推荐系统的冷启动问题介绍了这么多类的推荐系统，最后说说推荐系统的一个主要问题：冷启动问题。具体分三种情况：如何给新用户做个性化推荐，如何将新物品推荐给用户，新网站在数据稀少的情况下如何做个性化推荐。 对此也有相应的解决方案。对于新用户，首先可以根据其注册信息进行粗粒度的推荐，如年龄，性别，爱好等。另外也可以在新用户注册后为其提供一些内容，让他们反馈对这些内容的兴趣，再根据这些数据来进行推荐。这些内容需要同时满足热门和多样的要求。而对于新物品的推荐，可能就要从其内容数据上下功夫了。我们可以通过语义分析对物品抽取关键词并赋予权重，这种内容特征类似一个向量，通过向量之间的余弦相似度便可得出物品之间的相似度，从而进行推荐。这种内容过滤算法在物品（内容）更新较快的服务中得到大量应用，如新闻资讯类的个性化推荐。
而在网站初建，数据不够多的情况下，可能就要先通过人工的力量来建立早期的推荐系统了。简单一点的，人工编辑热门榜单，高级一点的，人工分类标注。国外的个性化音乐电台Pandora就雇了一批懂计算机的音乐人来给大量音乐进行多维度标注，称之为音乐基因。有了这些初始数据，就可以方便地进行推荐了。国内的Jing.fm初期也是通过对音乐的物理信息，情感信息，社会信息进行人工分类，而后再通过机器学习和推荐算法不断完善，打造出了不一样的个性化电台。 除了这些，利用社交网络平台已有的大量数据也是一个不错的方法，尤其是那些依托于其他SNS账号系统的服务。 算法vs人有很多人怀疑推荐系统是否会让一个人关注的东西越来越局限，但看完这些你会觉得并非如此，多样性，新颖性和惊喜度也都是考察推荐系统的要素。而至于算法和人究竟哪个更重要的争论，我很赞同唐茶创始人李如一的一个观点：
我想补充的是，算法虽然不能解决全部问题，但算法可以变得更人性化。套用某人「网络就是社会」的论断，其实算法和人之间早已不那么泾渭分明了。 |
