新学期开学，班里来了位转学生小明。他谁也不认识，老师也不知道他喜欢什么、擅长什么。想给他安排座位、报名运动会、拉进兴趣小组，全都无从下手——“不了解”就是最大的门槛。推荐系统遇到新注册用户时，面临的正是同样的困境：没有历史行为，没有偏好数据，系统就像一个面对陌生转学生的班主任，想推荐却不知从何推起。 怎么破局？聪明的学校有一套“迎新三板斧”：先让小明填一张轻量的兴趣摸底表；再安排老师观察他课间翻什么书、和谁聊天；最后搞一个社团体验周，让他在试错中找到自己的圈子。对应到推荐系统，就是注册问卷收集兴趣、浏览行为快速建模、探索性推荐引导三条经典策略。它们共同回答一个问题：如何在最短时间里，把“陌生人”变成“老朋友”，让用户第一次会话就感到被理解，并愿意留下来。 这套方案的成败，最终要看两个硬指标——首次会话满意度和 7 日留存率。就像学期末要检查小明是否交到朋友、是否愿意继续待在这所学校。

岗位关联

掌握冷启动引导策略，是推荐算法工程师和增长团队的基本功。学完本章，你能在新用户数据几乎为空的前提下，用“问卷+行为+探索”的组合打法，把首次会话满意度和 7 日留存从“听天由命”变成“有据可依”。

目录
  1. 可视化演示
  2. 冷启动困境
  3. 注册问卷引导
  4. 浏览行为建模
  5. 探索性推荐
  6. 效果评估对比
  7. 画像质量提升
  8. 策略组合落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示冷启动画像构建管线、探索vs利用多臂老虎机策略及冷启动效果评估对比，支持模式切换与探索率调节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

冷启动画像构建管线 粉色路径为新用户从注册到画像成熟的全流程 橙色节点为问卷收集，绿色为浏览行为建模，紫色为探索推荐 画像 = α×问卷先验 + (1-α)×浏览信号 冷启动通过多阶段策略逐步从粗到精构建用户画像

冷启动困境

班主任盯着讲台前的转学生小明犯了难：分座位怕他格格不入，报名运动会怕选错项目，拉他进兴趣小组又怕他不喜欢。所有的犹豫，都源于“不了解”三个字。 推荐系统里，每个刚完成注册的新用户都像这样一位“转学生”——没有收藏，没有点击，没有购买，系统手里只有一枚 ID 和少量注册信息。

技术上，这被称为“用户冷启动”：新用户在用户-物品交互矩阵里几乎一整行都是空的。行是全空，意味着协同过滤无法找到与他相似的老用户；内容推荐无法判断他喜欢哪类内容；热门榜单虽然能“兜底”，却无法形成个性化。后果直接而残酷：首页推荐不痛不痒，用户第一次会话就失望离开，新用户 7 日留存率显著低于老用户。

要量化“对一个人的了解程度”，推荐系统常用稀疏度来衡量数据空白的严重程度：

破解“不了解”，班主任的答案是三步迎新方案：填表、观察、体验。推荐系统对应着三条策略：注册问卷引导、浏览行为建模、探索性推荐。这三步能否让用户第一次会话就感到“被懂得”，并在 7 天后依然留下来，决定了冷启动方案的成败。

sparsity=1−∣Robs∣∣U∣×∣I∣\displaystyle \text{sparsity} = 1 - \frac{|R_{\text{obs}}|}{|U| \times |I|}
稀疏度描述的是“交互矩阵空了多少”：值越接近 1，系统的知识就越接近一张白纸。新用户那一行基本全空，冷启动难度就来自这接近 1 的空白。
  1. $|U| \times |I|$（相遇总格数）用户数量乘以物品数量，就像全校学生数乘以全校社团数，每一格都是一次“认识”的机会。全校一万学生、一百个社团，理论上存在一百万种相遇。
    ∣U∣×∣I∣|U| \times |I|
  2. $|R_{\text{obs}}|$（已记录交互数）真正被系统记录下来的交互次数，比如小明实际参加过五次社团活动，$|R_{\text{obs}}|$ 就是 5。
    ∣Robs∣|R_{\text{obs}}|
  3. $\dfrac{|R_{\text{obs}}|}{|U| \times |I|}$（已认识比例）已发生交互在总可能交互中的占比。新用户刚注册时分子几乎为 0，这个比例小得可怜。
    ∣Robs∣∣U∣×∣I∣\frac{|R_{\text{obs}}|}{|U| \times |I|}
  4. $1 - (\cdot)$（空白比例）用 1 减去已认识比例，剩余就是“不认识”的比例。对新用户来说稀疏度≈1，几乎一无所知。
    1−∣Robs∣∣U∣×∣I∣1 - \frac{|R_{\text{obs}}|}{|U| \times |I|}

