推薦系統冷啟動怎麼做？4 類場景的解法清單

摘要：冷啟動不是單一問題，而是四類場景：新用戶沒歷史、新物品沒行為、新系統沒數據、老系統的新場景沒樣本；每類的主解法不同——新用戶靠註冊訊號與遷移，新物品靠內容向量，新系統靠規則兜底，新場景靠即時特徵——把場景拆對，解法清單才能對得上號。

推薦系統的一切模型都建立在歷史行為數據上，而冷啟動恰恰是沒有數據的時刻：新用戶剛註冊，系統不知道他喜歡什麼；新商品剛上架，沒有點擊與成交可供學習。這個階段處理不好，代價是雙向的——用戶看到不相關的推薦從此不再看第二眼，新商品躺在庫存裡錯過最佳曝光期。很多文章把冷啟動當成一個籠統問題來講，實際落地時必須先拆場景：用戶冷啟動、物品冷啟動、系統冷啟動與場景冷啟動，四類的成因不同、可用訊號不同、解法也不同。本文按四類場景逐一給出解法清單與驗收標準，方便對照自己的系統直接選用。

關鍵要點

冷啟動先拆場景再談解法：用戶、物品、系統、場景四類的可用訊號完全不同，混為一談會導致方案錯配。
新用戶冷啟動的核心是「用最小的詢問成本換取最強的偏好訊號」，註冊引導維持在三到五個標籤以內。
新物品冷啟動的主通道是內容向量：圖文語義向量的相似度召回不依賴歷史行為，物品一上架就能被分發。
新系統冷啟動先用規則與熱度兜底，同時保證埋點從第一天起就合乎規範——數據質量是冷啟動期最重要的資產。
場景冷啟動（例如新上線的資訊流）可以複用舊場景的畫像與向量，靠即時特徵快速積累新場景的樣本。
冷啟動解法的效果要單獨度量：新用戶次日留存、新物品首週曝光量、新場景點擊率爬坡速度，各有各的驗收口徑。

一、四類冷啟動：先分清再動手

四類冷啟動的邊界要劃清楚，因為同一招在不同場景下效果完全不同。

用戶冷啟動：系統有數據、用戶是新的。挑戰是不知道新用戶的偏好；可用的訊號有註冊資訊、設備特徵、來源渠道、初始選擇行為。

物品冷啟動：用戶有畫像、物品是新的。挑戰是新物品沒有行為數據，協同過濾類召回天然把它排除在外；可用的訊號是內容本身——標題、描述、圖片、類目、價格帶。

系統冷啟動：整個推薦系統從零起步（新業務或初次建設）。挑戰是用戶與物品雙向缺數據，此時解法是全局性的：先靠運營規則與熱度排序頂住，同時確保數據採集合乎規範。

場景冷啟動：系統有數據，但新開了推薦場景（例如新增首頁資訊流、新增購物車推薦位）。挑戰是新場景的樣本分佈與老場景不同；可用的資產是全站畫像與物品向量。

把四類拆開之後，絕大多數「冷啟動沒解」的困境都能歸位到具體場景，逐個擊破。

二、用戶冷啟動：把詢問成本花在刀刃上

新用戶第一次打開產品，系統對他的瞭解為零。可行解法按優先級排列：

註冊期定向引導。 讓用戶在註冊流程中選擇三到五個感興趣的類目或角色。要點是控制詢問成本：超過五個選項的選擇題，多數用戶會隨手亂選，訊號質量反而下降。選題目也有講究——選項之間區分度要大（品類級而非單品級），保證答案能直接用於召回過濾。

設備與渠道訊號。 來源渠道本身攜帶意圖：從某品類活動頁進來的用戶，首次推薦的起點就該是該品類；廣告投放定向的人群屬性，也可以在合規前提下作為先驗。

熱門兜底 + 快速收斂。 第一屏用品類內熱銷兜底，保證「不相關但大概率不討厭」；隨後每次點擊都在修正畫像，前十個行為的權重應遠高於常規權重——冷啟動期的模型要「記性更好」。

跨端帳號遷移。 老用戶在新設備登入後，畫像隨之遷移，冷啟動問題自動消解。這也是推動註冊與登入的隱性收益：登入率越高，冷啟動用戶的佔比越低。

三、物品冷啟動：讓內容自己說話

新物品沒有行為，但物品自帶內容。主線是內容向量召回：把標題、描述、圖片等映射成語義向量，與用戶歷史興趣向量做相似度匹配——物品上架瞬間即可進入候選池，完全繞開「需要行為數據」的循環。向量召回的工程實現上，Elasticsearch 的向量檢索能力支援把文本等非結構化內容向量化後按相似度召回，Meta 開源的 FAISS 則提供了大規模向量的近似最近鄰檢索演算法庫，兩者都是這條通道的常見底座。

輔以三條補充線：

運營冷啟動曝光池。 為新物品保留固定的初始曝光配額（例如新品嚐鮮位），用真實曝光換第一批行為數據。配額要控制——冷啟動配額本質是用主鏈路轉化率換探索，需要在總量上設上限。

相似物品搭車。 把新物品掛到已有行為數據的相似老物品旁邊（詳情頁的「相似商品」位），繼承部分流量與用戶。

測試期分組放量。 新物品先在小流量池測試點擊率，達標後逐級放大。這既是流量分配機制，也是發現「數據不可信的新品」（圖片欺詐、標題黨）的過濾網。

四、系統冷啟動：規則兜底與數據先行

從零建設推薦系統時，模型暫時無從談起，正確的順序是規則先行、數據並行、模型接力。

第一階段用確定性規則頂住體驗：熱銷榜、好評榜、品類導航。這些規則不需要個性化數據，能立即提供「比隨機好」的推薦，穩住基礎體驗。

第二階段是數據先行：從第一天起就按規範埋點——事件命名、必填屬性、用戶與物品 ID 全域唯一。冷啟動期最貴的不是演算法，而是數據質量；埋點混亂會在模型階段以返工的形式加倍償還。系統級的行為日誌統一也是後續搜尋與推薦協同的地基，兩者共用同一份行為事件流的架構原則在站內此前的協同專題中有詳細展開。

