新用户冷启动：生成式推荐与Embedding

这道题其实问的是，当用户没有任何行为历史时，怎么给他做个性化推荐。传统模型依赖ID [[embedding]]，新用户一来就抓瞎，但生成式推荐天然能绕过这个问题，因为它用的是语义理解，不需要看到用户ID。

具体来说，生成式模型，比如基于LLM的推荐，它的核心优势是能用自然语言描述用户。比如说一个用户注册时填了“25岁女生，喜欢露营”，我直接把这个描述当prompt塞给模型，它就能根据世界知识生成对应的商品，而不需要等用户先点几个商品再学。这跟传统模型完全是两套逻辑，传统模型是“看行为猜兴趣”，生成式是“听描述直接推”。

但光靠这个不够，实际落地我会结合几个冷启动策略。先说画像引导生成。用户注册时填的信息，比如年龄、性别、职业，或者做几道选择题，我把它拼成一段文本画像作为prompt。这里有个前提，就是用户的画像要足够干净，如果填的是假信息，比如随便选个兴趣，那生成的结果就会偏。所以线上我会加一层置信度判断，信息完整度低于60%的就走兜底策略。

再一个是热门加多样性兜底。生成式模型如果只依赖画像，容易生成太窄的内容，比如用户说喜欢露营，它就只推帐篷。我会在生成时强制加入一些热门但相关的东西，比如“露营美食”、“户外穿搭”，保证结果不单调。说白了，就是让模型在生成时加一个多样性约束，避免所有候选都长一个样。

举个例子，像小红书这种场景，新用户上传一张照片，我就可以用[[多模态]]模型解析图片内容，然后生成相似笔记推荐。这比让用户选兴趣标签更自然，因为图片本身包含了大量语义信息。但这里有个风险，如果用户上传的是随手拍的花，模型可能推一堆花，用户其实想看的不是这个。所以我会在生成时混合一些全局热门内容，比如当前平台最火的10%笔记，保证用户至少能看到一些有爆款潜力的东西。

落地时，我更倾向用生成式召回加传统模型精排的混合架构。生成式负责快速拉出候选集，但它的排序不够精准，所以后面接一个[[Bi-Encoder]]或者轻量的排序模型，把候选[[重排]]一下。这个架构的优点是冷启动阶段效果好，但代价是多了生成这一步，延迟会高。如果对实时性要求特别高，比如首页推荐必须在50毫秒内返回，那生成式召回可能撑不住，得换成更轻量的策略，比如直接基于画像的向量检索。

我最近在思考一个问题：生成式推荐在冷启动阶段表现不错，但用户行为积累多了以后，怎么平滑过渡到传统协同过滤？直接切换会不会导致推荐结果断层？这个我还没完全想透，但感觉可以用模型[[蒸馏]]或者渐进式融合来解决。

所以整体来看，我会把生成式推荐看作冷启动的加速器，而不是终局方案。它解决了“从0到1”的问题，但“从1到100”还得靠传统模型和用户行为反馈。