注册问卷引导

新生报到处，老师递给小明一张薄薄的“兴趣社团摸底表”：三五个栏目，勾选你感兴趣的社团，再写一个特长。两分钟填完，老师心里就有了一张粗略的“第一印象卡”。问卷的价值不在全面，而在于以极低成本建立第一版信任。

在推荐系统里，这张摸底表就是注册问卷：它收集的是用户主动告诉系统的偏好，属于显式反馈——比点击、浏览这些“猜出来的信号”可靠得多。常见形式包括兴趣标签勾选、关注话题、年龄性别等基础属性。系统据此初始化用户的兴趣权重向量，作为画像的第一层“地基”。

问卷设计有一条铁律：轻量。勾选式、不超过 3-5 个标签、允许跳过，把填答成本压到最低。调查显示，每多一道必答题，注册转化率都会显著下降——正如摸底表如果印满三页，新生早就扔进抽屉了。此外，“选不出来也可以跳过”的设计还会传递一种尊重，帮助建立初步信任。

问卷给出的先验，可以表示成对兴趣权重的初始化：

摸底表再用心也只是一张纸：小明可能勾了篮球却常年不打，也可能没勾音乐却是隐藏的民谣爱好者。所以问卷只是“破冰”，真正的了解还要靠观察——下一节的行为建模。

wi(0)=α⋅ru,i,ru,i∈{0,1}\displaystyle w_i^{(0)} = \alpha \cdot r_{u,i}, \quad r_{u,i} \in \{0, 1\}
用户勾选了类目 $i$，$r_{u,i}$ 就是 1，初始权重 $w_i^{(0)}$ 等于置信系数 $\alpha$（例如 3）；没勾选就是 0。这相当于在空白档案上先写下几行字。
  1. $r_{u,i}$（是否勾选）用户 $u$ 是否在问卷中勾选了兴趣类目 $i$，勾选取 1，否则取 0，是一个明确的开关信号。
    ru,i∈{0,1}r_{u,i} \in \{0, 1\}
  2. $\alpha$（问卷置信系数）问卷反馈可靠，所以给一个比普通点击更高的权重，比如 3，代表“一次明确表态≈三次行为暗示”。
    α\alpha
  3. $w_i^{(0)}$（初始兴趣权重）相乘结果就是该类目的初始画像分。勾选的类目立刻获得基础分，未勾选的类目保持待探索状态。
    wi(0)=α⋅ru,iw_i^{(0)} = \alpha \cdot r_{u,i}

浏览行为建模

摸底表只是第一步。之后的课间，班主任注意到小明总在翻科幻小说，午餐时和聊航天的同学坐在一起，体育课却总躲在树荫下。行为比嘴更诚实。 推荐系统也一样：用户嘴上没说喜欢，但点击、停留、收藏、购买这些动作，暴露了他真实的短期偏好。

这些不用用户主动填写的信号被称为隐式反馈。它的优势是量大、实时、零成本：用户每产生一次点击，系统就能立即捕获并更新画像，不需要他做任何事。相比问卷的“一次性表态”，行为建模让画像动起来——这就是新用户引导策略里的“快速建模”环节。

