打开淘宝，首页推荐的都是最近在想的；刷一会儿短视频，平台推送的内容越来越对胃口；在百度搜了个东西，随后就在其他网站看到相关广告。这种“懂你”的体验，其实背后都是推荐系统在起作用。

当用户带着明确需求去搜索时，搜索引擎负责精准匹配；但更多时候，用户自己都说不准想要什么。推荐系统不等着用户开口，而是通过分析历史行为来猜你的兴趣，主动推送可能感兴趣的内容。



这两年“千人千面”这个词很火。从今日头条到淘宝京东，从抖音到小红书，只要平台内容或商品足够丰富，几乎都会部署推荐系统。可以说，这已经是互联网产品的标配了。

个性化推荐的本质，是平台根据你的静态信息和动态行为来给你“画像”。年龄、性别、在哪个城市，这些相对稳定的属性是静态信息；浏览了什么、点了什么、看了多久、买了什么，这些是动态行为。系统综合这些信息，为每个人建立独特的偏好模型，最终实现“不同人看到不同内容”。

但推荐系统有个天然的困境：它极度依赖数据。没有用户行为数据，就没法判断兴趣；判断不了兴趣，就没法做有效推荐。这个“先有鸡还是先有蛋”的问题，在推荐领域有个专有名词——冷启动。

冷启动通常分三类。用户冷启动是指新用户首次使用，系统对他一无所知；物品冷启动是指新商品上架，没有用户反馈；系统冷启动则是整个推荐系统刚上线，没有任何历史积累。

就拿电商平台来说。一个新注册的用户，没有任何浏览和购买记录，算法根本没办法给他推荐商品。平台面临的选择是：要么推送一些无差别的爆款，结果用户可能不感兴趣直接走人；要么展示通用分类入口，但这样又失去了“智能推荐”的价值。处理不当的代价就是用户流失——毕竟没多少人愿意在一个“不懂自己”的平台上慢慢积累数据。

行业里常见的应对方式包括：让新用户注册时选择感兴趣的类目或标签；用第三方社交账号登录，好友关系链和公开信息可以作为参考；在推荐结果里提供“换一批”或“不感兴趣”的反馈入口，通过负反馈快速修正模型。



抖音在这一点上做得比较激进——用户首次使用时即便没有任何行为数据，也会快速推送各类内容，并根据短暂的观看时长和停留轨迹来判断兴趣，用极高的更新频率来弥补数据量的不足。



淘宝的策略更侧重于利用消费场景的天然属性。新用户首次打开时，系统会结合当前时间、地理位置等上下文信息来推荐——下午推送零食比推送家具更合理，北方的冬天推荐羽绒服比推荐凉席更靠谱。这种结合场景的推荐虽然精度有限，但至少不会让用户觉得“完全不相关”。



冷启动之所以重要，不仅因为它直接影响新用户的留存，更因为它决定了用户对产品的第一印象。如果第一次体验就是“推荐的东西乱七八糟”，用户很难建立信任，后续即便积累了大量数据，也需要花数倍精力才能挽回。

从实际操作角度看，冷启动阶段的推荐策略需要在“探索”和“利用”之间寻找平衡。过于保守会导致新用户流失，过于激进则可能引发用户反感。如何在有限的交互机会中快速建立对用户的认知，是每个推荐系统都需要持续优化的命题。