针对新用户冷启动问题的改进Epsilon-greedy算法

王素琴,张 洋,蒋 浩,朱登明

(1.华北电力大学 控制与计算机工程学院,北京 102206; 2.中国科学院计算技术研究所,北京 100080)

0 概述

电子商务和社交媒体网站通常都面临着严重的信息过载问题,推荐算法是解决该问题的有效手段之一。推荐算法一般根据用户与网站的交互记录来推测用户可能喜欢的物品或者友人(以下统称为物品)。当新用户登录到系统中时,由于他们没有或者只有少量购买记录和浏览记录,推荐系统很难为他们进行有效的推荐,该问题被称为新用户冷启动问题[1]。

快速发展中的电子商务网站或者社交媒体网站,吸引着大量新用户的涌入,但由于存在新用户冷启动问题,不能为他们提供充分的有用信息,常常导致新用户大量流失。

为解决上述问题,有研究者提出推荐算法。传统的推荐算法有协同过滤算法[2-3]、基于内容的推荐算法[4]以及混合推荐算法[5]等。协同过滤算法基于用户的行为记录,计算用户之间的相似度或者物品之间的相似度并进行推荐。但由于新用户没有或者只有少量的行为记录,导致协同过滤算法难以为其进行有效推荐。基于内容的推荐算法首先提取用户或者物品的特征,根据用户或者物品之间特征的相似度来进行推荐。但新用户可能没有任何特征或者只有少量特征可以提取,因此,基于内容的推荐算法也难以取得良好效果。混合推荐算法是指将多种推荐算法有机地结合起来进行推荐,但实际应用结果表明,混合推荐算法也不能很好地解决新用户冷启动问题。……