不过隐式反馈也有代价：噪声大。误点、标题党、手滑、替别人浏览，都会污染信号；而且行为只能体现“最近在关注什么”，无法直接证明“长期喜欢什么”。因此工程上通常的做法是：对近期的行为给予更高权重，让旧行为随时间衰减，用“时间衰减”逼近真实兴趣。

带时间衰减的隐式反馈加权可以写作：

观察带来了温度：小明的画像档案从“一张摸底表”变成了“一周的观察记录”。但如果只推荐他表现出兴趣的东西，小明就永远困在舒适区里，错过了真正热爱的天文社——推荐系统还需要一点“冒险精神”。

w^u,i=∑τ∈Tu,ie−β⋅Δtτ\displaystyle \hat{w}_{u,i} = \sum_{\tau \in \mathcal{T}_{u,i}} e^{-\beta \cdot \Delta t_{\tau}}
用户每次对类目 $i$ 的行为都贡献一个指数衰减的小数：行为越新，$\Delta t_\tau$ 越小，$e^{-\beta\Delta t_\tau}$ 越接近 1；行为越旧，贡献越小。这样画像既稳定又跟手。
  1. $\mathcal{T}_{u,i}$（行为时间集合）用户 $u$ 最近对类目 $i$ 产生过行为（点击、停留、收藏）的所有时间戳组成的集合。
    Tu,i\mathcal{T}_{u,i}
  2. $\Delta t_{\tau}$（距现在多久）某次行为发生时间与当前时间的间隔，间隔越大代表行为越久远。
    Δtτ\Delta t_{\tau}
  3. $e^{-\beta \cdot \Delta t_{\tau}}$（衰减权重）以指数形式让久远行为的权重趋近 0，$\beta$ 控制衰减速度，行为越新权重越接近 1。
    e−β⋅Δtτe^{-\beta \cdot \Delta t_{\tau}}
  4. $\sum_{\tau}$（累加所有行为）把每一次行为的衰减权重加起来，得到类目 $i$ 的最终兴趣分，行为越多、越近，分值越高。
    w^u,i=∑τ∈Tu,ie−β⋅Δtτ\hat{w}_{u,i} = \sum_{\tau \in \mathcal{T}_{u,i}} e^{-\beta \cdot \Delta t_{\tau}}

探索性推荐

学校搞“社团体验周”：每个社团开放一节体验课，小明挨个去试，意外发现天文社的望远镜让他眼睛发亮。如果不让他尝试，他自己都不知道自己喜欢观星。 推荐系统同样不能只推荐“已知喜欢”的内容——那会让用户困在信息茧房里，也永远探测不到潜在兴趣。

这就引出了推荐系统最经典的权衡之一：探索与利用。利用是“推荐已知用户会点击的内容”，短期收益稳；探索是“推荐不确定但可能惊喜的内容”，长期价值高。冷启动阶段画像薄弱，恰恰最需要探索——因为系统几乎没有“已知”可以利用，不如主动出击，用少量曝光换取信息。

工程上的经典工具是 UCB（置信上界）算法：给每个候选物品算一个“潜力分”，由“已知表现”加“不确定性红利”组成，再选潜力分最高的物品推荐：

体验周既有传统热门社团的摊位保证不冷场，也有冷门社团的体验课制造惊喜。探索性推荐正是如此：热门兜底保证基本体验，探索曝光打开兴趣边界，两者结合才能让冷启动真正“热”起来。

a∗=arg⁡max⁡a∈A(μ^a+cln⁡Nna)\displaystyle a^{*} = \arg\max_{a \in \mathcal{A}} \left( \hat{\mu}_a + c \sqrt{\frac{\ln N}{n_a}} \right)
对每个物品：$\hat{\mu}_a$ 是它目前被点击的比例（利用），$\sqrt{\frac{\ln N}{n_a}}$ 是“被探索得越少、潜力越神秘”的红利（探索）。冷启动阶段 $n_a$ 都很小，红利项大，系统自然偏向多试；随着数据变多，红利收缩，系统回归利用。
  1. $\hat{\mu}_a$（已知平均表现）物品 $a$ 目前的点击率或满意率估计，代表“已知的它有多好”。
    μ^a\hat{\mu}_a
  2. $\ln N$（全局试探次数）所有物品累计被推荐次数的对数，代表系统整体积累了多少经验。
    ln⁡N\ln N
  3. $c \sqrt{\frac{\ln N}{n_a}}$（不确定性红利）物品被推荐次数 $n_a$ 越少，这个值越大，鼓励系统优先“补课”探索它；$c$ 控制探索强度。
    cln⁡Nnac \sqrt{\frac{\ln N}{n_a}}
  4. $\arg\max_{a \in \mathcal{A}}$（选最大者）在所有候选里挑“表现分+探索分”总和最大的那个物品推荐给用户。
    arg⁡max⁡a∈A\arg\max_{a \in \mathcal{A}}

