【摘要】：新用户，指的是第一次访问的用户，之前没有任何的行为，但这些用户也是有个性化信息的，信息包括：用户的访问时间，白天、晚上，还是深夜，是工作日还是周末。用户所在的地域，一线城市或者二线城市。有了用户属性这些信息，就可以给新用户进行推荐。一开始使用的方式是对上面的信息进行交叉组合，通过历史数据挖掘交叉组合后的用户偏好。
新用户，指的是第一次访问的用户，之前没有任何的行为，但这些用户也是有个性化信息的，信息包括：
（1）用户的访问时间，白天、晚上，还是深夜，是工作日还是周末。
（2）用户所在的地域，一线城市或者二线城市。
（3）APP 用户的手机型号，是安卓，还是IOS，是小米还是华为，或者是OPPO。
（4）PC 用户的浏览器类型，如IE 或者Chrome，分辨率1 024×768 还是800×600。
（5）用户的登录页，首页还是某个活动的页面。
（6）一些应用在用户注册的时候，还会填写用户信息以及兴趣偏好。(www.xing528.com)
有了用户属性这些信息，就可以给新用户进行推荐。一开始使用的方式是对上面的信息进行交叉组合，通过历史数据挖掘交叉组合后的用户偏好。比如，深夜从北京访问，使用小米手机，通过首页访问的新用户最可能偏好哪些物品。通过实践发现，这种方式可以一定程度上提升新用户推荐的效果，但也有不足之处，主要有2 点：
（1）上面用户信息的交叉组合后，维度会比较高，造成满足这些维度的数据在一些情况下质量不高，置信度不够。
（2）对于一些时效性应用场景，比如资讯类，该算法计算出来的往往是过去的文章。
所以我们对个性化推荐引擎进行了升级，使用机器学习的方式获得新用户的偏好。目前使用的机器学习方法是逻辑回归（Logic Regression）。
该模型中的X 就是我们需要输入的特征，β 是训练得到的特征权重。所以其中最核心的是特征的选择，会把上面提到的单维特征、多种组合特征，以及item 的标签、类别都加入模型，通过训练得到特征权重，再对新用户进行预测。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
