推荐算法冷启动解决
推荐算法冷启动问题是在推荐系统中常见的一个问题。当新用户加入系统或者新的物品被添加到系统中时，推荐系统可能没有足够的信息来为这些用户或物品生成有效的推荐。为了解决这个问题，可以采用以下几种方法：
- 基于内容的推荐：这种方法使用物品的属性（如描述、标签、类别等）来推荐相似的物品。例如，如果一个新用户喜欢某个物品，推荐系统可以找到与该物品相似的其他物品，并向用户推荐它们。
- 基于协同过滤的推荐：这种方法使用用户或物品的相似性来生成推荐。例如，如果一个新用户与系统中的其他用户有相似的兴趣或行为，推荐系统可以向该用户推荐其他用户喜欢的物品。
- 基于热门程度的推荐：这种方法根据物品的受欢迎程度来推荐。例如，如果一个新用户刚刚加入系统，推荐系统可以向该用户推荐系统中最受欢迎的物品。
- 基于用户群体的推荐：这种方法将用户分组，并根据用户群体的喜好来推荐物品。例如，如果一个新用户加入系统，推荐系统可以向该用户推荐他们所属群体中最受欢迎的物品。
- 混合推荐：这种方法结合了上述几种推荐方法，以提高推荐的准确性和覆盖率。例如，推荐系统可以使用基于内容的推荐和基于协同过滤的推荐相结合，以向新用户推荐相似物品和热门物品。
总之，解决推荐算法冷启动问题需要综合考虑多种推荐方法和策略，以提高推荐的准确性和覆盖率。
相关·内容
6回答
我很好奇有什么方法/途径来克服“冷启动”问题，即当一个新用户或一个项目进入系统时，由于缺乏关于这个新实体的信息，做出推荐是一个问题。
我可以考虑做一些基于预测的推荐(比如性别、国籍等等)。
浏览 3提问于2010-01-03得票数 5
回答已采纳
假设您在矩阵n中获得了m电影的D1用户的评级。计算一个表示法
R = U \times \Sigma \times V
通过随机初始化u_i, v_j \forall i \in 1, \dots, n \forall j \in 1, \dots, m并通过梯度下降优化以下表达式：
\min_{u_i, v_i} \sum_{p_{ij}} \left ( p_{ij} - u_i \cdot v_j \right )^2 \text{ with } u_i \in \mathbb{R}^{1 \times r}, v_j \in \mathbb{R}^{r \times 1}
这就是我理解
浏览 0提问于2019-06-26得票数 4
1回答
数据不一致
、、
我有客户档案和共同基金的数据集，现在的问题是有大量的不同的共同基金可供使用，根据历史，我可以看到对于某些类型的客户档案，有20多个不同的基金被建议了？
现在我不知道我应该用哪种算法来为某些客户提供最推荐的资金？
浏览 0提问于2017-07-25得票数 -1
回答已采纳
2回答
我有一个关于表单中特定项目的用户首选项的数据：
user, item, preference
1, 75, 0.89
2, 168, 0.478
2, 99, 0.321
3, 31, 0.012
对于每个用户，我需要使前N个最相似的用户基于他们的preferences.The系统有数以千计的用户，和项目。建议将在批处理过程中生成，并在Elasticsearch上提供。在Mahout中，实现该功能的简单算法可能如下所示：
val similarity:UserSimilarity=new PearsonCorrelationSimila
浏览 2提问于2016-07-12得票数 2
1回答
基于内容的过滤(CBF)：基于产品/项目属性的。比如说，user_1在过去已经为其中的一些项目下过订单(或喜欢)。现在，我们需要识别这些订购商品的相关特性，并将其与其他项目进行比较，以推荐任何新的项目。基于特征集的相似项查找的著名模型之一是随机森林或决策树。
协作过滤()：它使用用户行为。比如说，user_1在过去已经为其中的一些项目下过订单(或喜欢)。现在我们发现了类似的用户。过去订购/喜欢相同商品的用户可以被视为类似的用户。现在，我们可以根据分数推荐一些由类似用户订购的商品。寻找相似用户的著名模型之一是KNN。
