冷启动内容
冷启动分成用户冷起、物品冷起、系统冷启动；用户冷启目的是提升用户留存以及活跃度等指标，帮助用户增长；物品冷启动主要是提升品类多样性以及丰富度，促进内容生态。生态健康才能保持长久广告收益以及成交额。
用户冷启的核心在于数据稀疏，新用户不了解，如何获取更多数据或者更好的刻画用户，譬如使用其他场景的数据，设计标签选项收集用户兴趣等；物品冷启需要寻找种子用户，更好的流量扶持。
冷启常见的问题
- 冷启用户的识别(活跃天数，登录天数等)
- 当前的状态(即时兴趣还是长期稳定兴趣)，留存客户
- 物品潜力预估
- 用户冷启，产品和运营发力点，算法如何配合
用户冷启通用做法：
- 规则阶段+简单模型
- 前期通过标签圈选(类目，热点，地域，精品等)
- 简单模型(性别、年龄、交互item个数，登录次数，是否新用户，安装APP列表)，筛选新用户友好特征
- E&E模型探索，对用户进行探索
- 模型阶段
- 尽量使用多域的用户数据建模，新老数据一起建模
- 多设计一些对新用户友好特征(bias),bias特征加到浅层网络
- bias特征经过LHUC模块，筛选embedding；新用户样本经过模型时，能够筛选
- 预训练泛化user group emb(先对用户分群)
- 使用新用户的样本w2v，正例:新用户交互过的item,负例:随机筛几个
- 老用户交互item非常多，用户兴趣明显，和新用户当前状态有差异，可能会引入噪声
- 多域模型，模型实时反馈
- MAML(元学习)，构造比较合适的emb(个人感觉不靠谱，需要每个用户设计一套梯度下降参数)
- 运营产品层面，多设计一些激励措施，延长用户留存
内容冷启
-
新内容需要单独做一路进行扶持，boosting
-
i2i,u2i等
-
emb初始化(同类的相似的topk的emb平均)
-
冷启资源和热门资源使用不同的塔(双塔学习)
-
内容扶持:
- 通过强插，调权；给定时间，给定分发量
- 作者设置冷启动额度，优质作者助推
-
多分发给老用户(容忍度高)、uplift识别冷启内容不反感的用户；分发给意见领袖，提升成功率
-
优质资源的预估：
- 判别是否领域新热，产品话题讨论和关注度、产品热榜；
- 资源价值评估： 作者的优质、初期表现数据
-
冷启资源曝光尽量和实际曝光曲线接近
- 一种简单的方式，按照24h来小时按照比例来投，确保曝光量