效果评估对比

学期过半，学校要评估迎新方案的效果：小明交到朋友了吗？还愿意在这所学校待下去吗？再完备的引导策略，最终都要用结果说话。 在推荐系统里，“交到朋友”对应着首次会话满意度，“愿意待下去”对应着 7 日留存率。

首次会话满意度通常用推荐序列的命中率衡量：给新用户推荐 k 个物品，其中用户真正点击/满意的比例越高，说明第一印象越好。7 日留存率则统计注册后第 7 天仍然活跃的用户占比，它是冷启动方案的“终局考卷”：

实践中，把三种策略（A 随机热门兜底、B 问卷先验、C 问卷+行为+探索组合）做 A/B 对比，C 方案的首次会话满意度和 7 日留存率通常都显著更高，这也与“先填表、再观察、再体验”的迎新直觉完全吻合。评估框架还常加入点击转化率，观察用户是否从“点了”走向“买了”。

Retention7=∣U7∩U0∣∣U0∣×100%\displaystyle \text{Retention}_7 = \frac{|U_7 \cap U_0|}{|U_0|} \times 100\%
分母是第 0 天（注册日）的新用户集合，分子是这批人里第 7 天仍活跃的人数。一个冷启动方案如果留不住人，前面的一切策略都是白费。
  1. $U_0$（注册日用户集）在起始日完成注册的所有新用户，作为追踪的“同班同学名册”。
    U0U_0
  2. $U_7$（第七天活跃集）第 7 天仍然活跃的用户集合，活跃通常定义为当天有行为。
    U7U_7
  3. $|U_7 \cap U_0|$（交集人数）两个集合的交集大小，即“当初注册的人里第 7 天还活跃的人数”。
    ∣U7∩U0∣|U_7 \cap U_0|
  4. $\times 100\%$（转百分比）把比例转成百分数，便于跨策略对比。
    Retention7=∣U7∩U0∣∣U0∣×100%\text{Retention}_7 = \frac{|U_7 \cap U_0|}{|U_0|} \times 100\%

画像质量提升

从最初那张摸底表，到课间观察记录，再到体验周后的反馈，小明的档案已经积成厚厚一册。但老师心里清楚：了解他的边际成本在上升，新增每页记录的含金量都在下降。 推荐系统的画像成长也有同样的规律，被称为“冷启动衰减”。

所谓冷启动衰减，是指画像带来的边际收益随交互量增加而递减的现象：前 50 次点击能让画像从“空白”变成“有轮廓”，而从 5000 次到 5050 次点击，几乎不改变推荐结果。因此，工程上常用一个“画像成熟度”（置信度）来标注每个用户处于冷启动的哪个阶段：

画像成熟不是终点，而是另一个起点：冷启动结束后，历史行为要持续融入长期画像，旧数据的权重逐步让位给在线更新的新信号。这就好比老师的成长记录册既要保留入学初的摸底表做参照，也要不断誊入最新的观察——既看过去，更看现在。

