某图文社区每天新增约 5 万条内容，其中约 30% 在发布后 24 小时内曝光不足 100 次，拿不到任何有效反馈。现在给你一笔固定的探索流量（约占日总曝光 5%），要提升新内容的冷启动成功率。请给出你的分配方案：这 5% 怎么分给每天 5 万条新内容、用哪些信号决定先给谁、以及一条内容拿到多少曝光后可以判定冷启动成功或失败并退出探索池。

面试官在考什么

判断候选人能否把「给新内容流量」落成一个有分层、有退出条件、有成本意识的机制，而不是一句「多给曝光」。

冷启动

回答框架 · 前两步

1. 不能把 5% 平均撒给 5 万条内容：先按先验信号分档（作者历史表现、类目、标题/封面质量模型的预估分、与目标人群的匹配度），好的先给量，差的走低成本验证或直接不给。
2. 每条内容给一个固定最小曝光包（几百次量级）快速拿反馈，用早期信号决定加码还是停止，本质是 bandit 式的加码/停止逻辑（如 Thompson sampling / UCB），而不是纯随机均匀分配。

同一能力域的其他题

• 冷启动问题你会怎么处理？新用户和新物品的策略一样吗？请分别说。
• 离线 AUC 涨了但线上 CTR 没涨，你会按什么顺序排查？请给出具体清单。
• CTR 模型里为什么要用 GAUC 而不只看 AUC？GAUC 是怎么算的、它解决了什么问题？
• 特征工程里你会怎么做特征穿越（label leakage）的检查？请举一个推荐场景里常见的穿越例子。
• 你做过线上 A/B 实验，请说明分流、样本量、显著性判断的要点。如果一个实验 p 值不显著，你怎么处理？
• 你在做一个首页信息流的 CTR 模型，要加一维特征「用户过去 7 天在该一级类目下的点击率」。训练样本取自 8 月 1 日–8 月 7 日的曝光日志（每天约 2 亿条），你打算 1–6 日做训练、7 日做验证。请说明：这个特征的统计窗口在离线训练和线上 serving 分别应该怎么算？为什么不能直接对整份日志算一个「过去 7 天」的统计再 join 回每条样本？