新用户冷启动：用户刚下载 App、没有任何行为，内容池有 100 万 item，产品要求前 10 次曝光内就要留住他。现有三个候选方案：(A) 全局热门榜兜底；(B) 用注册时拿到的少量属性（渠道、机型、地域）做人群热门；(C) 对每个新用户跑 Thompson Sampling 实时探索。你会怎么组合使用、为什么？并说明你打算怎么衡量冷启动做得好不好。

面试官在考什么

判断候选人能否在多方案之间做取舍：既看到探索的收益，也看到探索的体验成本和工程成本，并能给出从兜底到个性化的过渡路径与分群评估口径。

冷启动

回答框架 · 前两步

1. 不是三选一而是分层：有可用属性时用人群热门（B）做粗召回的先验，属性缺失时退化为全局热门（A），在候选集内用受限探索（C）做个性化。
2. 纯 A 天花板低；纯 C 在前 10 次曝光内后验方差极大，试错成本直接由用户承担，必须限制探索空间、探索率，并且只在冷启动用户上开。

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？