推荐系统怎么理解你的兴趣：从行为到向量的过程

行为被折算成信号

系统看到的不是你的兴趣，而是一串行为记录：看了多久、是否看完、有没有点赞、有没有划走。这些行为被赋予不同权重，通常完播与主动互动的权重高于单纯点击，快速划过则被视为负向信号。

权重设定带有很强的设计取向。如果以停留时长为主要指标，容易吸引注意力的内容会被放大；如果加入互动质量与内容多样性的调整，结果会有所不同。指标怎么定，直接决定推荐结果的气质。

向量表示从何而来

把用户和内容都表示成高维空间里的向量，是这个领域的核心做法。向量的每一维没有明确含义，是训练过程中自动学出来的，但两个向量之间的距离与方向带有语义信息：兴趣相近的用户向量彼此靠近，内容相似的条目也会聚在一起。

推荐的过程就变成在这个空间里找最近邻，或者用一个打分函数估算交互概率。空间维度通常在几十到几百之间，过少表达力不足，过多则容易过拟合并且存储开销上升。

召回与排序两段式

候选内容可能有上亿条，不可能逐条精细打分。工程上分成两步：先用代价低的方法从海量内容里快速挑出几百到几千条候选，这一步叫召回；再用复杂模型对候选做精细排序，决定最终展示顺序。

召回决定了上限，排序决定了顺序。召回阶段如果漏掉了合适的内容，排序再准也无能为力。因此多路召回很常见：基于相似内容、基于相似用户、基于热门、基于近期行为，各自召回一部分再合并。

冷启动问题

新用户没有行为记录，新内容没有交互数据，两者都是冷启动。前者的应对是用少量问题收集显式偏好，或者先给热门与多样化内容，快速积累信号；后者靠内容本身的特征——标题、类别、标签、图像特征——找到可能感兴趣的受众。

冷启动期间系统的判断会比较粗糙，反馈的准确性也偏低。这段时间里用户的每次互动都很重要，因为样本少，单个信号的影响被放大。

为什么会有信息窄化

系统倾向于推荐已经被验证有效的内容，因为这样短期指标更好看。反复强化之后，展示内容的多样性会下降，用户看到的越来越集中于某几类。这是优化目标与长期体验之间的典型冲突。

常见的缓解手段是在目标函数里加入多样性惩罚，或者主动插入一定比例的探索性内容。探索和利用的比例需要仔细调节，插入太多会影响即时体验，插入太少则无法发现新的兴趣方向。