A survey on solving cold start problem in recommender systems

一篇关于用户冷启动的综述。

一、简要信息

二、摘要

冷启动问题的原因在于推荐系统缺乏足够的相关信息，因此，要解决这个问题就是要收集丢失的信息。在文献中，一些研究人员通过收集丢失的信息解决了这个问题，但是他们的方法在收集丢失的信息方面有所不同。根据有关此问题的文献研究，根据收集缺失信息的性质，解决方案可分为两类：1）显式解决方案；2）隐式解决方案。

三、Introduction

目前推荐系统（RS）的推荐算法普遍基于过滤策略。有两种广泛使用的过滤策略，即基于内容的过滤（CBF）和基于协同的过滤（CF）。基于内容的过滤策略基于以下假设：如果用户喜欢某个产品，那么他或她很可能会喜欢其他类似的产品。协同过滤使用两种不同的方法，即基于邻域的方法和基于隐因子模型（LFM）的方法。基于邻域的方法认为，如果有一组共享/喜欢相似口味的用户，则该组中的所有成员也应喜欢相似的产品/物品。在这种方法中，为用户确定邻居，并选择邻居喜欢的项目进行推荐。基于LFM的方法试图确定有助于理解用户个性和心理的因素，以选择推荐项目。两种过滤策略都需要先验信息来训练用于项目选择的模型。先验信息通常是评分矩阵的形式，其中包含不同用户对各种项目给出的评分。在性能和易用性方面，协同过滤表现出比基于内容的过滤更好的效果。很少有混合过滤策略将基于内容的策略和协同策略结合在一起，并试图充分发挥这两种策略的优势。当在RS的存储库中添加新项目或新用户与RS进行交互时，RS在提供推荐时会遇到问题；这个问题在RS中称为冷启动问题。RS中有两种不同形式的冷启动问题：（1）新用户冷启动问题（2）新项目冷启动问题。在新用户冷启动问题中，新用户被引入到系统中，并且RS由于没有关于用户的信息而在提供推荐方面面临问题。在新物品的冷启动问题中，系统没有新物品的评分，并且在确定该物品的目标用户方面面临困难。在这两种冷启动问题中，新用户的冷启动问题更加困难，并且已得到广泛研究。文章提供了针对解决RS中新用户冷启动问题的不同解决方案的调查。

四、主要部分

首先，无论如何收集丢失的信息，解决方案都应该具备一下几点：
1）相关推荐的准确性：解决方案需要保持整体准确性。
2）减少偏差：优化乱打分的问题。有偏见的评分妨碍了推荐的个性化。解决方案使用基线预测变量或偏见因子来减少偏见，但是它们需要使用评分历史记录才能准确地对其建模。对于冷启动问题，应该存在合适的方法以从一开始就捕获乱评分的值。
3）适应性：适应性强的解决方案能减少了其与系统兼容所需的工作。
4）多样性：一个好的RS需要推荐涵盖所有领域的项目。为此，它必须学习用户在多个域中的兴趣。

显式解决方案

认识某人的最好方法之一就是询问他们。显式解决方案通过直接与用户交互以收集丢失的信息来实现此想法。在这种方法中，要求用户填写一些问卷或对某些给定项目进行评分。当系统明确收集信息时，它可以控制要求的内容，从而获取更多相关信息。但是，这种方法的挑战之一是，由于所需的时间和精力，用户通常不愿意参与查询过程。选择数量最少但信息量最丰富的问题/项目是解决此问题的一种方法。使用可视化和/或提供激励是其他选择。
显式解决方案主要有两种：1）Active Learning（AL）；2）interview based strategies。

