用户兴趣建模：数据与特征陷阱

这道题本质上是问我们怎么把用户零散的行为信号，转化成能实时响应用户口味变化的推荐系统。我理解它的核心挑战在于两个：一是兴趣是动态的，今天喜欢美妆明天可能就迷上露营了；二是工程上要在效果和成本之间做取舍。

先说数据收集。我会把它分成三层来抓：行为层，就是点击、点赞、收藏这些，特别是完播率，在小红书这种内容平台是很强的兴趣信号；内容层，笔记的图文、标签、[[OCR]]文本甚至视觉特征，我会抽成[[多模态]][[embedding]]；社交层，关注关系、互动频次和社群归属。处理链路我用Flink做实时清洗，然后分流：一份进离线数仓做天级特征，一份留在流里做分钟级兴趣更新。

特征工程这块，我分静态画像、动态兴趣和演化特征。静态就是人口属性、注册来源，月级更新就行。动态兴趣是核心，比如用户最近50条点击序列和实时浏览的topic分布，分钟级刷新。演化特征比较有意思，像兴趣漂移速度、话题跨度，这些能判断用户是不是在探索新领域，天级更新就够了。关键技巧是时间衰减加权，近期行为权重指数级提升，不然三个月前点的健身视频还在推，用户早腻了。

算法选型上，我坚持多路召回加精排。召回层我会上协同过滤的ItemCF，捕捉“看了又看”的关联；向量召回用[[双塔]]模型，用户embedding实时更新；再加上图召回，基于社交关系的GraphSAGE。精排层主模型用DeepFM或者DIN，DIN的好处是能通过注意力机制处理行为序列，把用户最近对什么感兴趣显式地建模出来。多目标优化我会用MMoE结构，同时优化点击、互动和时长，因为只优化点击容易推标题党。

模型更新策略我分层处理。全量更新每周或每月一次，基模型重训，捕捉长期趋势。增量更新每天跑，用新增样本finetune，快速收敛。实时更新是分钟级的，用户embedding在线刷新，应对突发兴趣，比如突然刷到某个明星同款。工程上有个坑：精排模型天级更新就够了，但用户向量必须通过参数服务器实时推送，这样才能做到“刷完即影响下次推荐”。如果向量更新不及时，用户刚点了一篇露营笔记，下次刷新还在推美妆，体验就很差。

这里我想提一个延伸点：当用户兴趣短期剧烈波动时，比如大促期间从理性购物变成冲动消费，模型很容易过拟合短期行为，导致推荐结果变得很窄。我倾向于在实时更新时引入一个探索与保守的平衡因子，比如用贝叶斯方法动态调节历史行为和新行为的权重，避免兴趣窄化。

所以整体上，我更倾向把兴趣建模看成一套分层响应系统：底层用全量更新保证基础质量，中间层用增量更新快速适应，顶层用实时更新捕捉脉冲。前提是数据质量要过关，埋点得有足够的唯一标识和时间戳，不然实时更新再快也是垃圾进垃圾出。