如何解决垂直问答社区初期冷启动的问题

垂直问答社区，需要的是能有精准的人可以解决精准的人的问题，不是泛泛的解答，讲求提问和回答的质量，因此在前期的内容回答上，可以雇人回答，缺少提问人群时，就安排人进行提问，同时在营销上，在相关搜索引擎和网站投放广告，搞营销推广活动，提高媒体曝光率，同时邀请头部用户，优质用户首先入驻，靠他们口碑提高知名度。
如何解决冷启动问题？在缺乏有价值数据的时候，如何有效地满足业务需求的问题，就是“冷启动问题”。为了沟通方便，下面统一从推荐系统的角度来讲“冷启动问题”，其他业务场景同理。
冷启动问题是机器学习系统中十分常见、无法回避的问题，因为任何机器学习系统都要经历从无到有的过程。试想，你作为一个新用户，在没有用户数据的情况下，淘宝如何给你个性化推荐商品，抖音如何给你个性化推荐视频呢？
具体地讲，根据数据匮乏情况的不同，冷启动问题主要分为 3 类：
说“解决”可能是过于绝对和自信了，但面对没有数据的情况，我们并不是完全没有办法。
在讲具体的解决方法之前，我还是希望站在更高维度，帮助大家构建一个数据分析师/算法工程师该有的思维模型——可以从哪些角度来解构数据/算法相关的问题，那么以后无论遇到什么问题，都可以做到考虑全面。抓到要害。
冷启动问题是因为数据缺乏导致的，与工程实现无关。根据上面的思维导图，我们来从数据、算法和产品三个角度来思考。
首先思考数据，能够帮助我们了解现状，知道手上有哪些底牌。数据一般包括用户数据和物品数据。
按数据来源的不同，考虑：内部数据、外部数据。
内部数据包括：本产品线的数据、其他产品线的数据。
注意，在冷启动问题中，对于数据是“缺乏”而非“没有” 。这意味着我们手上可能还是有一些数据的。
另外，如果公司还有其他业务线，那么其他业务线的数据也可以拿过来使用。例如用户在美团已经积累了外卖数据，可以根据消费金额、家庭地址等分析得出用户的消费水平，那么在用户第一次使用美团的酒店服务时，也可以推荐出符合消费习惯的酒店。
常见获取数据的手段包括：爬虫、平台对接。
那 DMP 的数据是哪里来的呢？数据交换。通过合作的方式，企业给 DMP 提供用户的一些基本数据，DMP 对数据进行分析、挖掘，给企业提供更加全方位的用户信息。这样一来，企业就能获取到本来完全得不到的用户兴趣、收入水平、广告倾向等一系列高阶特征。
在梳理完数据现状之后，接下来考虑算法的问题。
推荐系统的目标就是推荐给用户正确的商品，评价方式可以是点击率、在线观看时长等。在解决冷启动问题的过程中，无论用什么算法，算法的优化目标都要与总体目标一致。
算法可以从实现方式的不同，分为 3 类：基于规则、基于ML/DL 、探索与利用。
基于规则的算法，一般给出的都是榜单类型的推荐结果。
在用户冷启动场景下，可以使用“热门排行榜”、“最新流行趋势榜”、“最高评分榜”等作为默认的推荐列表，实现非个性化推荐。在章节2.1.1、内部数据里也提到过，可以根据专家意见建立一些针对于不同年龄段、不同性别的用户的个性化榜单，然后在用户完成注册后，根据注册时填写的信息进行粗粒度的个性化推荐。另外，在 LBS（Location ba