在廣告搜推和自然搜推中，政策産品可能會時常遇到“冷啟動”問題，而有關冷啟動的話題，又可以分為物品item冷啟動、使用者冷啟動與系統冷啟動等幾種類型，此時政策産品可能就需要依據不同的類型，拿出不同的應對政策。本文作者介紹了新品item冷啟動的相關政策，一起來看。
今天來聊一個大家比較感興趣，也是政策産品必須要了解的一個話題叫做「冷啟動」。
冷啟動這個詞是一個在自然搜推和廣告搜推都會面臨的一個問題，這個問題的核心實質是因為系統/物品item/使用者user因為積累的資料量過少，無法做個性化推薦的問題，結合前面的文章内容簡單說就是在召回當中相關性不足無法被召回，在排序當中預估不準确導緻的排序展示問題。
在整個冷啟動當中的類型就可以被拆分為三大類：
- 物品item冷啟動問題；
- 使用者user冷啟動問題；
- 系統冷啟動問題。
這三類問題我講拆分成三篇文章來給大家詳細介紹政策，今天我們先由物品Item作為切入來介紹。
- 物品item冷啟動問題背景；
- 廣告政策中如何解決新品冷啟動問題的政策；
- 個人總結與思考。
一、物品item冷啟動問題背景
1. 新品冷啟動定義
物品冷啟動主要解決如何将新的物品，在沒有樣本資料的情況推薦給可能對它感興趣的使用者這一問題。
2. 問題導緻的原因
無論是電商平台淘寶/京東、還是抖音流媒體視訊的平台，都會存在物料item上新的現狀（對于電商平台就是商品，對于抖音就是使用者上傳的視訊）。
抖音每天上傳新視訊達到千萬量級，每個新的物料因為缺少使用者的行為資料/Item缺少特征标簽等問題原因，會直接緻使召回中相關性資訊缺失不足（傳統按照協同過濾或者向量emedding召回方式直接失效）、預估排序中商品/ad特征不足帶來的pCTR/pCVR預估不準，無法進行eCPM的準确排序問題。
最終帶來的直接現象就是新品無法正常進行推薦展現PV擷取，加重了新品積累行為的困難，造成平台存量物料的馬太效應，降低推薦系統的新穎性與多樣性，同時不利于供給端的物料生産。
比如我寫了一篇小紅書筆記，長期無法獲PV量，或者是長期沒有點贊、評論與關注，其實是不利于整個生态的健康塑造。
3. 問題的解決與各家發展現狀
目前新品冷啟動都是各大網際網路公司都在積極并重視的解決對應的問題，新品冷啟動問題是推薦系統當中賴以長期可持續發展的「新穎性」、「多樣性」與「準确性」并存健康發展的核心。
1）阿裡媽媽 新品冷啟動解決方案NPA
在廣告當中，新品Item冷啟動是非常重要和關鍵的一個點。
為什麼這麼說呢，因為電商平台當中，使用者如果希望自然推薦系統當中，能夠幫助新品度過冷啟動狀态，穩定獲量更甚獲得轉化資料，就需要通過廣告平台直通車/引力魔方來快速實作冷啟動，積累資料并後期撬動自然推薦的展示效果（這個屬于機制關聯，需要積累全平台樣本，帶來冷啟動效果）。
22年9月中下旬阿裡媽媽經營可續就在m峰會上專門針對新品加速冷啟動提出了NPA（New Product Accerlaration）新品冷啟動加速解決方案，專門對搜尋和推薦廣告中新品前期拿量困難，預估不準确等問題提出了解決方案；通過神經網絡&新品特性學習&專屬新品召回排序通道等方式來解決。
2）抖音 倒三角流量池
抖音短視訊視訊冷啟有個互動傳聞當中比較有名的「8次曝光倒三角流量」的分發機制，也标志着新視訊從冷啟動到穩定分發的狀态。
核心的思想就是通過每一輪免費單列feeds流量的曝光分發，觀察視訊的互動與播放情況，決定冷啟動視訊是否可以進入到下一個流量池當中；播放與互動情況包含視訊播放過半的比例、完播比例，暫停與結束比例，互動情況包含點贊次數、收藏次數以及評論、轉發次數。
除了PV視角還有UV次元的視角，這裡舉個例子，我拍了一個運動健身視訊，在首次曝光300~500播放量的情況下，系統對于進入二次曝光的門檻需要滿足點贊次數達到了150/評論達到30/收藏達到80，并且完播次數需要達到50次，才可以進入二次曝光的流量池，如果不滿足則視訊不再進入二次曝光流量池當中，後面的每次曝光池子也是同一道理。
二、廣告政策中如何解決新品冷啟動問題的政策
基于上面的核心問題原因和定義，我們從廣告推薦（自然推薦在很多方面類似）的角度出發，來思考可以從哪些方面來解決新品冷啟動的問題。
