算法推荐中的冷启动 - 腾讯云开发者社区 - 腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

冷启动推荐算法理论与实践总结

推荐系统根据用户的历史行为分析用户的兴趣，再根据兴趣为用户推荐项目。然而，在推荐系统运作过程中，新用户与新项目会源源不断地出现。...另外，如果是新开发的平台，初期用户很少，用户行为也不多，常用的协同过滤、深度学习等依赖大量用户行为的算法不能很好的训练出精准的推荐模型，怎么让推荐系统很好的运转起来，让推荐变得越来越准确，这个问题就是系统冷启动...SIGIR22 | 基于行为融合的冷启动推荐算法近期推荐系统冷启动顶会论文集锦一文梳理冷启动推荐算法模型进展总之，推荐系统冷启动主要分为物品冷启动、用户冷启动和系统冷启动三大类。...物品冷启动：当一个系统中出现了新的物品时，我们需要向用户推荐这个物品，然而系统中并没有关于该物品的任何信息，用户无法感知新产品的存在，这就给推荐系统的推荐带来一定的麻烦。...（2）利用社交关系推荐有些APP，用户在注册时要求导入社交关系，比如手机通讯录，这时可以将你的好友喜欢的标的物推荐给你。利用社交信息来做冷启动，特别是在有社交属性的产品中，这是很常见的一种方法。

3.3K3 0

推荐系统冷启动

解决冷启动面临的挑战冷启动问题是推荐系统必须要面对的问题，也是一个很棘手的问题，要想很好的解决冷启动，需要发挥推荐算法工程师的聪明才智。...3.基于内容做推荐当用户只有很少的行为记录时，这时很多算法（比如协同过滤）还无法给用户做很精准的推荐。这时可以采用基于内容的推荐算法，基于内容的推荐算法只要用户有少量行为就可以给用户推荐。...4.标的物关联标的物范式这种范式一般是相似视频、喜欢该物品的人还喜欢等推荐形态。可以采用标的物冷启动中的“利用标的物的metadata信息做推荐”和用户冷启动中的“提供非个性化的推荐”策略。...量化冷启动用户的比例及转化效果如1中所讲, 需要将用户的行为日志埋点, 日志中需要包含用户userId，采用的算法标识、用户具体行为(点击、播放、购买、点赞)等，这样就可以通过分析日志知道：每天的DAU...在我们公司的相似视频推荐中就是采用的这种方法，如果某个视频有基于item2vector的算法计算出的相关视频就采用该算法的结果，如果没有就采用基于标签的相似推荐，如果该视频是新视频，标签不完善，就采用基于热门的冷启动推荐策略

2.2K2 0

您找到你想要的搜索结果了吗？

是的

没有找到

SIGIR2022 | 基于行为融合的冷启动推荐算法

今天给大家简要分享的是发表在SIGIR2022会议上的一篇关于冷启动推荐算法的短文，其核心思想是通过设计基于上下文的自适应嵌入算法来抵消特征分布的差异，以此将冷启动用户的特征嵌入转化为与现有“热”用户相似的特征状态...对数据有限的冷启动用户进行有效推荐是一个固有挑战。...现有的深度推荐算法利用用户的内容特征和行为数据来产生个性化的推荐列表，但由于存在以下挑战，使得在冷启动用户身上往往面临着显著的性能下降：（1）冷启动用户可能与现有用户存在非常不同的特征分布。...(2) 冷启动用户的少量行为数据很难被算法有效且高效利用。基于此，本文提出了一个名为Cold-Transformer的推荐模型来缓解以上问题。图1:本文提出的基于双塔框架的模型示意图。...最后，为了进行大规模的工业推荐任务，本文基于双塔结构，将用户和目标物品进行解耦。

