冷启动一直是各个公司的命门，上周调研了各相似业务公司的补全或者好的trick，总结如下，欢迎各位好友补充评论，可以深入交流有关推荐系统的各个方面。
新用户的行为很有限，尽量通过有限的信息，来猜测用户的兴趣+热门推荐
补全，一方面是为了解决冷启动问题，另一方面是为了补全或提高召回集的多样性。另外，还应该根据运营，产品的角度确定一些人为的规则，比如“近期的一些大型活动”，“主推商品”可以补全这些商品中的一些。
下面列出其他公司在这方面的策略，可以发散借鉴到推荐产品线上。
阿里（2018云栖大会）
对于冷启动问题有三个方面的策略：
1. 基于弱个性化的冷启动
新用户推给他热门商品，快速得到用户更多的行为，进而得到他的兴趣点。
新商品，推给行为多的用户，更快速的得到这个商品的特征。
2. 强个性化的冷启动
冷启动用户虽然特征很少，但可以根据已有的特征，找到和冷启动用户相似的用户喜欢的商品，召回。
3. 在1,2基础上的修正
假设冷启动用户这一类人的行为不信任，将这一类人的所有行为累加在一起，作为这一类人推荐的预测，推给这一类人。比如有一个新注册的老人，就点了一个动漫手办，不可能给他一直推动漫产品。那么这一类人都会点较少的东西，把他们视作一类人，然后产生一个统一的召回集，推给他们，然后获取他们最新的行为信息，等到行为积累到一定程度，就会从冷启动召回中跳出。
美团（2017）
前提：旅游推荐和位置强相关，针对位置深入挖掘
细化城市热销，比如商圈的热销，常住用户当地的热销，异地用户当地的热销，基于用户历史行为推出一些低价商品、新品（增加曝光机会）
引入了Explore&Exploit机制，对新商家和团单给予适度的曝光机会，以收集反馈数据并改善预测。
Twitter新闻推荐
把URL作为新闻的一个unit，给用户推荐一些URL，认为用户可能会对这些URL感兴趣。
我们目前已做，利用关联规则，将URL和最终访问的商品做关联。
今日头条
前提：内容强相关，针对内容深入挖掘
先给内容打标签，受众打标签，接着内容投递冷启动，内容关键词标签背后封装的则是相应的观众群。通过算法将内容标签跟观众标签相匹配，同时由观众互动量级决定进行下一步向多少人分发。
借鉴：设计一个关键词词库，给商品打标签，比如新潮，冷淡系，高性价比等，再给用户打上标签（注册时选择+后期算法生成），利用标签给用户推荐，可以解决召回的精确性和多样性。
其他
冷启动用户，有一些必填项，根据已有的特征，能得到性别，登录地址等最基本信息，进而可以得到类似于购买力的深层特征。然后维护一个rec look up table，基于每类用户的先验信息提供一些产品作为召回。可以按照收入，点击率。
使用一些策略，在用户刚来的时候推给他一些商品，这些商品是极具代表性的，点击，则给用户初始的偏好，然后再用户进一步发生行为后丰富推荐内容。