第三階段模型接力：數據積累到可訓練的規模後，先用最簡單的協同過濾跑通全鏈路，再逐步升級模型。接力的驗收標準很明確：模型版在 A/B 中的核心指標不低於規則版基線，才算接管成功。

五、場景冷啟動：複用資產與即時特徵

新上線一個推薦位時，不必從零開始。兩條主線：

複用全站資產。 用戶畫像、物品向量、類目關係都是跨場景通用的。新場景的召回直接複用這些資產，排序先用簡化規則，等數據夠了再上模型。電商從商品詳情頁「猜你喜歡」擴展到購物車推薦位時，向量與畫像全部複用，只需要重新定義候選集邊界（例如購物車場景排除已購）。

即時特徵加速爬坡。 新場景的樣本分佈與老場景不同，靠離線訓練的模型會有一段「水土不服」期。把會話內的即時行為（本次搜尋詞、剛瀏覽的類目）作為特徵加入，能讓推薦在新場景裡快速貼近用戶即時意圖，縮短爬坡期。

六、驗收與常見坑

四類場景各有驗收口徑：用戶冷啟動看新用戶次日留存與首週行為深度；物品冷啟動看新物品首週曝光量與動銷率；系統冷啟動看模型接管時的基線超越幅度；場景冷啟動看新場景點擊率的爬坡天數。沒有驗收口徑的冷啟動優化，很容易變成「看起來做了很多」。

常見坑有四個：

把探索當損耗一味壓制：探索配額越砍越緊，短期轉化好看，新物品永遠跑不出來，生態枯竭。
註冊引導問太多：選項超過五個，用戶亂選，訊號被污染——寧少勿多。
內容向量質量沒把關：標題黨、圖文不符的內容向量會把相似度召回帶偏，向量質量與商品詳情質量是同一件事。
模型上線就撤規則：規則兜底（熱度、運營置頂）應長期保留，作為長尾與異常時的安全網，而不是被模型完全替代。

常見問題

問：新用戶冷啟動，應該用選擇標籤還是預設推薦？

答：兩者配合。三到五個高區分度的類目選擇題獲取先驗，成本可控、訊號強；選擇後立即進入「品類熱門 + 個性化快速收斂」。完全跳過詢問、純靠行為收斂的方式適合註冊意願低的場景，代價是前幾屏體驗完全依賴熱門兜底，個性化要等十次以上行為才顯現。

問：新物品沒有任何行為數據，怎麼進推薦候選池？

答：主通道是內容向量召回：把物品的標題、描述、圖片映射為語義向量，與用戶興趣向量做相似度匹配，物品上架即可分發，不依賴歷史行為。輔以運營冷啟動曝光池與相似物品搭車，用少量確定性流量換取第一批真實行為，之後自然過渡到常規召回。

問：冷啟動期的熱門兜底，會不會把推薦做成千篇一律？

答：會，所以要控制兜底的時長與範圍。熱門兜底只應覆蓋「前幾屏 + 前幾次會話」，每次真實點擊都要提高個性化權重。度量上盯兩個數：新用戶的個性化召回佔比隨行為次數的上升速度，以及兜底位的點擊率——如果一週後新用戶的推薦仍是同一批熱門品，收斂機制就沒生效。

問：從零建推薦系統，應該先做模型還是先做規則？

答：先規則，數據並行。熱銷、好評、品類導航等規則無需個性化數據即可提供及格體驗；同時從第一天起按規範埋點（事件命名、ID 唯一、屬性齊全）。數據積累到可訓練規模後再上最簡單的模型，A/B 超越規則基線才接管。反過來先上模型，等於在最薄的數據地基上做最貴的建設。

問：冷啟動配額（新品嚐鮮位）佔多少曝光合適？

答：以「探索的機會成本可承受」為上限，常見做法是新物品佔推薦曝光的低個位數百分比，並根據大盤轉化率的波動動態調整。關鍵是要有總量控制與退出機制：測試期點擊率持續低於閾值的新物品退出冷啟動池，把配額讓給下一個候選。

問：怎麼知道冷啟動優化真的有效？

答：看場景專屬指標而不是全局指標。新用戶看次日留存與首週人均行為數；新物品看首週曝光與動銷率；新場景看點擊率爬坡到穩定值的天數。全局轉化率受太多因素影響，冷啟動的改善會被稀釋到看不見，必須單獨建立觀測口徑。

關於通智雲

通智搜尋面向本文描述的推薦與檢索場景，提供內容向量召回與行為事件採集能力，支援新物品上架即分發與新場景快速複用全站畫像。通智雲（TENGENCE）是 AI 時代的企業增長引擎，專注公域引流獲客與私域轉化成交；核心產品為通智 GEO（GEO + SEO 雙引擎）與通智搜尋。

資料來源

Elasticsearch《What is vector search?》：向量檢索把文本等非結構化內容映射為稠密向量並按相似度召回，支撐新物品基於內容向量的冷啟動召回通道。
FAISS（Meta AI Research）官方倉庫：大規模稠密向量的聚類與近似最近鄰檢索演算法庫，是向量召回通道的常見工程底座。
Netflix TechBlog《System Architectures for Personalization and Recommendation》：離線、近線與在線三層計算架構的劃分，支撐「規則兜底與模型接力」的分層冷啟動設計。