定义：在开始阶段，没有大量用户数据的情况下，进行个性化推荐的问题。
| 分类 | 对策(提供非个性化推荐-热门推荐) |
| 用户冷启动 -对新用户进行推荐 |
A1.利用新用户的注册信息进行推荐 2.导入用户社交网站信息 A3.要求用户对一些物品进行反馈 |
| 物品冷启动 -将新物品推荐给用户 |
B1.利用物品的内容信息进行推荐 |
| 系统冷启动 -在无用户行为的网站上 进行推荐 |
1.利用专家知识建立物品相关表 |
A1 用户注册信息
信息包括：i.人口统计学信息（年龄、性别、职业、学历、住址、名族、国籍）
ii.用户兴趣描述
推荐算法：根据用户信息特征信息，参考同特征用户，获得用户对某物品的喜好程度
(1.N(i)消除热门物品影响 2.α 消除只有一两人喜欢用品的大权重) 例子：比如计算一个(男性,22岁,学生)对物品i的喜爱程度
-[男 22岁 学生且喜欢物品i的人数]/[喜欢物品i的人数+α]
A3 对物品进行反馈
选择反馈物品的原则：
i.物品热门(用户知道)
ii.物品具代表性，区分性(不能选大家都爱的物品)
iii.多样性(迎合用户兴趣多样性)
算法：
--区分度衡量：
三个值分别为：喜爱物品i的用户对其他物品评分的方差
不喜欢物品i的用户对其他物品评分的方差
不知道物品i的用户对其他物品评分的方差
--有了区分度后，通过以下方法选出k个用于反馈的物品
先选出区分度最大的物品，然后根据该物品将用户分为（喜欢、不喜欢、不知道）3类；
根据用户在界面上的反馈进入其中某一分支，然后在这一分支上，选出最有区分度的物品；
以此类推，直到选出k个物品
B1 利用物品内容信息
将物品内容信息表示为向量，$d_i=(w_1,w_2,...,w_n)$,每个分量对应一个特征，以电影为例，各个分量可以是（导演,类型,...）
表示成向量后，两个物品的相似度可以用余弦相似度计算： 
对于文本内容，需要经过以下步骤处理：
