当UGC/PUGC社区发展到一定规模，需要从人工推荐(热门榜单、编辑推荐等策略)转向算法推荐信息流展示给用户。在这个阶段，我们会遇到推荐系统的冷启动问题，表现在两个方面：
1）一般意义的冷启动：新用户（或者新条目）到来的时候，没有用户行为记录，因而算法无法预测其兴趣爱好；
2）之前的人工推荐信息流导致社区信息的生产端(Item，条目)和消费端(User，用户)的分布都过于头部化，生产端的头部条目用户几乎都消费过，而腰部条目用户几乎都没有消费过。这种情况下关于条目和用户的描述都过于稀疏化。我们希望推荐系统在推荐给用户喜欢的条目的同时，能有效地扭转这种不健康的分布。在处理2）的过程中，我们需要频繁的调整各种参数，也就希望推荐系统有很高的可解释性。这种情况下，最为传统的推荐算法——协同过滤 的优势就显示出来了。
协同过滤算法基于一个基础的强预设：在观测到用户消费过条目A之后，我们有很高的可能性观测到用户会喜欢与A相似的条目B（Item CF）以及 相似的用户可能喜欢同一个条目。所以协同过滤的核心在于描述条目和用户的相似性。
在当今的技术环境下，协同过滤只适合用于最基础的解决方案，或者Hybrid System中的一个权重不高的条目。所以已经没有必要在系统迭代中把相似性描述设计的太
