什么叫冷启动？
分3种：
1、新用户冷启动：数据库没有该用户的历史行为数据
2、新商品冷启动：同上
3、新系统冷启动：啥都没
常见的基本的解决办法：
1、推荐热门榜
2、用户注册是采集一些粗粒度的信息，如年龄、性别；或者更细致一点的做法：让其指定一些偏好，或者喜欢的类别
3、利用用户的SNS账号登陆，授权导入用户的社交信息，推荐好友喜欢的
4、新加入的商品，利用内容进行推荐（just like 我的毕设）
方法1就不用说了，方法2:利用注册信息
利用用户注册信息进行推荐的核心是：计算一类用户（具有相同特征）喜欢的物品
p(f, i) 可以简单定义为具有 f 特征的用户喜欢物品 i
的程度
p(f, i) = | N(i) AND U(f) |， 其中N(i)代表喜欢物品i的人们，U(f)代表具有f特征的那一类用户。
因此可以比较准确地描述 某一类用户 喜欢 某一件商品 的程度，或者说是否喜欢。可以将| N(i) | 作为分母，去除热门商品的影响。
实验证明前者不靠谱，后者更可靠。（对于推荐系统来说，热门是毒瘤，总要想办法去除）。
若要用户在第一次登陆时对一些物品指定兴趣，那么这些物品最好具有代表性。也最好不是位于长尾的冷门物品（否则用户很可能不知道它是什么）。有paper利用决策树来完成这项任务，其算法简要捋一捋，如下：
1）用户分类
用一群用户对物品评分的方差来度量这群用户兴趣的一致性。如果方差大，这群用户兴趣不太一致；反之，则比较一致。
也就是说，该算法首先将用户分成3类，喜欢物品i的，不喜欢物品i的，不知道物品i的（没有给i评分）。如果以i划分的这3类用户群，对其他物品同样表现的很不一致，说明物品 i 很具有区分性。
2）决策树部分
构建决策树，用最具有区分性的物品作为决策树的根，以它划分用户群为3类；每一类中再选一个最具区分性的物品，再划分3类人群。依次往深里走。直到满足一定条件，如方差阈值或者树高度限制，停止。决策树构建完成。
使用决策树，最终可以通过对一系列典型物品的态度将用户进行分类。即让用户首先对根物品选择喜好，再根据用户的选择进入不同的分枝，直到进入最后的叶子节点。此时也就了解了该用户大致的兴趣。
推荐，根据用户的兴趣，个性化地推荐商品。
方法3 利用商品内容信息