基础策略与在线离线

基础策略就够了

推荐算法不必一开始就很复杂。早期可以组合几类简单策略：

这些策略可以组合使用，各占一定比例，比单独用任何一个都好。

数据闭环比模型更重要

早期真正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

如果闭环断了（比如不记录曝光、不回流行为），再强的模型也是空中楼阁。先跑通闭环，再优化算法，是推荐系统最务实的路径。

在线与离线分工

推荐算法通常分离线和在线：

• 离线负责「重」，把能预计算的都算好。
• 在线负责「快」，只做必要的小计算。
• 中间靠特征服务衔接：离线产出特征 → 在线读取。

策略演进

基础策略的演进路径：

规则（热门 + 关注）
  → 加权打分（简单公式）
  → 多路召回 + 排序模型
  → 多目标排序 + 实时特征
  → 深度学习 + 强化学习

每步都用实验验证，而不是为了换模型而换模型。

一句话

推荐算法起步阶段：策略简单没关系，闭环完整才关键。离线算重活，在线做快决策，逐步演进、实验验证。

下一章进入召回：把海量视频缩小成可排序的候选集。

上一章节

内容特征与相似度

下一章节

Feed 流召回