完整题目
没有历史行为的新用户如何做冷启动推荐？怎样收集最少必要信号、探索兴趣并避免隐私、偏见和虚假解释？
本文目录
先建立无个性化基线
冷启动是缺少行为证据，不等于可以默认收集更多个人数据。先用当前可售/可看目录、地域与年龄等必要合规约束、时效、质量、热度和多样性构建非个性化基线，并保证曝光公平、去重与内容安全。生成模型不能“突破候选池限制”后推荐不存在或不可用的 item；最终结果必须映射并校验真实目录。
1. 只使用有依据的信号
优先使用用户主动提供的偏好、当前会话明确意图和完成服务所必需的上下文。设备、精确位置、第三方登录、通讯录/社交关系、年龄和性别都可能涉及敏感或受限用途，不能标成“必有”或默认接入；需要明确用途、最小化、授权、保留期与退出方式。
人口属性可能造成刻板印象和差别待遇，应单独评估必要性、公平性和代理变量风险。好友兴趣也不能自动视为本人兴趣。
2. Onboarding 与即时反馈
可用可跳过的兴趣选择、少量代表性内容或自然语言目标，让用户控制初始信号。问题数量、出现时机和选项通过完成率与长期留存评估，不固定“三次交互内必须完成”。点击、停留、跳过、隐藏和明确“不感兴趣”的含义不同，误触也不应立即固化为长期画像。
画像记录信号来源、时间、置信状态和撤销方式。早期交互使用较快衰减，持续证据再提高权重。
3. 候选与排序
候选可以来自热门/新鲜、多样化主题、内容相似、上下文规则和经许可的群体统计。LLM 可把自然语言目标解析为受控标签或生成说明，但不直接输出未验证 item ID。RAG/Agent 也不是冷启动的必需组件；只有能带来可测净增益时才增加。