推荐系统第一版：行为权重、标签兴趣和相似度

⚠️ 本文最后更新于2026年03月21日，已经过了156天没有更新，若内容或图片失效，请留言反馈

HAOVP 的推荐服务已经有了第一版实现。它没有使用机器学习模型，也没有依赖 Spark 之类的数据处理平台，而是从平台当前能够获得的数据出发，把用户行为、标签兴趣、视频相似度和热门内容组合起来。

这样的第一版更容易解释：一条推荐为什么出现，可以追溯到用户近期行为、内容标签、视频分类或热门分数。它的能力有限，但每一部分都可以单独验证。

行为权重表达信号强弱

浏览一次和收藏一次表达的兴趣强度不同。第一版在记录行为时，为不同类型设置了不同权重。

可以把热门分数抽象为：

score(video) = Σ 行为次数 × 行为权重

例如浏览是较弱信号，点赞、收藏和完整观看可以设置为更强信号。具体数值只是当前规则参数，不代表经过实验得到的最优值。

当前实现还按不同时间窗口生成热门内容：

最近一天  -> 日榜
最近七天  -> 周榜
最近三十天 -> 月榜

首页需要热门内容时，先取较短周期的数据，不足再由更长周期补充。这个策略可以给新近内容机会，也能在当天行为数据不足时保留结果。

标签兴趣是怎样形成的

用户行为发生后，推荐服务会统计近期行为涉及的标签，再把各标签出现次数除以总次数，得到一组归一化兴趣。

某标签兴趣权重 = 近期涉及该标签的行为次数 / 所有标签行为次数

假设一段时间内得到以下计数：

Java       5
数据库     3
容器部署   2
总计      10

归一化后分别是 0.5、0.3 和 0.2。这些数字是解释算法的通用示例，不是 HAOVP 的真实用户数据。

这里需要区分两类权重：

行为权重用于区分浏览、点赞、收藏等信号，并参与热门分数计算；
标签兴趣在当前实现中按近期行为次数归一化。

也就是说，当前代码没有直接把每条行为的行为权重累加到标签兴趣中。文章标题里的“行为权重”和“标签兴趣”是两条相关但不同的计算链路，不能把它们写成一个已经统一训练过的模型。

标签兴趣怎样变成候选视频

有兴趣标签时，第一版会按标签权重扩充候选标签池。权重越高的标签，在候选池中出现的机会越多，再通过打乱顺序避免结果完全固定。

一个简化示例：

for (TagInterest interest : interests) {
    int quota = Math.round(interest.weight() * 10);
    for (int i = 0; i < quota; i++) {
        candidateTags.add(interest.tagId());
    }
}
Collections.shuffle(candidateTags);

这是按当前思路整理的脱敏示例，不是仓库源码原样复制。

服务随后按标签向内容服务查询视频，并使用集合过滤已经加入结果的内容。这里的“权重”主要影响候选机会，并不等于最终推荐概率经过严格校准。

没有兴趣数据时怎么办

新用户或游客没有足够行为，无法立即得到稳定的标签兴趣。如果此时强行个性化，只会制造没有依据的结果。

第一版采用分层回退：

有标签兴趣
    -> 按兴趣标签选择内容

没有标签兴趣，但有近期行为
    -> 查找近期行为视频的相似内容

没有可用行为
    -> 使用热门内容

个性化结果数量不足时，也由热门内容补位。这样至少保证页面有内容，同时把“个性化推荐”和“热门兜底”区分开。

视频相似度如何计算

第一版的视频相似度使用标签和分类，不分析标题语义、画面、音频或用户向量。

标签部分使用 Jaccard 相似度：

标签相似度 = 两个视频共有标签数 / 两个视频全部不同标签数

例如：

视频 A 标签：Java、Spring、MySQL
视频 B 标签：Java、Spring、Redis

交集：Java、Spring，共 2 个
并集：Java、Spring、MySQL、Redis，共 4 个
标签相似度 = 2 / 4 = 0.5

这仍是通用演算示例，不对应真实视频和标签。

分类部分更简单：同分类记为相似，不同分类记为不相似。当前综合规则可以写成：

综合相似度 = 标签相似度 × 0.7 + 分类相似度 × 0.3

只保存超过当前阈值的相似关系。权重和阈值是第一版规则，需要根据内容数量、标签质量和实际结果继续调整，不能把它们写成普遍适用的最佳参数。

为什么预先保存相似关系

如果每次打开视频详情页，都临时把当前视频和全部视频两两比较，数据量增加后会产生大量重复计算。

第一版使用定时任务计算相似关系并保存：

定时读取视频与标签
    -> 两两计算标签和分类相似度
    -> 过滤低于阈值的组合
    -> 保存双向相似关系
    -> 查询时按分数取前若干条

这样在线查询只需要读取已经计算的结果，再到内容服务获取视频详情。

不过两两比较的计算量会随着视频数量快速增加。当前任务还只处理有限范围内的视频，所以它适合第一版和当前规模，不能直接推导为大规模推荐系统方案。

首页为什么组合多种策略

只用兴趣标签容易让内容越来越单一，只用热门内容又无法体现用户差异。当前首页按页面位置组合基于内容的推荐与热门推荐，并在个性化结果不足时补充热门内容。

可以把目标理解为：

兴趣标签负责相关性；
视频相似度负责从近期行为继续扩展；
热门策略负责冷启动和结果补位；
去重负责避免同一视频反复出现；
不同页面使用不同组合，增加一定多样性。

这是一种规则编排，不是经过在线实验验证的排序模型。页面轮换也不等于真正解决了信息茧房，只是第一版中控制单一结果的一种简单办法。

第一版需要验证什么

我会先验证规则是否按设计执行，而不是直接评价“推荐准不准”。

行为与兴趣

各类行为是否被正确记录；
重复上报是否会放大分数；
近期时间窗口是否生效；
标签计数和归一化结果是否正确；
删除或下架视频后，历史行为如何处理。

相似度

无标签、单标签和完全相同标签能否正确计算；
同分类加分是否符合预期；
相似关系是否双向保存；
定时任务重复执行是否产生重复记录；
视频或标签变化后旧结果是否被更新。

第一版的边界

当前实现可以确认的是：推荐服务使用行为规则、近期标签兴趣、标签与分类相似度以及热门策略组织结果。

当前不能据此宣称：

使用了机器学习或深度学习模型；
建立了成熟的用户画像；
使用了协同过滤、向量检索或实时特征平台；
已通过 A/B 测试证明效果提升；
已在大规模数据和高并发条件下验证；
当前参数是最优权重。

推荐系统第一版的价值，是先把行为、兴趣、相似内容和热门兜底串成一条可运行、可解释、可检查的链路。等数据积累和验证方法更完整，再决定哪些规则值得保留，哪些部分需要更合适的算法。

现在已有 8 次阅读，0 条评论，0 人点赞