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。
用户画像
用户画像可以来自显式和隐式信号：
- 显式信号：关注、选择标签、不感兴趣。
- 隐式信号：停留、完播、点赞、评论、分享、快速划走。
隐式信号更丰富，但也更容易误解。例如用户看完一个视频，不一定代表喜欢，可能是视频很短；快速划走也可能是网络卡顿。
内容特征
视频内容特征包括：
- 标签、分类、作者、语言、地域。
- 时长、清晰度、发布时间。
- 文本、图像、音频 embedding。
- 审核风险和质量分。
内容特征越完整，推荐越容易冷启动。新视频没有互动数据时，仍然可以根据内容相似度进入候选池。
行为反馈
行为反馈要分权重：
| 行为 | 含义 |
|---|---|
| 完播 | 强正反馈，但受视频时长影响 |
| 点赞/收藏 | 明确正反馈 |
| 关注作者 | 长期兴趣信号 |
| 快速划走 | 负反馈 |
| 不感兴趣/举报 | 强负反馈 |
推荐系统要记录曝光，否则无法区分“没点击”是没看到，还是看到了但不感兴趣。
基础策略
早期可以组合几类简单策略：
- 热门视频：保证内容质量底线。
- 关注作者：利用明确关系。
- 标签匹配：根据用户兴趣标签推荐。
- 相似视频：看过某类视频后推荐相似内容。
- 协同过滤：喜欢相似内容的用户互相推荐。
算法不必一开始很复杂。重要的是数据闭环完整：推荐 -> 曝光 -> 行为 -> 特征更新 -> 下一次推荐。
在线与离线
推荐算法通常分离线和在线：
- 离线计算用户画像、内容 embedding、相似关系。
- 在线根据用户当前上下文、候选集和实时特征排序。
离线负责重计算，在线负责低延迟决策。下一章会讲召回，把海量视频缩小成可排序的候选集。