冷启动推荐：新用户的第一个推荐不能太离谱
一、第一个推荐就是第一印象：冷启动的代价比想象中贵
新用户打开 App 的 5 秒内，推荐系统要给出第一批内容。这 5 秒没有历史行为数据、没有画像标签、没有任何个性化信号——只有设备信息、IP 归属地和注册渠道。推荐系统面对的是一个几乎完全空白的用户向量。
冷启动推荐的质量直接影响次日留存率。某内容平台的 A/B 测试数据表明：冷启动推荐优化前，新用户次日留存为 32%；把冷启动策略从"全量热门"切换为"人口统计 + 分群推荐"后，次日留存提升到 38%。6 个百分点的提升看起来不大，但换算成用户规模——日新增 10 万用户，每天多留住 6,000 人，一个月多留住 18 万人。冷启动的代价不是技术问题，是用户增长问题。
然而另一个现实是，新用户的第一个推荐不能"太离谱"——不能因为系统没有用户数据，就完全随机推荐或者推送极端小众的内容。用户的第一印象一旦形成"这个 App 推的东西和我没关系"，挽回的成本远高于让他一开始就感兴趣的成本。冷启动的目标不是精准匹配，而是避免明显失配。
二、冷启动的三阶段：从人口统计到行为协同
冷启动不是一个"一次搞定"的动作，而是一个分阶段渐进式的过程。用户从注册到积累足够行为数据，通常需要经历三个推荐策略的切换。
第一阶段（首次请求 → 前 10 次行为）：纯人口统计推荐。根据设备机型（高端/中端/低端）推断消费能力，根据 IP 归属地推断城市层级（一线/新一线/二三线），根据注册渠道（应用商店/信息流广告/社交分享）推断兴趣倾向。这些信号经过统计建模，映射到一个预设的"人群分组"上。分组内推荐的内容是"该人群在过去 7 天内点击率最高的 Top 50 内容"。
这个阶段的推荐准确率很低——同一消费能力的用户兴趣千差万别。但目标是"不太离谱"，不是精准。一个一线城市 iPhone 用户打开 App，看到的是数码、生活方式、职场类内容，而不是农村养殖技术——这就算合格。
第二阶段（10-100 次行为）：内容特征的浅层匹配。用户已经有了少量行为（点击、浏览时长、滑动行为），足够做初级的兴趣判断。这个阶段切换到基于内容的推荐——用户点击过的内容，提取其标签和 Embedding，用标签匹配和向量相似度召回类似内容。不做协同过滤（用户太少，计算不出有意义的关系），不做深度模型（数据太少，模型会过拟合）。
第三阶段（100+ 次行为）：完整接入个性化推荐管道。行为数据足够启动协同过滤和双塔模型。此时冷启动流程结束，用户进入正常的个性化推荐链路。
三阶段的切换阈值（10 次、100 次）需要根据业务场景调整。短视频场景行为密度高，阈值可以设高一些（50 次 / 500 次）；图文场景行为密度低，阈值适当降低（5 次 / 50 次）。
三、工程实现：分群标签系统和瀑布流策略
冷启动推荐的工程核心是一套分群标签系统。设备和渠道信息在注册时已经可以获取，需要预计算好每个分群的推荐内容池。
分群维度至少包括：设备价格段（0-2000 / 2000-5000 / 5000+ 元）、操作系统（iOS / Android）、城市层级（一线 / 新一线 / 二三线 / 四线及以下）、注册时段（0-6 / 6-12 / 12-18 / 18-24 时）、注册渠道（自然搜索 / 信息流广告 / 社交分享 / 地推）。
这么多维度叉乘下来，分群数量是 3 × 2 × 4 × 4 × 4 = 384 个。不是每个分群都有足够的数据量——四线城市凌晨通过地推注册的 iOS 高端机用户，这个分群可能根本没有历史数据。所以分群标签不是严格笛卡尔积，而是层级兜底：先匹配最精细的分群，如果该分群没有足够数据（< 500 条历史行为），向上聚合——去掉渠道维度，再不够去掉时段维度，一直聚合到全量热门作为最终兜底。
type ColdStartStrategy struct { scores map[string]float64 } func (s *ColdStartStrategy) GetRecommendations(user ColdStartUser) []string { // 按优先级尝试不同粒度的分群 levels := []string{ fmt.Sprintf("%s_%s_%s_%s_%s", user.DevicePrice, user.OS, user.CityLevel, user.TimeSlot, user.Channel), fmt.Sprintf("%s_%s_%s_%s", user.DevicePrice, user.OS, user.CityLevel, user.TimeSlot), fmt.Sprintf("%s_%s_%s", user.DevicePrice, user.OS, user.CityLevel), "global", // 全量热门兜底 } for _, level := range levels { items := s.fetchTopItems(level, 20) if len(items) >= 10 { // 至少有10个候选才使用该分群 return items } } return s.fetchTopItems("global", 20) }这种层级兜底策略确保每个新用户都能拿到推荐结果，即使某些分群的统计样本非常稀少。分群内容池通过离线 Spark 任务每天更新一次——计算每个分群的 Top 50 高点击内容，写入 Redis Hash，Key 为coldstart:{level}，Field 为分群标识。
四、冷启动的边界：隐私合规和反馈质量
冷启动依赖设备信息做分群，而设备信息的使用受隐私法规的严格约束。IMEI、IDFA 等设备唯一标识在用户未授权的情况下不能采集。可用的替代信息包括：IP 归属地（只能用于城市级别，不能精确定位）、UA 中的设备型号（如"iPhone15,2"映射到"高端"）、操作系统版本。这些信息足够做分群，但信息量有限——很难进一步精细化。
另一个容易被忽视的问题是反馈信号的质量。冷启动阶段的行为反馈常常是噪声——新用户带着好奇心在试探，点击了不代表喜欢，滑动快不代表讨厌。过早地"学习"这些噪声信号，可能把用户引入歧途。某视频平台的数据显示：新用户前 20 次行为中，真实兴趣信号仅占 40%，其余 60% 是探索行为和误触。因此第二阶段"内容匹配"不要用模型训练，只用简单的标签匹配——模型会被噪声训练歪，标签匹配虽然笨拙但可控。
还有一个现实约束是国际化的挑战。国别差异导致分群策略不可跨国套用。同一款 2000 元手机，在中国是低端，在东南亚是中端，在欧美是入门级。分群策略必须按国家或区域独立建模，不能用一个"全球分群"覆盖所有市场。
五、总结
冷启动推荐的核心策略是分阶段渐进式个性化：第一阶段靠人口统计信息做分群热门兜底（避免明显失配），第二阶段用少量行为做标签匹配（浅层个性化），第三阶段积累足够行为后接入完整推荐管道（协同过滤 + 深度模型）。
工程实现的关键是层级兜底的分群标签系统：每个维度叉乘产生的分群可能没有足够数据，需要向上聚合降维，直到全局热门作为最终兜底。分群内容池通过离线 Spark 日更新写入 Redis，推荐服务实时读取即可。
冷启动的优化空间有限——没有行为数据就是没有行为数据，再复杂的算法也不能无中生有。把能量花在冷启动到正常推荐的切换速度上（尽快积累行为信号、合理设置切换阈值），比花在冷启动阶段的推荐算法优化上，ROI 更高。用户前 10 秒看到的内容不那么精准可以接受，但第 50 秒还飘在冷启动的迷宫里，流失就已成定局。
