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。
内容特征与相似度
推荐匹配的两端
推荐匹配有两端：用户画像（用户是谁）和内容特征（视频是什么）。上一节看了用户端，这一节看内容端。
内容特征有哪些
| 类别 | 特征 |
|---|---|
| 基础属性 | 标签、分类、作者、语言、地域 |
| 内容属性 | 时长、清晰度、发布时间 |
| 语义特征 | 文本、图像、音频 embedding |
| 质量信号 | 审核风险、质量分 |
特征的作用
内容特征有两个关键作用：
- 匹配：根据「用户喜欢什么特征」推「具备该特征的视频」。
- 冷启动：新视频没有互动数据，仍可凭内容相似度进入候选池。
相似度怎么算
「相似视频」是召回的重要通道，常见做法：
- 标签重叠：同一分类 / 同标签的视频相似。
- embedding 距离：图像 / 音频 / 文本向量越近越相似。
- 共同消费：被同一批用户看过的视频更相似（协同视角）。
特征越完整，相似度越准；但 embedding 计算和存储都有成本，要权衡。
特征的版本与时效
- 特征要版本化：模型升级后新旧并存，便于对照实验。
- 时效要区分：发布即有的特征（标签、时长）和随时间变化的统计特征。
- 特征缺失要有降级默认值，不能阻塞推荐。
一句话
内容特征是推荐的另一端。它让系统在没有行为时也能匹配（冷启动），也让相似召回成为可能。
下一节看推荐算法的基础策略，以及在线与离线的分工。
发现内容有问题？
告诉我们哪里需要改进。