冷启动问题¶
⚠️ 时效性说明：本章涉及前沿模型/价格/榜单等信息，可能随版本快速变化；请以论文原文、官方发布页和 API 文档为准。
📖 章节导读¶
冷启动(Cold Start)是推荐系统中的经典难题,指新用户或新物品无法获得有效推荐的问题。本章将介绍冷启动问题的类型、解决方案和实际应用。
🎯 学习目标¶
- 理解冷启动问题的类型和挑战
- 掌握用户冷启动解决方案
- 掌握物品冷启动解决方案
- 了解混合策略
- 能够设计冷启动解决方案
12.1 冷启动问题概述¶
12.1.1 问题类型¶
用户冷启动: - 新用户没有历史行为 - 无法建立用户画像 - 难以进行个性化推荐
物品冷启动: - 新物品没有用户交互 - 无法计算相似度 - 难以被推荐
12.1.2 挑战¶
数据稀疏: - 新用户/物品数据极少 - 传统算法无法有效工作
准确性要求: - 首次推荐体验很重要 - 错误推荐容易流失用户
时效性: - 需要快速建立画像 - 需要快速发现新物品
12.2 用户冷启动¶
12.2.1 注册时收集信息¶
收集策略: 1. 兴趣标签:让用户选择感兴趣的类别 2. ** demographic信息:年龄、性别、地域等 3. **社交账号:关联社交账号获取信息 4. 引导任务:完成简单任务获取偏好
实现示例:
Python
def collect_user_preferences(user_id):
"""
收集用户偏好
"""
preferences = {}
# 兴趣标签
interests = input("请选择您感兴趣的类别(用逗号分隔): ")
preferences['interests'] = [i.strip() for i in interests.split(',')]
# 年龄
age = int(input("请输入您的年龄: "))
preferences['age'] = age
# 性别
gender = input("请输入您的性别(M/F): ")
preferences['gender'] = gender
# 地域
location = input("请输入您的城市: ")
preferences['location'] = location
return preferences
12.2.2 利用社交关系¶
社交信息利用: 1. 好友推荐:推荐好友喜欢的物品 2. 群体推荐:推荐用户所在群体流行的物品 3. 社交图谱:利用社交网络进行推荐
实现示例:
Python
def social_based_recommendation(user_id, social_graph, user_items):
"""
基于社交关系的推荐
"""
# 获取好友
friends = social_graph.get(user_id, [])
# 收集好友喜欢的物品
friend_items = defaultdict(int) # defaultdict访问不存在的键时返回默认值
for friend_id in friends:
for item_id in user_items.get(friend_id, []):
friend_items[item_id] += 1
# 排序
sorted_items = sorted(friend_items.items(),
key=lambda x: x[1], # lambda匿名函数
reverse=True)
return [item_id for item_id, count in sorted_items[:10]] # 切片操作，取前n个元素
12.2.3 热门推荐¶
热门物品推荐:
Python
def popular_based_recommendation(item_stats, n=10):
"""
基于热门度的推荐
"""
# 按热度排序
sorted_items = sorted(item_stats.items(),
key=lambda x: x[1]['popularity'],
reverse=True)
return [item_id for item_id, stats in sorted_items[:n]]
12.3 物品冷启动¶
12.3.1 基于内容的推荐¶
内容特征利用: 1. 文本特征:标题、描述、标签 2. 图像特征:视觉特征 3. 元数据:类别、价格、品牌
实现示例:
Python
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
def content_based_recommendation(new_item, item_features, top_k=10):
"""
基于内容的推荐
"""
# 提取新物品特征
new_item_features = extract_item_features(new_item)
# 计算相似度
similarities = []
for item_id, features in item_features.items():
sim = cosine_similarity(
[new_item_features],
[features]
)[0][0]
similarities.append((item_id, sim))
# 排序
similarities.sort(key=lambda x: x[1], reverse=True)
return [item_id for item_id, sim in similarities[:top_k]]
12.3.2 探索与利用¶
探索策略: 1. ε-greedy:以概率ε探索新物品 2. UCB(Upper Confidence Bound):选择置信上界高的物品 3. Thompson Sampling:贝叶斯采样
实现示例:
Python
import numpy as np
class EpsilonGreedy:
def __init__(self, n_items, epsilon=0.1):
self.n_items = n_items
self.epsilon = epsilon
self.counts = np.zeros(n_items)
self.values = np.zeros(n_items)
def select_item(self):
"""
选择物品
"""
if np.random.random() < self.epsilon:
# 探索:随机选择
return np.random.randint(self.n_items)
else:
# 利用:选择最优
return np.argmax(self.values)
def update(self, item_id, reward):
"""
更新
"""
self.counts[item_id] += 1