1.1K3 0

一文梳理冷启动推荐算法模型进展

这两个问题分别是用户冷启动和物品冷启动，统称为冷启动推荐。冷启动问题是推荐系统中极具挑战的一个问题，也是一个业界学术界同时高度关注的问题，本期为大家分享一些冷启动推荐算法层面的思路。...现有的推荐模型已经将用户、物品属性用到模型中，但是针对冷启动问题，这些辅助信息还可以有更加高效的使用方法。 1、高效利用属性特征 1.1 DropoutNet[1] ?...MeLU采用一种基于梯度的元学习算法MAML来学习一个深度推荐模型公共的初始化参数，然后针对每一个冷启动用户，使用有限的交互数据来对这个初始化模型进行微调，得到用户定制化的模型进行推荐。...---- 三、Explore & Exploit 还有一大类冷启动方法集中在探索和利用上，主要思想是在冷启动的过程中，什么时候应该去探索用户额外的兴趣偏好，什么时候应该基于现有的兴趣偏好进行推荐。...S^2meta[14]提出了一种基于元学习的方法，思想和少样本学习类似。 2.冷启动市场营销任务在推荐系统中每天会有大量新的市场营销任务来推广各种内容、广告等等。

2.4K4 0

推荐系统中的冷启动和探索利用问题探讨

然而我们常常面对的情况是用户的行为是稀疏的，而且可能存在比例不一的新用户，如何给新用户推荐，是推荐系统中的一个著名问题，即冷启动问题，给新用户展示哪些item决定了用户的第一感和体验。...同时，在推荐过程中，我们需要考虑给新item展示的机会，也能也需要给一个喜欢科幻电影的user推荐一些非科幻类型的电影，而这就是推荐系统中另外一个问题，即探索和利用的问题。...2.冷启动和EE问题推荐系统需要根据历史的用户行为和兴趣偏好预测用户未来的行为和兴趣，因此历史用户行为某种程度上成为推荐推荐的重要先决条件。...实际过程中，我们面对大量的新用户，这些用户我们并不知道他们的profile，对于这些用户，常用的冷启动的算法包括根据已有的个人静态信息（年龄、性别、地理位置、移动设备型号等）为用户进行推荐。...6.结束语本文简单介绍了推荐系统中一直存在的两大问题：冷启动和EE问题，并简单阐述了业界解决这两大问题的一些常见解决方法和算法。

3.8K7 1

当推荐遇到冷启动

十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是最好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？不得不面对的冷启动！...冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。...这种方法使用了历史从未观察到的user和item作为正样本，补充到样本中。通过在知识图谱中为每个用户选择可能的正例，同时还进行了负采样策略，从而抑制偏差。...通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。...的loss函数定义如下： ? 实验实验比较了各种基于KG的推荐算法，用了3个开源数据集，如下： ? 实验结果发现，KGPL在各个数据集的效果是可圈可点的。 ? 大家是怎么解决冷启动问题的呢？

1.2K2 0

IJCAI 2019 丨利用半参表示算法缓解推荐系统中的冷启动问题

算法，以更好地缓解 I2I 推荐的冷启动问题。...一方面 I2I 是 feeds 瀑布流等用户推荐场景的基础, 另一方面,「为你推荐」、「猜你喜欢」等场景天然就是 I2I 的问题. I2I 在推荐系统中的作用至关重要。...然而对很多新品较多的场景和应用上，例如优酷新视频发现场景和闲鱼这种二手电商社区，由于没有历史行为累计，商品的冷启动问题异常严重，behavior-based 算法在这些商品上的效果较差。...因此，本文提出结合商品行为 & 内容信息的半参表示算法 SPE （Semi-Parametric Embedding）, 以缓解 I2I 推荐中的冷启动问题。...另外本文引入 sDAE 来帮助学习更强力的内容表示，以达到更鲁棒的效果。3 个真实数据集、3类对比推荐算法、4 种评价指标上的对比实验，验证了该算法的可靠性和鲁棒性。

9235 0

WWW2023 | 对比协同过滤冷启动推荐算法

TLDR：本文针对现有的基于映射的冷启动解决方法存在的模糊协同嵌入的问题，提出了一种基于对比协同过滤的冷启动推荐算法。...），进而大大降低了冷启动物品推荐的性能。...当正样本Starsky & Hutch被送入现有模型时，训练算法会将其类型值 "Action "的嵌入优化到用户协同嵌入（UCE）中。...为了解决上述问题，本文提出了一个新的模型，称为基于对比协同过滤的冷启动物品推荐算法CCFCRec，该模型利用常规训练数据中的共现协同信号（co-occurrence collaborative signals...）来缓解冷启动物品推荐中协同嵌入模糊的问题。

