推荐系统中冷启动环节的设计实现

推荐系统中的冷启动分为物料冷启动和用户冷启动。用户冷启动主要是针对新用户，但有时候也用于低活用户拉活。物料冷启动主要是让优质物料得到快速下发，让模型可以迅速捕获到用户对该物料的关注。本文将详细讲解用户冷启动和物料冷启动。

1、用户冷启动

用户冷启动就是通过物料钩子、注册信息、多域信息、联邦学习等各种技巧去迅速获取用户的兴趣点实现个性化推荐，激发用户的留存。此外针对新用户还需要考虑定期刺激用户兴趣，不断用优质物料去试探用户，甚至做到兴趣的流转和承接，迅速抓住用户的兴趣，提高用户黏性。比如，针对信息流推送业务的用户进行冷启动，当一个新用户点击某条推送物料后，用户会迅速进入信息流的某个业务界面（如图文或者视频界面），这时候，对应的业务界面也要做好对应的承接推荐，继续给用户优质的物料，让用户深入地使用该产品，而不是用户点完一个物料以后就完毕了。因此，对承接页的物料展示位的填充就很讲究了，首先，基于推送的I2I物料肯定是要有的；其次，用户的其他兴趣点物料和高热度物料也要着重考虑。同时，对于相同的用户冷启动“打法”，除了针对新用户，也可以定期针对低活用户进行拉活冷启动。用户流失其实是一个常见的问题，关键还是要分析用户为什么流失的问题，比如用户物料兴趣得不到满足，有违规内容，App的生态运转不良，竞品用其他手段拉走了用户等。通过分析得到问题后，就要针对这部分低活用户进行类似冷启动的“打法”，并且做好一系列的兴趣承接工作让用户重新回到App里面。

2、物料冷启动

物料冷启动主要是针对新入库不久的物料，让其得到迅速下发，从而筛选出好的物料,产生流量的“滚雪球”效应。物料冷启动方法很多，主要包括用户粉丝冷启动、物料基础信息冷启动、物料相似性冷启动和物料进退场机制（具体请阅读《推荐系统全链路设计：原理解读与业务实践》一书）。

现在的主流“打法”是物料进退场机制（也称作爬坡机制）。物料进退场机制主要是为每个物料设置一级级的限制，然后就是设置物料爬坡的限制，之后再根据各个业务情况去设置更进一步的流量筛选条件，直到最后物料流入正常流量库。下图展现了整个冷启动物料到正常物料的流程。

图11-1 冷启动物料到自然流量物料库的转换

冷启动流量需要考虑流量放量的速度和物料、用户的基础特征，相比自然流量的模型，冷启动环节的模型需要忽略反馈数据，如点击、下发、点赞、评论等。

3、PID算法

在流量分发的过程中，肯定不可能一次性爆发式地分发下去，而是间隔式地均匀分发。因为，流量在不同时段的量都是不同的，而且物料肯定不应该被集中式下发，应该在各个时段都有分发。所以，为了合理的分发物料，需要对物料流量进行合理的控制，PID（Proportion Integration Differentiation,比例-积分-微分控制器）就是流量控制的典型算法。

PID算法分为比例、积分和微分三部分，是控制领域的常见稳定控制算法。具体公式如下：