推荐系统 · 冷启动 fallback 权重设计

日期: 2026-07-09 | 作者: sunxin（+ Cursor AI 结对讲解）关联路线图: 推荐系统建设路线图.md §五 Phase 3 + §六 Phase 4 预计触发: ADR-015（画像冷启动 fallback 权重 0.5）

TL;DR

冷启动是推荐系统的经典难题：新用户没有行为数据 → 无法计算画像 → 无法个性化推荐 → 用户看到的都是通用内容 → 更没兴趣互动 → 更冷（自我强化的死循环）。
业界通用解法有 3 类：注册引导（让用户主动选）、内容代理（用注册信息猜兴趣）、群体推荐（推大众爆款）。
本项目 Phase 3 落地方案：新用户前 7 天推荐结果 = 群体热榜 × 0.5 + 弱信号画像 × 0.5，7 天后过渡到 纯个人画像。
权重 0.5 不是拍脑袋定的：是"信号不确定性 = 50%"的直接映射 —— 有多少信心就用多大权重。这是贝叶斯思维在推荐系统的应用。
判断"何时脱冷启"：用"行为事件数 + 类目覆盖数 + 停留时长"三维度组合，不是简单看注册天数。

1. 场景：冷启动是推荐系统的第一难题

1.1 一个具体的"冷启动死循环"

新用户 A 注册后打开首页：

时间轴:
T0    A 注册（还未浏览任何内容）
        ↓ 推荐系统没有 A 的画像 → 只能推最通用的爆款
T1    A 看到一堆"跟他不太相关"的爆款帖，随便刷了 10 秒退出
        ↓ 累积浏览记录：10 条爆款 · 0 点赞 · 0 评论
T2    A 一周后回来打开首页
        ↓ 推荐系统的画像仍然只有"看过 10 条爆款"，无兴趣信号
T3    仍然推爆款 → A 觉得"这平台没啥东西" → 卸载

这是新用户流失的头号原因。行业数据：新用户前 7 天流失率能高达 60-80%，其中"没找到感兴趣内容"占了 40% 以上。

1.2 冷启动的三种形态

形态	冷的是谁	典型场景
用户冷启动	新用户	注册后没行为数据（本笔记主场景）
物品冷启动	新内容	刚发的帖子没曝光、没互动，无法进入排序
系统冷启动	整个系统	项目冷启阶段，没有任何用户行为可参考

本项目 Phase 3 主要解决用户冷启动；物品冷启动在 P4 通过"新帖初始分数注入"解决（每条新帖给一个 baseline 分数确保能被曝光一定次数）。

1.3 为什么这是"第一难题"

推荐系统的所有算法（协同过滤、矩阵分解、深度学习）都依赖用户行为数据。没有数据的时候，任何算法都退化到"猜"。所以冷启动不是"算法优化问题"，而是"如何在没有数据时做出不太差的决策"—— 更接近产品/交互设计。

2. 三大类通用解法

2.1 解法 A：注册引导（主动询问兴趣）

用户注册后强制走"兴趣选择"页面：

"请选择你感兴趣的话题（至少 3 个）"

  ☑ 美食       ☐ 摄影       ☑ 旅行
  ☐ 健身       ☑ 育儿       ☐ 数码
  ☐ 时尚       ☐ 汽车       ☐ 音乐

优点：

立刻获得强信号（用户明确说了要看什么）
无历史数据依赖

缺点：

加入注册摩擦（选择步骤增加流失）
用户可能填得敷衍（随便选几个）
用户"以为自己喜欢"和"实际会互动"不一致

业界案例：知乎、豆瓣、Instagram（follow 建议）都是这种

是否本项目采用：不采用。理由：

项目当前定位"轻社交生活分享"，注册流程越轻越好
Phase 3 就有更好的"隐式信号"（App 引导页停留、注册后前 3 屏内容曝光反馈）
未来若需要，可以放到"完善资料"步骤（非强制），效果类似

2.2 解法 B：内容代理（Content-based Proxy）

用注册时能拿到的元数据代替行为数据，猜用户可能感兴趣的类目：

可用元数据	可推理的兴趣
性别 = 女 + 年龄 = 25-35	美妆 / 母婴 / 时尚概率↑
地区 = 上海	本地美食 / 展览 / 出行概率↑
注册时间 = 春节前后	春节话题 / 家乡 / 回家路上概率↑
设备 = iPhone 15 Pro	消费能力↑ / 数码兴趣可能↑