conf(u)=1−e−β⋅nu\displaystyle \text{conf}(u) = 1 - e^{-\beta \cdot n_u}
$n_u$ 是用户的累计交互次数，$\beta$ 控制成熟速度。曲线从 0 迅速爬升后趋于饱和：交互少时每一条数据都很金贵，交互多了新增信息就不再有质变。
  1. $n_u$（累计交互次数）用户注册以来的有效行为总数，比如点击、收藏、购买的次数。
    nun_u
  2. $\beta$（成长速度系数）决定画像多快成熟，不同场景取值不同，行为越密集的产品 $\beta$ 越大。
    β\beta
  3. $e^{-\beta \cdot n_u}$（未成熟比例）指数衰减项，交互越多越趋近 0，代表“还欠多少了解”。
    e−β⋅nue^{-\beta \cdot n_u}
  4. $1 - (\cdot)$（成熟度）用 1 减去未成熟比例，得到 0 到 1 之间的置信度，交互越多越接近 1。
    conf(u)=1−e−β⋅nu\text{conf}(u) = 1 - e^{-\beta \cdot n_u}

策略组合落地

学校最终落地的迎新方案不是单选：初一新生发摸底表，插班生重点观察两周，文艺特长生直接给舞台。同一个目标，不同路径，按阶段推进。 推荐系统的冷启动策略同样要组合落地，而不是三选一。

标准的落地框架是按用户生命周期分三阶段推进：注册期用问卷建先验，首次会话用探索性推荐补充未知兴趣，成长期用行为建模持续校准画像。同时还要区分渠道：从 App 内广告进入的用户已经展示过兴趣信号，可以跳过部分问卷；从自然流量进入的用户则更依赖问卷和观察。

策略组合的核心是一个权重分配问题：画像越成熟，“画像分”的权重应该越高，“探索分”的权重越低。用公式表示综合推荐分：

当然，策略落地还需要运营配合：新手任务、新人礼包、兴趣话题页都能为冷启动提供额外信号。至此，“迎新三板斧”形成完整闭环——填表、观察、体验，层层递进，把一个陌生人变成被理解的老朋友。

s(u,i)=λu⋅w^u,i+(1−λu)⋅ei,λu=min⁡(0.8,  0.3+0.1×nu)\displaystyle s(u, i) = \lambda_u \cdot \hat{w}_{u,i} + (1 - \lambda_u) \cdot e_i, \quad \lambda_u = \min \left( 0.8, \; 0.3 + 0.1 \times n_u \right)
$\lambda_u$ 随交互次数 $n_u$ 从 0.3 起步逐步爬升、封顶 0.8：新用户交互少，探索分占大头；交互多了，画像分唱主角。这与“体验周先多尝试、学期中再定向培养”的迎新节奏完全一致。
  1. $\hat{w}_{u,i}$（画像分）由问卷先验和行为建模得到的兴趣估计，代表“系统认为用户喜欢 $i$ 的程度”。
    w^u,i\hat{w}_{u,i}
  2. $e_i$（探索分）物品 $i$ 的探索价值，与它被这个用户探索的次数负相关，看得越少越值得一试。
    eie_i
  3. $\lambda_u$（画像权重）随交互次数增长的系数，从 0.3 线性爬升到 0.8，控制“信画像”还是“信探索”。
    λu=min⁡(0.8,  0.3+0.1×nu)\lambda_u = \min \left( 0.8, \; 0.3 + 0.1 \times n_u \right)
  4. $s(u, i)$（综合推荐分）两部分的加权和，最终按分数排序产生推荐列表，落地到首页、猜你喜欢等场景。
    s(u,i)=λu⋅w^u,i+(1−λu)⋅eis(u, i) = \lambda_u \cdot \hat{w}_{u,i} + (1 - \lambda_u) \cdot e_i

AI 应用场景

短视频 App 的注册兴趣选择页

阶段：数据采集与用户画像构建

解决的问题：新用户注册后没有任何行为记录，传统做法是直接推热门榜单，导致千人一面。系统在注册页用 3-5 个兴趣标签（体育、美食、科技等）收集显式反馈，以极低成本建立初始画像，让首屏推荐立刻贴近用户口味。

具体案例：用户在某资讯 App 注册时勾选了“科技、汽车、体育”三类标签，系统用这些标签初始化兴趣向量，首屏前两条即命中科技新闻，用户产生第一轮点击，画像开始升温。

音乐 App 的“探索歌单”

