第1732篇：AI产品的冷启动问题——没有数据时如何让推荐和生成有意义
2026/4/30大约 10 分钟
第1732篇：AI产品的冷启动问题——没有数据时如何让推荐和生成有意义
上一篇聊了数据飞轮，有读者留言问：飞轮是个好东西，但我们产品刚上线，一个用户都没有，怎么冷启动？
这个问题问到点子上了。数据飞轮的致命弱点就是冷启动。鸡生蛋还是蛋生鸡——没有用户就没有数据，没有数据模型表现差，模型差就留不住用户。
今天我们就系统性地聊聊AI产品的冷启动方案，不讲理论，讲我真正踩过的坑和用过的办法。
冷启动的几种形态
AI产品的冷启动，大体上分三种情况，解法不完全一样。
类型一：全新推荐系统。用户来了，我们对他一无所知，又没有其他用户的历史数据。最惨的情况。
类型二：有用户数据但没有AI标注数据。比如原来是规则系统，积累了大量用户交互日志，但这些日志没有对AI训练有意义的标注。
类型三：有基础模型，需要业务适配。比如用开源的LLM，但对于自己的垂直场景效果很差，需要做领域适配。
三种情况我都遇到过，下面分别说。
情况一：推荐系统的冷启动
做AI推荐系统，最怕新用户。你对他毫无了解，什么都不知道，推什么呢？
策略一：用内容质量作为初始排序依据
在没有用户数据的时候，靠内容本身的质量信号来替代个性化推荐。
@Service
public class ColdStartRecommender {
@Autowired
private ContentQualityRepository qualityRepo;
/**
* 新用户的推荐逻辑：不依赖用户历史，依赖内容自身质量
*/
public List<ContentItem> recommendForNewUser(String userId, int size) {
// 质量得分 = 综合多种信号的内容固有质量
return qualityRepo.findTopQualityContent(
ContentQualityFilter.builder()
.minQualityScore(7.0)
.publishedWithin(Duration.ofDays(30)) // 不推太老的内容
.deduplicateCategory(true) // 品类去重，别一直推同类
.size(size * 2) // 多拉一些，后面再过滤
.build()
).stream()
.filter(item -> !hasUserSeen(userId, item.getId())) // 排除已看过的
.sorted(Comparator.comparingDouble(this::calculateColdStartScore).reversed())
.limit(size)
.collect(Collectors.toList());
}
private double calculateColdStartScore(ContentItem item) {
// 内容质量 * 时效性衰减 * 分类热度
double qualityScore = item.getQualityScore();
double freshnessDecay = Math.exp(-0.1 * item.getDaysOld()); // 指数衰减
double categoryHeat = getCategoryHeatScore(item.getCategory());
return qualityScore * freshnessDecay * categoryHeat;
}
}策略二：注册时收集用户偏好
这个做法听起来老套，但很管用。在用户注册流程里加几个选择题，比如"你最感兴趣的领域是？"——前端给5到8个选项，用户勾选1到3个，我们立刻有了初始偏好向量。
关键是要设计得好玩，而不是让人感觉在填表格：
@RestController
@RequestMapping("/api/onboarding")
public class OnboardingController {
@Autowired
private UserPreferenceService preferenceService;
@Autowired
private RecommendService recommendService;
/**
* 用户选择初始兴趣后，立即生成个性化推荐
*/
@PostMapping("/interests")
public OnboardingResult submitInterests(
@RequestHeader("X-User-Id") String userId,
@RequestBody InterestSelectionRequest request) {
// 验证至少选了一个
if (request.getInterestIds() == null || request.getInterestIds().isEmpty()) {
throw new BadRequestException("请至少选择一个感兴趣的方向");
}
// 初始化用户偏好向量
preferenceService.initUserPreferences(userId, request.getInterestIds());
// 立刻给用户看基于兴趣的推荐，让用户感受到个性化已经生效
List<ContentItem> initialRecommendations = recommendService
.recommendByInterests(request.getInterestIds(), 10);
return OnboardingResult.builder()
.message("太好了，已经为你找到相关内容！")
.recommendations(initialRecommendations)
.build();
}
}策略三：用协同过滤的"软启动"版本
协同过滤需要大量数据，但有一个弱化版本：基于内容相似度的协同推断。
思路是：找到与新用户选择偏好最相似的"用户群体"画像，用这个群体的历史行为来做推荐。即使没有这个新用户自己的历史，群体历史也能提供启动信号。
@Service
public class SoftCollaborativeFilter {
@Autowired
private UserClusterRepository clusterRepo;
/**
* 把新用户映射到最近的用户群体，借用群体历史
*/
public List<ContentItem> recommendByClusterProxy(String userId) {
// 获取用户的初始偏好标签（来自注册选择）
List<String> userTags = preferenceService.getUserTags(userId);
// 找到标签重叠度最高的用户群
UserCluster closestCluster = clusterRepo.findMostSimilarCluster(userTags);
// 用这个群体最喜欢的内容来推荐
return closestCluster.getTopContentItems().stream()
.filter(item -> !hasUserSeen(userId, item.getId()))
