推荐算法不是纸上谈兵
做推荐系统这行几年了，从最早的协同过滤做到现在的深度学习模型，踩过的坑比走过的路还多。很多人一上来就想搞个“完美”模型，结果跑不通、推不准、用户还不买账。今天不讲理论，就说说我实际项目里怎么一步步把推荐系统跑起来的。
数据准备：别急着建模，先看清楚你的“食材”
很多团队一立项就冲着模型去，其实80%的问题出在数据上。我之前接手一个电商项目，日志看着挺全，结果发现用户点击记录里夹杂大量机器人流量，直接拿这种数据训练，推荐出来全是冷门商品。
建议第一步先做简单的统计分析：
import pandas as pd
# 查看用户行为分布
df = pd.read_csv('user_actions.csv')
print(df['user_id'].value_counts().describe())
print(df['item_id'].value_counts().describe())如果发现少数用户占了大部分行为，或者少数商品被反复点击，就得考虑采样或加权策略，不然模型会被“头部效应”带偏。
从简单模型开始：别一上来就上DeepFM
新项目上线，我一般先用ItemCF（基于物品的协同过滤）跑一轮。虽然老派，但稳定、可解释性强，而且部署成本低。
比如一个视频平台，用户看完一个科技视频，系统就推荐“和这个视频最相似的5个”。实现起来也不复杂：
from sklearn.metrics.pairwise import cosine_similarity
# 假设item_user_matrix是物品-用户交互矩阵
similarity = cosine_similarity(item_user_matrix)
# 获取与物品i最相似的top_k物品
similar_items = similarity[i].argsort()[-top_k-1:-1][::-1]这个模型上线快，资源消耗小，适合验证推荐逻辑是否成立。等跑通了再逐步升级到矩阵分解或双塔模型。
特征工程比模型结构更重要
有一次我们换了个更复杂的模型，AUC涨了0.02，但线上转化率反而跌了。后来发现是忽略了时间衰减——三天前的点击和三分钟前的点击权重一样，导致推荐一堆旧内容。
加入时间衰减后效果立竿见影：
import numpy as np
# 时间衰减函数
def time_decay(timestamp, base=3600*24): # 按天衰减
delta_t = current_time - timestamp
return np.exp(-delta_t / base)类似的还有地理位置、设备类型、用户活跃度等特征，往往比换个loss function更管用。
线上服务别忽视延迟和缓存
模型再准，接口响应超过300ms，用户早就划走了。我们有个新闻推荐接口，初期每次请求都实时计算TopN，QPS一高就卡。
后来改成预计算+缓存策略：每小时离线算好每个用户的推荐列表，存入Redis，接口直接查。虽然实时性差一点，但95%的请求都能在50ms内返回，用户体验反而更好。
AB测试才是最终裁判
别信离线指标。AUC高不代表用户爱点，CTR高也不代表能留住人。我们试过一个模型，点击率涨了15%，但次日留存降了3%。最后发现是因为推了一堆标题党内容。
现在我们上任何新策略，至少跑三天AB测试，核心看三个指标：点击率、人均阅读时长、回访率。只有这三个都稳住或提升，才算真正有效。
写在最后
推荐系统不是一锤子买卖，而是持续迭代的过程。用户口味会变，数据分布会漂移，昨天有效的策略今天可能就失效了。保持对数据的敏感，从小处改起，比追求“大招”更靠谱。