參考：
冷啟動問題
定義：在開始階段，沒有大量使用者資料的情況下，進行個性化推薦的問題。
分類使用者冷啟動
-對新使用者進行推薦
a1.利用新使用者的註冊資訊進行推薦
2.匯入使用者社交**資訊
a3.要求使用者對一些物品進行反饋
物品冷啟動
-將新物品推薦給使用者
b1.利用物品的內容資訊進行推薦
系統冷啟動
-在無使用者行為的**上
進行推薦
1.利用專家知識建立物品相關表
a1 使用者註冊資訊
資訊包括：i.人口統計學資訊（年齡、性別、職業、學歷、住址、名族、國籍）
ii.使用者興趣描述
推薦演算法：根據使用者資訊特徵資訊，參考同特徵使用者，獲得使用者對某物品的喜好程度
例子：比如計算乙個(男性,22歲,學生)對物品i的喜愛程度
-[男 22歲 學生且喜歡物品i的人數]/[喜歡物品i的人數+α]
a3 對物品進行反饋
選擇反饋物品的原則：
i.物品熱門(使用者知道)
ii.物品具代表性，區分性(不能選大家都愛的物品)
iii.多樣性(迎合使用者興趣多樣性)
演算法：--區分度衡量：
三個值分別為：喜愛物品i的使用者對其他物品評分的方差
不喜歡物品i的使用者對其他物品評分的方差
不知道物品i的使用者對其他物品評分的方差
--有了區分度後，通過以下方法選出k個用於反饋的物品
先選出區分度最大的物品，然後根據該物品將使用者分為（喜歡、不喜歡、不知道）3類；
根據使用者在介面上的反饋進入其中某一分支，然後在這一分支上，選出最有區分度的物品；
以此類推，直到選出k個物品
b1 利用物品內容資訊
將物品內容資訊表示為向量， d
i=(w
1,w2
,...
,wn)
di=(w1,w2,...,wn)
,每個分量對應乙個特徵，以電影為例，各個分量可以是（導演,型別,...）
表示成向量後，兩個物品的相似度可以用余弦相似度計算：
對於文字內容，需要經過以下步驟處理：
推薦系統11 《推薦系統實踐》總結
在之前我也看了很多人寫的推薦系統的部落格，理論的 演算法的都有，多是個人的理解和感悟，雖然很深刻，但是對於自己而言還是不成系統，於是我參考大牛項亮編著的 推薦系統實踐 將該領域知識系統整理一遍，與大家一起學習。本系列對應的 請檢視 前面總結推薦系統常用的資料 演算法 架構等，具體內容清檢視本系列推薦...
推薦系統演算法總結
最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看 總感覺 對於工業界來說用處真的不如學校做課題 那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。在看書，看大牛們...
推薦系統演算法總結
阿俊的部落格 最近看推薦系統方面的東西也有段日子了，有書，部落格，唯獨沒有看 總感覺 對於工業界來說用處真的不如學校做課題 那麼大，只要知道某個演算法好不好用以及怎麼用就可以了，也不必知道太多的細節和數學推導。但根據乙個好的演算法，產品部門可以設計出很多很酷的產品，讓使用者倍感web應用的人性化。在...