推荐系统冷启动的两个通用策略：数据平滑与热销优质商品补充

推荐系统天然依赖用户的历史行为数据来计算个性化推荐，但对于新登录、几乎没有任何历史行为记录的用户，这套依赖历史数据的推荐逻辑完全没有素材可用，这就是典型的”冷启动”问题。1号店应对新用户冷启动采用了两个互补的策略：一是数据平滑，即使新用户自身的数据极度稀疏，也不是简单地”没数据就不推荐”，而是通过某种平滑手段（比如借助相似用户群体的统计特征、或者给出一个更保守通用的推荐权重）让推荐结果不至于因为个体数据量太少而显得极端或空白；二是热销优质商品补充，在真正个性化的推荐信号不足时，直接用平台整体已经验证过的热销、优质商品去填补推荐位——这类商品经过大盘验证，普适性强，即使不是针对这个新用户的个性化推荐，也能有一个还算不错的基础转化率，作为过渡期的兜底方案。这两个策略分别应对了冷启动问题的两个不同层面：数据平滑解决的是”新用户仅有的一点点数据信号该如何被合理利用、而不是被直接丢弃”，热销商品补充解决的是”当个性化信号确实不足以支撑推荐时，用什么作为保底”——这个组合思路对任何依赖历史数据做个性化决策的系统（不限于推荐，也包括风控评分、个性化定价等）都有参考价值：冷启动阶段不应该在”完全依赖稀疏的个体数据”和”完全放弃个性化、给所有新用户展示完全相同内容”之间二选一，而是可以设计一套过渡机制，让个体信号和群体/大盘经验按某种比例融合，随着用户数据积累逐渐把权重从”群体经验”移向”个体信号”。