推荐系统冷启动怎么解决？

题目

推荐系统的冷启动分为哪几类？请列出每类的常见解决方案。

参考答案

冷启动：无足够历史数据时难以精准推荐，分三类：

1. 用户冷启动（新用户）

• 注册信息利用：地域、年龄、性别、设备等基础属性做人群包推荐。
• 引导选择：首次进入让用户选兴趣标签（如 TikTok 注册后选话题）。
• 热门/优质内容兜底：新用户先推全站热门，保证基线体验。
• 跨域迁移：若用户在其他产品有数据，迁移画像（如微信读书用微信关系链）。
• 快速学习：用户少量行为（几条点击）后立即用在线学习更新模型。

2. 物品冷启动（新物品）

• 基于内容：用物品自身特征（标题、图、类目）找相似已存在物品，借它们的流量启动。
• 流量扶持：给新物品曝光配额（如小红书对新笔记流量倾斜），收集反馈。
• EE 探索：Bandit 类算法（如 LinUCB）在”利用热门”与”探索新品”间平衡。
• 双塔内容召回：物品塔用内容特征编码，新物品无需历史即可被召回。

3. 系统冷启动（新系统）

• 导入外部数据：竞品公开数据、行业通用热门榜。
• 简单规则起步：先按热度/时间推，逐步积累数据再上复杂模型。
• 迁移学习：从类似场景的预训练模型起步。

通用技术手段：

• Multi-Armed Bandit / UCB / Thompson Sampling：经典探索-利用算法。
• 强化学习：把推荐建模为 MDP，长线优化用户生命周期价值。
• 元学习：学一个”快速适应”的模型，少量样本即可个性化。
• 图神经网络：利用用户-物品二部图结构，相似用户/物品的信息可扩散到冷启动节点。

面试加分点：

• 指出冷启动的本质是信息不足，所以解法都围绕”补信息”：用内容/属性补行为缺失，用探索换数据，用跨域/图结构借他人数据。
• 强调**EE（探索与利用）**是长期价值的关键——纯利用热门会信息茧房，纯探索伤体验，需平衡。
• 业务手段（流量扶持、引导选择）往往比算法更直接有效，体现”产品-算法协同”思维。

出处：推荐系统面经、掘金《推荐系统四层架构深度拆解》。