搜索排序系统的冷启动问题

在搜索排序系统中，冷启动问题表现为当新的商家、商品或新的用户进来时，没有足够的数据用来推测用户对产品的喜好。其中商品冷启动是主要问题，我们通过两方面手段来进行缓解。

解决方法

• 模型上，在模型中引入文本相关性、品类相关性等特征，确保在没有足够展示和反馈的前提下能较为准确地预测。
• 策略上，引入Explore&Exploit机制，对新商家和商品给予适度的曝光机会，以收集反馈数据并改善预测。比如进行流量扶持。常用的 MAB(Multi-armed bandit problem) 算法有 Thompson sampling、 Epsilon-Greedy、UCB。

EE实验

EE的目的就是专门拿出一部分流量，针对新加入的商品给予更多的展示机会，同时整个平台也会收集到用户在这部分商品上的各种行为数据，用在搜索、推荐和广告的排序模型当中。

实验策略：
1.提权到固定展位。
2.用 UCB 的思想去做提权。

退出机制：
参与 EE 的商品怎么退出？ 可以采用 PV 机制，即每个商品只要 PV 达到一定数，EE 就结束。选择商品的时候，统计同品类所有的商品购买量达到一定数量时的 PV 值，然后取中位数得到找个PV阈值。