本文对一些相关的资料进行了整理，结合了自己的思考得到的推荐系统冷启动方面的学习笔记。
背景
任何互联网推荐应用, Item和User都是不断增长变化的，Item可以是商品、新闻、视频、产品等，下文统称为物品，所以一定会频繁面对新的物品和新用户, 推荐系统冷启动问题指的就是对于新物品或者新用户, 该怎么给新用户进行推荐，怎么将新物品推荐给感兴趣的用户。新用户的留存对公司来说很关键，所以新用户的使用体验很重要，冷启动问题对包含了推荐系统的应用相当重要。推荐系统的冷启动问题主要分为三类：
- 用户冷启动，针对新的用户
- 物品冷启动，针对新的物品
- 系统冷启动，一个新的业务或系统，物品和用户都是新的
冷启动的主要难点在于新的物品和新的用户，可用的信息较少，不像老用户和老物品，已经有一些历史数据可以利用，分析出喜好和特点。
冷启动的方法和策略
用户冷启动
1. 非个性化推荐
1） 直接推荐新的、热门的或常用的商品等这些多数用户都会感兴趣的物品，特殊场景下分析最可能感兴趣的目标，如婚恋网站给推荐颜值高的异性等。
2） 先让用户选择类别，再推荐热门或新鲜的。
这种方法就是根据业务的理解或者用户的选择反馈，直接推荐用户最可能感兴趣的物品，不是一种个性化的推荐。这种方法的好处是实现简单，并且可以快速试探出用户的兴趣，适用于新闻、短视频类应用。
2. 尽可能利用用户提供的信息
在用户在最初使用或注册的时候，可能拿到一部分用户的信息，比如填写的性别、地域、学历、兴趣点等，通过关联通讯录等拿到用户的社交信息，可以直接用于模型，模型中用户没有的特征，可以填充特殊值或者平均值，也可以对用户进行分类。
这种利用了人口统计学信息的冷启动方法比较常用，一般在模型中都加入了这类特征，使得新用户到来也可以直接利用模型的部分映射关系，拿到了社交信息之后可以根据关联人群的喜好进行推荐。
3. 基于内容做推荐
这种方法是基于用户有了少量的行为，给用户推荐与他交互过的内容相似的物品，比如你看一部电影，至少就知道你对这个题材的电影有兴趣，那么就推荐类似题材的电影。个人认为这种方法容易使推荐的内容面越来越窄，过于exploitation了。
4. 应用间迁移
这种方法是常见于一个母公司，已经有一个成熟的业务，要开拓新的业务，进行用户引流时用的方法，可以拿到用户在成熟应用上的用户画像。比如今日头条和抖音，抖音在对新用户推荐时就可以构造用户在头条等其他头条系应用上的使用特征。
物品冷启动
物品冷启动和用户冷启动有很多相似之处，总的来说是尽可能利用上线物品的元数据（直接输入模型、找相似或同类的物品），也可以进行一定的快速试探，但是可能会损害用户体验。
系统冷启动
上文中的应用间的迁移、简单的利用用户和商品的元数据和用户少量的反馈推荐都可以使用，但是都有一定的缺陷，应用间的迁移相对好一些，可以使用迁移学习，但是那些没有大哥的应用呢？利用元数据和少量反馈也是可以的，但是推荐效果肯定不会很好。
有一些其他的建议：
1. 初期不主做推荐，做好搜索和导航，给内容做分类，应用中分模块，比如热门、最新和各种主题等
2. 利用统计方法或无监督的机器学习方法进行相似物品推荐
设计冷启动系统注意事项
- 量化指标，便于构建A/B test，对比不同策略转化效果
- 设计多种级联推荐策略，尽可能地挖掘和使用
论文中的冷启动方法
- Man et al. Cross-domain recommendation: an embedding and mapping approach. IJCAI, 2017
文章假设我们有2个域，它们共享用户或者物品，只在一个域中出现的用户或者物品可以被认为是另外一个域中即将来的用户或者物品。这两个域都可以为源域或者目标域，二者可以相互辅助。文章将源域得到的用户或物品的Embedding进行一定的映射，使映射后的embedding结果和目标域中的误差尽可能小，映射可以是线性的或者非线性的，对于目标域中信息很少的用户和物品，直接使用MF或者BPR建模出的隐向量是不准确的，有很大偏差，这时可以使用源域建模出的隐向量以及mapping函数来建模。具体原理可以参见论文原文和课代表的总结。个人认为使用场景受限。
未完待续
总结
有可以迁移的数据或其他可以辅助的数据，就尽可能的使用；
有可以抽取到的元数据，就投入模型或找相似/相同的类别；
用户有了少量的互动数据，根据互动内容推荐，但是要注意exploitation的尺度；
能用的实在过少，就推荐热门/新鲜的，或者根据用户的主动兴趣选择推荐热门/新鲜的；
物品推荐不要随机试探，会损害用户体验。
