推薦系統就是要幫使用者儘快找到自己喜歡的內容。現在客戶取得成本愈來愈高，同時也很沒耐性，只要產品有點不好用，使用者可能就會選擇其他的替代品。

但任何系統上線，並沒有太多的資訊可以讓推薦引擎參考。若這時還有新使用者註冊或新商品入庫，系統要如何在推薦才能讓新使用者滿意呢？

現在使用者的選擇愈來愈多，這問題也愈來愈重要！這問題誰處理得好，才能留住客戶。

那有什麼對策呢？

什麼是冷啟動問題？

在缺乏有價值資料的時候，如何有效地推薦，使使用者滿意，這就是「冷啟動問題」。

冷啟動問題有哪些分類？

冷啟動問題主要分為 3 類：

1. 用戶冷啟動：新使用者註冊後，沒有任何歷史資料，無法分析使用者興趣，很難為他推薦喜歡的商品。
2. 物品冷啟動：新物品上架後，沒有用戶對該物品的交互資料。
3. 系統冷啟動：新系統上線時，缺乏所有歷史相關資料。沒資料沒經驗。

冷啟動有什麼對策？

1、提供非個性化的推薦

既然沒有使用者的資料，那就先不做個性化推薦，這可分 2 大類「基於相似推薦」和「基於規則的推薦」：

相似推薦類

1. 依東西內容推薦相似商品。
2. 常用方式有之前介紹的基於內容的推薦，或話題模型(LDA)分類推薦。

基於規則的推薦

1. 用「熱門商品」、「最新上架」、「最高評分榜」等推薦列表，實現非個性化推薦。
2. 平台上最熱門的內容推薦，大多被大多受眾認可，所以基於熱門推薦往往效果還不錯。
3. 平台要該用哪些規則，這演算法的設計，更多依賴的是專家對業務的洞察。

2、讓使用者自己提供他的喜好

在使用者開始使用產品前，先詢問他對哪些內容感興趣。如：一些音樂類型產品，會先問喜歡的音樂風格。影片類的產品，會讓使用者輸入自己喜歡哪些電影、影集等等。

3、專家介入推薦

1. 在系統冷啟動時，可以發揮專家的作用，可以引入專家的知識，讓專家做標註，迅速建立起物品的相關度表。系統再依相關度表做推薦。
2. 通常會請專家對商品做標籤、分類。
3. 在得到充足資料後，再線下運行合適的演算法進，進行測試。

接下來呢？

今天介紹了冷啟動是什麼，還有冷啟動 3 個對策，其它的對策，明天再分享囉。