.limit(10)
.collect(Collectors.toList());
}
}情况二：有日志但没标注，如何快速建立训练集
这个场景在做垂直领域AI产品时很常见。公司原来有个规则系统，跑了几年，积累了几百万条用户问答日志，但没有对应的质量标注。
直接拿来训练肯定不行，但全部人工标注成本太高。
方案：用弱监督学习 + 置信度过滤
思路是这样的：先用业务规则生成"弱标签"，再用弱标签训练一个分类器，分类器置信度高的样本作为可信训练集。
@Service
public class WeakSupervisionLabeler {
/**
* 用多个弱监督函数给历史日志打标签
* 函数之间相互独立，最终用多数投票决定标签
*/
public LabelResult weakLabel(ConversationLog log) {
List<WeakLabel> votes = new ArrayList<>();
// 弱监督函数1：基于后续行为（用户继续追问说明答案有价值）
if (log.getFollowUpCount() >= 2) {
votes.add(WeakLabel.POSITIVE);
} else if (log.isAbandoned()) {
votes.add(WeakLabel.NEGATIVE);
} else {
votes.add(WeakLabel.ABSTAIN);
}
// 弱监督函数2：基于会话时长
if (log.getSessionDurationMs() > 180_000) { // 3分钟以上
votes.add(WeakLabel.POSITIVE);
} else if (log.getSessionDurationMs() < 5_000) { // 5秒以下
votes.add(WeakLabel.NEGATIVE);
} else {
votes.add(WeakLabel.ABSTAIN);
}
// 弱监督函数3：基于关键词匹配（领域专家规则）
if (containsPositiveKeywords(log.getResponse())) {
votes.add(WeakLabel.POSITIVE);
} else if (containsNegativeKeywords(log.getResponse())) {
votes.add(WeakLabel.NEGATIVE);
} else {
votes.add(WeakLabel.ABSTAIN);
}
// 弱监督函数4：基于用户评分（如果有的话）
if (log.getUserRating() != null) {
if (log.getUserRating() >= 4) {
votes.add(WeakLabel.POSITIVE);
votes.add(WeakLabel.POSITIVE); // 双权重
} else if (log.getUserRating() <= 2) {
votes.add(WeakLabel.NEGATIVE);
votes.add(WeakLabel.NEGATIVE);
}
}
// 统计投票
long positiveCount = votes.stream().filter(v -> v == WeakLabel.POSITIVE).count();
long negativeCount = votes.stream().filter(v -> v == WeakLabel.NEGATIVE).count();
long totalVotes = votes.stream().filter(v -> v != WeakLabel.ABSTAIN).count();
if (totalVotes == 0) {
return LabelResult.abstain();
}
double confidence = (double) Math.max(positiveCount, negativeCount) / totalVotes;
WeakLabel label = positiveCount > negativeCount ? WeakLabel.POSITIVE : WeakLabel.NEGATIVE;
// 置信度低于0.7的不用
if (confidence < 0.7) {
return LabelResult.abstain();
}
return LabelResult.labeled(label, confidence);
}
}经过这套处理，通常能从原始日志里筛出 30%-40% 的样本作为可信训练集。这已经足够让第一版模型有个像样的起点了。
情况三：领域适配的冷启动——数据合成
有时候你有基础模型，但领域数据真的一条都没有，连历史日志都没有。这时候需要合成训练数据。
这个技术的核心思路是：用大模型生成大模型的训练数据。听起来有点循环，但实际上是用通用大模型（比如 GPT-4）来生成特定场景的问答对，然后用这些合成数据去微调更小的领域模型。
@Service
public class SyntheticDataGenerator {
@Autowired
private OpenAIClient openAIClient; // 或者任何强模型
@Value("${domain.description}")
private String domainDescription;
/**
* 为特定领域批量生成训练样本
*/
public List<TrainingSample> generateSamples(
String topicArea,
int targetCount) {
List<TrainingSample> samples = new ArrayList<>();
// 先让大模型生成多样化的问题
List<String> questions = generateDiverseQuestions(topicArea, targetCount * 2);
for (String question : questions) {
try {
// 再让大模型给出高质量回答
String answer = generateHighQualityAnswer(question);
// 质量过滤
if (isQualitySufficient(question, answer)) {
samples.add(TrainingSample.builder()
.question(question)
.answer(answer)
.source("synthetic")
.topicArea(topicArea)
.generatedAt(Instant.now())
.build());
}
if (samples.size() >= targetCount) break;
} catch (Exception e) {
log.warn("样本生成失败，跳过: {}", question, e);
}
}
return samples;
}
private List<String> generateDiverseQuestions(String topicArea, int count) {
String prompt = String.format("""
你是一个%s领域的专家。
