一个电商推荐平台每天新增 5 万新商品，当前 80% 的新商品在 7 天内曝光少于 100 次，但长尾商品贡献了 30% 的 GMV。你作为推荐负责人，要设计一套新商品冷启动方案。请给出分阶段策略（前 1 小时、第 1 天、第 7 天分别做什么），说明流量从哪里来、如何控制对大盘 GMV 的伤害，以及你用什么指标判断该方案是否值得继续投入。

面试官在考什么

判断候选人能否在业务约束（GMV 不能掉）下设计冷启动的探索-利用机制，并用量化指标做资源分配决策，而不是只列冷启动方法。

冷启动

回答框架 · 前两步

1. 分阶段：前 1 小时用规则+内容画像（类目、标题、图像 embedding）做召回，给固定小流量探索位；第 1 天用 bandit 或 Thompson Sampling 在相似商品人群中小流量试探，根据点击/加购快速收敛；第 7 天用积累的反馈训练个性化模型，进入正常召回池。
2. 流量来源：从大盘中划出固定比例探索流量（如 1%-3%），优先从长尾流量、低竞争位置、相似商品详情页推荐位切入，避免直接切首页核心流量。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 项目深挖：五层结构下的追问与逐字稿

想看这个方向的整体准备路线？ 进入「推荐与搜索」方向页

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？