冷启动问题：最小用户活动量估计

冷启动问题在新用户到来时出现，是当今推荐方法中的基本问题之一。此外，在电视或多媒体等一些领域中，项目需要用户较长时间体验，因此用户通常无法提供丰富的偏好信息。在本文中，我们分析用户在一组项目上需给出的最小评分数量，以解决或缓解冷启动问题。在我们的分析中，我们应用聚类数据挖掘技术以确定推荐系统用户所需的最小项目评分量，从而被正确分配到聚类。在此背景下，对聚类质量进行监控，当达到特定聚类质量阈值时，推荐系统即可开始为该用户生成推荐，此时冷启动问题被视为已解决。我们提出的方法适用于任何基于显式项目评分获取用户偏好的领域。我们的实验在电影与笑话推荐领域使用MovieLens和Jester数据集进行。