昨天提到冷啟動問題，以及 3 種不同冷啟動對策，而今天我們再來討論其它的冷啟動對策。

對策4：壓榨及拓展策略

也許我們不是完全沒數據，但要如何用少量資訊做個性化推薦呢？以下是常見方式：

利用IP、GPS 位置以及時間資訊

新使用者出現，雖然系統不認識他，但也不是完全沒有和他相關的數據。起碼IP位置、GPS位置如能夠得到的就先蒐集起來。

時間也是重要資訊。同樣是影片內容網站，上班時間來的人和下班時間來的人，動機不同，要推薦的內容也會不同。

設計註冊資料

如果使用者註冊，那我們還可以取得如手機號、性別、年齡等資料。如果系統提供社交帳號登入，一些基本資料都是基本可以要求取得的。

通常在註冊後，還可以再要求使用者設定自己感興趣的類別，若使用者有輸入，起碼系統有個推薦起點可以用。

朋友推薦

如果系統是要他的朋友推薦才能加入的，那就更好了，我們可以假設物以類聚，以他朋友的喜好當成是推薦基礎，再以 UserCF 等演算法對他做推薦。這樣的社交推薦有個好處，在推薦時加上一些解釋，例如：你的朋友XXX也喜歡這個，使用者比較不會反感推薦的目標物。

第三方 DMP 做擴展

只要手上有些數據在，有時也可以配合第三方的 DMP (Data Management Platform)，用別人準備好的資料，擴充我們對目前使用者的了解，也是個辦法。

有了以上這些資料，再請匯集專家意見，即可針對不同性別、年齡等有限訊息，做出一個粗顆粒度的個性化推薦清單。

對策5：移花接木策略

就是用別的地方的已有的資料，接到我們這裡來用，這樣冷啟動的問題就可以迎刃而解。

從舊服務取得使用者數據

如果公司還有其它的已有的服務，那就看是否可以把這些流量試著導到新服務上。這樣雖然對新服務來說，人是新的使用者，但在其它服務上，有些歷史數據，人物誌(persona)等可以參考。如此，對推薦要用的資料就不必是自己服務產生，而是從其它服務裡得到。

從其它服務取得特徵 embedding 做遷移學習

有時是因為服務是全新的，還不知道這樣的客戶的特徵，要應對推薦什麼物品。這時若推薦的演算法使用的是深度學習的演算法，可試著借用遷移學習的技巧，取得使用者在其它服務裡的特徵 embedding ，再接到新服務來，這樣可以加速模型的學習速度。

接下來...

今天我們再說明了 2 個策略，明天我們來說明其它有趣的策略。