我很好奇克服“冷启动”问题的方法/方法是什么，当新用户或项目进入系统时，由于缺乏关于这个新实体的信息，建议是一个问题。
我可以考虑做一些基于预测的推荐（如性别，国籍等）。
答案 0 :(得分：23)
您可以冷启动推荐系统。
有两种推荐系统;协同过滤和基于内容。基于内容的系统使用有关您推荐的内容的元数据。那么问题是元数据是什么重要的？第二种方法是协同过滤，它不关心元数据，它只是使用人们对项目所做的或所说的来做出推荐。通过协作过滤，您不必担心元数据中的哪些术语很重要。实际上，您不需要任何元数据来提出建议。协同过滤的问题在于您需要数据。在您有足够的数据之前，您可以使用基于内容的建议。您可以提供基于这两种方法的建议，并且在开始时具有100％基于内容的建议，然后随着您获得更多数据开始混合基于协作过滤。 这是我过去使用的方法。
另一种常见技术是将基于内容的部分视为简单的搜索问题。您只需将元数据作为文档的文本或正文放入，然后索引文档。你可以用Lucene＆amp; Solr无需编写任何代码。
如果您想了解基本协同过滤的工作原理，请查看Toby Segaran的“编程集体智慧”第2章
答案 1 :(得分：6)
也许有时候你不应该提出建议？ “数据不足”应符合其中一个时间。
我只是看不出基于“性别，国籍等”的预测建议将不仅仅是刻板印象。
IIRC，像亚马逊这样的地方在推出建议之前建立了他们的数据库一段时间。这不是你想要出错的那种东西;根据数据不足，有很多关于不恰当推荐的故事。答案 2 :(得分：2)
我自己也在处理这个问题，但是来自微软的Boltzmann机器上的这篇论文看起来很值得：http://research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf
答案 3 :(得分：1)
之前已经多次询问过（当然，我现在无法找到这些问题：/，但一般的结论是避免这些建议更好。在各个部分，同一个名字属于不同的性别，等等...
答案 4 :(得分：0)
基于“类似用户喜欢......”的建议显然必须等待。如果您绝对致力于根据用户相似性进行预测，您可以向受访者提供优惠券或其他奖励。
冷启动推荐引擎还有另外两种方法。
所有这些中存在许多潜在的陷阱，这些陷阱太常见了。
正如您所料，这里没有免费午餐。但是这样考虑一下：推荐引擎不是商业计划。他们只是改进了商业计划。
答案 5 :(得分：0)
解决冷启动问题需要三件事：
必须对数据进行分析，以便您拥有许多不同的功能（产品数据用于＆＃39;功能＆＃39;通常是＆＃39;分类方面＆＃39;）。如果您没有正确地对数据进行分析，那么您的推荐引擎将保持“冷”状态。因为它没有对推荐进行分类的任何内容。
最重要的是：您需要一个用户反馈循环，用户可以使用该循环查看个性化引擎建议的建议。例如，是/否按钮是否有此建议有帮助？＆＃39;应该将对一个训练数据集（即推荐训练数据集）中参与者的评论排队到另一个训练数据集（即不要推荐训练数据集）。
用于（推荐/不推荐）建议的模型绝不应被视为一刀切的建议。除了对产品或服务进行分类以向客户建议外，公司如何对每个特定客户进行分类也很重要。如果运行正常，人们应该期望具有不同功能的客户在特定情况下会得到（推荐/不推荐）的不同建议。这就是个性化＆＃39;个性化引擎的一部分。