来源：之家技术
1. 物料冷启定义
推荐系统致力于解决用户的信息过载、内容的精准投放和公司的目标最大化问题。在汽车之家，每天有数万至数十万的新物料产生，新物料代表了新的内容、新的资讯、新的事件和新的趣闻。而这些新物料加入推荐池后，由于其缺乏用户-物料的行为交互，较难发现其目标用户从而进行有效投放，在行为数据主导的推荐场景更是如此。为了解决新物料的分发慢、效果差问题，之家进行了一系列的策略和算法尝试，显著提升了新物料的分发速率和分发效果。
图1. 物料推荐状态变化
2. 物料冷启优化
在汽车之家首页推荐场景，新物料被定义为24小时内的部分业务线的非商业物料，为提供足够的数据以供模型学习，新物料需要在24小时内积累产生足够的用户-物料交互。由于冷启定义的时效较短，因此推荐系统的各个链路都需要有较强的时效性保证。新内容进入推荐池后，会先后经历：标签生产、索引入池、内容召回、模型排序、引擎重排、内容曝光等阶段，如图1所示。其中任何一个环节出现异常，都会影响物料的曝光，如标签的实时性、索引的实时性、排序分、调权策略的有效性等。因此，冷启的优化，很大一部分是推荐链路的优化，除此之外，还包括策略层面的优化和算法层面的优化。
图2. 新物料的曝光链路
2.1
链路优化
新物料生产后，首先会通过正排系统接入，录入物料的基本信息，包括推荐时间、业务标签、物料推荐状态等；随后内容理解服务将进行标签生产，包括车系、关键词、分类、话题、情感等；正排系统与内容理解标签都完成校验后，物料将会被实时索引接入，实时索引代表了所有可推荐物料的集合，物料若不在实时索引中，则无法进行后续推荐；随后新物料召回模型将根据物料的标签、标题相似度、后验表现等进行内容召回；召回的物料进入排序模型进行打分，排序打分完成后，引擎将会根据重排策略对物料进行重排；当新物料被排到用户的可见曝光范围内时，则被认为是一次成功的曝光。
在这个曝光链路中主要存在以下几种类型的要求：
1. 各链路的实时性：要求标签生产、索引入池的实时性。标签生产的延迟将会导致内容召回的延迟和模型排序的劣势，而索引入池的延迟将直接压缩物料冷启时间，导致冷启失败；
2. 内容的分发限制：不同业务线内容，具有不同的分发限制，如地域限制、重复限制、内容类型限制等，为保证冷启的效率，需要提前对此类有限制物料进行过滤或降低曝光目标；
3. 排序链路的精简：大多数推荐系统在排序阶段同时存在粗排和精排阶段，而新物料由于其部分静态特征、离线统计特征的缺失，在排序阶段容易被打上极低的分数，因此新物料的排序链路越长，则曝光的概率越低，因此需要精简新物料的排序链路。在之家场景新物料不经过粗排，保证了所有新物料都会输出一个排序分；
4. 重排方式的有效性：新物料在排序阶段容易被打上极低的分数，使用简单的乘法调权公式，容易出现过度曝光和无法精准控制的情况，因此需要设计更加有效和可控的调权方式。
2.2
算法优化
当上述链路的要求都保证之后，物料冷启动优化的工作就已经完成了一大半，或者说优化的工作将会变得更加顺畅和有效。在算法优化方面，主要的工作集中在物料召回、精排模型和引擎重排上。
为保证新物料的曝光，则首先必须保证新物料的召回。新物料由于其后验数据的缺失，在绝大多数的行为召回中不占优势，其召回的概率较低，因此必须新增召回单独对新物料进行召回。而新物料由于其内容的多样性，需要使用多路召回进行召回。此外使用强化学习进行召回参数配置，为对于行为丰富物料进行热度召回，对行为稀疏物料进行探索召回。在汽车之家首页推荐场景，当前一共有7路冷启召回，按照类型可分为标签召回、相似度召回、补量召回。
