推荐系统之冷启动问题

本文涉及的产品
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
交互式建模 PAI-DSW,每月250计算时 3个月
模型训练 PAI-DLC,100CU*H 3个月
简介:
前言

冷启动问题同比于启动车辆,通常车正式开启之前需要有热车阶段,这个过程就是冷启动过程。冷启动在推荐系统也是常见的问题,大家知道类似于抖音、淘宝等工具,都会根据用户的兴趣去推荐内容,如果一个新用户进来,系统完全不清楚他的兴趣,该如何推荐呢?这就是本文要给大家介绍的内容。


冷启动对于一个推荐系统是至关重要的,因为新用户最初使用APP阶段也是这名用户最可能卸载APP的时候,如果新用户进入产品不能快速给用户带来价值,是非常危险的。今天介绍的内容会围绕下面这张图展开:

屏幕快照 2018-12-13 下午3.31.30.png

首先把冷启动问题归为3个类别:

  1. 系统冷启动:整个系统都是新做的,没有任何数据和经验基础

  2. 推荐主体冷启动:通常指的是缺少新注册用户的历史购买或点击数据

  3. 被推荐对象冷启动:通常指的是缺少商城中的新商品或者新的内容历史被点击或购买的数据

下面分别针对以上内容讲下处理方法。



1. 系统冷启动

1.jpeg

系统冷启动这个其实真的没太好的办法,万事开头难,系统冷启动缺少的是专家经验,建议系统在运行前务必请有经验的架构师或者产品经理参与设计,如果架构或者整个推荐策略不合理,上线后是比较难调整的。



2.推荐主体冷启动


当推荐主体冷启动时,往往是新用户进来之后,大方向上要从两个角度去想解决方案,一个方向是尽可能扩展用户画像,增加更多维度的信息。第二个方向在初期推荐的内容上也要有所策略。


2.1 扩充用户画像


79e1740dd0808063f797ed1a115332e9.png

用户画像的扩充有很多手段,常用的方法如下:

  • 账号注册信息:注册的时候可以让用户填写年龄、性别等内容、手机号等内容,同时也可以通过LBS信息了解用户的活动区域。针对这些信息可以给用户兴趣做一个初步判断,比如年轻的都市女性,往往有较高的消费能力,在推荐策略上可以推荐高规格的一些内容

  • 身份证信息:现在很多系统都需要实名认证,身份证号其实可以带来很多有用的信息,比如前两位是省级代码,34位是市级代码,7-14位是生日代码,第17位是性别代码(奇数代表男性、偶数代表女性)

  • 社交账号登录:如果系统可以设计成支持淘宝、微信等账号登录,也可以通过这些系统拿到部分用户画像信息

  • 预采集:现在很多APP,当用户初次进入都有一个兴趣爱好勾选的按钮,这个就是为了解决冷启动的一个手段,在推荐之前先通过用户标记获取用户信息

  • 数据交换:注册的时候其实可以拿到用户的手机号码,现在有很多卖数据的公司都提供用户画像数据的交易,只要提供手机号就能获取特别全的用户数据(这个貌似是个黑产业)

2.2 推荐策略

对于这种冷启动问题推荐策略有两个方向可以选择,可以结合着来使用。

  • 热门推荐法:反正也不清楚用户的信息,就挑平台上最热门的内容推荐,总归从概率层面上被大多受众认可的东西也有大概率被新用户认可

  • 老虎机算法:学名叫Bandit算法,意思是假设用户前方有10个老虎机,每个都有不同的概率出钱,用户不知道这个概率,那用户该怎么选呢,就是懵!落到冷启动问题上,就是先随便推荐用户几个不同Topic的内容(一定是不同的),看看用户的反馈再决定下一步的推荐安排



3. 被推荐对象冷启动


1.png

被推荐对象往往是平台上新增加的内容,不同于推荐主体,被推荐对象如商品、短视频、广告等,平台是有办法通过一些分析拿到内容属性的。可以通过以下两个步骤建立推荐推荐策略:

  1. 挖掘属性:先对新增内容属性进行挖掘,比如增加的是个手机,可以通过标签获取手机价格、颜色等信息,再进行下一步推荐

  2. ICF聚类:在之前推荐系统相关的文章中已经多次介绍过协同过滤算法,本质上是先将内容分类。比如新增加的是一个美女跳舞的视频,那么再找哪些用户浏览过类似的视频,就把新增视频推荐给对应的用户,这种策略本质上是一种聚类算法。比如新增内容是个红色的手机,就找到历史上购买过红色手机的用户来推荐