阶段：推理与推荐

解决的问题：只有问卷先验不足以发现用户的潜在兴趣，纯利用会形成信息茧房。系统在首次会话中组织一张“探索歌单”，用 UCB 风格策略每页混入 1-2 首陌生风格歌曲，在兼顾热度的同时主动探测兴趣边界。

具体案例：某音乐 App 的新用户歌单里出现了一首冷门民谣，用户意外点击并完整听完，系统捕获这次隐式反馈后，在其后续推荐中显著提升了民谣类目权重。

电商新用户 7 日留存运营

阶段：效果评估与策略迭代

解决的问题：新用户 7 天内流失最严重，但缺少量化反馈时无法判断哪套引导策略有效。团队用首次会话满意度和 7 日留存率做 A/B 评估，将高留存策略推广到全量。

具体案例：某电商 App 将新用户分为 A/B 两组，A 组纯热门推荐，B 组采用“问卷+行为+探索”组合策略。7 天后 B 组留存率高出 12 个百分点，团队随即把组合策略沉淀为标准新人流程，并配发新人礼包进一步刺激行为信号。

Python 演示

python89 行
# -*- coding: utf-8 -*-"""冷启动策略对比模拟: 随机兜底 vs 问卷引导 vs 问卷+行为观察""" import random random.seed(42)TAGS = [0, 1, 2, 3]  def build_pool(size=60):    items = []    for i in range(size):        items.append({'id': i, 'interest': i % 4, 'popularity': random.random()})    return items  class SimUser(object):    def __init__(self, true_tags):        self.true_tags = set(true_tags)        self.profile_map = {}        self.click_count = 0     def fill_questionnaire(self, noise=0.12):        for tag in TAGS:            if tag in self.true_tags and random.random() > noise:                self.profile_map[tag] = self.profile_map.get(tag, 0) + 3            elif tag not in self.true_tags and random.random() < noise:                self.profile_map[tag] = self.profile_map.get(tag, 0) + 1     def observe_click(self, item):        self.click_count += 1        tag = item['interest']        self.profile_map[tag] = self.profile_map.get(tag, 0) + 1     def predict_score(self, item):        return item['popularity'] + 0.5 * self.profile_map.get(item['interest'], 0.0)  def recommend(user, pool, strategy, k=5):    if strategy == 'random':        return random.sample(pool, k)    if not user.profile_map:        return random.sample(pool, k)    ranked = sorted(pool, key=lambda it: user.predict_score(it), reverse=True)    return ranked[:k]  def run_strategy(strategy, users=200, days=7):    pool = build_pool()    total_sat = 0.0    kept = 0    for _ in range(users):        true_tags = set(random.sample(TAGS, random.randint(1, 2)))        user = SimUser(true_tags)        if strategy in ('questionnaire', 'both'):            user.fill_questionnaire()        recs = recommend(user, pool, strategy)        hits = sum(1 for it in recs if it['interest'] in user.true_tags)        sat = hits / len(recs)        total_sat += sat        if strategy == 'both':            for it in recs:                if it['interest'] in user.true_tags or random.random() < 0.3:                    user.observe_click(it)        active_days = 0        for _ in range(days):            if random.random() > sat:                continue            day_recs = recommend(user, pool, strategy)            if any(it['interest'] in user.true_tags for it in day_recs):                active_days += 1                if strategy == 'both':                    for it in day_recs[:3]:                        if it['interest'] in user.true_tags:                            user.observe_click(it)        if sat >= 0.3 and active_days >= 2:            kept += 1    return total_sat / users, kept / users  def main():    print('strategy         first_sat   retention7')    for name in ('random', 'questionnaire', 'both'):        sat, ret = run_strategy(name)        print('%-15s %.2f        %.2f' % (name, sat, ret))  if __name__ == '__main__':    main()
目的：模拟三套冷启动策略（随机兜底 / 问卷先验 / 问卷+行为）下各 200 位新用户的首次会话满意度与 7 日留存率，结论可直接指导策略选型。运行后你会发现：“问卷+行为”组合的满意度与留存率最高，随机兜底垫底。
  1. random.seed(42)固定随机种子，保证实验结果可复现。
  2. self.profile_map[tag] = self.profile_map.get(tag, 0) + 3问卷勾对标签权重 +3，比一次点击 +1 更可信。
  3. return item['popularity'] + 0.5 * self.profile_map.get(item['interest'], 0.0)打分 = 流行度锚点 + 画像分，热门兜底与个性化兼顾。
  4. if not user.profile_map: return random.sample(pool, k)画像为空时退回随机兜底，保证不冷场。
  5. hits = sum(1 for it in recs if it['interest'] in user.true_tags)统计推荐序列中命中真实兴趣的数量。
  6. if strategy == 'both':只有组合策略把每次点击反馈喂回画像，实现持续学习。
  7. if random.random() > sat:满意度越高回访概率越大，模拟用户的留存行为。

