推荐系统冷启动常用解决方案

   本文主要基于博主的实际经验，简单介绍几种推荐系统实践中常用的几种解决冷启动的方案。每种方案尽量提供主要的资料，但不展开详细介绍，有需要的可以自己查看相关资料或google。
   此外，本文只针对用户的冷启动问题，不涉及物品的冷启动。
   我将这些方案归纳为以下几种：
    1、基于用户基本背景属性
    2、基于用户的社交关系
    3、基于用户的设备信息
    4、启动页设计
    5、bandit算法
下面分别介绍这几种方法。

1.基于用户基本背景属性

我们通常所说的用户冷启动问题是指系统中没有用户的行为数据，但并不表示没有其他数据，或者可以获取到其他数据。
  获取来源:
  有哪些数据可以用来解决冷启动呢？
   1) 系统内的数据通常包括用户的一些注册信息，比如用户的年龄，性别等；
   2)如果系统内没有呢？如果可以，可以从外部源获取用户的相关信息。比如，在你的系统（平台）上，通常起码都会有用户的手机号或者邮箱，通过这一标识数据，可以从外部，通过合作或者爬取到用户的相关人口属性数据，或其他更多的数据。
   3)现在很多平台都允许采用第三方的账号（当然，主要是微信，qq以及微博）登录，这个的好处也是为了能够从第三方获取到一些基本的用户信息。
  有了这些数据后怎么办呢？我们就可以采用基于人口统计属性的推荐算法了。方法主要有：
   1）将用户的这些属性数据转换成他的特征向量，然后基于用户最近邻给用户推荐物品。注意，最近邻需要找非冷启动问题的用户（这些姑且叫做活跃用户，而相应没有行为数据的用户称之为沉默用户），这个很好理解，没有行为的用户是没法给别人推荐物品的。
   2）逻辑回归；通常，物品的属性，比如像新闻，有作者，来源等，同时还能抽取关键词。那么结合用于的属性，物品的属性，我们还可以采用逻辑回归来解决冷启动问题：利用活跃用户的数据，得到逻辑回归的训练样本数据，然后训练得到一个模型。用这个模型就可以预测用户是否会对某个物品产生行为，进而实现推荐。通常，除了用户和物品的属性外，如果可以，添加上下文信息（类似于时间，地点信息）会更好。
   3）还可以对所有用户基于这些属性聚类，然后将沉默用户所在类的热门贴推给他。具体可以参考：《User-based Clustering with Top-N Recommendation on Cold-Start Problem》
以上说的是能获取到用户的属性（标签）的情况下，如何解决冷启动。当然，如果能够获取到这些信息的话，还可以使用更多的推荐算法。

2、基于用户的社交关系

那如果无法获取到这类数据呢？嗯，现在我们假设，我们还不是一无所有，我们还是有基本的电话号码或者邮箱，那如果我们能够基于这个信息获取到通讯录，，然后基于通讯录能关联到其他平台的好友关系，或者qq好友数据（好像想多了。。哈哈），那这样也能是可以解决用户冷启动问题的：如果这种好友关系能回溯到你的平台，那你就可以给用户推荐这些好友产生过行为的物品。比如，你平台上有两个用户，他们除了手机号，你没有任何他们的相关信息，其中一个有不少行为，而另一个没有，但是你知道他们在其他平台有注册，并且从其他平台你能知道他们是好友，那么，你就尝试把有行为的那个用户的物品推荐给另一个用户了。

嗯，假如，现在来了一个用户，“很新很新”的用户，再你的平台（app）上没留下任何痕迹，一穷二白。你如何解决他们的冷启动呢？

先说简单方法，再介绍复杂点的。敲下黑板，注意复杂点的，这是重点，效果通常不错。

3、基于用户的设备信息

简单的方法是，你还是需要外部数据（苦笑~），但是你不需要去爬，去买，去抢（额）。你安装app的时候，是否经常询问你是否允许读取位置信息？是否允许读取图片等信息？是否允许读取通讯录？是否允许读取安装列表？ 嗯，我就说下这个安装列表吧。用于解决冷启动就挺好用。举个例子，假如是咨询类的推荐，你读取我手机安装了懂球帝，你是不是可以给我推荐足球？ 哈哈，如果没猜错。凤凰新闻就采用了这样的策略。

4、启动页设计

对于新用户，在其第一次进入系统时，比较有效，在很多应用中也比较常见的就是设计一个启动页——列出一些选项给用户选择。比较常见的就是列出物品让用户评分。其中物品的选择也非常的重要。常见的选择策略有：1）随机；缺点：用户有可能不了解该物品，也就无法表达任何观点；2）流行度；按流行度排序；缺点：流行的物品，大家都喜欢，收集不到有用的信息；3）熵；也就是选择那些争议性更大的物品；缺点：类似随机；4）均衡方法；结合流行度和熵。5）类似基于物品的协同方法。具体可以参考：Learning Preferences of New Users in Recommender Systems: An Information Theoretic Approach

5、bandit算法

另一种方法是什么呢？猜! 读者可能要说我逗了。要我猜？我猜不到，赶紧说是什么方法！
猜啊！我说的这种复杂的方法就是猜啊。哈哈，不过这种猜可不是胡乱猜，要说细了，还能吹出一堆理论来。下面就简单说下这种方法。
这种方法就是坊间流传的“老虎机算法”。更正式的名称是bandit算法。这个算法的思想很简单，也非常有意思：有多台老虎机，每台老虎机吐钱的概率不一样，在不知道概率的前提下，该选择哪台才能实现最大收益呢？ 推广到推荐上来就是：我也不知道这个人他喜欢哪类物品（希望哪类物品的概率不知），但我希望我推给他的物品尽可能他会喜欢（会点击，会购买），那我该给他推哪类呢？ 第一反应就是试，这个类不行，换另一个类。当然，bandit算法可不是说的这没简单，选哪个，下次该换哪个都是可以形式化定义的。具体不展开讲，感兴趣的可以参考：
1）https://mp.weixin.qq.com/s/Mhxray7Isy1pPbkkvAxi3w
2）Learning and Optimization for Sequential Decision Making–Lecture 3: UCB Algorithm, Worst-Case Regret Bound