刷短视频时，为什么总能碰上你刚聊过的东西？购物APP首页的商品，怎么比你还清楚你想买啥？这背后不是巧合，而是推荐算法在悄悄干活。可再聪明的算法也有翻车的时候，比如给你推三个月前搜过的拖鞋，或者把全家人都爱看的萌宠视频塞满每个人的首页。这时候就得靠优化策略来救场。
数据清洗：别让垃圾信息带偏节奏
推荐系统的“胃口”很大，吃进多少数据就吐出多少结果。但如果喂进去的是过期记录、误点行为或爬虫痕迹，那推荐结果自然歪得离谱。比如用户点错页面又秒退，这种“噪声”得过滤掉。常见做法是设置停留时长阈值，低于3秒的操作直接忽略，避免系统误判为兴趣点。
特征工程：从表面看到本质
用户点了篮球鞋，系统不能只记“喜欢篮球鞋”，还得拆解背后的特征：是价格敏感型（专挑打折款）？还是品牌控（只看某几个字母标）？把这些维度抽出来，变成可计算的标签，推荐才能更精细。比如用 one-hot 编码处理类别，再通过 embedding 把高维稀疏特征压缩成低维向量：
user_vector = model.encode(["sports_shoes", "discount_seeker", "brand_A"])引入上下文：时间地点都在说话
中午刷外卖APP和凌晨刷，需求能一样吗？同一用户，工作日推轻食沙拉，周末推火锅烧烤，转化率可能差一倍。把时间、位置、设备类型这些上下文信息加进模型，能让推荐更贴场景。比如晚上8点以后降低游戏广告权重，提升家庭类内容曝光。
多样性控制：别让人看腻了
一味推同类内容，短期点击高，长期容易让用户厌烦。就像连续三天早餐都吃包子，再香也顶不住。可以在召回阶段加入打散策略，限制同一类目连续出现不超过两条，或者用轮播机制穿插冷门但相关的内容。比如看完两支美妆视频后，插一条护肤成分科普，既保持关联又不单调。
A/B测试：谁说了都不算，数据说了算
换了新策略，效果到底好不好？不能靠产品经理拍脑袋。上线前切5%流量跑对比实验，盯着点击率、停留时长、转化率这几个硬指标。哪怕新模型预测准确率提升了3%，但实际点击跌了，那也得回炉。有时候简单规则反而赢过复杂模型，比如“最近7天买过的品类不重复推”这种土办法，立竿见影。
冷启动问题：新人来了怎么待客
新用户没行为记录，老用户换设备登录，系统一下子变“瞎”。这时候可以用热门榜单兜底，再结合注册时填的兴趣标签快速建模。也可以借社交关系“蹭”数据，比如好友都在看露营装备，那你大概率也会感兴趣。等用户完成前三次有效交互，就能平滑过渡到个性化推荐。
推荐算法不是一锤子买卖，它得跟着人变、跟着场景变。优化不是追求完美预测，而是让每次推送都像朋友聊天那样自然——知道你爱什么，也懂你偶尔想换口味。