Item冷启动的目标：

1.精准推荐。

2.激励发布。

3.挖掘高潜。

Item冷启动优化措施：

1.优化全链路（召回和排序）

2.流量调控（新老物品的流量分配）

评价指标：

• • 作者侧： 发布渗透率（发布uv/日活uv）、人均发布率。
  • 用户侧：
    item自身：新笔记点击率、交互率。（一定时间内，区分高、低曝光看ctr cvr）
    大盘的：消费时长、日活、月活。（不能过度损害大盘消费指标）
  • 内容侧（选择使用）：

高热笔记占比（统计前30天内获得1w曝光的item占比）

适用召回：

• • 双塔召回
    ID Embedding优化方法一：item_id向量使用defaultEmbedding
    ID Embedding优化方法二：利用多模态（CNN+Bert）把item表征成向量，取多个高曝光的item的向量meanpooling作为冷启item的Embedding。
    线上应用：增加多个召回池（1小时新笔记、6小时新笔记、24小时新笔记、30天老笔记）向量相同，合并多个召回结果。
  • 类目、关键词召回

使用用户画像的关键词进行召回。维护类目_id 或者 关键词 -> item_i的时间倒排，召回合并多个列表。（弱个性化、但是强时间）

物料自身的基本属性，关键词提取召回（比如物料中包含的公司名，人名，地名等）

• • 聚类召回
    • 思想：根据用户行为last_n ，推荐内容相似的笔记
    • 离线：训练基于图文（Bert+CNN+FC）神经网络模型，（利用类目和点击数据生成pair-wise样本）。
    • 线下训练：多模态神经网络把图文内容映射到向量。
    • 线上服务：last n->n个特征向量->n个Cluster->n*m个新笔记。
    • 实现细节：使用（CNN+Bert）对item的图文进行表征得到向量，K-means聚类（余弦）得到1000个cluster。新item发布后想转成向量，然后计算最相似的Cluster，然后加到当前cluster的索引中【Cluster->item_id时间倒序】。
  • Look-Alike召回
    • 线下训练：用item交互过的user的向量mean-pooling得到item的向量，存到milvus。
    • 线上服务：先得到user的向量，然后从milvus取TopK个item

实现细节：Look-Alike其实就是一种特殊的ucf，并且对于item冷启是比较有利的，因为新item的emb是学习不充分的，但是交互的user不一定是新用户，他的emb可能是学习充分的，这样利于item冷启

流量调控：

• • • 强插
    • Boost：排序分数做提权
      在粗排、精排处理，但是固定权重很难调到比较合适的权重。
    • 静态保量：通过提权保量
    • 

为了：保证24小时内获得100次曝光。

• • • 动态保量：通过提权保量

根据目标时间、目标曝光、发布时间、已有曝光，决定权重。

需要调整调权。

• • • 差异化保量：24小时内高质量保300 低质量保100。

通过内容质量、作者质量等决定保量目标。

• • • 退场策略，设置曝光和点击阈值，过滤低质物料，增加优质资源的曝光

线上环境（新召回、精排变动、重排规则）的变化都有可能导致保量失败。

冷启AB：

其他：

召回只分发最近30天内的。

参考资料：ShusenWang的个人空间-ShusenWang个人主页-哔哩哔哩视频