轉自http://blog.csdn.net/zhangjunjie789/article/details/51379127 如何在沒有大量用戶數據的情況下設計個性化推薦系統並且讓用戶對推薦結果滿意從而願意使用推薦系統，就是冷啟動問題。 冷啟動問題主要分為三類： （1） 用戶冷啟動 ...

一、冷啟動問題介紹 如何在沒有大量用戶數據的情況下設計個性化推薦系統並讓用戶對推薦結果滿意從而願意使用推薦系統，就是冷啟動問題。 用戶冷啟動：如何給新用戶做個性化推薦 物品冷啟動：如何將新物品推薦給可能對其感興趣的用戶。在新聞網站等時效性很強的網站中非常重要。 系統冷啟動 ...

3.1 冷啟動問題簡介 問題分類： 用戶冷啟動 物品冷啟動 系統冷啟動 　　常用解決方案： 利用熱銷榜進行推薦 利用用戶注冊時的年齡、性別等數據做粗粒度的個性化 利用用戶社交數據為其推薦好友喜歡的物品 要求用戶在登錄時對一些物品進行反饋，收集用戶 ...

目錄 問題描述 數據層面 高效利用屬性特征 基於內容的推薦 組推薦/聚類 基於圖的推薦 基於遷移學習的推薦 多行為推薦 模型層面 元學習/元優化 探索和利用 參考文獻 ...

1.1 什么是推薦系統 　　80/20原則：80%的銷售額來自於20%的熱門品牌 　　不熱門的商品數量極其龐大，這些長尾商品的總銷售額將是一個不可小覷的數字，也許會超過熱門商品帶來的銷售額。 　　主流商品代表了絕大多數用戶的需求，而長尾商品代表了一小部分用戶的個性化需求。 　　推薦系統 ...

什么是好的推薦系統： 一個完整的推薦系統包括三部分用戶，網站，內容提供方。 好的推薦系統設計，能夠讓推薦系統本身收集到高質量的用戶反饋，不斷完善推薦的質量，增加 用戶和網站的交互，提高網站的收入。因此在評測一個推薦算法時，需要同時考慮三方的利益， 一個好的推薦系統是能夠 ...

推薦系統中經常會遇到EE問題和冷啟動問題，Bandit算法就是為解決這兩個問題的一種在線學習算法。 啥是EE問題 EE問題： 又稱為exploit-explore問題。 exploit就是用戶確定比較感興趣的事物，要求准確率較高。 explore就是探索用戶可能感興趣的，新的事物 ...

　　上下文包括用戶訪問推薦系統的時間、地點、心情等。 5.1 時間上下文信息 5.1.1 時間效應簡介 　　時間信息對用戶興趣的影響表現在以下幾個方面： 　　1.用戶興趣是變化：關注最近行為 　　2.物品也是有生命周期的： 　　3.季節效應 5.1.2 時間效應舉例 5.1.3 ...