算法工程师亲历：30天冷启动破10万的实战算法复盘
|
去年12月，我接手一个冷启动项目——某新消费品牌的用户增长系统，要求30天内从0做到10万有效用户。团队最初计划用传统裂变模型，我直接否了——当时测试过5个类似项目，转化率卡在2.3%上不去，根本撑不起目标。最后拍板用图神经网络（GNN）重构推荐链路，这招够狠，但风险也大——团队里连个懂PyG（PyTorch Geometric）的人都没有。 冷启动最缺的就是数据，我们干了件“作弊”的事——爬了竞品12万条用户行为日志，用对抗生成网络（GAN）造了30万条假数据当训练集。这招别人肯定没写过细节：GAN的判别器用了双分支结构，一个分支判别真实/虚假，另一个分支判别竞品/自造，防止生成的数据“太像竞品”导致模型过拟合。结果第7天模型跑出来，推荐点击率直接飙到18.7%，比传统模型高6倍——但第9天系统崩了，因为生成的数据里混了0.3%的脏数据，把用户画像带偏了。
文章配图，仅供参考 修复脏数据花了3天，这期间我干了件更“离谱”的事——把用户设备ID、IMEI、MAC地址全喂进图神经网络，构建设备关联图。传统推荐系统只用用户行为，但冷启动时用户行为太少，设备关联能补上这个缺口。比如用户A和用户B用同一WiFi，用户B和用户C共享过蓝牙，这些关系能形成“设备社交链”，帮模型找到潜在高价值用户。测试时发现，设备关联图让召回率提升了41%，但误召率也高了12%——这时候就得靠多目标优化，把点击率、转化率、留存率设成三个损失函数，用帕累托最优调参。第22天，系统终于跑顺了，但用户增长卡在8.2万——离10万还差1.8万。这时候团队开始慌，有人提议买量，我直接否了——冷启动买量就是饮鸩止渴，用户质量差，留存率会崩。最后用了个“野路子”：把推荐流里的“立即购买”按钮换成“邀请好友得优惠券”，用户点击后会跳转邀请页，系统自动生成带追踪码的海报。这招本质是用社交裂变补推荐流的不足，但难点在于追踪码的归因——我们用了分布式ID生成算法，确保每个追踪码唯一且可溯源。结果第28天，用户量突破9.5万，第30天冲到10.3万——但留存率比预期低了3个百分点，因为裂变来的用户里，有27%是“薅羊毛”的。 这项目最让我兴奋的，是新技术带来的“降维打击”。传统裂变模型靠补贴和规则，GNN+GAN+设备关联图这套组合拳，本质是用算法模拟用户社交关系，把“人找货”变成“货找人”。比如用户C的设备关联图显示，他和5个高价值用户用过同一款路由器，系统就会把他标记为“潜在高价值用户”，优先推荐高客单价商品——这种精准度，传统模型根本做不到。 但我也得承认局限——这套算法依赖设备数据，iOS 14.5以后IDFA被限制，设备关联图的准确性会大打折扣。另外，GAN生成的数据虽然能解冷启动的燃眉之急，但长期用会导致模型“飘”，得定期用真实数据“校准”。下一步我打算试试联邦学习，把用户数据留在本地，只上传模型参数——这样既能合规，又能用更多数据训练模型。 （编辑：站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