n = self.counts[item_id]
value = self.values[item_id]
# 更新平均值
self.values[item_id] = (n - 1) / n * value + 1 / n * reward
class UCB:
"""UCB1 (Upper Confidence Bound) 算法"""
def __init__(self, n_items):
self.n_items = n_items
self.counts = np.zeros(n_items)
self.values = np.zeros(n_items)
self.total_count = 0
def select_item(self):
"""
选择置信上界最大的物品
UCB_i = X̄_i + √(2·ln(t) / N_i)
"""
self.total_count += 1
# 未被选择过的物品优先探索
unexplored = np.where(self.counts == 0)[0]
if len(unexplored) > 0:
return np.random.choice(unexplored)
# 计算UCB值
ucb_values = self.values + np.sqrt(
2 * np.log(self.total_count) / self.counts
)
return np.argmax(ucb_values)
def update(self, item_id, reward):
"""更新"""
self.counts[item_id] += 1
n = self.counts[item_id]
value = self.values[item_id]
self.values[item_id] = (n - 1) / n * value + 1 / n * reward
class ThompsonSampling:
"""Thompson Sampling（Beta-Bernoulli模型）"""
def __init__(self, n_items):
self.n_items = n_items
# Beta分布先验参数 α=1, β=1（均匀先验）
self.alpha = np.ones(n_items)
self.beta = np.ones(n_items)
def select_item(self):
"""
从每个物品的Beta后验分布中采样，选择采样值最大的物品
"""
samples = np.random.beta(self.alpha, self.beta)
return np.argmax(samples)
def update(self, item_id, reward):
"""
更新Beta分布后验参数
reward: 0或1（点击/未点击）
"""
if reward > 0:
self.alpha[item_id] += 1 # 成功次数+1
else:
self.beta[item_id] += 1 # 失败次数+1
12.3.3 跨域推荐¶
跨域迁移:
Python
def cross_domain_recommendation(user_id, domain_models):
"""
跨域推荐
"""
recommendations = []
# 从多个域获取推荐
for domain, model in domain_models.items():
domain_recs = model.recommend(user_id, n=5)
recommendations.extend(domain_recs)
# 去重和排序
unique_recs = list(set(recommendations))
return unique_recs[:10]
12.4 混合策略¶
12.4.1 多策略融合¶
融合方法:
Python
def hybrid_recommendation(user_id, strategies, weights):
"""
混合推荐
"""
all_scores = defaultdict(float)
for strategy, weight in zip(strategies, weights): # zip按位置配对
items = strategy.recommend(user_id)
for item_id, score in items:
all_scores[item_id] += weight * score
# 排序
sorted_items = sorted(all_scores.items(),
key=lambda x: x[1],
reverse=True)
return [item_id for item_id, score in sorted_items[:10]]
12.4.2 阶段性策略¶
分阶段推荐:
Python
def staged_recommendation(user_id, user_history, strategies):
"""
阶段性推荐
"""
# 新用户阶段
if len(user_history) < 5:
return strategies['popular'].recommend(user_id)
# 成长阶段
elif len(user_history) < 20:
return strategies['content'].recommend(user_id)
# 成熟阶段
else:
return strategies['collaborative'].recommend(user_id)
12.5 实战案例¶
案例:新用户推荐系统¶
Python
import numpy as np
from collections import defaultdict
class NewUserRecommender:
def __init__(self, item_features, user_items, social_graph):
self.item_features = item_features
self.user_items = user_items
self.social_graph = social_graph
self.epsilon_greedy = EpsilonGreedy(n_items=10000, epsilon=0.1)
def recommend(self, user_id, user_info=None, n=10):
"""
为新用户推荐
"""
# 策略1:基于用户信息
if user_info:
recs1 = self._demographic_based(user_info)
else:
recs1 = []
