推荐系统最棘手的场景之一就是冷启动：新用户没有行为记录，新物品没有交互数据，协同过滤几乎失效。此时需要借助内容特征、注册信息和上下文来建立初始画像，让系统在零数据条件下也能给出合理推荐。
对新用户而言，可以利用注册时填写的兴趣标签、地域、设备型号等人口属性，先做粗粒度的群体推荐，再通过引导式交互快速收集偏好。例如首次登录时让用户选择感兴趣的类目，用几条反馈完成画像初始化。
对新物品而言，可以提取标题、图片、类目、作者等内容的向量表示，计算与已有物品的相似度，把新物品挂靠到成熟物品的邻居上获得曝光。同时给新物品设置探索流量池，用小流量测试点击率。
冷启动阶段要特别警惕反馈偏差：探索流量带来的曝光不等于真实兴趣，需要用位置偏差校正、逆倾向加权等方法修正统计。否则模型会把曝光机会误当成用户偏好，形成马太效应。
工程上通常采用多路召回兜底：热门召回、内容召回、地域召回并行，保证新用户新物品至少有一条通路能触达。等积累到一定交互量后，再平滑切换到个性化模型，避免体验断层。
