核心逻辑：采集用户行为 → 行为权重打分 → 构建用户兴趣画像 → 匹配候选内容 → 排序过滤 → 输出推荐，再用新行为迭代模型。
用户行为分为显式行为（主动反馈）和隐式行为（被动行为，绝大多数产品依赖这个）。
一、两类用户行为
1. 显式行为（直接表达喜好）
用户主动给出信号，可信度高，但样本少
点赞、踩、收藏、关注作者、评分、举报、不感兴趣、标签选择
例：点赞 = 正向；点 “不感兴趣”= 强负向，直接降低同类内容权重
2. 隐式行为（最核心，不用用户主动操作）
从浏览动作推断喜好，数据量大，是主流
注意：隐式行为有噪声，比如停留久可能只是忘了切页面，模型会做降噪处理。
二、完整流程：从行为到推送
步骤 1：埋点采集行为日志
客户端 / 服务端记录每条行为：用户 ID、内容 ID、行为类型、时间、上下文（时间、设备、场景）。
时间衰减：越近期的行为权重越高，三个月前的浏览行为影响力会大幅下降，兴趣会随时间变化。
步骤 2：构建用户画像（兴趣标签）
把行为转化成用户的兴趣标签向量：
内容本身打标签：主题、关键词、作者、分类、实体标签（比如篮球、美食、汽车）
用户每一次行为，给对应内容的标签加分
完播：+ 高分数
点击：+ 中等分数
秒划：对应标签减分
得到用户兴趣向量：
{篮球:0.8, 数码:0.5, 美妆:0.1}
举例：你连续看完好几条 NBA 短视频，篮球标签权重暴涨，系统就会优先推篮球内容。
三、三大经典算法怎么利用行为数据
1. 协同过滤 CF（看别人的行为）
核心：行为相似的人，喜好相似
用户协同过滤：A 用户和 B 用户历史行为高度重合，把 B 看过喜欢、A 没看过的内容推给 A。
物品协同过滤：很多用户看完视频 X 之后又看视频 Y，看完 X 就给你推 Y。
例子：买了 A 商品的人，还买了 B。
缺点：冷启动问题，新用户没有行为，无法协同。
2. 内容 / 基于特征推荐（看自己历史行为）
只看该用户自己的历史行为。
用户历史行为 → 提取内容标签 → 召回拥有同类标签的新内容。
优点：可以解释，“因为你看过 XX，为你推荐”；缺点：容易信息茧房，一直推同类。
3. 深度学习模型（现在短视频、信息流主流）
如 DeepFM、DIN、SIM、Multi‑Task 多任务模型
同时输入海量行为特征：
用户侧：最近 N 次点击、最近 N 次完播、关注列表、历史负反馈
内容侧：标签、时长、作者、热度
上下文：时段、设备
模型同时预测多个目标：点击概率、完播概率、点赞概率、停留时长、转发概率，综合打分排序。
DIN 深度兴趣网络：专门捕捉用户先后行为序列，识别短期临时兴趣，比如你偶然刷了 2 条钓鱼视频，临时给你推钓鱼，不会永久改变你的长期画像。
四、召回 + 排序 两层架构（工业界标准）
召回（粗筛）：从千万级内容库，快速选出几百条候选
多路召回：行为协同召回、用户兴趣标签召回、热门召回、作者关注召回
精排（精细打分）：对几百条候选，深度模型根据你的全部历史行为逐个打分，计算你有多大概率互动这条内容
过滤层：过滤已看过内容、屏蔽内容、违规内容、重复内容
重排：做多样性打散，避免全部推同一类，缓解信息茧房，最终输出给你。
五、负向行为的作用（很多人忽略）
快速划走、多次曝光不点击、点 “不感兴趣”
系统会降低对应标签、作者的权重。
但单次划走不会立刻彻底屏蔽，需要多次负向行为才生效，防止偶然误划就再也看不到。
六、冷启动问题：新用户没有行为怎么办
没有历史行为，无法靠行为推送：
先用基础属性：性别、地域、设备；
推送全局热门内容；
快速收集用户最初几次点击、停留行为，快速建立兴趣画像。
七、反馈闭环（持续迭代）
推送新内容给用户后，采集用户对这批新内容的行为（点击、完播、划走），回传给模型，更新用户画像，下一轮推荐随之变化。
你刷到什么，反过来又塑造你的推荐结果。
通俗例子完整串一遍
你刷短视频：
你连续看完 3 条骑行视频，还给其中 1 条点赞；系统记录这组行为；
用户画像里「骑行」标签分数拉高；
召回阶段捞一批骑行相关候选视频；
排序模型根据你的历史行为打分，把高概率你会看完的视频放前面；
同时混入少量别的主题保证多样性；
如果你之后连续划走骑行视频，多次不看，骑行标签分数下降，慢慢减少推送。
常见现象解释
“偶然看一次某类内容，之后疯狂推送”：DIN 捕捉短期行为，临时兴趣触发；如果后续不互动，会慢慢降权。
“越刷内容越窄”：模型优先追求完播、点击指标，优先推送你历史行为证明你喜欢的内容。
“点不感兴趣有时候没用”：单条负反馈权重有限，需要多次负向行为。
原文链接
欢迎访问 小易撩挨踢