推荐系统的起点不是算法，而是数据。用户、物品和用户对物品的行为，构成了推荐问题的三条边。用户画像记录年龄、偏好等属性，物品画像记录类别、标签等信息，行为数据则连接两者，是系统最核心的信号来源。
显式行为包括评分、点赞、收藏，用户主动表达喜好；隐式行为包括点击、浏览时长、滑动，系统从动作中推断兴趣。隐式行为量大但噪声高，需要结合场景和停留时间做加权处理，不能简单等同为用户喜欢。
这三类数据需要统一的标识体系。用户 ID、物品 ID 和行为时间戳是串联日志的主键，缺失或错位会导致样本错配，让模型学到错误关联。数据质量的下限，往往决定推荐效果的上限。
理解这个三角关系后，再看协同过滤、内容召回或深度模型，本质上都是在用不同方式刻画用户与物品之间的匹配程度。数据先行，算法随后，这是推荐工程的常识。
