詳細解釋
推薦系統和機器學習產品面臨的經典難題：新用戶或新物品沒有歷史數據，系統無法做出準確推薦。
雙重維度：
- 用戶冷啟動：新註冊用戶，無行為歷史
- 物品冷啟動：新上架商品/內容，無交互記錄
解決策略：
- 引導輸入：註冊時詢問偏好（選擇喜歡的音樂類型、電影類型）
- 人口統計推斷：根據年齡、地理位置、設備做基線推薦
- 內容相似度：對新物品，基於其描述/標籤找到相似已有物品
- 探索 vs 利用：主動展示多樣化內容收集反饋（Multi-Armed Bandit）
- 社交圖譜：用戶可導入社交媒體，基於朋友喜好推薦
AI 時代的變化：
- LLM 可分析新物品的完整描述，無需歷史交互即可嵌入向量空間
- 但用戶冷啟動仍困難：LLM 不了解「這個用戶」的獨特偏好
- 對話式推薦：通過多輪對話逐步澄清需求
實例：
- Netflix：新用戶選 3 部喜歡的電影
- Spotify：新歌曲基於音頻特徵（節奏、調性）匹配
- LinkedIn：新職位基於技能標籤相似度
- Amazon：「買了此商品的顧客也買了」對新品無效，改用「瀏覽了此商品的顧客也瀏覽了」
冷啟動是推薦系統從「能用」到「好用」的關鍵瓶頸。