这是 Beta 探索课程,内容结构、实验步骤和示例可能会继续调整。
推荐算法
「推荐算法」听起来玄,其实它的目标不是神秘地猜中用户喜欢什么,而是把用户、内容和行为反馈转化成可计算的匹配关系。难的不是算法,是先回答「我们了解用户什么」。
用户画像来自显式信号(关注、选择标签、不感兴趣)和隐式信号(停留、完播、点赞、分享、快速划走)。隐式信号丰富却容易误解——看完一个视频可能只是它很短,快速划走可能是网络卡顿而不是不喜欢,所以要结合时长、速度和网络解读,强度也要区分:完播、点赞收藏是强正反馈,快速划走是中等负反馈,举报是强负反馈。曝光日志在这里很关键:没有曝光就分不清「没看到」和「看到不感兴趣」。另一端是内容特征——基础属性、内容属性、语义 embedding 和质量信号,既用于匹配,也让新视频在没有互动数据时凭相似度进入候选。更关键的是先跑通「推荐 → 曝光 → 行为 → 特征更新 → 下一次推荐」的闭环,让离线算重、在线做快。
读完你应该能解释一条行为数据在什么上下文下代表什么强度,而不是把「有行为」等同于「喜欢」;能说出内容特征在匹配和冷启动中的两个作用,画出在线与离线的分工,并明白为什么数据闭环完整比模型炫酷更值得先投入。
上一章解决「视频能不能播」,这一章解决「怎么理解用户和内容」。下一章进入召回:把海量视频缩小成候选集。
发现内容有问题?
告诉我们哪里需要改进。