常见误区

误区注册问卷应该把所有兴趣类目都问一遍，信息收集得越全，画像就越准，反正用户填一下也不费事。

正解问卷是“破冰”不是“审问”。每多一道必答题，注册转化率都会明显下降，过长问卷会让用户直接流失。3-5 个精选标签足够建立先验，再用“点击式勾选 + 可跳过”降低负担。就像摸底表只问三五个社团意向，新生才不会烦；真印满三页，没人愿意填。

为何常见：直觉上觉得“信息越多画像越准”，忽略了用户耐心和注册转化漏斗的存在。

误区新用户不知道喜欢什么，那就把全站最火的商品推给他，点击率一定高，冷启动就解决了。

正解热门推荐只是“兜底”，保证不冷场，但无法区分用户差异。纯热门会形成头部聚集，新用户看到的全是爆款，个性化画像永远建不起来，探索不足还会错过潜力内容。真正要像“社团体验周”那样，在热门摊位旁留几个新社团位置，让探索有机会发生。

为何常见：热门物品平均点击率确实高，容易让人误以为这就是最优推荐，忽略了它与个性化目标的冲突。

误区用户点击了就是喜欢，浏览行为是客观数据，不像问卷会撒谎，所以行为信号权重应该拉满。

正解隐式反馈噪声很大：误点、标题党、犹豫反复、共用设备都会污染信号。单次点击权重应低于问卷明确表态，还要结合停留时长、收藏等佐证，并用时间衰减降低旧行为影响。就像老师不会因为小明不小心碰掉一本书，就认定他喜欢这本书。

为何常见：隐式反馈量大、易获取，看起来“客观”，让人忽略了行为背后的噪声来源。

误区做完注册问卷，冷启动就算结束了，后面全是常规推荐，不用再管。

正解用户在新场景（新设备、新类目、新功能）依然处于“局部冷启动”；画像会随兴趣变化衰减，需要在线更新。另外，新上架的物品也有“物品冷启动”问题。冷启动是一个持续过程，直到画像置信度趋近饱和。就像小明转正后搬到新校区，还是要重新认识环境。

为何常见：把“注册”这个时间点当成了唯一入口，忽略了场景维度与物品维度的冷启动。

面试题

Q1. 新用户在推荐系统中几乎没有行为历史，系统难以判断其偏好，这一难题被称为什么？

单选题 · easy

  • A.数据过拟合
  • B.用户冷启动← 正确答案
  • C.特征值稀疏
  • D.模型欠拟合

答案：B。用户冷启动专门指新用户缺乏行为历史导致推荐难以个性化的问题。数据过拟合、特征稀疏、模型欠拟合都是建模层面的现象，不是对这一困境的标准命名。就像转学生没人认识他，难题叫“新同学怎么融入”，而不是“座位怎么排”。

Q2. 注册问卷与浏览行为两种信源中，哪种属于显式反馈？

单选题 · easy

  • A.点击行为
  • B.停留时长
  • C.兴趣标签← 正确答案
  • D.收藏记录

答案：C。显式反馈是用户主动明确表态的信息，兴趣标签、评分、关注都属于此类；点击、停留、收藏是系统从行为中推测的隐式反馈。问卷好比摸底表上的勾选，行为则是老师课间的观察。

