你有沒有新開一個帳號，結果推薦內容完全不準？
你可以把冷啟動問題想成「系統還不認識你」：因為資料太少，它不知道你喜歡什麼，只能先亂猜。
這件事很重要，因為推薦系統最怕一開始沒有互動紀錄，新使用者和新商品都會讓模型失去判斷依據，推薦品質就會掉下來。
容易混淆
使用者冷啟動 vs 物品冷啟動 vs 暖啟動
使用者冷啟動：新的人進來，系統不知道他的偏好
物品冷啟動：新商品上架，系統不知道它會不會受歡迎
暖啟動：已有足夠互動資料，系統可以直接靠歷史行為做推薦
最關鍵的區別：冷啟動是在「資料太少」，暖啟動是在「資料已經夠用」。
記住這句就好
沒資料可學，就是冷啟動。
實際案例
新會員剛註冊
前：推薦頁面只會推熱門商品，常常不合口味
後：先問幾個興趣題，或用年齡、地區、來源頁面做初步推薦
新商品剛上架
前：平台沒有任何點擊和購買紀錄，演算法不知道怎麼排
後：先用商品標題、類別、價格與描述做內容推薦，再慢慢接上行為資料
算法與應用
常見解法有三種：用內容特徵做推薦、用熱門或規則推薦先墊檔、或把使用者問卷與元資料一起納入
在研究與產品裡，也常把冷啟動和少樣本學習、混合推薦、主動蒐集偏好一起處理
真正的重點不是完全消除冷啟動，而是把「系統認識你」的時間縮短到可接受
情境判斷
Q1（直覺題）： 一個新購物 App 沒有任何使用紀錄，先推熱門商品合理嗎？
→ 合理。因為沒有歷史資料時，熱門商品是最穩的起點之一。
Q2（判斷題）： 只要把所有新使用者都問完 20 題偏好問卷，冷啟動就完全解決了嗎？
→ 不一定。問太多會讓新使用者直接放棄，實務上要在資料量、體驗和準確度之間找平衡。
常見問題
冷啟動只會發生在推薦系統嗎？
不只，任何要靠歷史資料做判斷的系統都可能遇到，例如廣告、搜尋排序和風險評分。
冷啟動和資料稀疏一樣嗎？
很像，但不完全一樣，冷啟動強調「剛開始沒有資料」，資料稀疏則可以發生在任何階段。
怎麼讓新商品比較快被系統認識？
先補齊分類、標籤、描述和圖片，再搭配內容推薦與探索流量。