三分钟讲清：91官网想更对胃口？先把推荐逻辑这一步做对（细节决定一切）
开场一句话：再好看的界面、再丰富的内容，都比不过「在对的时间把对的内容推给对的人」。推荐逻辑，是留住用户、提高转化和延长生命周期的核心杠杆。下面用可落地的思路，把这件事拆成几步。
核心原则（一句话版）
- 把用户瞬时意图和长期偏好同时看见；既要实时响应，也要维护长期画像；
- 用简单稳健的信号先打基础，复杂模型做增量提升；
- 指标以留存和复访为导向，而非单次点击。
先做的五个步骤（实践路线） 1) 数据体检：梳理事件（曝光、点击、停留、收藏、转化）、用户属性、内容标签、上下文（时段、设备、来源）。没有这些，模型只是空谈。 2) 快速上线的基线推荐：热门+新鲜+地域/时段权重，结合简单的协同过滤或基于内容的相似度。这是立刻能见效的“保底层”。 3) 会话与实时信号接入：把最近200秒或本次会话的行为作为强信号（滑动窗口、序列特征），用以调整候选排序。 4) 排序与多阶段架构：候选召回（覆盖）→粗排（效率）→精排（效果）。最后一阶用学习排序（GBDT、点对点或基于深度的ranker）。 5) 持续评估与试验平台：线上A/B、离线回放、反事实评估。监控CTR、留存、次日/七日复访、ARPU。
细节真的决定一切（工程与算法小贴士）
- 冷启动：内容侧用标签+元数据聚类，用户侧用来源渠道+注册行为做暖启动画像。
- 多样性与新颖性：对top-N做重排约束，避免“热门循环”导致审美疲劳。
- 负样本采样：训练时别只用未点击作为负样本，要按曝光做区分，减少偏差。
- 特征工程：归一化、交叉特征、时间衰减权重能显著提升效果。
- 在线学习与延迟：用户偏好变化快，适当权衡模型更新频率与稳定性。
- 可解释性：给用户简单可控的“我不感兴趣/更多类似”操作，既提升体验，也生成高质量信号。
常见坑（避雷清单）
- 只追求点击率，忽视长期留存和用户主观满意度；
- 忽略冷门内容的曝光，导致内容生态单一；
- 盲目堆模型复杂度，基础数据质量或业务接入没做好，收益有限；
- 模型评估只看离线指标，线上反而波动大。
衡量成功的核心指标
- 次日/七日留存、7日内平均会话数；
- 内容消费深度（单次停留时长、连览数量）；
- 内容池的曝光分布（热门与长尾的占比）；
- 用户主动操作率（订阅、收藏、反馈）。