问题:说我必须找到类似的用户，而不是基于他们在CBF中的行为(就像我提到的那样
浏览 0提问于2019-05-19得票数 2
我想建立一个推荐系统，目标是处理真正的大数据集，比如1 TB数据。
而且每个用户都有大量的物品，但是用户的数量很小，比如数千或1万。
我从google搜索，我发现有一些基于hadoop的开源推荐引擎，比如Mahout，我想它可能有能力处理这么大的数据，但是我不确定。
我还发现一些引擎编写了C++ python，甚至php，我不认为脚本语言能够处理这么大的数据，因为内存不能包含整个数据集。
还是我错了？有人能给我一些建议吗？
浏览 2提问于2014-06-24得票数 1
我们已经为特定的利基市场构建了协作/业务网络工具。
因此，我们想要介绍一个推荐引擎，它将建议连接到哪些用户。
所有用户同时既是供应商又是消费者。提供类似物品的用户是竞争对手，他们不会有兴趣合作。对其他用户提供的物品有需求的用户是很合适的。
因此，理想的情况不是基于相似性，而是两个用户在提供什么和有什么需求方面有多好地相互补充。
这是一个很好的mahout用例，还是整个概念都是基于相似性的？
浏览 0提问于2012-04-20得票数 1
回答已采纳
我正在研究一种算法，为您提供一个平台的推荐，您可以在这个平台上查看餐馆。因此，数据库有3个表，“用户”、“餐馆”和“评论”。评论的评级为1-5。每家餐厅可以有多个评论，用户可以有多个评论。一个评论只能有一个用户和一个餐馆。
首先，我将解释我目前的研究/结论，
我已经实现了大多数基于用户的系统，但是我遇到了一些问题，这些问题来自于产生推荐的方式。
首先，数据稀疏的问题，因为用户可能会在非常不同的餐馆上有一些评论，所以很难确定用户之间的相关性。
其次，我遇到了冷启动的问题.在能够计算出用户之间的相关性之前，您需要对同一家餐厅的每个评论进行大约4次评论。
通过使用基于内容的过滤器，我找到了一个解决方
浏览 4提问于2016-11-02得票数 2
回答已采纳
2回答
我一直在阅读有关推荐系统和构建推荐系统的方法的论文和书籍。在其中的许多案例中，Netflix竞赛就是一个例子。在Netflix上，用户对电影进行评分(从1到5)。在那次比赛中，参赛者被用户提供了一个电影数据库和相应的评分，他们应该实现一个系统，最好地预测电影的评分，并使用该评分向用户推荐电影。
对于评估，他们建议使用使用预测评级和实际评级作为参数的度量进行交叉验证。预测评级是使用用户的历史和他对电影的评级来计算的。
我正在尝试建立一个新闻推荐系统。我现在面临的问题是，新闻只有很短的一段时间是相关的，几乎没有人会给新闻评级。因此，我只有隐式反馈(视图)，没有显式反馈(评级)。同样，在Netfli
浏览 0提问于2015-01-23得票数 5
2回答
我正在为电影建立一个推荐引擎，并且阅读了很多很好的信息。我从未见过的一件事是如何为新用户和项目提供建议。正常的过程是:我建立我的模型并训练它。然后，我输入一个用户以及我希望返回给他们的最上面的k条建议。
现在，如果我想为没有在我最初的稀疏收视率矩阵中的用户这样做呢？如果我有一个稀疏的电影收视率为这个新用户，有一个简单的方法，将它纳入模型，而不重新培训整个模型从零开始？
我知道基于内容的过滤被用来解决CF的“冷启动”问题。这是我唯一的选择，即使我已经对这个新用户有了一些评级？
现在，我正在研究加权交替最小二乘(WALS)，最终我也想为SGD做这件事。
浏览 1提问于2018-07-28得票数 6
回答已采纳
1回答
我正在开发一个移动应用程序，它可以根据用户已经在设备上安装的应用程序以及用户在这些应用程序上花费的时间来预测用户可能对从play商店下载的应用程序感兴趣。此外，你还可以选择浏览游戏商店中的顶级应用程序，你可以“喜欢”任何你感兴趣/想下载的应用程序。
