔的第j個(gè)詞屬于的話題葫录。
LDA的計(jì)算過(guò)程包括初始化和迭代兩部分 。首先要對(duì)z進(jìn)行初始化兼耀，而初始化的方法很多簡(jiǎn)單压昼，假設(shè)一共有K個(gè)話題，那么對(duì)第i篇文章中的第j個(gè)詞瘤运，可以隨機(jī)給它賦予一個(gè)話題窍霞。在初始化之后，通過(guò)迭代使話題的分布收斂到一個(gè)合理的分布上去拯坟。
在使用LDA計(jì)算物品的內(nèi)容相似度時(shí),我們可以先計(jì)算出物品在話題上的分布,然后利用兩個(gè)物品的話題分布計(jì)算物品的相似度但金。比如,如果兩個(gè)物品的話題分布相似,則認(rèn)為兩個(gè)物品具有較高的相似度,反之則認(rèn)為兩個(gè)物品的相似度較低。計(jì)算分布的相似度可以利用 KL 散度:
其中p和q是兩個(gè)分布郁季，KL散度越大說(shuō)明分布的相似度越低冷溃。
發(fā)揮專家的作用
很多推薦系統(tǒng)在建立時(shí),既沒有用戶的行為數(shù)據(jù),也沒有充足的物品內(nèi)容信息來(lái)計(jì)算準(zhǔn)確的物品相似度。為了在推薦系統(tǒng)建立時(shí)就讓用戶得到比較好的體驗(yàn),很多系統(tǒng)都利用專家進(jìn)行標(biāo)注梦裂。