# 策略2:基于社交关系
recs2 = self._social_based(user_id)
# 策略3:热门推荐
recs3 = self._popular_based()
# 策略4:探索新物品
recs4 = self._exploration_based()
# 融合策略
all_recs = recs1 + recs2 + recs3 + recs4
# 去重
unique_recs = list(set(all_recs))
return unique_recs[:n]
def _demographic_based(self, user_info):
"""基于人口统计学的推荐"""
# 根据年龄、性别、地域推荐
age_group = self._get_age_group(user_info['age'])
gender = user_info['gender']
location = user_info['location']
# 简化:返回该年龄段的热门物品
return self._get_popular_items(age_group, n=3)
def _social_based(self, user_id):
"""基于社交关系的推荐"""
friends = self.social_graph.get(user_id, [])
friend_items = defaultdict(int)
for friend_id in friends:
for item_id in self.user_items.get(friend_id, []):
friend_items[item_id] += 1
sorted_items = sorted(friend_items.items(),
key=lambda x: x[1],
reverse=True)
return [item_id for item_id, count in sorted_items[:3]]
def _popular_based(self):
"""热门推荐"""
# 返回全局热门物品
return self._get_popular_items('all', n=3)
def _exploration_based(self):
"""探索性推荐"""
# 使用ε-greedy选择物品
item_id = self.epsilon_greedy.select_item()
return [item_id]
def _get_age_group(self, age):
"""获取年龄组"""
if age < 25:
return '18-24'
elif age < 35:
return '25-34'
elif age < 45:
return '35-44'
else:
return '45+'
def _get_popular_items(self, group, n=3):
"""获取热门物品(简化)"""
# 实际应该从数据库查询
return list(range(n))
# 使用示例
recommender = NewUserRecommender(
item_features={},
user_items={},
social_graph={}
)
# 新用户1:有用户信息
user_info_1 = {
'age': 25,
'gender': 'M',
'location': '北京'
}
recs1 = recommender.recommend(user_id=1001, user_info=user_info_1)
print(f"为用户1001推荐: {recs1}")
# 新用户2:无用户信息
recs2 = recommender.recommend(user_id=1002, user_info=None)
print(f"为用户1002推荐: {recs2}")
📝 本章小结¶
本章介绍了冷启动问题:
- ✅ 冷启动问题的类型和挑战
- ✅ 用户冷启动解决方案
- ✅ 物品冷启动解决方案
- ✅ 混合策略
- ✅ 实战案例
通过本章学习,你应该能够: - 理解冷启动问题的挑战 - 设计用户冷启动解决方案 - 设计物品冷启动解决方案 - 设计混合推荐策略 - 构建冷启动推荐系统
🔗 下一步¶
下一章我们将学习推荐系统评估,了解如何评估推荐系统的效果。
继续学习: 13-推荐系统评估.md
💡 思考题¶
-
用户冷启动和物品冷启动各有什么挑战？
用户冷启动：无行为历史无法建模兴趣，只能依赖属性/热门/引导。挑战：0行为→几次行为的快速转化、第一印象影响留存。物品冷启动：新物品无交互数据，排序模型无法计算CTR。挑战：新品曝光机会与老品竞争、快速反馈质量信号。
-
如何设计有效的冷启动解决方案？
用户冷启动：①注册引导选兴趣标签 ②人口统计+热门推荐 ③Look-alike(相似用户迁移) ④Bandit探索(UCB/Thompson采样)。物品冷启动：①内容特征召回(标题/标签/图像相似匹配) ②运营流量注入 ③Meta-Learning(少量布消快速学到Embedding) ④初始CTR估计(用同类目均值)。
-
探索与利用如何平衡？
探索(Exploration)：尝试新内容获取信息。利用(Exploitation)：推荐已知高质量内容。方法：①ε-greedy(简单，少量随机) ②UCB(上置信赖区间，给不确定性高的加分) ③Thompson Sampling(贝叶斯采样，理论最优) ④LinUCB(上下文Bandit，考虑特征) ⑤流量配额(新品保底曝光量)。
-
跨域推荐如何实现？
目标：利用A域行为提升B域推荐(如视频→电商)。方法：①共享用户Embedding(抛给两个域共训练) ②知识迁移(A域预训练→B域微调) ③特征映射(A域特征→统一空间→B域特征) ④联邦学习+隐私保护(不共享原始数据)。挑战：域间用户重叠率、转化模式差异、隐私合规。
-
如何评估冷启动解决方案的效果？
指标：①新用户留存率(核心) ②新用户首日行为数(探索效率) ③新物品曝光→点击转化率 ④冷启动用户/物品的AUC(单独测) ⑤探索成本(Regret)。评估方法：分组A/B测试(新用户分流)+离线仿真(replay方法模拟Bandit策略效果)。
📚 参考资料¶
- "Cold-Start Recommendations" - Schein et al.
- "Addressing Cold-Start in Recommender Systems" - Lika et al.
- "Exploration and Exploitation in Recommender Systems" - Rendle
- "Cross-Domain Recommendation" - Cremonesi et al.
- Bandit Algorithms for Recommender Systems