一.推薦系統需要根據使用者的歷史行為和興趣來**使用者未來的行為和興趣，如何在沒有大量使用者資料的情況下設計個性化推薦系統並讓使用者對推薦結果滿意從而願意使用推薦系統，就是冷啟動問題。
二.分類：
提供具有很高覆蓋率的啟動物品集合：在冷啟動時，我們不知道使用者的興趣，而使用者興趣的可能性非常多，我們需要提供具有很高覆蓋率的啟動物品集合，這些物品能覆蓋幾乎所有主流的使用者興趣。
2.利用使用者註冊資訊：
3.利用內容特徵的相似度：
現實生活中，電子商務推薦系統中使用者和專案的數量是非常龐大的，而且隨著時間的推移而越來越多。由此而言，使用者對專案的評價資料也越來越多。但是對於如此龐大的專案數量，每個使用者不可能對每個專案進行評價。據統計，一般使用者購買商品的總數僅佔**商品總數的1%-2%，使用者對專案的評價資料也是如此，造成使用者——專案評價矩陣非常稀疏。顯然，基於這樣的稀疏矩陣計算得來的使用者相似性是不準確的。
資料稀疏情況下使用者-專案評價矩陣
資料稠密情況下使用者-專案評價矩陣
降低矩陣維數的技術
電子商務的不斷快發展帶動使用者數量的不斷增加，同時加入到電子商務**中的專案數量也在成指數上公升，因此也會加重推薦系統的計算負擔。資料量一定的時候可能是高效的演算法，但當資料量增加時不僅會出現計算時間的增加，同時對於推薦系統的準確度也會造成一定的影響。演算法的擴充套件性問題是制約推薦系統發展的乙個重要因素。
協同過濾推薦演算法 推薦演算法 基於協同過濾CF
前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下的...
基於物品的協同過濾推薦
思想 利用物品間的相似度，給使用者推薦與使用者過去行為物品相似的物品。資源 使用者物品評分矩陣 填空，即對使用者沒有過評分的物品進行 打分 物品相似度評測 改進的余弦相似度 u 表示使用者集，用r表示n m的評分矩陣，rij代表評分項，表示使用者i對物品j的評分。公式分子可以理解為 兩個物品有共同評...
基於協同過濾演算法的推薦
基於協同過濾演算法的推薦 本實驗選用資料為真實電商脫敏資料，僅用於學習，請勿商用 資料探勘的乙個經典案例就是尿布與啤酒的例子。尿布與啤酒看似毫不相關的兩種產品，但是當超市將兩種產品放到相鄰貨架銷售的時候，會大大提高兩者銷量。很多時候看似不相關的兩種產品，卻會存在這某種神秘的隱含關係，獲取這種關係將會...