1.1K2 0

RS Meet DL(51)-谈谈推荐系统中的冷启动

本文是推荐系统遇上深度学习系列的第五十一篇文章，来谈谈推荐系统中冷启动的解决吧。 1、冷启动问题的分类咱都知道，冷启动问题是推荐系统中面临的难题之一。...比如两个用户都是通过微博登录的，而他们在微博中是互相关注的状态，那么我们就可以通过其好友的行为来进行推荐。 2.3 利用同平台其他产品中的行为进行推荐与第三方登录不同。...这里说的是使用同平台其他产品中的行为进行推荐。最典型的例子就是腾讯。...每首歌都可以标识为一个400维的向量，然后通过常见的向量相似度算法计算出歌曲的相似度。 4、基于深度学习的方法基于深度学习的冷启动方案也有不少了。这里咱们简单谈一谈。...在电商领域的推荐中，常见的召回策略是通过计算物品之间embedding的相似度。

1.2K1 0

当推荐遇到冷启动

十方在做信息流广告推荐时，主要通过加一些泛化特征解决冷启动问题，但是这样并不一定是最好的方案，新广告很大程度上，还是会被模型"低估"。如何解决冷启动问题呢？ ? ? ? 不得不面对的冷启动！ ?...冷启动问题可以逃避吗？当然不能，就拿广告推荐来说，当一个客户想投广告，由于该广告从未曝光过，召回模型可能都无法召回，更别说后面的粗排和精排模型是否会过滤掉，所以很难起量。...这种方法使用了历史从未观察到的user和item作为正样本，补充到样本中。通过在知识图谱中为每个用户选择可能的正例，同时还进行了负采样策略，从而抑制偏差。...通过实验证明该方法在各个场景下能显著提高冷启动user/item的推荐性能。 ? ? ? 问题描述 ? ? ?...的loss函数定义如下： ? 实验实验比较了各种基于KG的推荐算法，用了3个开源数据集，如下： ? 实验结果发现，KGPL在各个数据集的效果是可圈可点的。 ?

1.1K1 0

推荐系统中的冷启动问题及解决方案

冷启动问题通常分为三类：12新用户冷启动新用户注册后，系统没有足够的数据来判断其兴趣偏好，难以提供精准的推荐新物品冷启动系统中引入新物品后，由于缺乏用户的交互数据，难以预测哪些用户会对其感兴趣新系统冷启动在推荐系统刚上线时...())利用社交关系的推荐社交网络中的用户往往会受到朋友或熟人的影响，因此利用社交关系进行推荐也是解决冷启动问题的有效方法。...聚类算法如K-means或层次聚类可用于将用户或物品按特征相似性分组，然后对每个组内的成员进行推荐。用户聚类————》通过将用户按特征聚类，可以在冷启动时为新用户推荐其所属聚类中的热门物品。...模型优化与调参：定期使用A/B测试评估推荐算法的效果，并调整模型参数。日志与监控：在系统中加入日志记录与监控模块，以便在出现问题时快速定位和解决。推荐系统中的冷启动问题是一个复杂且关键的挑战。...通过结合多种推荐算法，如基于内容的推荐、利用社交关系的推荐、混合推荐系统等，可以有效缓解冷启动问题，提升推荐系统的性能和用户体验。

2K2 0

如何解决推荐系统中的Embedding冷启动问题？

如何解决深度推荐系统中的Embedding冷启动问题？今天我们聊一聊Embedding的冷启动问题。...这个想法当然是值得追求的，但是我们也不必落入“完美主义”的怪圈，自己给自己套上枷锁，在工业界的工作中，我们首要追求的还是整个推荐系统的效果。...在主模型之上，适当的融入一些灵活的推荐机制，往往会取得事半功倍的效果。大家如果有印象的话，在Airbnb那篇经典的Embedding文章中，所采用的冷启动机制就很实用。...多么简单使用的冷启动策略。 ? AirBnb生成的出租屋聚类结果当然，在冷启动机制的选取过程中，我们不应该忘记传统的机器学习模型，传统手艺不能丢啊。...强化学习中的反馈实时学习，实时调整推荐模型但我这里主要想说的还不是这个。我想说的是，我们做推荐系统，有时候要跳出技术的固有思维，到更广阔空间去寻求团队合作。