请生成%d个关于"%s"的真实用户问题。
要求：
1. 问题要多样化，覆盖初学者到专业人员不同层次
2. 包含概念性问题、操作性问题和故障排查类问题
3. 使用真实用户的语言风格，不要太书面化
4. 每行一个问题，不要编号
直接输出问题列表：
""", domainDescription, count, topicArea);
String response = openAIClient.complete(prompt);
return Arrays.asList(response.split("\n")).stream()
.map(String::trim)
.filter(s -> !s.isEmpty())
.collect(Collectors.toList());
}
private String generateHighQualityAnswer(String question) {
String prompt = String.format("""
请回答以下%s领域的问题，要求：
1. 回答准确、专业
2. 结构清晰，适当分段
3. 举例说明抽象概念
4. 长度适中（200-500字）
问题：%s
""", domainDescription, question);
return openAIClient.complete(prompt);
}
private boolean isQualitySufficient(String question, String answer) {
// 基础质量检查
if (answer.length() < 100) return false;
if (answer.contains("我无法") || answer.contains("抱歉")) return false;
if (question.length() < 10) return false;
return true;
}
}合成数据有几个注意事项：
- 多样性比数量更重要。生成 1000 条各不相同的高质量样本，远好于生成 10000 条重复度高的。
- 加入负样本。不只生成正确答案，也要生成一些典型的错误回答，用于对比训练。
- 人工审核比例不能低于 5%。合成数据有时会出现事实错误，必须人工抽检。
小流量实验：把冷启动当成一个科学实验
冷启动阶段，流量少，但正因为流量少，每一个用户的行为都很宝贵。不要浪费这个阶段。
我建议把冷启动设计成多臂赌机实验（Multi-Armed Bandit），同时测试多种推荐/生成策略，用 Thompson Sampling 动态分配流量：
@Component
public class ColdStartBandit {
// 每种策略的 Beta 分布参数（成功次数、失败次数）
private final Map<String, double[]> strategyParams = new ConcurrentHashMap<>(Map.of(
"CONTENT_QUALITY", new double[]{1.0, 1.0}, // alpha, beta
"CLUSTER_PROXY", new double[]{1.0, 1.0},
"SYNTHETIC_ENHANCED", new double[]{1.0, 1.0},
"RANDOM_BASELINE", new double[]{1.0, 1.0}
));
private final Random random = new Random();
/**
* Thompson Sampling：根据当前知识，采样出最优策略
*/
public String selectStrategy() {
double bestSample = -1.0;
String bestStrategy = null;
for (Map.Entry<String, double[]> entry : strategyParams.entrySet()) {
double alpha = entry.getValue()[0];
double beta = entry.getValue()[1];
// 从 Beta(alpha, beta) 分布中采样
double sample = sampleBeta(alpha, beta);
if (sample > bestSample) {
bestSample = sample;
bestStrategy = entry.getKey();
}
}
return bestStrategy;
}
/**
* 根据用户反馈更新策略参数
*/
public void updateReward(String strategy, boolean positive) {
strategyParams.compute(strategy, (k, params) -> {
if (positive) {
params[0] += 1.0; // alpha++
} else {
params[1] += 1.0; // beta++
}
return params;
});
}
private double sampleBeta(double alpha, double beta) {
// 使用 Gamma 分布采样 Beta 分布
double x = sampleGamma(alpha);
double y = sampleGamma(beta);
return x / (x + y);
}
private double sampleGamma(double shape) {
// Marsaglia-Tsang 方法
if (shape < 1.0) {
return sampleGamma(1.0 + shape) * Math.pow(random.nextDouble(), 1.0 / shape);
}
double d = shape - 1.0 / 3.0;
double c = 1.0 / Math.sqrt(9.0 * d);
while (true) {
double x = random.nextGaussian();
double v = Math.pow(1.0 + c * x, 3);
if (v > 0 && Math.log(random.nextDouble()) < 0.5 * x * x + d - d * v + d * Math.log(v)) {
return d * v;
}
}
}
}这个方案的好处是：流量会自动向表现好的策略倾斜，不用人工干预，冷启动的代价最小化。
冷启动的度量标准
怎么判断冷启动结束了、飞轮可以接管了？我们的判断标准是：
三个条件同时满足，冷启动才算结束：足够的用户规模、足够的正向反馈、足够的样本积累。
一些经验总结
别想着完美再上线。冷启动最大的错误是过度准备，等一切都ready了再发布，这时候已经错过了市场窗口。接受"够用就行"的初始质量，快速上线，让真实用户数据来改进。
人工运营是早期最值钱的事。冷启动阶段，人工运营高质量内容、人工回答典型问题，效果远好于指望算法自己跑。算法是杠杆，但没有支点撬不动。
用户分层很重要。不同用户的冷启动代价不同。对于高价值用户（比如付费用户），可以多投入人工资源做个性化；对于普通用户，先靠通用策略保底。别把有限的精力平均分配。