优点：

用户无感（后台判断，无 UI 干扰）
立刻可用

缺点：

容易踩性别/年龄偏见（伦理风险）
精度差（只是概率，不是事实）
需要大量历史数据训练"元数据 → 兴趣"映射（本身也依赖冷启动前的积累）

业界案例：抖音的"注册地 + 手机型号 + 首次打开时段"是最典型的隐式画像来源

是否本项目采用：部分采用。Phase 3 会用注册地 + 首屏停留时长做浅层画像，但不做性别/年龄推理（避免伦理踩坑、当前样本量也不够训练模型）。

2.3 解法 C：群体推荐（Fallback to Popular）

没有个人画像时，就推所有人都爱看的：

if (isColdStartUser(userId)) {
    return hotPostsGlobal.top20();  // 全站热榜
} else {
    return personalizedFeed(userId); // 个性化
}

优点：

最简单可靠
内容质量有保底（热榜本身就是"大众验证过的"）

缺点：

无个性化 → 与冷启动的死循环几乎一样
头部内容霸榜，尾部内容永远没机会

业界改进：加"多样性打散"，让热榜同时覆盖不同类目（不只推"最热的 20 条"，而是每个大类目各推 2-3 条），提升覆盖面。

是否本项目采用：采用改进版。Phase 3 冷启用户看到的是"分类目 top-3 打散" 而不是"全站前 20"，避免同质化。

2.4 业界最佳实践：三者结合 + 时间过渡

真实推荐系统几乎都是 A + B + C 混合，且随用户行为积累动态调整权重：

新用户 (Day 0)：
  推荐 = 群体热榜 × 70% + 元数据画像 × 20% + 用户主动选择 × 10%

Day 3（有少量行为）：
  推荐 = 群体热榜 × 40% + 元数据画像 × 20% + 弱行为画像 × 40%

Day 7（行为充分）：
  推荐 = 群体热榜 × 10% + 强行为画像 × 90%

Day 30+（成熟用户）：
  推荐 = 群体热榜 × 5% + 个性化画像 × 95%

关键洞察：这不是"从冷到热"的开关跳变，而是"渐变的滑动条"。滑动的速度由"用户行为数据的可信度"决定。

3. 本项目 Phase 3 的具体方案

3.1 简化版：只做 A + C（隐式）

Phase 3 定位是"学习 + MVP"，不追求业界最佳实践的完整度，采用简化两路混合：

if (isColdStart(user)) {
    // Path 1: 全站热榜（打散多类目）× 权重 0.5
    // Path 2: 用户弱信号画像 × 权重 0.5
    return merge(hotPostsDiversified.top(20), weakProfileFeed.top(20));
} else {
    return personalizedFeed(user);
}

Path 1 · 热榜打散：

从 hot_posts:global ZSet 拉 top 100
按 postType (话题/文/图/视频) 强制打散：每类目取前 5 名，凑成 20 条
保证冷启用户看到的"内容多样性"最大

Path 2 · 弱信号画像：

数据来源：注册后前 24h 的曝光行为（浏览过什么类目、停留时长）
计算方式：与正式画像相同公式，但样本量少 → 权重打折
输出：与热榜融合后，输出 20 条推荐

3.2 冷启判定规则

isColdStart(user) = TRUE 当且仅当以下任一满足：
  1. 注册后 < 7 天
  2. 累计"有效行为"数 < 30（"有效行为"= 点赞/评论/收藏/停留>30s 的浏览）
  3. 覆盖类目数 < 3（避免"只看单一类目"的用户被误判为已成熟）

为什么三个条件是 OR 关系：任一不满足都说明"画像不可信"，走冷启路径更保险。

3.3 混合公式（核心）

final_score(post, coldStartUser) = 
    0.5 × normalize(hot_score(post))
  + 0.5 × normalize(weak_profile_score(post, user))

归一化必需：热榜分数和画像分数量级差异巨大（前者可能几百几千、后者可能 0.1-1.0），必须先归一化到 [0, 1]：

normalize(x) = (x - min) / (max - min)

否则 0.5 × 0.5 = 0.25 权重完全不起作用（大数字压死小数字）。

4. 为什么权重是 0.5 而不是 0.3 / 0.7

4.1 直觉起点：贝叶斯"信息量对应权重"

