cold-start problem（推薦系統）
冷啟動是在群體推薦系統中一個常見的問題。
簡單來說它是推薦過程中沒有足夠的資訊來對使用者進行可靠的推薦。
推薦系統是基於使用者和產品的資訊和互動，對資訊進行過濾並達到向用戶精準推薦其感興趣的某些資訊的一種技術。
推薦系統基於使用者的個人資料，人—物互動過程及其條目的特徵等進行推薦。
-
如果是基於內容推薦（content—based ），則需要對items建模，分析其特徵，將使用者以往感興趣的items與其他所有items比較，找到相似特徵的items，來進行推薦。
如下圖：
-
如果是基於協同過濾（collaborative filtering),則不考慮items的特徵，只注重人—items的互動過程，利用行為的相似性來進行推薦。
由於上述都需要借鑑歷史資料，所以會造成冷啟動問題。
冷啟動的三個型別：
-
新平臺：
例如一個新的網上購物網站，只有各種商品網站，但無使用者，無商品購買記錄，資訊缺乏。 -
新條目：
例如新商品，新書目等等
由於新條目缺乏訪問的次數，會導致推薦不準確，並缺少推薦過程，進而繼續影響新條目的訪問，造成復反饋。這樣會導致一個流行偏見問題（popularity bias） -
新使用者：
缺乏訪問或購買記錄，缺乏人—物互動過程
改善策略
1:採用混合推薦器：
常用的是組合協同過濾和內容推薦兩種推薦器，協同過濾用於處理cold items，內容推薦用於處理warm items
2使用者精準完善註冊資訊
尋求一個方法讓使用者註冊時就提供足夠的資訊來支援推薦系統，但是不至於過於繁瑣，防止使用者註冊時拋棄這個產品。
3：特徵對映
用機器學習的方法將內容推薦和協同過濾整合到一個模型
4：多特徵加權
在特徵對映的基礎下，無論是items的特徵還是使用者的特徵，都根據使用者對items對其重要性的感知進行加權