Q3. 首次会话满意度最直接的计算方式是？

单选题 · easy

  • A.推荐序列命中率← 正确答案
  • B.服务端响应耗时
  • C.模型参与数量
  • D.数据标注花费

答案：A。首次会话满意度最直接的计算是推荐序列命中用户真实兴趣的比例，就像“老师推荐的社团小明是否真的愿意去”。响应耗时、模型规模、标注成本都与用户是否满意无关。

Q4. 下列哪项属于浏览行为建模中的隐式反馈信号？

单选题 · mid

  • A.用户勾选标签
  • B.用户填写评语
  • C.用户点击文案← 正确答案
  • D.用户生日信息

答案：C。点击、停留、收藏都是隐式反馈信号；勾选标签和填写评语需要用户主动完成，属于显式反馈；生日是注册属性，不属于行为信号。类比：小明翻书是观察出来的，在表上打勾才是亲口说的。

Q5. UCB 公式的探索项会随物品被探索次数如何变化？

单选题 · mid

  • A.逐渐增大
  • B.保持不变
  • C.逐渐减小← 正确答案
  • D.先减后增

答案：C。UCB 探索项是 $\sqrt{\ln N / n_a}$，分母是被探索次数 $n_a$。物品被探索越多，不确定性越小，探索红利越小；被探索少时红利大，鼓励系统去试。就像社团体验课上过的社团，下一次就不必再排队打卡。

Q6. 新用户画像置信度随交互次数累积的变化曲线最接近？

单选题 · mid

  • A.线性增长
  • B.饱和式增长← 正确答案
  • C.周期性变化
  • D.随机波动

答案：B。置信度 $1-e^{-\beta n}$ 是饱和上升曲线：开始时增长快，随后趋缓并趋近 1。线性、周期、随机都不符合“边际信息递减”的规律。就像档案越厚，新增记录带来的新信息量越少。

Q7. 关于冷启动策略组合，下列说法正确的是？

单选题 · hard

  • A.只靠问卷无需行为
  • B.三策略按阶段叠加← 正确答案
  • C.热门兜底代替探索
  • D.探索比例保持不变

答案：B。正确答案是三策略按阶段叠加。问卷、行为、探索各有分工，缺一不可；热门兜底只能保证基本体验，不能替代个性化；探索比例应随画像成熟动态下降，而不是保持不变。就像迎新不能只发一张表，也不能只开一门社团课。

Q8. 以下哪些是解决用户冷启动的常用引导手段？

多选题 · easy

  • A.注册问卷收集兴趣← 正确答案
  • B.浏览行为快速建模← 正确答案
  • C.探索性推荐引导← 正确答案
  • D.强制补齐完整画像

答案：ABC。注册问卷、行为建模、探索推荐是三大常用引导手段；强制填写完整画像违反轻量原则，会加剧流失。摸底表一页即可，三页没人愿意填。

Q9. 评估冷启动策略效果，常关注的指标包括？

多选题 · mid

  • A.首次会话满意度← 正确答案
  • B.七日留存率指标← 正确答案
  • C.点击转化率趋势← 正确答案
  • D.服务器功率水平

答案：ABC。首次会话满意度、七日留存率、点击转化率都是冷启动效果的核心指标；服务器功率属于基础设施指标，与冷启动策略效果无关。就像迎新方案好不好，要看小明是否融入，而不是看教室灯泡亮不亮。

Q10. 新用户冷启动方案中，下列哪些表述是准确的？

多选题 · extreme

  • A.问卷可提供可靠先验← 正确答案
  • B.行为噪声应降低权重← 正确答案
  • C.探索应随画像成熟而减少← 正确答案
  • D.新物品不存在冷启动

答案：ABC。问卷先验可靠、行为噪声需降权、探索随画像成熟减少（$\lambda$ 从 0.3 爬升到 0.8）都正确；但新上架的物品依然存在“物品冷启动”，并非不存在。这就像小明转正后进入新校区，仍然需要对陌生环境做二次破冰。