推荐系统 新用户引导

在推荐系统中，新用户的冷启动是一个比较棘手的问题。如何通过适当的引导策略使新用户产生更多的点击行为，从而能够快速的学习用户的兴趣偏好，是一个具有挑战与实际意义的问题。本文结合短视频推荐场景，罗列一些可能的引导方法。
1、question/answer：该方法通过事先让新用户做出选择进而学习用户的兴趣偏好。例如，用户在第一次登录新浪微博时，系统会让用户选择一些其感兴趣的类目。该方法需要用户参与调查，增加了user effort。
2、随机展示：该方法等概率地随机挑选一些视频向新用户展示。因此，该方法能够在整个短视频空间探索用户兴趣。
3、流行度：该方法选择最流行的一些短视频向新用户展示。该方法能够获得较多的点击，但可能存在单个点击信息量不足的问题。例如：很多人都喜欢gone with the wind，Bob也喜欢gone with the wind，从这些信息不能够获得很多Bob的个性化信息。
4、pure entropy：如果用户点击某一个短视频，而该短视频被一些人喜欢，也被一些人不喜欢，那么该视频能够更加明确新用户的偏好。该方法计算每个视频的entropy，然后把entropy值最大的短视频呈献给新用户。
5、balanced：流行的短视频能够获得更多的点击，但所含的信息量较少；entropy大的视频含有较大的信息量，但获得的点击较少，因此可以对二者进行平衡。balanced（Popularity*Entropy ）对二者进行了trade-off。
6、item-item personalized：如果新用户已经点击了一个或多个短视频，那么可以基于这种点击行为进行下一步推荐。item-item方法第一次以balanced向新用户展示短视频，如果用户有了点击行为，则采用物品之间的相似度进行下次展示，因此相似度方法的选择相当重要。

这几种方法各用优缺点，要结合具体场景选择使用。例如：在短视频推荐中，有十个推荐位，我们可以规定这十个短视频是：2个来自流行度、4个来自搞笑、2个来自生活、2个来自音乐。到底应该怎么分配展示，应该结合具体的统计数据进行探查分析。
ok，我们完成了如何向新用户展示数据，后续博文我们讨论如何在线上&线下对用户的行为作出反馈、对用户的标签进行扩展等相关问题。流程如下图所示

其中怎样向新用户展示、线上模型怎样基于新用户的行为进行交互、怎样对新用户进行特征（标签）扩展是处理新用户的三个个关键问题。在后续的blog中会有所涉及