Recommendation systems, cold start, diversity reranking
05-推荐系统
传统电商推荐系统中，广告排序（Sponsored Ranking） 和 有机推荐（Organic Recommendation） 是两个完全独立的系统，分别优化 CTR/ROAS 和个性化相关性，导致用户体验分裂——同一用户可能在广告位看到高竞价但低相关商品，在有机推荐区看到高相关但低转化意图商品。
05-推荐系统
Momcozy 吸奶器爆款 SKU 占全部流量的 60%+，200 余款配件（替换配件、特殊尺码）几乎零曝光
05-推荐系统
传统推荐系统采用 Embedding & MLP 范式：每个商品 ID 对应一个向量，该向量通过用户历史交互数据学习。新品没有历史交互 → Embedding 全为随机噪声 → CTR 预测失效，这就是冷启动问题。
05-推荐系统
母婴品类SKU迭代快（奶粉按月龄分段、辅食按月添加），新品上架无历史交互数据，传统协同过滤无法推荐。
05-推荐系统
是 MNAR（Missing Not At Random）选择偏差:用户只对系统曝光过的商品产生反馈,而曝光本身受热度/历史 CTR 影响,导致推荐模型陷入"自我强化"循环。
05-推荐系统
传统协同过滤只利用正向交互（用户点击、购买）来建模，忽略了负向信号（用户不点击、跳过）的价值。Heterogeneous Inference (HI) 通过同时建模两种推理模式
05-推荐系统
传统推荐系统追求相关性最大化，导致结果高度同质化——用户搜"婴儿奶粉"，首页全是同一品牌同一段位。
05-推荐系统
黑盒推荐系统给用户推了"吸奶器"，用户会问"为什么给我推这个？
05-推荐系统
母婴跨境电商新用户注册率高但转化低，约 65% 新用户第一屏浏览 ≤3 个商品后跳出
05-推荐系统
传统推荐系统是单一模型的端到端优化，难以整合多维用户意图（价格敏感、品牌偏好、安全认证关注）。MAS Collaborative Recommendation 将推荐任务分解为多个专业化 LLM Agent 的协作问题
05-推荐系统
传统推荐系统的目标是最大化用户相关性（CTR/CVR），营销系统的目标是最大化 GMV 和促销 ROI。这两个目标通常分开优化，导致推荐了用户喜欢但不需要促销的商品（浪费预算），或促销了高利润商品但对用户不相关（浪费曝光）。
05-推荐系统
根据用户历史行为，预测用户对未交互商品的兴趣程度。
05-推荐系统
是排序评估指标与训练损失函数之间的不匹配。
05-推荐系统
传统推荐系统只关注用户与商品的"相关性"，完全忽视价格因素；而传统定价系统只优化利润或销量，不考虑用户个性化偏好。Price-Sensitive Recommendation 的核心思想是将个体价格弹性注入推荐排序决策
05-推荐系统
传统推荐系统用无序的one-hot ID或量化向量表示商品，丢失了语义信息。
05-推荐系统
母婴出海电商中 60%+ 用户以匿名状态浏览（未登录/未注册）