冷启动是推荐系统绕不开的问题。新用户没有行为记录，协同过滤无从下手；新物品没有曝光和交互，排序模型给不出分数。处理不好，新内容永远得不到展示，形成恶性循环。
新用户冷启动常用策略是利用注册信息、设备信息、地域和首次点击做粗粒度画像，先推热门或高置信内容，再根据实时行为快速调整。探索与利用的平衡在这里很关键，要给新用户多样化的试探。
新物品冷启动依赖内容特征。用标题、类目、图片、文本向量做内容召回，把新物品挂到相似物品旁边获得初始曝光。同时设置探索流量池，保证新物品有机会积累反馈。
评估冷启动效果不能只看整体指标。要单独看新用户次日留存、新物品曝光后的点击率和转化率，否则整体数据会掩盖冷启动群体的糟糕表现。
冷启动没有一劳永逸的方案。随着用户和物品生命周期变化，策略要持续迭代，并用分层数据统计验证每类人群的真实收益。
