本文讲的冷启动的特点是指从心理学的角度利用AI算法模型构建冷启动模型，实现个性化推荐。
数据是AI的基础，算法是AI的本质，当一个产品项目一开始没有数据基础的时候，需要用心理状态模型来做个性化推荐给到用户。
用心理算法模型解决个性化推荐4步方法：
第1步 用户心理模式
作为现代心理学的核心内容之一，社会心理学认为：人的心理受市场环境的影响，在市场环境和自己的双重因素下从而形成相对固定的模式。
根据此原理，不同的用户，具有不同的心理状态，不同的心理状态对应不同的兴趣模式。笔者根据产品经历把这样的用户心理模式，称为用户的心理状态集。
由于用户兴趣本身具有一定的模糊度，因此，会根据具体产品结合模糊数学的相关知识，可以定义用户的心理状态模式集如下:
定义1（模糊用户的心理状态模式集）
Satt={([S1，S2，…，Sn］，[F1，F2，…，Fn，]}，且，其中Sn代表用户的第n个心理状态，Fn代表用户对于Sn状态的隶属度。
一个用户同时可能拥有多个心理状态，比如：心理年龄20一30、恋爱中、未婚、女性……这些有不少是用户的自然状态，同时也是用户的心理状态，但也有不少是完全的心理状态，它们共同决定用户的喜好。
用户在每一个心理状态中的隶属度并不相同，比如：用户A对于“心理年轻20一30”这个状态的隶属度为0.2，对于恋爱中的隶属度为0.4。
这表明，此用户在恋爱中的可能性要大于20一30这个心理年龄。
第2步 商品对应的用户心理模式规则
我们产品经理都知道商品，无论是狭义的商品还是广义的商品，都有自己的受众。换句话说，商品都有自己对应的用户心理模式。一个商品，一定有自己的消费人群定位。
比如：生产的一瓶水、写的2本书，都有自己针对的人群，一个没有消费定位的商品注定是失败的产品。因此，商品，不管是什么样的新商品，都有相对固定的用户心理模式。什么样的人从心理上会对这样的商品感兴趣，有多少兴趣？对于商品的推荐起着决定性的作用。
依据此原理，我们可以定义商品对应的用户心理模式。
定义2（商品的模糊心理状态集）
G={[G1，G2，…Gr]，［F1，F2，…，Fr］}，其中Gr∈Satt，Fr表示商品对于状态Gr的隶属度。
以上定义表示，商品G可能针对的用户心理状态是G1…Gr，每个心理状态的兴趣度是F1…Fr。
第3步 建立用户心理兴趣模型
在设定上述2点的定义以后，接下来我们需要针对不同的用户建立自己的用户模型，即用户心理状态模式集。
流程如下图：
分类用户心理模式，至今为止，没有心理学对用户心理模式给出具体的内容分类。粗略地看上去，似乎用户心理模式种类非常繁多，很难给出一个具体的列表，分类用户心理很难下手。不过根据实践设定用户心理状态是比较大范围内的重要心理模式，实践上远没有想象的那么复杂。
笔者使用了经验模式来解决这个心理模式的分类问题，通过心理学专家左左老师的帮助，把人生按其生长、发育、成熟、衰老的过程进行心理指标选择，选择了心理年龄、心理血型、情感状态等十个最重要的心理指标。对每个指标又进行了状态细化，从而最终设定了四十多个不同的典型心理状态。标定这样的心理模式分类就是心理模式的论域S［论域是一个数学系统，分为原始域和非原始域（构造域）］。
建立商品的模糊心理状态集，商品的模糊心理状态集的建立是一个比较繁琐的过程，需要针对不同的商品建立不同的模糊心理状态集。
笔者使用专家评判法来解决商品的模糊心理状态集的生成问题。设商品u的心理状态论域为S，记商品u的模糊心理状态集为Fu。
请M位专家，让每位专家分别对每个心理状态Si(i=1，2，…，n，Si∈S)给出一个隶属度的估计值。设第j位专家的给出的估计值为Fu(Sij)(i=1，2，…，n;j=1，2，…，m)，最后的隶属度可以表示为：
Fu(Si)=1/m∑Fu(Sij)，j=1…m
用户心理模式集的建立一旦设定好商品的模糊心理状态集，就可以用它来生成用户心理模式集。
设用户A的购物集为Ua{ua1，ua2，ua3，…，uai}，其中，商品uai的模糊心理状态集为Fuai蝙。则用户A的心理模式集为：StatA={StatA1:，StatA2，…，StatAm，}；StatAm=1/i∑Fum(Sj)²，（j=1…i）
使用平方的目的在于加大不同状态间的倾向，突出用户的心理状态。
最后，对用户心理模式集进行过滤处理，设定其过滤值Statmun（常量），完成对用户心理模式集的清洗：StatCA={StatA1，StatA2，…，StatAk|StatAK∈StatA，StatAK>Statmin}
经过清洗后的用户心理模式集远比原始的用户心理模式集要小，可以有效地提高推荐算法效率。
第4步 选择算法：
笔者在《AI赋能-AI重新定义产品经理》一书中有讲产品经理需要懂的算法，也讲了算法不是一开始就选择的，算法是在具体业务，就具体问题建立模型后，对模型进行求解。所以第4步是悬在算法，在这里推荐两个个性化推荐算法供读者参考。
推荐算法如下：
算法一：
float GenReeommandScale(){
IfGa∉U then
//新商品推荐
S=△{StatCA^Fu}
Else
//非新商品，应当避免同质推荐
{
ifGa∉U
S=♢{StatCA^Fu};
else
S=0;已经有此商品
}
Retun S;
}//end of GeRneeomnnard Scale
商品的模糊心理状态集是一开始是由行业专家评判方式给出的，但这样的结果未必就是精确的。可以在推荐的过程不断的修正。
算法二：模糊心理状态兴趣关联规则
另外要说明的一点是两个算法不是完全割裂开的，即要求出模型的科学解，可以采用多种算法求解，本处笔者根据曾经早年阿里巴巴的实际工作经验采用过的算法分享给读者。
总结
抖音一开始我们能想起来的是官方宣传的AI算法，其实一开始冷启动抖音是有算法，不过这种算法只是AI领域的冰山一角，更多的是用户心理模型，这就不难理解我们一开始人人看到抖音的多是：“第一眼明显、美女”。
2017年春节期间抖音推荐的内容图如下：
2018年年底抖音给AI科技网络从业者推荐的内容，明显是与笔者的工作内容是紧密相关的。
图如下:
从上图直观可见字节跳动的算法一开始也是如笔者文中所述，一开始内容好比是商品，没有用户的数据，只能从用户的心理出发来进行建模，对模型进行求解，发现男性或者部分女性对明星和美女一般来说都是喜欢的。
随着数据的累计机器学习的应用同时不断修正AI模型，笔者现在的抖音推荐均是AI、算法、模型、产品、创业相关的内容。
如果你想系统化入门AI产品经理，掌握AI产品经理的落地工作方法，戳这里>http://996.pm/7bjab