3K1 0

Bandit 冷启动算法

Bandit算法起源于赌博学，是一个多臂赌博机算法原始问题：一个赌徒摇老虎机，走进赌场一看，一排老虎机外表一模一样，但每个老虎机吐钱的概率不一样，它不知道老虎机吐钱概率分布，那么如何最大化收益？...类比到推荐系统，Topic对应老虎机，新用户对应赌徒。...每个Topic都维护两个基于beta分布的参数:WIN和LOSS, 针对一个新用户，使用Thompson采样为每一个类别采样一个随机数，排序后，输出采样值top N 的推荐item。...获取用户的反馈（点击），没有反馈则更新对应类别的lose值，点击了则更新对应类别的wins值。我们可以通过几次试验，来刻画出新用户心目中对每个Topic的感兴趣概率。...如此经历“选择-观察-更新-选择”的循环，理论上是越来越逼近用户真正感兴趣的Topic

1.1K2 0

推荐系统冷启动问题

利用物品的内容信息物品冷启动需要解决的问题是如何将新加入的物品推荐给对它感兴趣的用户。物品冷启动在新闻网站等时效性很强的网站中非常重要。 UserCF算法对物品冷启动问题并不非常敏感。...但是，有些网站中推荐列表可能是用户获取信息的主要途径，比如豆瓣网络电台。那么对于UserCF算法就需要解决第一推动力的问题, 即第一个用户从哪儿发现新的物品。...只要有一小部分人能够发现并喜欢新的物品，UserCF算法就能将这些物品扩散到更多的用户中。...对于ItemCF算法来说，物品冷启动是一个严重的问题。因为ItemCF算法的原理是给用户推荐和他之前喜欢的物品相似的物品。...因此，当新物品加入时，内存中的物品相关表中不会存在这个物品，从而ItemCF算法无法推荐新的物品。

1.7K2 0

技术干货 | 推荐系统中的冷启动问题和探索利用问题

冷启动和探索利用问题是推荐系统技术中的两个关键问题，本文结合达观数据的技术实战，对问题的解决方案进行了梳理和介绍。...，如何给新用户推荐，是推荐系统中的一个著名问题，即冷启动问题，给新用户展示哪些item决定了用户的第一感和体验；同时在推荐过程中，我们需要考虑给新item展示的机会，比如给一个喜欢科幻电影的user推荐一些非科幻类型的电影...实际过程中，我们面对大量的新用户，这些用户我们并不知道他们的profile，对于这些用户，常用的冷启动的算法包括根据已有的个人静态信息（年龄、性别、地理位置、移动设备型号等）为用户进行推荐。...与用户的冷启动相对应的，则是item的冷启动，当一个新物品加入站内，如何快速的展现的用户。特别是在某些场景下，推荐列表是给用户展示的唯一列表，那么显而易见，只能在推荐列表中尝试给用户推荐新物品。...6 结束语本文简单介绍了推荐系统中一直存在的两大问题：冷启动和EE问题，并简单阐述了业界解决这两大问题的一些常见解决方法和算法。

1.7K5 0

推荐系统中的常用算法——DeepWalk算法

概述 DeepWalk算法是在KDD2014中提出的算法，最初应用在图表示（Graph Embedding）方向，由于在推荐系统中，用户的行为数据固然的可以表示成图的形式，因此DeepWalk算法也常被用于推荐系统中的...算法思想 DeepWalk算法借鉴了word2vec算法的思想，word2vec是NLP中一种常用的word embedding方法，word2vec通过语料库中的句子序列来描述词与词的共现关系，进而学习到词语的向量表示...DeepWalk算法与word2vec类似，使用图中节点与节点的共现关系来学习节点的向量表示。...在DeepWalk中通过使用随机游走(RandomWalk)的方式在图中进行节点采样来模拟语料库中的预料，进而使用word2vec的方式学习出节点的共现关系。 2.1....RandomWalk RandomWalk是一种可重复访问已访问节点的深度优先遍历算法。

