我怎么适应我的建议引擎冷开始？

Question

我很好奇有什么方法/办法，以克服"冷开始"的问题时，一个新的用户或项目的进入该系统，由于缺乏信息，对这个新的实体，提出建议是一个问题。

我可以认为做的一些基于预测的建议(如性别、国籍等等)。

Answer 1

也许有时候你刚才不应该提出建议？ “足够数据”应当有资格作为这些时间中的一个。

我只是不明白如何根据“性别，国籍等”预测建议将达到比定型了。

IIRC，如Amazon的地方建立自己的数据库了一段时间推出的建议之前。这不是那种你想获得错误的事情;有很多的故事在那里大约基于数据不足不适当的建议。

Answer 2

您可以冷启动推荐系统。

有两种类型的推荐系统;协同过滤和基于内容的。基于内容的系统使用约你推荐的东西的元数据。接下来的问题是什么元数据是非常重要的？第二种方法是不关心的元数据，它只是使用了什么人做过或说过提出建议项目的协同过滤。随着协同过滤你不必什么在元数据方面是很重要的担心。事实上，你不需要任何元数据作出的建议。与协同过滤的问题是，你需要的数据。之前，你有足够的数据，可以使用基于内容的建议。您可以提供基于这两种方法的建议，并在一开始有基于内容的100％，那么当你获得更多的数据开始在基于协同过滤混合。 这是我在过去使用的方法。

另一种常见的方法是治疗所述基于内容的一部分作为一个简单的搜索问题。你只是把元数据为您的文档，然后索引你的文档的文本或身体。为此，您可以使用Lucene Solr的＆无需编写任何代码。

如果你想知道的协同过滤是如何工作的基础上，由托比·西格伦退房“集体智慧编程”第2章

Answer 3

工作在这个问题上我自己，但本文来自微软的玻尔兹曼机看起来值得的： HTTP ：//research.microsoft.com/pubs/81783/gunawardana09__unified_approac_build_hybrid_recom_system.pdf

Answer 4

这已经问了几次前（当然，现在我无法找到这些问题：/，但总的结论是，最好避免这样的建议在各部分的worls相同的名称属于不同性别，等等。 ...

Answer 5

建议基于"类似的用户喜欢..."显然必须等待。你可以给出优惠券或其他激励措施，调查受访者如果你们绝对致力于这样做的预测根据用户的相似性。

有两个其他方式对冷启动一项建议的引擎。

1. 建立一个模型自己。
2. 得到你的供货商来填补的关键信息的骨骼模型。(还可能需要$激励。)

很多的潜在缺陷在所有这些，太常见的感觉。

正如你可能期望的是，没有免费的午餐这里。但想一想这样的：建议引擎不是一个业务计划。他们仅仅是增强业务计划。

Answer 6

有三件事情需要解决的冷开始的问题：

1. 数据必须已经被异形，这样你有许多不同的功能，(产品数据使用的术语'特点'经常'的分类方面').如果你不适当的概况数据，因为它来到门前，你的建议引擎将留'冷'，因为它没有与其进行分类的建议。

2. 最重要的是：你需要一个用户反馈循环，其用户可以查看各项建议的个性化引擎的建议。例如，是/否按钮是这一建议有所帮助？'应进行排队审议的与会者在一个培训数据集(即该"推荐"数据集培训)，另一个培训数据集(即不推荐的培训数据集的).

3. 该模型用于(建议不要建议)的建议不应该被认为是一种尺寸适合所有建议。除了进行分类的产品或服务建议的一个客户，公司如何进行分类的每一客户的具体事项。如果运作得当，一个应该期望，客户具有不同的功能将得到不同的建议(建议不要建议)在特定情况下。那会的'个性化'的一部分，个性化的引擎。