用户冷启动  新用户没有行为数据，无法根据历史行为预测其兴趣
物品冷启动 如何将新物品推荐给对它感兴趣的用户
系统冷启动  新开发的网站上没有用户或用户行为 只有物品信息 怎样设计个性化推荐

解决方式是：
1，提供热门榜
2，利用注册时的年龄，性别做粗粒度的推荐
3，利用用户社交信息
4，登录时对一些物品的反馈
5，系统冷启动时，引入砖家致死，迅速建立起物品的相关度表

基于注册信息的个性化推荐流程基本如下：
1，获取用户的注册信息
2，根据用户的注册信息对用户分类
3，给童虎推荐他所属分类中用户喜欢的物品。

比如，我们要给一个注册用户推荐列表，这个用户28岁，是一位男性物理学家，那么我们可以设计三张相关表：性别--电视剧相关表，从中可以查询男性最喜欢的电视剧；一张是年龄--电视剧相关表，可以查询28岁用户最喜欢的电视剧；一张是职业--电视剧相关表，可以查询到物理学家最喜欢的电视剧。然后我们可以将这3张表查询出的电视剧列表按照一定权重相加，得到给用户的最终推荐列表。不同的特征的权重显然是不一样的。
现在的问题是：怎样计算某个特征用户群对各个物品的喜好程度。我们把这种喜好程度定义为：喜欢物品i的用户中具有特征f的比例（我比较疑惑的是，这里为什么不定义成具有特征用户f的用户中喜欢物品i的比例，貌似这样更容易说通啊）。公示为：( N(i) & U(f) )/(N(i)+a)，这里a是一个参数，解决数据的稀疏矩阵的问题。
书中没有给出到底按怎样的权重方式计算。我的理解是，计算每个相关表时，同时计算每条记录的相关分数。把每个特征的电视剧列表迭代，得到每个电视剧的整体权重p(i)=a*ria+b*rib+c*ric。a,b,c表示每个特征的固有权重，ria，rib，ric分别表示此电视剧在每个相关表的相关分数。


解决用户冷启动的一个常用方法是：在新用户第一次访问推荐系统时，不立即给用户展示推荐结果，而是给用户提供一些物品，让用户反馈他们对这些物品的兴趣，根据这些反馈提供个性化推荐。

一般来说，能够启动用户兴趣的物品需要有以下特点：
1，比较热门
2，具有代表性和区分性
3，启动物品集合需要有多样性

解决物品冷启动时的算法与大数据量时还是有些不太一样的，首先，itemcf通过用户行为的历史记录才计算物品相似度，这个一个非常耗时的工作（一般每天一次），因为用户的行为日志非常大，新物品就不能马上展示给用户。所以，只能利用物品的内容信息计算物品相关表，并且频繁的更新相关表（比如半小时一次）。

物品的内容可以通过向量空间模型表示，比如对于电影，有导演，演员等特征向量，对于文章，没有明显的特征向量，那么自己提取关键字和权重当作特征向量。内容相似度可以用欧几里德或者余弦夹角来计算。
计算好内容相似度后，给用户推荐和他历史上喜欢的物品内容相似的物品。

内容相似度过滤和协同过滤的比较：说不上两者的好坏，前者主要通过物品的属性来计算，后者通过统计用户行为来计算。假如用户的行为强烈受某一内容属性的影响，那么可以尝试内容过滤。


对于长文本来说，利用关键词计算相似度可以获得很高的精确度，但是假如文本很短，关键词少，这种方式很难准确计算相似度。比如两篇文章的标题是不同的，但是却是指的一个意思，这种相似度怎么算呢？这种情况下，首先需要知道文章的话题分布，然后才能准确地计算文章的相似度。

代表性的话题模型有LDA。大致意思是：某个人在写一篇文档的时候，会首先想这篇文章要讨论哪些话题，然后思考这些话题应该用什么词描述，而从最终用词写成一篇文章。因此，文章和词之间是通过话题联系的。
LDA中有3中元素，即文档，话题和词语。每一篇文档都会表现为词的集合，这称为词袋模型（bag of words），每个词在一篇文章中属于一个话题。

有许多推荐系统发挥专家的作用，利用专家对各种物品进行属性标注，比如音乐，视频这类内容难解析的物品。