标签召回：包含车系、品牌、作者、概念标签、二级分类召回，根据物料的标签进行召回，召回的顺序使用beta分布进行随机生成，beta分布可根据优化目标进行设定，包括点击、时长、互动等，beta分布的公式参考，以点击为例，beta分布的公式如下：
精排模型在很大程度上决定了物料的曝光效率与曝光效果。新物料由于其统计特征与部分静态特征的缺失，在精排打分上容易过低；此外在精排模型学习中由于其样本较少，容易在学习过程中被淹没；因此需要在模型和样本层面上对新物料的排序进行优化。在样本上，之家使用了统计特征dropout的策略，对于物料的天级别统计特征按照一定概率进行随机置0，随后输入模型进行训练；在模型训练内部，使用物料的发布时间的衰减参数对损失进行加权，让新物料相比老物料有更高的损失。
其中item_publish_time是物料发布至今的时长，单位为十分钟。
新物料由于其静态特征、统计特征的缺失，在排序打分中往往会比较占劣势，此外精排模型由于其打分范围分布交广（10e-7到1.0），使用乘法公式要保证物料的曝光，则最大需要调整10e7倍。其参数范围太广，此外存在倍率太高曝光激增的可能。因此，为从引擎上优化新物料的曝光，需要在引擎重排公式上进行优化。当前之家使用的新物料重排公式如下：
其中，rank_score代表精排输出的分数，weight代表调权系数，score代表重排后的得分。在这个调权公式下，调权系数的范围将会变成0-100，保证了调权系数的有效性。
除此之外，为保证物料能够在24小时内达成目标曝光量，之家场景按照正常的每日曝光量分布，为每个物料设定当前时刻的目标曝光下限，目标达成则不进行调权控制，使得物料冷启的速率尽量平滑，且尽可能自然曝光以保证新物料的分发效果。
2.3
策略优化
算法是在当前策略框架下的优化，而策略更像是修建一条新的运河，能够引导水流的流向，以达成优化目标。因此，在冷启优化中，策略在很多程度是更重要的一个优化方式。在之家首推，冷启侧的策略优化主要包括以下几个方面。
1. 量控打散：为防止用户首页冷启物料曝光数量过多，控制用户每刷曝光的新物料数量及间隔条数；
2. 特征覆盖：新物料由于其特征缺失，在排序阶段不占优势，使用业务线的平均统计特征数值来进行覆盖；
3. 策略轮询：冷启策略离线运行，5分钟一批轮询，同步更新召回、调权、冷启列表以供下游使用；
4.调权限制：若当前轮询物料的调权系数过小，则将该物料从冷启列表移除，使其自然曝光，若再次超过该阈值，则重新加入列表；
5. 召回限制：为提升冷启个性化召回的召回占比，提升冷启分发效果，冷启补量召回延迟启动；
6. 人群限制：为保证新用户和低活跃用户的分发效果，提升冷启物料的分发效果，新物料的冷启动主要在活跃人群上进行；
7. 冷启补丁：除了以上策略外，冷启策略中还包含诸多的补丁，如修复作者等级的变化、推荐时间的变化、物料入池过晚等补丁，这些问题都会影响新物料的统计和分发。
3. 效果及展望
之家内物料冷启优化自2022年中旬开始，到撰稿的时候已去一年，冷启的成功率（达到目标曝光量的物料比例）从一开始的27%左右上升到99%+，冷启CTR从一开始的5%上升到14%+，效果有了显著的提升。
对于后续冷启的优化，笔者认为主要集中在2个方向上：
1. 新物料的定义放宽，如进而优化3天内、5天内的新物料，从物料的曝光曲线上进行优化，让后期热门物料更快的达到热门推荐状态，加速优胜劣汰进程；
2. 从物料特征上，当前物料特征包含实时和离线特征两部分，融合实时与离线特征，加速特征生产；
3. 从模型算法上，放宽新物料的定义，从模型角度上对此类物料进行优化，提升业务目标。