什么是推荐算法？

推荐算法，简单说就是帮你从海量信息里，自动挑出你最可能感兴趣内容的一套计算规则。

一、用大白话讲

你刷短视频、看商品、听音乐、读文章时，
平台不会把所有内容乱序丢给你，而是：
猜你喜欢 → 只给你看这些 → 你越用越准

这套“猜你喜欢”的逻辑，就是推荐算法。

二、它一般靠什么判断？

常见思路有几类：

1. 基于你的行为
   你点过、看过、搜过、停留久、点赞、收藏、买过什么。

2. 基于相似的人
   跟你喜好很像的一群人，他们喜欢的，也推给你。

3. 基于内容本身
   内容标签：美食、搞笑、科技、穿搭、年龄、性别、关键词等。

4. 实时+全局热度
   现在大家都在看什么、什么刚火起来，适当掺进去。

最后把这些信息加权、打分、排序，
分数越高，越先出现在你面前。

三、生活里到处都是

• 抖音/快手/小红书：刷到的内容流
• 淘宝/京东/拼多多：猜你喜欢、首页推荐
• 网易云/Spotify：每日推荐歌单
• 新闻APP：给你推的热点和关注内容

一句话总结：
推荐算法 = 大数据 + 你的偏好 + 数学模型 = 精准“猜你喜欢”。

请提供国内应用推荐算法的实例，比如:今日头条

下面给你几个国内主流App的推荐算法实例，用大白话讲清楚它们怎么“猜你喜欢”。

一、今日头条（字节系）

核心：内容信息流+用户兴趣建模

• 数据来源：阅读时长、点赞、评论、转发、不感兴趣、搜索、订阅、关注账号
• 算法流程：
  1. 召回：从百万级文章里，用双塔模型快速筛出几千条“可能感兴趣”的
  2. 排序：用Wide&Deep模型给候选内容打分，综合完播/停留/互动
  3. 打散+多样性：避免同类内容扎堆，加入少量新领域内容防“茧房”
  4. 实时更新：每刷一次都重新计算，越用越准
• 一句话：你看什么、停多久、点不点赞，决定下一页给你推什么

二、抖音（字节系）

核心：短视频沉浸式推荐+长期用户价值

• 数据来源：完播率、点赞、评论、分享、不感兴趣、停留、关注、搜索、合拍
• 算法流程（官方公开）：
  1. 召回：双塔模型匹配用户向量与视频向量，快速捞出候选
  2. 排序：Wide&Deep打分，优先高完播、高互动、高停留
  3. 兴趣探索：强制掺10%–20%新领域内容，避免越刷越窄
  4. 实时反馈：划走=不喜欢，看完=喜欢，秒级更新推荐池
• 一句话：算法盯着你“停不停、滑不滑、点不点”，给你推最让你停住的视频

三、淘宝（电商）

核心：商品个性化+消费意图预测

• 数据来源：浏览、加购、收藏、购买、搜索、停留、复购、评价、跨App行为
• 算法亮点：
  • RecGPT大模型：分析十年消费行为，预判未来需求（如买婴儿床→推奶粉）
  • 协同过滤：“买过A的人也买了B”
  • 多目标排序：点击率、转化率、客单价、复购率一起算
  • 上下文：时间、地点、节日、天气影响推荐（如雨天推雨具）
• 一句话：你搜过、加过、买过什么，淘宝就给你推“你可能还想要”的商品

四、美团（本地生活）

核心：LBS+场景化+即时需求

• 数据来源：位置、浏览、下单、收藏、评价、时段、天气、商圈
• 算法逻辑：
  • LBS优先：优先推你附近3km内商家
  • 场景匹配：早/中/晚/夜宵时段推不同品类
  • 行为协同：“点过奶茶的人也点了炸鸡”
  • 多样性：同品类打散，避免全是火锅/烧烤
• 一句话：你在哪、几点、爱吃啥、常点啥，决定首页给你推哪家外卖/团购

五、网易云音乐（音乐）

核心：听歌偏好+相似推荐+每日歌单

• 数据来源：播放、收藏、下载、红心、跳过、评论、歌单、搜索
• 算法：
  • 协同过滤：“喜欢这首歌的人也喜欢那首”
  • 内容特征：曲风、歌手、年代、歌词、情绪
  • 每日推荐：基于长期+近期行为，生成30首专属歌单
• 一句话：你听什么、循环什么、跳过什么，决定每日推荐给你什么歌

六、小红书（内容+电商）

核心：兴趣标签+社区协同+种草转化

• 数据来源：浏览、点赞、收藏、评论、搜索、关注、购买
• 算法：
  • 标签匹配：美妆/穿搭/美食/旅行等标签精准匹配
  • 协同过滤：“收藏这篇笔记的人也收藏了那篇”
  • 种草转化：笔记→商品链路，优先推高转化内容
• 一句话：你搜美妆、看穿搭、收藏美食，首页就给你推同类“种草”内容