推荐系统最棘手的场景往往是数据缺失：新用户没有行为记录，新物品没有交互数据。这时协同过滤和矩阵分解几乎失效，必须转向基于内容或基于规则的策略来启动第一轮推荐。
对新用户，可以先收集少量显式反馈，比如注册时选择的兴趣标签，或用热门榜单、多样性探索来兜底。把曝光当作投资，用少量流量换取行为数据，再逐步切换到个性化模型。
对新物品，常用做法是利用物品的元数据（类目、标题、文本向量）计算与已有物品的相似度，把它挂到相似物品的推荐位上，借助成熟物品的流量完成冷启动。
还要注意探索与利用的平衡：用 epsilon-greedy 或 Thompson 采样给新物品分配一定曝光，同时监控点击率和转化率，避免长期只推头部内容导致马太效应。
冷启动不是一次性问题，用户兴趣漂移、新品持续上架都会反复触发。工程上应把冷启动策略做成可配置模块，按数据充足度自动切换，而不是写死在主链路里。
