本文主要是介绍关于推荐系统中的冷启动问题探讨(Approaching the Cold Start Problem in Recommender Systems)，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！
本文翻译自： https://medium.com/@InDataLabs/approaching-the-cold-start-problem-in-recommender-systems-e225e0084970#.nic6ab24z
在之前的一篇文章中我们已经讨论过了机器学习在推荐系统中的应用，现在我们把注意力转移到移动应用、电子商务平台、搜索引擎和其他必须面对推荐系统冷启动的问题上。
借助机器学习来发挥推荐系统作用的人数在持续增长。多亏整合了机器学习，推荐系统似乎对用户的习惯和喜好了如指掌，还能与时尚趋势与时俱进，这带来的便利性是毋庸置疑的。
机器学习对推荐技术的成功至关重要
机器学习仅仅被用在了最好的推荐系统中，在这样的系统中，预测模型会不断学习并使自己适应于平台的用户和上面销售的商品，对于每一位特定用户，这项技术可以提供自动最优化和个性化的内容。
一个直接从企业以及网站、应用、邮件链接的客户那学习的推荐引擎，产生了“定制算法”以使其变得更聪明，这可是密切关系到每一位客户的问题。
然而，当用户第一次接触这样的平台，或者需要做一个新的查询，冷启动问题就会出现，而想要成功地提供最好和个性化服务得很大程度上依赖于该平台快速适应新用户和新查询的能力。
产品冷启动VS顾客冷启动
“冷启动”这个术语来源于汽车，当引擎没有预热，汽车就还不能顺利工作，但是一旦达到了理想温度，汽车就能顺利工作了。而对于一个推荐引擎这不过意味着它还没有达到顺畅工作和产生最佳结果的理想条件。
现在主要有两种应对冷启动的策略（用户冷启动和项目冷启动）和几个帮助推荐系统应对这些问题的方法。
冷启动问题与某些服务的新用户和新产品相关，这些新产品尚未在某一用户组中获得评论或成功购买的历史记录。而且在没有足够关于特定商品的用户行为时，引擎将不知道怎样去推荐展示它们。基于内容过滤法正成功地解决这个挑战。当产生推荐时，这个系统最先用新商品的元数据，尽管用户行为仍在上一个地方持续一定时间。
区分那些纯浏览用户与有购物目的的用户也是可能做到的。例如，如果有人在很短的一个时间内点击了从汽车到花盆的任何东西，推荐引擎将会知道不要利用这些用户点击历史记录为其他用户做更深度的推荐。
顾客冷启动情况下，大多数系统使用基于流行度的策略。大多数流行产品基于全球、区域和当地趋势或者一天中的特定时间段被识别出来。加强版引擎使用了以下信息：地理定位、引用（知道访客从哪里来）、设备（手机或电脑，ISO或安卓）、浏览器。所有的这些帮助展现的广告个性化并及时做出推荐。用户首次访问期间仅仅做出2、3次点击之后，这些行为信息就开始生效了，以帮助揭示用户的真正的兴趣爱好。
当为几乎不了解的人挑选礼物时候大多数人会感到绝望，我们可以明白推荐系统面对不了解任何喜好和需求的全新用户时难作出判断是同样的道理。以当前科技发展的速度判断，这些让机器而不是人做出选择的问题将会变得简单得多。
查看原文请点击indatalabs.com
这篇关于关于推荐系统中的冷启动问题探讨(Approaching the Cold Start Problem in Recommender Systems)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！
