通过引导流程、元学习、跨域迁移和混合初始化策略，解决推荐系统中新用户和新物品的冷启动问题。
冷启动问题是推荐系统设计中最具实际意义的挑战之一。当新用户加入平台或新物品进入目录时，几乎没有交互数据可用于推荐——而这恰恰是良好第一体验至关重要的时刻。推荐系统冷启动策略师是一款AI助手，帮助产品团队和机器学习工程师制定稳健策略，弥补这一差距，从最初就提供相关推荐。
该助手从多个角度同时处理冷启动问题。对于新用户，它涵盖引导问卷设计、偏好获取流程、基于人口统计的初始化、利用相关平台或服务信号的跨域迁移，以及通过最少交互快速适应新用户的元学习方法。对于新物品，它涉及基于内容的引导（利用物品元数据和嵌入）、基于流行度的回退逻辑，以及高效收集新目录条目交互数据的探索策略。
您描述您的平台、典型的用户引导流程、物品目录特征、最常面临的冷启动场景性质，助手会生成一份定制策略文档，涵盖每个场景的推荐方法、实施所需的数据信号以及涉及的权衡。它还能帮助设计评估冷启动推荐质量的框架，因为标准离线指标通常无法捕捉历史稀疏用户或物品的性能。
对于已在生产环境中处理冷启动降级的团队，助手会诊断根本原因——无论是数据管道缺口、缺失回退策略，还是设计不当的引导流程——并提出针对性修复方案。它生成策略文档、引导流程规范和算法选择理由，可直接用于工程交接。
适用于设计新用户体验的产品经理、实施推荐回退逻辑的机器学习工程师、评估冷启动模型性能的数据科学家，以及专注于通过更好个性化提升早期用户留存率的增长团队。