4.4K3 1

Angel推荐算法在游戏推荐中的应用

Angel的深度学习平台已应用在腾讯的很多个场景中。本次分享为大家介绍Angel推荐算法在游戏推荐中的应用。...主要内容包括：游戏平台上的游戏推荐、Tesla平台上的推荐算法、经典算法的线性特点、DeepFM算法的非线性特点、DeepFM应用过程。...它的推荐算法并没有使用人工抽取标签的方式，而使用了CF算法，以及在用户行为数据的基础上使用Deep FM算法。 02 Tesla平台上的推荐算法这个是特斯拉平台上的推荐算法。...一般我们可以根据误差的自动调整，来调整这个特征的维度组合。类似于推荐过程中自动聚类分群的过程，这就解决了传统算法的问题。...FM 的user_id 会形成冷启动的瓶颈，并且导致更新频率受到限制：传统的FM算法和CM算法，是一定要输入User ID的，那样就会产生一个冷启动的问题。

1.9K2 0

推荐系统中的常用算法——基于Session的推荐

文章中提到当前主流的基于因子分解的模型或者基于邻域的模型很难对整个Session建模，得益于序列化建模算法的发展，使得基于Session的推荐模型成为可能，针对具体的任务，文章中设计了模型的训练以及ranking...算法原理在文章中采用的GRU（Gated Recurrent Unit）序列化建模算法，这是一种改进的RNN算法，能够较好的解决RNN中的长距离以来问题。...，表示session中的正样本，表示负样本。...如上，从Session中得到的是正样本，但是训练的过程中不能只存在正样本，此时需要负样本，对于上图中Output中的每一位，通过在样本库中随机采样，生成负样本。 3....推荐中的序列化建模：Session-based neural recommendation Understanding LSTM Networks

1.8K3 0

盘点5类推荐系统中图学习解决冷启动问题的方法

在之前的文章长尾预测效果不好怎么办？试试这两种思路中，我曾经介绍了两种解决推荐系统中长尾、冷启动问题的方法。其中，图学习解决冷启动和长尾问题，是业内目前研究非常多的一个方向。...今天对图学习解决冷启动问题这个方向进行了详细整理，整理了5种类型7篇顶会工作，帮助大家系统性理解如何利用图学习解决推荐系统冷启动问题。...STAR-GCN: Stacked and Reconstructed Graph Convolutional Networks for Recommender Systems（IJCAI 2019）一文中利用邻居节点的信息来预测冷启动节点的...主要解决的是视频推荐的冷启动问题。...通过图神经网络，将中心节点的user/item邻居以及属性信息都进行汇聚。 6 总结本文梳理了推荐系统中，使用图学习解决冷启动问题的5种方法7篇顶会工作。

1.5K1 0

推荐系统︱基于bandit的主题冷启动在线学习策略

推荐系统里面有两个经典问题：EE问题和冷启动问题。什么是EE问题？又叫exploit－explore问题。...参考：直观理解Beta分布如何在Python中实现这五类强大的概率分布 ---- 1 bandit介绍主要来源：《Bandit算法与推荐系统》，首发于《程序员》杂志 1.1 bandit简介...COFIBA算法基于这些思想，有人提出了算法COFIBA（读作coffee bar）13，简要描述如下：在时刻t，用户来访问推荐系统，推荐系统需要从已有的候选池子中挑一个最佳的物品推荐给他，然后观察他的反馈...这边笔者在模拟实际情况，譬如在做一个新闻推荐的内容，需要冷启动。...bandit算法原理及Python实现推荐系统的EE问题及Bandit算法 ---- 延伸：当然笔者在实验过程中遇到了两个小问题： 1、关于beta分布问题一般来，beta分布中， import

2.1K1 0

点击加载更多

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