推荐系统基本架构图

推荐系统的基本架构图如下：

A 负责从数据库或者缓存中拿到用户行为数据，通过分析不同行为，生成当前用户 的特征向量。不过如果是使用非行为特征，就不需要使用行为提取和分析模块了。该模 块的输出是用户特征向量。

在利用用户行为计算特征向量时需要考虑以下因素：用户行为的种类 ，用户行为产生的时间，用户行为的次数，物品的热门程度。

B 负责将用户的特征向量通过特征-物品相关矩阵转化为初始推荐物品列表。

C 负责对初始的推荐列表进行过滤、排名等处理，从而生成最终的推荐结果。

过滤模块会过滤掉以下物品：用户已经产生过行为物品，候选物品以外的物品 ，某些质量很差的物品。排名根据新颖性、多样性等进行排名

冷启动问题

冷启动问题（cold start）主要分3类。

（1）用户冷启动

用户冷启动主要解决如何给新用户做个性化推荐的问题。

解决方法：利用用户注册时提供的年龄、性别等数据做粗粒度的个性化。利用用户的社交网络账号登录（需要用户授权），导入用户在社交网站上的好友信息，然 后给用户推荐其好友喜欢的物品。要求用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户 推荐那些和这些物品相似的物品。

（2）物品冷启动

物品冷启动主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。

解决方法：对于新加入的物品，可以利用内容信息，将它们推荐给喜欢过和它们相似的物品的用户。

（3）系统冷启动

系统冷启动主要解决如何在一个新开发的网站上（还没有用户，也没有用 户行为，只有一些物品的信息）设计个性化推荐系统。

解决方法：提供非个性化的推荐 非个性化推荐的最简单例子就是热门排行榜，我们可以给用户推 荐热门排行榜，然后等到用户数据收集到一定的时候，再切换为个性化推荐。