写在前面
当我们打开短视频、新闻 App、电商平台时，首页往往早已替我们准备好了一份“专属内容列表”。你刷到的视频、看到的商品、读到的文章，很大程度上并不是随机的，而是由一个复杂却高效的系统 - 推荐系统（Recommender System）计算得出。
一、推荐系统解决什么问题？
在海量内容中，帮用户找到“最可能感兴趣的那一小部分”。
面临的问题：
- 内容极多（百万级视频、商品、文章）
- 用户注意力有限
- 用户需求往往是隐式的、不明确的
推荐系统的目标并不是“推荐最好的内容”，而是在合适的时间，把合适的内容，推荐给合适的用户。
二、一个最基本的推荐系统长什么样？
召回 -> 排序 -> 策略
召回
从海量内容中“捞一批可能相关的”，目标是快速缩小候选集合，从千万级->几千。
召回方式：
基于行为的召回：看过类似内容的用户，也看了什么
基于内容的召回：视频标签、商品属性、文章主题相似
基于规则的召回：热门、最新、同城
排序
给每个候选内容“打分”。
召回只是“可能相关”，真正决定展示顺序的是排序模型。
排序模型的核心问题是：这个内容，对当前用户“有多大概率会发生正向行为？ 比如会不会点击？会不会看完？会不会点赞 / 购买？
排序模型的输入是什么？
排序模型并不“直接理解人”，而是看特征：
-
用户特征
年龄段、兴趣偏好、历史行为统计 -
内容特征
标签、作者、热度、质量分 -
上下文特征
时间、地点、设备、网络
模型输出一个 score（评分），按分数从高到低排序。
策略
不只是“分高就上”。
如果只按分数排序，可能会出现问题：
- 内容过于单一
- 新内容没机会
- 商业目标无法保证
所以最后还会有一层 策略调整：
- 多样性控制（不要全是同一类型）
- 新内容探索（冷启动）
- 商业策略（广告、扶持内容）
写在最后
当然，推荐系统远不止这些流程，仅先做一个大概理解。