什麼是冷啟動?
推薦系統主要是把物品推薦給喜歡的使用者，在使用的環境中，物品和使用者皆會持續的增長變化，也因此會持續面對有新物品和新使用者的情境；有新的物品和使用者使得無法做好的推薦就稱為冷啟動，我們要討論在這種情況下如何做合適的推薦。
基本的冷啟動可以分成三類：
- 使用者冷啟動：新用戶產生時沒有有任何瀏覽購買紀錄，如何推薦用品的問題。
- 物品冷啟動：新物品如何推薦給合適的用戶。
- 系統冷啟動：新系統上線時，物品、使用者、資料皆不足的推薦問題。
接下來我們介紹幾個常見的解決方式
排行榜推薦
新物品的推薦
秉持著大家會喜新厭舊的心態，推薦新的物品給使用者；像是電影、影集等等就很適合，有新影片上線時，不管是新或舊的使用者都會想看。
熱門物品的推薦
推薦大家都喜歡的物品給使用者，這是非常常見的做法，簡單有效；也可以用作新演算法的AB test或benchmark，等到資料足夠後才做個性化推薦。
常用物品、必需品推薦
推薦生活必需品、常用物品給新使用者；這種情況適合一些居家用品、常用家電、廚房用具等等的情境。
標籤推薦
這種方式是針對前三項作更細微的推薦，像是ott 串流平台可以直接選擇喜劇、動作片、愛情片等等的推薦；但要注意標籤要先設計完整。
簡易的使用者推薦
簡易的使用者推薦
根據使用者簡易的年齡、性別等等資料分出人群進行推薦。
授權平台推薦
導入第三方社交平台facebook、google等等，根據這些平台的歷史數據進行推薦。
問答題推薦
目前有許多平台都是這種方式，註冊登入時會問幾個問題，了解你的喜好，根據你的反饋來推薦物品。
新物品的相似度推薦
新物品推薦系統在不同的平台有不同的重要程度，在新聞媒體等等時效性強的平台就特別重要，必須要快速的推薦出去，不然時間過了這個資訊、消息也就不重要了。
新物品跟用戶的相似度
計算新物品的特徵（標籤、cos相似度、TF-IDF、影像相似度等等）和使用者的行為特徵進行推薦。
新物品和舊物品的相似度
新物品進入平台後，根據平台的標籤、屬性資訊等等，計算出相似的物品，再推薦給喜歡此物品的使用者。
試探策略
這幾年短影片的流行，無論是純做短影片的網站，抑或是一般影音平台的短影片，皆是爆發性的成長；快速試探策略就很適合，快速、隨機推薦影片給使用者，再根據使用者觀看、點擊、滑動瀏覽網站、停留時間等等的行為，快速獲得使用者的資訊，再進行推薦。
結尾
上面是簡單介紹幾個常用的方式，還有許多做法可以解決遇到的冷啟動問題，主要必須先定義好問題，知道自己產品、平台的特徵、類型、使用者如何才會滿意等等的資訊，才能真正的對症下藥。
最後推薦幾篇論文，大家有興趣可以看看他們遇到的問題是什麼又是如何解決的。
Behavior-based popularity ranking on Amazon Video
https://www.amazon.science/publications/behavior-based-popularity-ranking-on-amazon-video
Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba
Performance of recommender algorithms on top-N recommendation tasks
Real-time Personalization using Embeddings for Search Ranking at Airbnb
Data Charging Station 