论文Fresh Content Needs More Attention:Multi-funnel Fresh Content Recommendation
方案和系统都不复杂，但是很切合业务实际。
论文的贡献主要再一下几方面：
a.证明了冷启动的价值，包括：1.Corpus coverage is improved。2.A larger corpus is discovered by the users。3.Content providers are encouraged to upload more contents。4.More fresh content is consumed by the users with a minor impact on short-term user engagement。
b.提出新的冷启动评估指标和评估方式。评估指标不在专注传统的ctr，而是提出三个新指标：1.Daily Unique Impressed Contents at 𝐾（DUIC@K）。2.Fresh Content Dwell Time。3.Number of content receiving X (post bootstrapping) positive。评估方式方面，实验组和对照组不应该相互干扰。实际上现在工业界很多公司的ab试验系统再冷启动方面都有数据泄露问题，实验组推荐推荐链路上的上游数据会进入对照组的训练数据，实际上是一中数据泄露，会导致冷启动方案的收益低估。
整体冷启动的架构不复杂，整个推荐链条为：
新类容召回——内容过滤(graduation filter)——多臂老虎机预打分——精排
新类容召回包含两个召回模型 ，一个只用meta feature的双塔模型Low-funnel model，一个使用用户最近点击行为的实时双塔召回模型Middle-funnel model。线上按概率p随机使用Low-funnel model召回，1-p概率使用Middle-funnel model。
内容过滤(graduation filter) 按照次数过滤掉新内容召回的item，超过n次展示的内容会被过滤，实际上就是冷启动 cold-start阶段的频率控制，避免少数新内容占用过多曝光。
多臂老虎机预打分采用的是Thompson Sampling。论文中没有详细说怎么做的。实际上可以采用linucb或者 Contextual Thompson Sampling。预打分选取10个候选进精排。
精排部分，论文采用的是google 的主推荐rank 算法来确定top 1.
