推荐系统的冷启动

最近看了一些资料，随手记下

什么是冷启动

搜索、广告和推荐场景都会遇到的问题，机器学习模型利用已有的用户和item的点击等数据训练，有数据循环的现象（feedback loop），但新创建的item或者新注册的用户如何分发？
用户的冷启动，可以看做是用户兴趣探索的特例，在没有用户历史数据的情况下，或者探索更多的兴趣，可以放在常规的推荐系统框架下优化，不做赘述。
这里主要讨论item的冷启动。

最朴素的做法的问题

最朴素的想法是每个新item保量展现k个，比如k=1000次，ranking score = cold_start_gurant_boost * pctr * pcvr * ...，方法是冷启动阶段的item固定boost系数cold_start_gurant_boost

问题在于过于粗糙，对短期用户体验的损失有可能大于长期收益。 如何减少损失呢？

1. 对每个item有差异化的k，比如取绝于作者历史创作，或者分阶段，先保量k=100，再决定是否继续保量到200，以此类推
2. ctr、cvr模型的实时性就非常重要，能在最开始的100个展现的正负样本更新模型，就有助于自然流量。但也需要注意潜在的bias和随机性。
3. item的cold_start_gurant_boost是固定值，太大可能瞬间保量完成，不能利用2所说的用户反馈，太小可能保量无法完成，

新颖的算法 vs 能上线的方案

很多paper都在讲模型怎么做，最常见的是搜广推 ID embedding+MLP范式的基础去掉id embedding，增加内容理解特征，还有写更复杂的建模，context，离线cluster等等。这里忽视了一个更基本的问题，我个人觉得也是更重要的，冷启动有别于Retrieval + Ranking 两阶段系统，冷启动的整个系统应该如何搭建，观测什么指标，如何做线上测试？

读 Fresh Content Needs More Attention: Multi-funnel Fresh Content Recommendation 有感

干货满满

更多工作