基于这些数据，我想对将来发布的任何新的流行应用程序进行预测并通知用户，但是由于这些预测将是针对用户的，所以我不确定数据集是否太小而不适合k--即聚类(将应用程序按类型分组，并找到最受欢迎的类型)。35是安装在用户智能手机上的应用程序的平均数量，如果你包含任何“最受欢迎的应用程序”，数据集的总数可能在50个左右。
也许还有另一种更合适的技术，我可以应
浏览 0提问于2018-05-23得票数 1
回答已采纳
我想知道是否有任何方法可以为新用户获得推荐，使用已经训练好的WALS模型，并给出用户喜欢的项目列表。
目前，要获得推荐，您必须提供用户的id，该id必须在模型训练时使用的用户中。我想通过提供新用户喜欢的项目列表来获得推荐。
在 python库中有一个类似的特性
浏览 6提问于2018-11-07得票数 1
1回答
我已经建立了一个推荐系统，其中有数以万计的项目和它们的功能描述，但到目前为止还没有用户配置文件。我正在寻找可以帮助我引导系统的方法的指针，这样我就可以做一些评估。如果有任何关于这个问题的论文/应用程序的指点，我将不胜感激。
浏览 4提问于2013-03-17得票数 0
回答已采纳
目前，当新用户出现时，我无法更新我的推荐系统，这与没有添加用户和项目矩阵有关。我在哪里能找到这个，怎么做？谢谢
model.userFactors model.itemFactors
浏览 3提问于2016-04-19得票数 8
回答已采纳
大多数推荐算法向用户推荐新产品。
如果你买了这个，你可能会喜欢这个
但有时，用户最有可能购买的是他之前购买的物品。
是否有适合这种使用的算法？
浏览 0提问于2016-05-16得票数 2
回答已采纳
5回答
排序的机器学习算法
、、、
我正在做一个排名问题，向用户推荐k项。评价指标是K点平均精度。
R和Python都有xgboost，可以用于成对比较，也可以用于排序问题。
是否有其他算法或方法可以应用于排序问题？
浏览 0提问于2016-11-06得票数 4
回答已采纳
2回答
我是Spark ML的新手。我想向使用Apache Spark ML的用户推荐电影。我学到了，我们可以根据用户的评分推荐电影。
我的问题是，我们可以在推荐中包括其他特征，比如他的年龄，国家，电影类型，喜欢等。例如，我们有用户'U1'，'U2'，'U3‘和'U4’，他们都在看电影'M‘。生活在美国的22岁的U1也看了电影M1，M2和M3，生活在澳大利亚的50岁的U2看了电影M1，M4和M5。现在，我想推荐24岁的U3在美国生活的电影“M1”、“M2”和“M3”。也向生活在澳大利亚的21岁的U4推荐电影M1，M4和M5。
基本上，我想为年龄和
浏览 0提问于2017-06-24得票数 1
1回答
让我们假设我正在为在线内容构建一个内容推荐引擎。我有web日志数据，我可以将这些数据导入到图形中，其中包含用户ID、他们查看的页面以及查看时的时间戳。本质上，这是每个用户查看过哪些页面的历史记录。
我使用Neo4J和Cypher编写了一个简单的遍历算法。对于我想为之构建建议的每个页面(节点)，我发现哪些页面在访问过此页面的其他用户中最受欢迎。这似乎会带来不错的结果。但是，我想探索其他方法，看看哪种方法给出了最相关的建议。
除了简单的遍历之外，我还想知道是否有一些图形级别的属性可以用来使用这个数据集来构建另一组建议。我看过卡扣，它有一个很好的算法库，比如Page，Clauset社区检测，Girv
浏览 0提问于2014-12-29得票数 2
4回答
最近对推荐系统很感兴趣，但现在缺少一些很好的学习资料，有谁能简单介绍一些目前都有哪些推荐算法呢，又有哪些应用场景呢？
目前手机资讯app推荐的是挺精准的，但是总感觉推荐的有些过于单调了，我每天都只能看到同样的推荐内容，又该如何改进呢？
浏览 4296提问于2018-03-22
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
