冷啟動問題是推薦演算法或者計算廣告演算法崗位的面試官經常會問到乙個問題，因此在這裡做乙個總結。
結論：冷啟動包括使用者的冷啟動、物品的冷啟動和整個系統的冷啟動
針對冷啟動問題的解決方案大概分為三類：基於規則、基於特徵、遷移學習。
1、基於規則：
基於規則的方法實際上就是前推薦系統時代進行內容分法的方法。比如使用最高評分榜、近期熱門榜作為新使用者的推薦；或者更進一步，根據使用者註冊時提供的一些基本資訊，設定差異化的啟動榜單
物品角度的基本思路大致相同，比如按照物品的一些基本屬性進行k近鄰，以距離最近的一些物品的推薦邏輯來初始化這些新物品。
2、基於特徵：
冷啟動面對的資料缺失是歷史資料的確實，但是推薦系統中使用的特徵不僅僅是歷史資料。所以推薦系統可以基於其他更加豐富的及時特徵（比如年齡、性別、行業、職業、ip、gps等資訊）來進行粗粒度的推薦。另一種思路是在註冊時通過一些問題，比如電影**會主動讓選出感興趣的10部電影，主動的引導使用者進行一些互動來積累初始資料。
此外，一些第三方dmp會基於cookie等提供一些使用者的基本特徵，這也是可以拿來冷啟動的
3、基於遷移學習：
比如cvr預估的embedding可以直接使用ctr預估的embedding
推薦系統冷啟動問題的常見解決方案
1.冷啟動問題定義 推薦系統需要根據使用者的歷史行為和興趣 使用者未來的行為和興趣，對於bat這類大公司來說，它們已經積累了大量的使用者資料，不發愁。但是對於很多做純粹推薦系統的 或者很多在開始階段就希望有個性化推薦應用的 來說，如何在對使用者一無所知 即沒有使用者行為資料 的情況下進行最有效的推薦...
推薦系統 召回 冷啟動
冷啟動問題主要分為兩類 這裡主要分享兩個演算法，乙個是利用使用者的註冊資訊進行冷啟動，乙個是利用物品本身資訊進行冷啟動。這裡主要利用使用者註冊時填寫的人口統計學資訊，如年齡 性別 職業 民族 學歷和居住地 獲取使用者的註冊資訊 根據註冊資訊對使用者進行分類 給使用者推薦他所屬那個分類中使用者喜歡的物...
推薦系統 冷啟動問題
使用者冷啟動 即提供非個性化的推薦，即提供熱門排行榜，之後再個性化 使用者註冊資訊分3中 p f,i n i u f n i an i 是喜歡物品i的使用者集合，u f 是具有特徵f的使用者集合，引數a的目的是解決資料係數的問題。比如有乙個物品只被乙個使用者喜歡過，而這個使用者剛好就有特徵f，那麼p...