A. Active Learning

要求用户对某些项目进行评分是明确获取信息的一种方法。但是，与其选择随机项目，不如选择相关项目，这有助于提高系统对用户偏好的了解。同时，重要的是所选项目的数量应少，以免使用户不知所措。主动学习（AL）是一种用于选择一组最小且最相关的项目的有用技术。预先选择系统训练数据时，其行为就像一个“被动”实体。与此相反，在主动学习中，系统通过选择信息性训练数据（输入）并在学习过程中对其进行适应，来“主动”参与学习过程[11]。 AL技术使用不同的试探法来选择项目，这些试探法试图优化系统的某些方面，例如提高准确性，减少不确定性等[25]。
这里简单介绍一下Active Learning。
真实的数据分析场景中，可以获取海量的数据，但是这些数据都是未标注数据，很多经典的分类算法并不能直接使用。此时人工标注数据标代价是很大的，即便我们只标注几千或者几万训练数据，标注数据的时间和金钱成本也是巨大的。主动学习(active learning)，指的是这样一种学习方法：
　　有的时候，有类标的数据比较稀少而没有类标的数据是相当丰富的，但是对数据进行人工标注又非常昂贵，这时候，学习算法可以主动地提出一些标注请求，将一些经过筛选的数据提交给专家进行标注。这个筛选过程也就是主动学习主要研究的地方了。主动学习的“主动”，指的是主动提出标注请求，也就是说，还是需要一个外在的能够对其请求进行标注的实体(通常就是相关领域人员)，即主动学习是交互进行的。

引自https://blog.csdn.net/qq_15111861/article/details/85264109
现有的AL技术是非个性化的或个性化的。非个性化的AL技术仅准备一个项目列表，并向所有用户提供相同的列表以进行评分启发。大多数传统的AL技术都是非个性化的。相反，个性化主动学习策略为不同用户提供了单独的项目列表，以增强个性化。该列表根据用户反馈进行调整。
非个性化技术易于实现，并且通用性强。而在个性化策略中，根据反馈调整项目。这样可以确保个性化，并有助于提高用户对系统的信心。
会话RS以交错方式与用户交互以提供推荐。用户端和系统端都支持交互。 X. Zhao, W. Zhang, and J. Wang, “Interactive Recommender Systems”, in Proc.of CIKM ’13, ACM, San Francisco, USA, 2013, pp. 1411-1420 的作者提出了一种基于“探索-开发”的解决方案，用于对话式RS中的冷启动问题。该解决方案完成了学习用户资料并同时提供相关推荐的任务。

B. Interview Based Approaches

在基于interview的方法中，向用户提供一组项目中的一个项目，并征求他们的意见。通常，可以有三个响应：喜欢，不喜欢或不确定。准备种子项目的初始列表和粗略的用户配置文件，并在整个interview中进行完善。以前，解决方案使用静态采访方式，其中项目列表是固定的。这些解决方案缺乏个性化和吸引力。这导致了自适应采访过程的发展，其中种子项列表是根据用户的响应进行调整的。大多数新的解决方案都使用决策树对自适应采访进行建模。
一个好的interview需要简洁明了。为此，有必要选择数量最少但信息量最丰富的的项目。有多种选择项目的策略，每种策略在两个方面之间都有不同的权衡——信息的准确性和用户的努力。主流三种策略是Popularity，Random和Pure Entropy策略。还可以使用两个或多个策略的组合，例如Popularity Entropy和Log Popularity Entropy等。基于interview的方法是会话式RS的最佳策略，其中用户和系统在整个过程中都进行交互。AL策略并不适合用在interview策略中，这是因为AL启发式尝试优化的预定标准不足以选择在线interview中的问题。

隐式解决方案

A. Adapting Traditional Filtering Strategies

该策略其实就是改进传统的CF模型，使其能够收集丢失的信息。比如后续的Dropoutnet。

B. Using Social Networks

使用相关的社交信息作为side information，解决跨域推荐的一种手段。两种方法：1）使用某些技术手段收集用户的社交信息，例如爬虫。但是需要合法合理。2）建立用户的社交圈。

显式解和隐式解的比较

几个指标：
User Interaction：系统与用户的交互来获取用户的preferences
User Effort：指的是用户必须做多少工作才能帮助系统了解他/她的偏好。
Confidence：意味着系统可以通过在推荐过程中从用户的反馈中学习来改善自身
Relevance：它指的是可以获得多少信息数据。
Exploration-Exploitation dilemma：它指示系统如何在推荐允许其了解更多（探索）有关用户的项目或使用户保持兴趣（充分利用）的项目之间进行选择。
Privacy：系统受用户隐私设置限制的程度。
显示解和隐式解各有利弊，两种技术的混合使用是个有趣的问题。

思维导图

推荐系统冷启动.xmind
推荐系统冷启动.pdf