冷启动新用户怎么推荐?

这道题其实问的是，在没有任何用户历史行为的情况下，怎么快速建模并做出个性化推荐。冷启动的本质是信息缺失，生成式推荐的好处是能从语义空间生成候选，突破候选池的限制。我的方案分三层：信息补全、策略调度、生成优化。

先说模型架构。我会设计一个[[双塔]]加生成式的混合结构。一个冷启塔，轻量DNN，输入画像、上下文、社交特征，输出初始兴趣分布；一个生成塔，基于LLM的Seq2Seq，把冷启塔的输出当成prompt条件，生成个性化推荐理由和候选。关键点是生成塔不直接生成item ID，因为那会带来 [[Hallucination]] 风险，而是生成兴趣标签组合或者自然语言描述，再通过语义索引召回真实item。融合层在冷启阶段生成塔权重高，比如0.7以上，随着交互增加慢慢切换到传统召回。

然后是探索-利用的平衡。我会把推荐建模成一个多轮对话式[[Agent]]，状态是当前已知信息加本轮反馈，动作是选择探索策略，比如兴趣试探、社交跟随、热门保底、主动询问，奖励是点击率加满意度加信息增益。具体做法上，用ε-贪心的变体，以0.3概率触发主动询问动作，用自然语言问用户“你对旅行更感兴趣还是美食？”，解析回答后更新画像。同时用UCB上界修正，对新用户降低置信区间惩罚系数，加速探索收敛。

多源辅助信息方面，我会按优先级层级融合。优先级1是设备信息、地理位置、时段这些实时上下文；优先级2是第三方登录授权、安装来源带来的社交图谱预训练[[嵌入]]；优先级3是用户主动填写的年龄性别。社交关系要特别处理，用GNN学习好友兴趣分布作为先验，但引入关系强度门控，避免过度泛化。举个例子，在短视频推荐场景，新用户用手机号登录，我们可以拿到设备型号和地理位置，如果用户授权了微信，还能看到好友的兴趣分布，但关系弱的社交信息权重要低。

再说[[RAG]]增强的生成机制。检索源包括平台热门内容摘要、相似用户的高频交互、领域[[知识图谱]]。把检索结果作为 [[Few-shot]] 示例注入prompt，约束生成内容的平台相关性。还有反思机制，生成后自检“这个推荐是不是过于热门”、“有没有利用已知信息”，触发重新生成。这里有个坑，如果检索源质量不高，生成内容反而会偏离，所以上线我会特别关注检索源的时效性和多样性。

最后是落地关键。首屏3次交互内必须完成兴趣初筛，否则用户流失。生成内容要可解释，展示“因为你选择了XX”增强信任。所有辅助信息缺失时，降级为热门加多样性混合，Agent记录失败原因用于后续优化。

还有一个点值得深入，就是当用户反馈非常稀疏时，主动询问策略的频次和内容怎么设计，才能既获取信息又不打扰用户。