推荐系统“冷启动”全链路破局：从流量调控到算法落地

星辞树
4 阅读1分钟

推荐系统“冷启动”全链路破局：从流量调控到算法落地

前言：

做推荐系统，永远绕不开那只“薛定谔的猫”——冷启动。

新物品没数据，模型推不准；模型推不准，物品没曝光，更没数据。这是一个死循环。

很多同学在面试时，提到冷启动只能说出“用基于内容的推荐”，这在今天的算法面试中是远远不够的。

本文将基于真实工业界场景，从**物品冷启动（Item Cold Start）和用户冷启动（User Cold Start）**两个维度，深度拆解从流量调控策略到Embedding初始化的全链路解决方案。

一、 为什么冷启动这么难？（本质归因）

在讨论“怎么做”之前，我们先要明白“痛在哪里”。根据系统分析，冷启动的核心难点主要来自两个层面：

1. 数据层的稀疏与ID失效

现代推荐模型（如DeepFM, DIN, 双塔DSSM）高度依赖 ID Embedding。

  • 新物品/新用户：T=0T=0 时刻，交互数据为0。
  • 后果：ID Embedding 无法得到梯度更新，处于随机初始化状态（全是噪声）。这时候，模型就像在“瞎猜”。

2. 模型层的“惰性” (Model Laziness)

模型也是会“偷懒”的。

  • 现象：训练数据中 95% 是老物品（正样本多），5% 是新物品。
  • 结果：为了全局 Loss 最小化，模型会优先拟合老物品的记忆性特征，而忽略新物品的泛化性特征。导致新物品如果不加干预，永无出头之日。

二、 物品冷启动：让新内容“活”下来

对于 UGC 社区（如小红书、抖音），物品冷启动关乎生态的生死。如果不解决，作者发布意愿下降，内容池枯竭。

策略层：流量调控机制

不能只靠算法，必须有“宏观调控”。

  • L1 强插 (Forced Insertion) ：简单粗暴，在推荐流里每隔 N 个插 1 个新物品。缺点是伤用户体验，效率低。
  • L2 提权 (Boosting) ：给新物品的预估分乘系数。缺点是如果基础分太烂（Embedding没训好），乘了系数也没用。
  • L3 保量 (Guaranteed Delivery) ：工业界主流。使用 PID 控制算法，确保新物品在 TT 小时内获得 NN 次曝光。
  • L4 差异化保量：高阶玩法。先预测新物品的价值，高质量内容给高保量目标，低质量给低保量，实现流量投资回报率最大化。

算法层：召回通道的“分阶段”打法

在模型看不懂 ID 的时候，我们要教它看“内容”。

1. T=0 阶段：倒排索引（类目召回）

这是最基础的兜底。

  • 原理：维护 类目 -> 物品ID列表 的倒排索引。用户喜欢“美食”，就去“美食”列表里捞最新的。
  • 痛点：粒度太粗（点击率远低于大盘），且窗口期极短（FIFO队列，几分钟就被挤出去了）。
2. T=0 -> T+N 阶段：多模态向量召回 (Embedding Retrieval)

为了解决类目太粗的问题，我们上深度学习。

  • 架构：双塔结构。左边 BERT 提文本，右边 CNN 提图片，Concat 后生成 Content Embedding。

  • 训练 (Metric Learning)：使用 Triplet Loss。

    L(a,b+,b−)=max⁡{0,cos⁡(a,b−)+m−cos⁡(a,b+)}L(a, b^+, b^-) = \max\{0, \cos(a, b^-) + m - \cos(a, b^+)\}

    让新物品的向量，在空间中靠近和它相似的老物品（正样本），远离不相关的物品。

  • 落地：将新物品向量存入 FAISS，通过向量检索实现“猜你喜欢”。

3. 优化 Trick：Default Embedding

双塔模型中，如果新物品 ID 没训好，会干扰内容特征。

  • 解法：给所有新物品分配一个共享的 Default ID。
  • 效果：利用全网新物品的聚合数据训练这个 Default ID，让它代表“平均水平”，从而消除随机初始化的噪声。

三、 用户冷启动：拒绝“杀熟”

对于新注册用户，模型往往因为“由于你没点过，所以我不知道推什么”而导致冷启失败。

架构层：Shortcut 连接 (ResNet思想)

老用户的行为序列特征太强，模型往往会忽略新用户的画像特征（Age, Gender）。

  • 错误做法：把 is_new_user 特征放在 DNN 最底层，经过几层网络后信号就消失了。
  • 正确做法：Shortcut 直连。将新用户特征直接连到各类塔的最末端（Logits层） ，让它对最终 Loss 有“一票否决权”，强迫模型重视新老用户的差异。

数据层：Embedding 初始化三部曲

新用户没有 Embedding 怎么办？别盲猜！

  • 青铜方案：分桶共享 (Bucket Shared Embedding)

    • 将新用户按 性别+年龄 分桶（如“20岁男性”）。
    • 同桶用户共用一个初始 Embedding。简单有效，解决了数据稀疏。

  • 白银方案：老带新 (Look-alike)

    • 面试加分项。
    • 逻辑：找到与新用户画像最相似的 Top-K 个老用户。
    • 操作：Init_Embnew=Average(Embold_1,Embold_2,...)Init\_Emb_{new} = Average(Emb_{old\_1}, Emb_{old\_2}, ...)。

  • 黄金方案：元学习 (Meta-Learning)

    • 通过 MAML 等算法，学习“如何初始化参数”，让新用户只需极少次交互就能快速收敛。

四、 总结

推荐系统的冷启动，本质上是一场**“信息量的博弈”**。

  • 在没有行为信息时，我们利用内容信息（多模态召回、倒排索引）。
  • 在没有个性化信息时，我们利用群体信息（Default Embedding、Look-alike）。
  • 在模型偏见面前，我们利用架构调整（Shortcut、流量保量）来纠偏。
avatar
文章
阅读
粉丝