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，新物品没有曝光数据，协同过滤类算法几乎失效。此时必须借助内容特征、人口属性、热门榜单等先验信息做兜底，而不是硬套个性化模型。
对于新用户，常见做法是先给多样性较高的热门内容试探兴趣，再根据前几次点击快速收敛。可以按注册渠道、地域、设备等分群做粗粒度推荐，比完全随机更有效率。
对于新物品，可用内容相似度把它挂到已有物品的邻居上，借助老物品的流量完成初始曝光。同时要保留一定比例的探索流量，让新物品有机会积累真实反馈。
冷启动阶段评估指标要看探索效率和留存，而不是只看点击率。因为样本少、波动大，建议用贝叶斯平滑或多臂老虎机思路控制风险，避免早期误判把好物品雪藏。
最后要把冷启动策略产品化：新用户前 N 次会话、新物品前 M 次曝光走专门通道，等数据足够再切回主模型。这套分流逻辑要在日志里打标，方便后续归因分析。
