【.com原稿】推荐系统从诞生之日起就广泛应用于学术界和工业界。许多重要的网站，如亚马逊、今日头条和抖音，都依靠推荐系统获得了大量的点击和巨额的企业利润。如何提高推荐系统的点击率仍然是业界的主要研究方向之一。虽然推荐系统已经引起了很多关注，但是有一些固有的固有问题一直困扰着推荐系统的从业者。冷启动问题作为推荐系统中的一个重要研究课题，一直受到广泛关注，但一直缺乏有效的解决方案。推荐系统的冷启动问题是指当我们遇到新用户或新物品时，由于缺乏历史数据，无法推荐给用户的问题。流行的解决方案现在包括元学习等技术方法。在ICISCAE2021上，研究人员提出了一种名为ZeroMat的算法，它解决了推荐系统的冷启动问题，完全不使用任何输入数据，只知道评分数据的最大值。首先，作者借鉴ProbabilisticMatrixFactorization的框架来定义矩阵分解的问题，即我们需要计算如下概率的最大值：根据Zif定律，我们对用户评分的概率分布进行建模如下：此外，我们使用正态分布建模如下：展开公式，我们得到以下公式：使用随机梯度下降，我们得到：排序后，我们恢复用户评分值：我们注意到没有外部输入整个计算过程都会用到数据，U和V都是参数，唯一需要知道的就是最大分数。比如一部电影的最高分是1分还是5分，这通常是产品设计的问题，都是事先知道的。在实验中，作者比较了ZeroMat、随机定值和经典矩阵分解算法三种算法的效果。作者用MAE和马太效应度两个指标验证了ZeroMat的效果。令人惊讶的是，在输入数据完整的情况下，ZeroMat的效果有时甚至优于经典的矩阵分解算法。3种不同算法对MAE的测试效果3种不同算法对马太效应程度的测试效果推荐系统的马太效应是一个长期困扰研究者和行业从业者的问题。解决任意数据冷启动问题的算法框架。该算法简单易懂，运行速度快，效果很好。为彻底解决推荐系统的冷启动问题打开了一扇不同于以往的大门。论文地址：https://www.researchgate.net/publication/354996721_ZeroMat_Solving_Cold-start_Problem_of_Recommender_System_with_No_Input_Data【原创稿件、合作站点请注明原作者和出处为.com】