核心思想：给每个信号的权重 = "这个信号有多可信"。

冷启动阶段的信息可信度评估：

信号	可信度评估	理由
全站热榜	高（大众验证）	大数据统计，噪音小
弱行为画像	低（样本少）	30 条以下行为，噪音大

极端 A（权重 = 0.9 热榜 + 0.1 画像）：

太保守，冷启用户看的东西跟"没有画像"几乎一样
用户前 7 天几乎不会看到"个性化的东西"→ 无正向反馈闭环
结果：脱冷启慢

极端 B（权重 = 0.1 热榜 + 0.9 画像）：

太激进，30 条样本的画像被大幅放大
一次误点（不小心划过一个错误类目）就可能把画像带偏
结果：推荐质量崩

中间选 0.5：

承认"两者各半可信"
冷启用户既看得到"大家都说好"的内容（安全网），也开始看到"你自己看过的类目"的相似内容（探索）
对推荐结果的鲁棒性最强

4.2 0.5 的数学解释：最大熵原则

信息论里的"最大熵原则"：在没有更多先验知识时，最不偏袒的分布是均匀分布。

两个信号 → 均匀 = 0.5 + 0.5
三个信号 → 均匀 = 1/3 + 1/3 + 1/3
N 个信号 → 均匀 = 1/N

为什么这样最优：不做无根据的假设。你不知道"热榜和画像哪个更准"，就承认二者对等，让实际数据（后续 A/B）来告诉你偏向。

4.3 什么时候该偏离 0.5

偏向热榜（如 0.7:0.3）：

数据显示新用户前 7 天画像准确率 < 40%（比如通过后置 A/B 验证）
或产品定位是"帮用户发现新内容"（新内容 > 精准）

偏向画像（如 0.3:0.7）：

前 24h 用户就产生了 100+ 条有效行为（大 V/资深内容消费者）
或产品定位是"帮用户找到熟悉的东西"（精准 > 探索）

本项目定位：轻社交生活分享，探索和精准都重要 → 对等 0.5。

4.4 A/B 验证建议

Phase 3 上线后跑 3 组 A/B（每组各占 10% 冷启用户流量）：

组	权重	观测指标
A（对照）	0.5 + 0.5	7 日 CTR / 7 日留存 / 类目覆盖数
B	0.7 + 0.3	同上
C	0.3 + 0.7	同上

跑 2 周后按 3 个指标综合排名，选最佳。不要只看 CTR（会偏爱热榜）；要综合"留存"（长期健康度）和"类目覆盖"（用户成长速度）。

5. 判断"脱冷启"的多维度信号

5.1 三维度组合

不能只看单一指标，会误判。真实业界最少用三个维度组合：

维度	指标	阈值	意义
时间	注册后天数	≥ 7	给"隐式信号积累" 留时间
数量	有效行为数	≥ 30	保证样本统计意义
覆盖	涉及类目数	≥ 3	避免"只看单一类目"的偏见画像

必须全部满足才判定为"脱冷启"（AND 关系）。任一不满足则保留冷启路径。

5.2 边界情况处理

A. 高频用户（Day 3 就产生 100+ 行为）：

时间不满足（3 < 7），但数量、覆盖已够
处理：渐进过渡 —— 权重从 0.5:0.5 逐步调到 0.3:0.7 或 0.2:0.8
公式：profile_weight = min(1.0, 0.5 + (days - 3) × 0.07)

B. 沉默用户（Day 14 才 5 条行为）：

时间满足（14 ≥ 7），但数量、覆盖不够
处理：继续保持冷启路径，但每周把这类用户扔到"再引导"流程（邮件/推送提醒）

C. 类目"极窄"用户（只看美食，20 条全在美食）：

数量满足，但覆盖不够（1 < 3）
处理：保持冷启路径的多样性打散（保证他也能被曝光其他类目，避免"信息茧房"过早锁死）

5.3 每周批量重算 vs 实时判定

推荐做法：批量 + 实时结合：

批量（每天凌晨 T+1 任务）：把所有用户的三维度指标重算并落"用户档案表"
实时（每次推荐请求）：从档案表读判定结果，无需实时计算

为什么不完全实时：三维度算量大（要 count 30 天行为、算类目覆盖），实时会拖慢推荐 API 响应。T+1 精度足够（用户几小时内不会突然"从冷变热"）。

6. 教学收获

6.1 "没有数据"时怎么做决策 —— 推荐系统之外的通用问题

冷启动的本质是"在数据稀缺时做决策"，这个问题在很多场景都出现：

场景	类比"冷启动"
新员工绩效评估	没有工作数据 → 用"入职培训表现" + "同岗位平均" 混合
新药定价	没有市场反馈 → 用"同类药定价" + "研发成本加成" 混合
首次投资一个新股	没有历史仓位 → 用"行业平均仓位" + "风险偏好" 混合
新页面 SEO	没有点击数据 → 用"关键词竞争度" + "同类页面表现" 混合