文末,全文针对冷启动问题的不同细节介绍了具体的一些实践路径。具体如何把其中的细节实现其实对推荐系统有很高的架构要求,比如被推荐对象冷启动问题,每当新来一个商品就需要快速的做协同过滤找到商品所属类别,这其实要依赖一个流式的计算引擎才可以实现。ok,关于架构的事情之前已经写过一些,过一段会有一个总结。感谢观看,希望能有收获~





相关实践学习
使用PAI-EAS一键部署ChatGLM及LangChain应用
本场景中主要介绍如何使用模型在线服务(PAI-EAS)部署ChatGLM的AI-Web应用以及启动WebUI进行模型推理,并通过LangChain集成自己的业务数据。
机器学习概览及常见算法
机器学习(Machine Learning, ML)是人工智能的核心,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,它是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。 本课程将带你入门机器学习,掌握机器学习的概念和常用的算法。
目录
相关文章
|
Kubernetes 容器 Perl
【kubernetes】解决: kubelet Failed to create pod sandbox: rpc error: code = Unknown desc = faile...
【kubernetes】解决: kubelet Failed to create pod sandbox: rpc error: code = Unknown desc = faile...
14761 0
|
机器学习/深度学习 存储 编解码
Tiny Time Mixers (TTM)轻量级时间序列基础模型:无需注意力机制,并且在零样本预测方面表现出色
IBM研究人员提出Tiny Time Mixers (TTM),这是一个轻量级、基于mlp的TS模型,参数量小于1M,在M4数据集上表现优于大型SOTA模型,且具备优秀的零样本预测能力。TTM无注意力机制,利用TSMixer进行多级建模,自适应补丁和频率前缀调整等创新特性提升性能。预训练和微调阶段各有独特设计,预训练仅用单变量序列,微调时学习多变量依赖。TTM在某些任务中证明了小模型的优越性,且模型已开源。
497 1
|
机器学习/深度学习 人工智能 PyTorch
人工智能平台PAI产品使用合集之只进行训练(train)而不进行评估(eval)该如何配置
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
机器学习/深度学习 算法
m基于深度学习的32QAM调制解调系统频偏估计和补偿算法matlab仿真
MATLAB 2022a仿真实现了32-QAM系统的频偏估计与补偿。通过比较传统方法(如循环谱法和最大似然)与深度学习方法,展示了后者如何利用CNN直接预测频偏。深度学习模型包括信号预处理、特征提取和频偏预测,采用均方误差损失函数进行训练优化。核心程序生成信号,应用AWGN,然后用深度学习估计和补偿频偏,最终比较了有无补偿的误码率性能。
183 8
|
缓存 编译器 API
NumPy与其他语言(如C/C++)的接口实践
【4月更文挑战第17天】本文介绍了NumPy与C/C++的接口实践,包括Python与C/C++交互基础、NumPy的C API和Cython的使用。通过案例展示了如何将C++函数与NumPy数组结合,强调了内存管理、类型匹配、错误处理和性能优化的最佳实践。掌握这些技能对于跨语言交互和集成至关重要。
|
存储 安全 网络安全
云端守卫:构建云计算环境下的多层网络安全防御体系
【5月更文挑战第23天】 在数字化时代,云计算以其灵活性、可扩展性和成本效益成为企业及个人存储和处理数据的首选解决方案。然而,随之而来的是日益增长的网络安全威胁,包括数据泄露、服务中断和恶意攻击等。本文探讨了在云计算环境中实施有效的网络安全策略和技术的重要性,并提出了一套综合的多层防御模型,旨在增强云服务的信息安全。我们将从物理层安全到应用层安全,详细分析每一层可能遇到的安全挑战以及相应的解决措施。
|
存储 分布式计算 DataWorks
如何使用MaxComputer将csv表格文件上传到pycharm?
如何使用MaxComputer将csv表格文件上传到pycharm?
196 1
|
存储 自然语言处理 Java
了解11种常见的字符编码格式及其使用场景,让数据传输不再出现问题
了解11种常见的字符编码格式及其使用场景,让数据传输不再出现问题
1035 0
|
机器学习/深度学习 存储 人工智能
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
深度学习应用篇-推荐系统[11]:推荐系统的组成、场景转化指标(pv点击率,uv点击率,曝光点击率)、用户数据指标等评价指标详解
|
数据可视化 数据挖掘
热图的基础绘制(Matlab代码实现)
热图的基础绘制(Matlab代码实现)
403 0

热门文章

最新文章

OSZAR »