智慧推薦系統新使用者冷啟動—EE問題及Bandit演算法

前言

幾乎在所有資訊消費類的應用場景中，對於外部畫像缺失的新使用者，如何承接都是一個棘手但又十分關鍵的問題。承接的好，理所當然就能提升留存率，離人生巔峰就更進一步了，嘿嘿！

演算法適用場景：

新使用者冷啟動

使用者興趣探索

（請各位補充）

如何定義新使用者（冷啟動使用者）？

在這拋磚引玉，說三點簡單的方法。

綜合曝光，點選數等行為。

基於使用者畫像。

綜合各種資訊。

Exploration and Exploitation（簡稱EE）

在推薦系統中：Exploitation的意義在於對使用者感興趣的要大力開發。但一直給使用者推薦那幾樣內容，使用者就會膩。所有就需要exploration。探索挖掘使用者興趣。

bandit演算法

bandit演算法泛指解決EE問題的所有演算法，在此介紹其中較為經典的兩種——LinUCB和Thompson Sampling。

Thompson Sampling：

簡單來說：以使用者對不同item的興趣，分別計算興趣值。且我們假設使用者對item的興趣是符合Beta分佈的。

演算法實現流程：

每個臂（item或類目等）都對應一套（a，b）引數，然後透過上述公式生成beta隨機數。

將產生的隨機數最大的臂作為結果，並根據使用者反饋，點選則a+1，否則b+1

在嘗試次數越來越多的時候，所有的（a，b）都已經很大，這時候每一個beta分佈都會變得接近中心位置，生成的隨機數趨於穩定。

若某個臂的a+b跟a/（a+b）都很大的時候，beta分佈會很窄，且機率集中到1附近，所以該臂生成的隨機數每次都會比較大，被選中機率就會很大。

存在問題

臂的數量：若臂數量過多，則影響演算法收斂。所以需要事先篩選，控制臂的數量。

a，b超參的選擇——設定為1。原因在這就留給看官們來解答吧。

演算法實現：

1。

Spark

Streaming