用户画像与行为信号

推荐算法的本质

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。

第一步，是搞清楚「我们了解用户什么」。

两类信号

用户画像可以来自显式和隐式信号：

隐式信号更丰富，但也更容易误解：

• 用户看完一个视频，不一定代表喜欢——可能只是视频很短。
• 快速划走，可能是网络卡顿，而不是不喜欢。
• 点开标题党，可能是被标题骗了，而不是真的感兴趣。

所以行为信号要结合上下文解读（时长、速度、网络），而不是简单「有行为 = 喜欢」。

行为反馈的权重

不同行为的信号强度不同：

曝光的重要性

推荐系统必须记录曝光。否则无法区分「没互动」是：

• 没看到（未曝光）→ 中性。
• 看到了但不感兴趣（曝光 + 无互动）→ 负反馈。

没有曝光日志，行为数据会失真——这也是为什么第 2 章要把曝光去重和曝光记录做好。

画像的更新

• 短期兴趣：最近几次会话的行为，响应快。
• 长期兴趣：跨周 / 跨月聚合，稳定。
• 衰减：兴趣随时间衰减，几个月前的点赞权重低于最近。

一句话

用户画像 = 显式 + 隐式信号，且必须结合曝光与上下文解读。行为不是「有就是喜欢」，而是「在什么条件下、什么强度、代表什么」。

下一节看推荐的另一半：内容特征。

上一章节

推荐算法

讲解用户画像、内容特征、行为反馈、相似度和基础推荐策略的系统化设计

下一章节

内容特征与相似度

用户画像描述「用户是谁」，内容特征描述「视频是什么」