通用模板：（可信参考） × w1 + （弱信号猜测） × w2，w1 + w2 = 1，w1/w2 = 你对二者相对可信度的估计。

6.2 "权重不是拍脑袋"的思维训练

新手看到"0.5 + 0.5"经常问：为什么不是 0.4 + 0.6？

正确的思考流程：

列出所有信号来源（热榜、画像、注册数据、群体分层...）
评估每个信号的可信度（数据量、噪音水平、时效性）
可信度对应权重（贝叶斯思维）
无先验时用均匀分布（最大熵原则）
上线后用 A/B 验证并调整（数据说话）

关键：如果不能用一句话解释"这个权重为什么是这个数"，说明你还没真正理解 —— 需要回到第 2 步。

6.3 冷启动方案的"演进路径"

跟 写扩散vs读扩散 的四阶段一样，冷启动方案也分阶段演进：

阶段	触发条件	冷启方案
Phase 3（本项目当下）	无历史数据 / 无 ML 团队	简单 fallback + 等距权重（0.5:0.5）
Phase 5+（DAU 10w+）	有一定数据积累	加入元数据画像（注册地/时段/设备）
Phase 6（ML 阶段）	有 ML 训练能力	Deep Match 模型直接输入元数据，无需显式 fallback
成熟阶段	有专业推荐团队	强化学习 + Bandit 算法动态探索权重

教训：当前阶段不追求完美方案，追求"能上线 + 能演进"的方案。0.5:0.5 就是这种方案 —— 简单、透明、未来能自然升级。

7. 附录

7.1 术语表

术语	说明
冷启动	无历史数据可用时的决策问题
Fallback	主路径不可用时的兜底方案
群体推荐	无个性化数据时推大众热门
弱信号	数据量少但仍有一定参考价值的信号
归一化	把不同量级的分数缩放到统一区间（如 0-1）
最大熵原则	无先验时选最不偏袒的分布（均匀分布）

7.2 延伸阅读

项亮《推荐系统实践》第 5 章 "利用上下文信息" —— 冷启动章节最经典中文教材
《Recommender Systems Handbook》Chapter 10 "Cold-Start Recommendation" —— 学术界最全综述
Netflix Tech Blog《Personalization at Netflix》—— 冷启动的工业实践
Spotify Engineering《For Your Ears Only: Personalizing Spotify Home》—— 描述"探索 vs 精准" 的权衡框架

7.3 关联决策

ADR-015（起草中）：本项目 P3 采用 "群体热榜 × 0.5 + 弱画像 × 0.5" 冷启方案 + 三维度脱冷启判定
未来 ADR-025（预留）：Phase 5+ 引入元数据画像时沉淀

推荐系统 · 冷启动 fallback 权重设计 ​

TL;DR ​

目录 ​

1. 场景：冷启动是推荐系统的第一难题 ​

1.1 一个具体的"冷启动死循环" ​

1.2 冷启动的三种形态 ​

1.3 为什么这是"第一难题" ​

2. 三大类通用解法 ​

2.1 解法 A：注册引导（主动询问兴趣） ​

2.2 解法 B：内容代理（Content-based Proxy） ​

2.3 解法 C：群体推荐（Fallback to Popular） ​

2.4 业界最佳实践：三者结合 + 时间过渡 ​

3. 本项目 Phase 3 的具体方案 ​

3.1 简化版：只做 A + C（隐式） ​

3.2 冷启判定规则 ​

3.3 混合公式（核心） ​

4. 为什么权重是 0.5 而不是 0.3 / 0.7 ​

4.1 直觉起点：贝叶斯"信息量对应权重" ​

4.2 0.5 的数学解释：最大熵原则 ​

4.3 什么时候该偏离 0.5 ​

4.4 A/B 验证建议 ​

5. 判断"脱冷启"的多维度信号 ​

5.1 三维度组合 ​

5.2 边界情况处理 ​

5.3 每周批量重算 vs 实时判定 ​

6. 教学收获 ​

6.1 "没有数据"时怎么做决策 —— 推荐系统之外的通用问题 ​

6.2 "权重不是拍脑袋"的思维训练 ​

6.3 冷启动方案的"演进路径" ​

7. 附录 ​

7.1 术语表 ​

7.2 延伸阅读 ​

7.3 关联决策 ​