回顧上述當中在召回/排序當中的冷啟動的問題，我們逐一拆解，來分析解決思路；廣告推薦在召回當中要解決的就是快速建立物品和使用者相關性準确度問題；在eCPM排序當中要解決的就是預估準确和出價準确的問題。
1. 利用标的新品metadata資訊做推薦
利用标的物跟使用者行為的相似性可以通過提取新入庫的标的物的特征（如新品的标簽/類目分類/發貨位址、采用TF-IDF算法提取的文本特征、基于深度學習提取的圖像特征等），來把新品item label次元資訊給Onehot Emebedding向量化，通過計算标的物特征跟使用者行為特征（使用者行為特征通他看過的标的物特征的疊加，如權重平均等）的相似性，進而将标的物推薦給與它最相似的使用者。
比方說類似的标的物被某些使用者消費過，可以做相似物品的推薦，來幫助物品快速積累資料。
2. 利用廣告排序公式bid出價來進行E&E探索政策
還記得之前給大家介紹的内容，廣告的排序公式是由兩個部分組成，一部分是預估問題，另一部分就是競價bid問題。
推薦廣告當中一般會通過bid（因為擡高出價平台無損，廣告承擔新品探索成本，新品投放廣告主一般會預設需要付出更高的單價CPC成本）競價來提升在排序當中的先後順序，然後借用強化學習中的E&E（exploration-exploitation）思想，将新标的物曝光給随機一批使用者，觀察使用者對标的物的回報，找到對該标的物有正向回報（購買，收藏，分享等）的使用者，後續将該标的物推薦給有正向回報的使用者或者與該使用者相似的使用者，常見的Exploration方法有，樸素Bandit、 Epsilon-Greedy、UCB、Thompson Sampling,、 LinUCB、COFIBA等。
在廣告DSP平台一般會結合「一鍵起量工具」或者是「冷啟動工具」，核心思想都是在前期單獨設定一筆固定預算/擡高廣告bid-CPC出價水準，來進行E&E的探索，積累更多的點選/轉化樣本，讓pCTR和pCVR預估更準确，但是前期的CPC成本遠高于穩定投放時期的投放成本。
3. 其他廣告平台的單獨扶持政策
平台發展到精細化營運廣告投放階段，為了提升廣告item物料庫的庫存深度，會做很多扶持平台新品的政策，來提高平台供給端-廣告主端的物料深度，同時也提高廣告主上傳物料的積極性。
一般會從「召回扶持」、「排序預估權重」以及「單獨廣告推薦資源位」來幫助新品擷取前期展現；
- 召回扶持就是給予廣告新品有單獨的多路召回通道，提高多路召回混合歸一化時候的比重系數，不讓新品埋沒在召回階段，如果一開始就沒了就更不用探讨排序問題了；
- 排序預估權重是單獨在排序階段維護一張新品item表，每當新品進入到粗/精排序階段，在預估pCTR和pCVR的時候給予權重打分，讓其預估的值更高，排序更加靠前（當然需要保證粗精排一緻性原則，不能粗排權重，精排不做任何動作）；
- 單獨廣告推薦資源位扶持，類似京東小魔方有新品限制條件的廣告位，是不能展現非新品類型，降低新品在eCPM排序中的競争難度，提升新品的展現效果，前期快速積累樣本量。
三、總結與思考
新品item冷啟動是冷啟動當中其中的一個分支，核心還是圍繞E&E快速積累item資料樣本，來提高物品和使用者之間相關性的過程。
任何的扶持類型（召回扶持、預估扶持）都是對廣告平台來說長期是有收入損失的，因為pCTR高估，或者新品展現機會更高，但是item廣告商品未被點選，C計費的場景是無法收取到對應的廣告費用。
是以核心的最佳方法還是通過E&E的強化學習方式幫助新品快速積累資料和樣本，讓系統在召回和預估階段都作出正确的「選擇」，縮短與降低新品冷啟動的時間，達到穩定投放的狀态。
item冷啟動政策是每個推薦系統都會遇到的問題，之前在召回排序當中都是對理想态、存量物料進行說明的方式，政策産品應該和算法思考如何積極解決Item冷啟動的問題，保證推薦系統的穩恒狀态。
本文由 @政策産品Arthur 原創釋出于人人都是産品經理，未經許可，禁止轉載
題圖來自 Unsplash，基于 CC0 協定
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。