推荐系统冷启动怎么做？4 类场景的解法清单

摘要：冷启动不是单一问题，而是四类场景：新用户没历史、新物品没行为、新系统没数据、老系统的新场景没样本；每类的主解法不同——新用户靠注册信号与迁移，新物品靠内容向量，新系统靠规则兜底，新场景靠实时特征——把场景拆对，解法清单才能对得上号。

推荐系统的一切模型都建立在历史行为数据上，而冷启动恰恰是没有数据的时刻：新用户刚注册，系统不知道他喜欢什么；新商品刚上架，没有点击与成交可供学习。这个阶段处理不好，代价是双向的——用户看到不相关的推荐从此不再看第二眼，新商品躺在库存里错过最佳曝光期。很多文章把冷启动当一个笼统问题讲，实际落地时必须先拆场景：用户冷启动、物品冷启动、系统冷启动与场景冷启动，四类的成因不同、可用信号不同、解法也不同。本文按四类场景逐一给出解法清单与验收标准，便于对照自己的系统直接选用。

关键要点

冷启动先拆场景再谈解法：用户、物品、系统、场景四类的可用信号完全不同，混为一谈会导致方案错配。
新用户冷启动的核心是"用最小的询问成本换取最强的偏好信号"，注册引导三到五个标签以内。
新物品冷启动的主通道是内容向量：图文语义向量的相似度召回不依赖历史行为，物品一上架就能被分发。
新系统冷启动先用规则与热度兜底，同时保证埋点从第一天起就是规范的——数据质量是冷启动期最重要的资产。
场景冷启动（如新上线的信息流）可复用旧场景的画像与向量，靠实时特征快速积累新场景的样本。
冷启动解法的效果要单独度量：新用户次日留存、新物品首周曝光量、新场景点击率爬坡速度，各有各的验收口径。

一、四类冷启动：先分清再动手

四类冷启动的边界要划清楚，因为同一招在不同场景下效果完全不同。

用户冷启动：系统有数据、用户是新的。挑战是不知道新用户的偏好；可用的信号有注册信息、设备特征、来源渠道、初始选择行为。

物品冷启动：用户有画像、物品是新的。挑战是新物品没有行为数据，协同过滤类召回天然把它排除在外；可用的信号是内容本身——标题、描述、图片、类目、价格带。

系统冷启动：整个推荐系统从零起步（新业务或初次建设）。挑战是用户与物品双向缺数据，此时解法是全局性的：先靠运营规则与热度排序顶住，同时确保数据采集规范。

场景冷启动：系统有数据，但新开了推荐场景（如新增首页信息流、新增购物车推荐位）。挑战是新场景的样本分布与老场景不同；可用的资产是全站画像与物品向量。

把四类拆开之后，绝大多数"冷启动没解"的困境都能归位到具体场景，逐个击破。

二、用户冷启动：把询问成本花在刀刃上

新用户第一次打开产品，系统对他的了解为零。可行解法按优先级排列：

注册期定向引导。 让用户在注册流程中选择三到五个感兴趣的类目或角色。要点是控制询问成本：超过五个选项的选择题，多数用户会随手乱选，信号质量反而下降。选题目也有讲究——选项之间区分度要大（品类级而非单品级），保证答案能直接用于召回过滤。

设备与渠道信号。 来源渠道本身携带意图：从某品类活动页进来的用户，首次推荐的起点就该是该品类；广告投放定向的人群属性，也可以在合规前提下作为先验。

热门兜底 + 快速收敛。 第一屏用品类内热销兜底，保证"不相关但大概率不讨厌"；随后每次点击都在修正画像，前十个行为的权重应远高于常规权重——冷启动期的模型要"记性更好"。

跨端账号迁移。 老用户在新设备登录后，画像随之迁移，冷启动问题自动消解。这也是推动注册与登录的隐性收益：登录率越高，冷启动用户的占比越低。

三、物品冷启动：让内容自己说话

新物品没有行为，但物品自带内容。主线是内容向量召回：把标题、描述、图片等映射成语义向量，与用户历史兴趣向量做相似度匹配——物品上架瞬间即可进入候选池，完全绕开"需要行为数据"的循环。向量召回的工程实现上，Elasticsearch 的向量检索能力支持把文本等非结构化内容向量化后按相似度召回，Meta 开源的 FAISS 则提供了大规模向量的近似最近邻检索算法库，两者都是这条通道的常见底座。

辅以三条补充线：

运营冷启动曝光池。 为新物品保留固定的初始曝光配额（如新品尝鲜位），用真实曝光换第一批行为数据。配额要控制——冷启动配额本质是用主链路转化率换探索，需要在总量上设上限。

相似物品搭车。 把新物品挂到已有行为数据的相似老物品旁边（详情页"相似商品"位），继承部分流量与用户。

测试期分组放量。 新物品先在小流量池测试点击率，达标后逐级放大。这既是流量分配机制，也是发现"数据不可信的新品"（图片欺诈、标题党）的过滤网。

四、系统冷启动：规则兜底与数据先行

从零建设推荐系统时，模型暂时无从谈起，正确的顺序是规则先行、数据并行、模型接力。

第一阶段用确定性规则顶住体验：热销榜、好评榜、品类导航。这些规则不需要个性化数据，能立即提供"比随机好"的推荐，稳住基础体验。

第二阶段是数据先行：从第一天起就按规范埋点——事件命名、必填属性、用户与物品 ID 全局唯一。冷启动期最贵的不是算法，而是数据质量；埋点混乱会在模型阶段以返工的形式加倍偿还。系统级的行为日志统一也是后续搜索与推荐协同的地基，两者共用同一份行为事件流的架构原则在站内此前的协同专题中有详细展开。

