本文主要是介绍人工智能|推荐系统——工业界的推荐系统之冷启动，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
UGC的物品冷启有哪些
⼩红书上⽤户新发布的笔记。
B站上⽤户新上传的视频。
今⽇头条上作者新发布的⽂章。
为什么要特殊对待新笔记？
新笔记缺少与⽤户的交互，导致推荐的难度⼤、效果差。
扶持新发布、低曝光的笔记，可以增强作者发布意愿。
优化冷启的目标
精准推荐：克服冷启的困难，把新笔记推荐给合适的⽤户，不引起⽤户反感。
激励发布：流量向低曝光新笔记倾斜，激励作者发布。
挖掘⾼潜：通过初期⼩流量的试探，找到⾼质量的笔记，给与流量倾斜。
一、评价指标
作者侧指标
-
发布渗透率、⼈均发布量反映出作者的发布积极性。
-
冷启的重要优化⽬标是促进发布，增⼤内容池。
-
新笔记获得的曝光越多，⾸次曝光和交互出现得越早，作者发布积极性越⾼。
⽤户侧指标
内容侧指标
二、冷启召回的困难
-
缺少⽤户交互，还没学好笔记ID embedding，导致双塔模型效果不好。
-
缺少⽤户交互，导致ItemCF 不适⽤。
ID embedding替代方案
多个召回池，让新笔记有更多曝光机会。
缺点1：只对刚刚发布的新笔记有效。
取回某类⽬/关键词下最新的k篇笔记。
发布⼏⼩时之后，就再没有机会被召回。
缺点2：弱个性化，不够精准。
三、聚类召回
训练内容相似度模型
四、Look-Alike人群扩散
点击、点赞、收藏、转发——⽤户对笔记可能感兴趣。
把有交互的⽤户作为新笔记的种⼦⽤户。
⽤look-alike在相似⽤户中扩散。
五、物品冷启动：流量调控
工业界的做法
新笔记提权
新笔记保量
动态提权保量
保量的难点
差异化保量
六、冷启的AB测试
冷启的AB测试需要观测作者发布指标和⽤户消费指标。
各种AB测试的⽅案都有缺陷。设计⽅案的时候，问⾃⼰⼏个问题：
实验组、对照组新笔记会不会抢流量？
新笔记、⽼笔记怎么抢流量？
同时隔离笔记、⽤户，会不会让内容池变⼩？
如果对新笔记做保量，会发⽣什么？
用户侧实验
作者侧实验
方案一，缺点：新笔记和⽼笔记抢流量
方案二
-
优点：新笔记的两个桶不抢流量，作者侧实验结果更可信。
-
相同：新笔记和⽼笔记抢流量，作者侧AB测试结果与推全结果有些差异。
-
缺点：新笔记池减⼩⼀半，对⽤户体验造成负⾯影响。
方案三
这篇关于人工智能|推荐系统——工业界的推荐系统之冷启动的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
