我把91网页版的推荐逻辑拆给你看：其实一点都不玄学

我把91网页版的推荐逻辑拆给你看：其实一点都不玄学

开门见山：不管界面多炫、标签多奇怪，推荐系统的骨架永远离不开“候选——排序——再加工”三步走。把这个流程拆开看清楚，很多看起来“神秘”的规则就变得很普通了。下面把我多年实战拆解的要点、策略和落地细节逐条讲清楚，方便产品、运营或工程同学快速上手或复盘。

一、总体架构：两阶段+再排序

• 候选召回（Recall / Candidate Generation）

• 目标：在海量内容中迅速筛出几百到几千个潜在项，保证高召回率。

• 常用策略：基于流行（Top-N）、基于协同过滤（item-item、user-item）、基于内容相似（文本/标签/embedding）、基于实时行为（session-based）、规则/编辑池。

• 工具：倒排索引、ANN（如FAISS）、预计算相似表。

• 精排（Ranking）

• 目标：在候选集中精确打分，给出最终排序。

• 常用模型：LR/GBDT（LightGBM）+浅层特征交叉；深度模型（DeepFM、DIN、Transformer等）用于捕捉用户短期兴趣和复杂交互。

• 特征：用户画像、内容特征、上下文（时段、设备）、交叉特征、序列特征（最近n次行为Embedding）。

• 再加工（Re-rank / Business Rules）

• 目标：在模型结果上施加策略（多样性、去重、新鲜度、商业、人工干预）。

• 常见处理：去重、时效性提升、信息流广告位插入、黑名单/白名单过滤。

二、核心信号和特征体系

• 用户特征：长期画像（年龄、地区、订阅）、行为偏好（历史点击率、收藏、停留时长）。
• 内容特征：文本主题、时长、发布者、标签、热度。
• 上下文特征：时间、设备、页面入口、会话内行为（Session）。
• 序列与短期兴趣：用RNN/Transformer或简单的滑动窗口加权来建模最近行为的强信号。
• 交叉特征与稀疏特征：利用Embedding +二次特征提升泛化能力。

三、模型选择与工程实现要点

• 召回层：偏向轻量与高覆盖，常用embedding检索或近邻检索；召回质量直接决定上游表现，别过度追求“复杂模型”。
• 精排层：在效果和延迟之间权衡。离线训练高复杂度模型在线部署时可以采用蒸馏/特征压缩方案。
• 在线服务：特征store、Embedding服务、缓存策略、批量/流式调用。P99延迟通常要控制在几十毫秒级别。
• 指标选择：线上看CTR、CVR、平均观看时长、留存；离线看AUC、Logloss、NDCG、Recall@K等。

四、常见难题与实操解法

• 冷启动：利用内容特征和全局热门做fallback；新用户拉取引导问卷或首屏强插兴趣标签；使用元学习或迁移学习加速。
• 新鲜度与多样性冲突：用模型分层控制（部分位点提升新内容），或在re-rank里给新内容加权衰减、引入结果重排策略。
• 探索/利用平衡：epsilon-greedy、UCB或上下文Bandit，用在线A/B逐步调优探索率，避免长期贪心导致信息茧房。
• 点击欺诈与刷量：行为序列异常检测（短时高频、同IP多账号）、设备指纹分析、时间分布检查。

五、评测与A/B实验操作指南

• 设计主指标与安全指标：主指标如CTR/观看时长，安全指标如加载成功率、系统延迟、付费转化等。
• 分层实验：先做离线回测与小流量灰度，再放上线逐步放量。放量过程中实时监控关键指标并设置回滚阈值。
• 日志与可观测性：每次曝光、点击、停留、离开都要打透，方便回溯与错误定位。

六、给产品/运营的实用建议（可直接落地）

• 小步快跑：做小范围的策略迭代（例如：把新鲜度权重从0.1调整到0.2），看效果后再大范围推广。
• 可解释特征优先：初期用容易理解的特征（最近点击数、时段热度）更易于沟通与调优。
• 建立快速回放环境：把关键日志做回放，能复现某次推送的召回+排序流程，便于排查和优化。
• 多维稽核：定期检验推荐分布（作者分布、内容主题）防止偏向性过强。

七、一句话拆解公式（简化版） 最终得分 ≈ α * CTR模型分 + β * 新鲜度加分 + γ * 商业分 + δ * 去重/规则修正 α/β/γ/δ 可通过线上实验和成本收益分析调整。

结语 把推荐系统想象成一台不断迭代的机器：数据输入——信号提取——候选生成——精排打分——规则修正——反馈回流。每一步都可以拆解、测试和优化，所谓“玄学”多半是因为没有把流程拆清楚或监控打透。把上面这些模块和思路照着做一遍，你就能把“看起来复杂”的推荐逻辑变成可控、可验证的产品能力。