第三阶段模型接力：数据积累到可训练的规模后，先用最简单的协同过滤跑通全链路，再逐步升级模型。接力的验收标准很明确：模型版在 A/B 中的核心指标不低于规则版基线，才算接管成功。

五、场景冷启动：复用资产与实时特征

新上线一个推荐位时，不必从零开始。两条主线：

复用全站资产。 用户画像、物品向量、类目关系都是跨场景通用的。新场景的召回直接复用这些资产，排序先用简化规则，等数据够了再上模型。电商从商品详情页"猜你喜欢"扩展到购物车推荐位时，向量与画像全部复用，只需要重新定义候选集边界（如购物车场景排除已购）。

实时特征加速爬坡。 新场景的样本分布与老场景不同，靠离线训练的模型会有一段"水土不服"期。把会话内的实时行为（本次搜索词、刚浏览的类目）作为特征加入，能让推荐在新场景里快速贴近用户即时意图，缩短爬坡期。

六、验收与常见坑

四类场景各有验收口径：用户冷启动看新用户次日留存与首周行为深度；物品冷启动看新物品首周曝光量与动销率；系统冷启动看模型接管时的基线超越幅度；场景冷启动看新场景点击率的爬坡天数。没有验收口径的冷启动优化，很容易变成"看起来做了很多"。

常见坑有四个：

把探索当损耗一味压制：探索配额越砍越紧，短期转化好看，新物品永远跑不出来，生态枯竭。
注册引导问太多：选项超过五个，用户乱选，信号被污染——宁少勿多。
内容向量质量没把关：标题党、图文不符的内容向量会把相似度召回带偏，向量质量与商品详情质量是同一件事。
模型上线就撤规则：规则兜底（热度、运营置顶）应长期保留，作为长尾与异常时的安全网，而不是被模型完全替代。

常见问题

问：新用户冷启动，应该用选择标签还是默认推荐？

答：两者配合。三到五个高区分度的类目选择题获取先验，成本可控、信号强；选择后立即进入"品类热门 + 个性化快速收敛"。完全跳过询问、纯靠行为收敛的方式适合注册意愿低的场景，代价是前几屏体验完全依赖热门兜底，个性化要等十次以上行为才显现。

问：新物品没有任何行为数据，怎么进推荐候选池？

答：主通道是内容向量召回：把物品的标题、描述、图片映射为语义向量，与用户兴趣向量做相似度匹配，物品上架即可分发，不依赖历史行为。辅以运营冷启动曝光池与相似物品搭车，用少量确定性流量换取第一批真实行为，之后自然过渡到常规召回。

问：冷启动期的热门兜底，会不会把推荐做成千篇一律？

答：会，所以要控制兜底的时长与范围。热门兜底只应覆盖"前几屏 + 前几次会话"，每次真实点击都要提高个性化权重。度量上盯两个数：新用户的个性化召回占比随行为次数的上升速度，以及兜底位的点击率——如果一周后新用户的推荐仍是同一批热门品，收敛机制就没生效。

问：从零建推荐系统，应该先做模型还是先做规则？

答：先规则，数据并行。热销、好评、品类导航等规则无需个性化数据即可提供及格体验；同时从第一天起按规范埋点（事件命名、ID 唯一、属性齐全）。数据积累到可训练规模后再上最简单的模型，A/B 超越规则基线才接管。反过来先上模型，等于在最薄的数据地基上做最贵的建设。

问：冷启动配额（新品尝鲜位）占多少曝光合适？

答：以"探索的机会成本可承受"为上限，常见做法是新物品占推荐曝光的低个位数百分比，并根据大盘转化率的波动动态调整。关键是要有总量控制与退出机制：测试期点击率持续低于阈值的新物品退出冷启动池，把配额让给下一个候选。

问：怎么知道冷启动优化真的有效？

答：看场景专属指标而不是全局指标。新用户看次日留存与首周人均行为数；新物品看首周曝光与动销率；新场景看点击率爬坡到稳定值的天数。全局转化率受太多因素影响，冷启动的改善会被稀释到看不见，必须单独建观测口径。

关于通智云

通智搜索面向本文描述的推荐与检索场景，提供内容向量召回与行为事件采集能力，支持新物品上架即分发与新场景快速复用全站画像。通智云（TENGENCE）是 AI 时代的企业增长引擎，专注公域引流获客与私域转化成交；核心产品为通智 GEO（GEO + SEO 双引擎）与通智搜索。

数据来源

Elasticsearch《What is vector search?》：向量检索把文本等非结构化内容映射为稠密向量并按相似度召回，支撑新物品基于内容向量的冷启动召回通道。
FAISS（Meta AI Research）官方仓库：大规模稠密向量的聚类与近似最近邻检索算法库，是向量召回通道的常见工程底座。
Netflix TechBlog《System Architectures for Personalization and Recommendation》：离线、近线与在线三层计算架构的划分，支撑"规则兜底与模型接力"的分层冷启动设计。

立即行动

免费试用通智云 | 免费预约专家咨询和诊断 | 了解通智搜索