面试题 · RAG
搜索「检索」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
对于一个新用户且无任何历史行为序列的情况下，如何利用生成式推荐模型为其生成个性化推荐？有哪些冷启动策略可以结合使用？
生成式推荐（如基于LLM的推荐）天然适合冷启动，因为它能利用语义信息和世界知识，而非依赖ID embedding。
1. 生成式模型的固有优势
2. 可结合的冷启动策略
| 策略 | 实现方式 |
|---|---|
| 画像引导生成 | 用注册信息/问卷构建文本画像，作为prompt输入 |
| 热门+多样性兜底 | 生成式模型生成"热门但多样"的候选集，避免千篇一律 |
按学习路线查看教程、项目和面试题。
| 跨域迁移 | 用其他平台/全局行为预训练，迁移到当前场景 |
| 主动学习 | 设计交互式问卷，用最少问题快速锁定兴趣 |
3. 小红书场景特化
生成式推荐缓解冷启动，但可能牺牲精准度。线上通常采用**"生成式召回 + 传统模型精排"**的混合架构。
建议系统学习该知识点
场景切入
假设我们刚上线一个电商App，新用户注册完进来，没有任何点击或购买记录。你负责用生成式推荐给他首屏展示商品，你会怎么利用他的注册信息（比如性别、年龄、填的兴趣标签）来生成推荐？
层层追问
新用户冷启动一般怎么处理？……传统协同过滤依赖历史行为，那生成式模型在这方面有什么不同？……如果用户连注册信息都没填，纯靠IP和机型，还能用生成式推荐吗？
直球架构
针对一个没有任何历史行为的新用户，用生成式推荐模型做个性化推荐，你会设计什么样的架构？冷启动策略可以结合哪些？比如画像引导、热门兜底、主动学习这些怎么融入？
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。