冷启动（cold start）在整个推荐系统中，是一个重要的开始。推荐系统一般需要在大量的数据基础上才能比较准确的进行推荐，APP的冷启动可能直接决定着这个新用户会不会继续使用，新物品的冷启动也影响着生产者的积极性，所以冷启动很重要。

冷启动问题分为3类：

1. 用户冷启动：新来的用户，应该给他推荐什么内容？
2. 物品冷启动：新来的物品，应该把它推荐给谁？
3. 系统冷启动：在“一穷二白”的基础上，新来的用户和没有推荐过的物品，怎么建立他们的关联？

用户冷启动思路

用户冷启动，最常见的场景就是新用户冷启动。一个新用户转化为老用户的路径是：新用户兴趣获取（构建冷启动用户初始画像）->内容消费和兴趣收敛->沉淀兴趣成为老用户。概括地说，第一步就是“千方百计”获取用户画像或让用户主动产生画像，有几种方法可以考虑。

利用用户的社会属性，如性别、年龄、地区等。在用户第一次打开APP的时候，很多APP会提示或留有入口供用户填写相关信息。即使用户不主动输入，也可以尝试从外部渠道（渠道画像、矩阵画像、applist等）引入画像信息（但需要注意用户重合度和相关度）。有了这些信息，就可以基于社会属性进行粗颗粒度的个性化推荐。

利用用户的关系链，可以借助运营活动收集（如支付宝活动收集好友关系、亲子关系）或从外部引入（第三方登录或开放API），基于“人以群分”的道理给用户推荐好友喜欢的内容。

利用热门内容，对用户“一无所知”的情况下，基于从众心理和二八定律，可尝试给用户推荐热门内容，这种方式主要注意热门的范围和算法，效果会比随机推荐好。利用高质量内容同理。

（左：微博，右：今日头条）

用户冷启动的指标可以关注新用户的画像指标（人均兴趣数、画像覆盖率、画像准确率等）及新用户活跃表现（点击率、留存等）。

假设一款国际APP，基于国籍和性别就能在一开始有一个比较好的推荐效果，它有什么办法获得这些信息？

1. 显性方式：如前文所说，让用户填写、引导或激励的方式都可以。
2. 隐性方式：用一些性别/国籍点击差异特别大的内容来猜用户性别、国籍，再开始有偏向的个性化推荐。

这类隐性探索，选取物品需要有技巧：

1. 热门：有一定的认知度，物品过于生僻，得到的结果大部分必定是“跳过”。
2. 代表性和区分性：物品与物品之间要有区分度，能表征用户的不同兴趣。
3. 多样性：由于人的兴趣多种多样，要注意尽可能覆盖，避免“无可选”的尴尬。

物品冷启动思路

利用物品内容推荐：

1. 物品相似推荐：找到和新物品属于同一类的内容，新物品搭上“顺风车”，进行相似推荐。
2. 物品相关推荐：基于专家的知识来建立起物品的信息知识库，建立物品之间的相关度。如知识图谱，通过一个已知节点和关系找到另一个节点，进行拓展推荐。
3. 例如某用户喜欢“周冬雨”（节点），周冬雨是电影《少年的你》的主演，通过这层关系关联到节点“少年的你”，因此将《少年的你》推荐给用户。

（图片