2.4.3　E&E难题

E&E的全称是Explore & Exploit（探索与利用），就是在探索新内容和一直推荐老内容之间，探索出一个平衡点。这类似于参加一个游戏，这个游戏有十种不同的场景，且游戏设置了两条规则：第一条是每参加一种场景都需要花费固定数量的金币来获取积分，每种场景的积分不确定；第二条是可以反复参加同一种场景，或者参加不同的场景，直到金币全部花完后获取最多的积分。

我们每解锁一个场景，就知道该场景下可获取的积分是多少，但其他场景到底积分更多还是积分更少，则是需要我们花费金币去实验的。当我们去尝试新场景时，如果积分更多我们就赚了，但是万一积分更低，则我们就会亏损。一直反复参加一个老场景，其积分是确定的，就像推荐系统一直推荐老内容，这个就是“利用”；去参加不同的新场景，其积分是不确定的，就像推荐系统去推荐新内容，这个就是“探索”。到底拿多少比例的金币去“探索”，拿多少金币去“利用”，就是所谓的E&E难题。

接下来介绍E&E难题在冷启动、多样性、惊喜度三方面带来的实际业务问题。

1.冷启动问题

不管使用哪种推荐算法，冷启动通常都是各个短视频社区面临的非常棘手的问题：新用户进来应该推荐什么样的内容？新内容应该推荐给哪些用户？

在前面已经介绍过，新用户可以推荐热门召回模块的优质内容精品库，将大部分人关心的内容推荐出来；而对于新内容则可以走热门召回的晋级降级通路，让用户和时间去评判内容的真正价值。

在对某新用户给定了一定量的新内容后，其实已经探索出一部分用户感兴趣的内容了，那么是否还要继续探索新内容呢？这时候推荐系统就面临E&E难题，比较稳妥的做法是推荐系统设定一个冷启动结束的指标，在冷启动阶段和成熟阶段分别制定不同的探索程度。

2.多样性问题

由于担心存在信息茧房，推荐系统非常重视探索的重要性，会通过不断尝试将新内容推荐给用户，快速验证新内容与用户的匹配度，根据实验指标迅速迭代并拓宽用户喜爱的品类。但是由于探索是无法保证点击率的，所以在这里就有个取舍的过程，也就是说到底牺牲多少点击率，来换取一个怎样的多样性分布度，同时还要考量E&E的ROI最终是大于1的。

3.惊喜度问题

如何理解用户的惊喜度这个问题呢？其本质就是推荐给用户之前他没有看过的新内容，用户并没有预期自己会看到，但是看了之后用户又觉得很精彩，我们通常可以用用户观看内容的完播率是否比较高、观看结束后是否关注作者等指标来评价用户的惊喜度。

E&E问题在处理惊喜度的时候一直有一个比较通用的方法，就是首先忽略用户的喜好与标签，先将最热门的内容推荐给用户，然后根据用户的反馈去进行动态调整，这个过程可以通过热门内容较大概率地保证用户的惊喜度，同时也能兼顾新内容的探索。