推荐系统的起点是用户行为数据，点击、停留、收藏、购买都是原始信号。把这些信号整理成用户-物品交互矩阵，是推荐算法的第一课。理解数据形态，比急着调模型更重要。
协同过滤基于一个朴素假设：相似用户喜欢相似物品。用户-based 找相似用户，物品-based 找相似物品，各有适用场景。数据稀疏时效果会下降，需要引入内容特征做补充。
排序阶段通常分粗排和精排。粗排从海量候选中快速筛出几百个，精排用复杂模型精细打分。两阶段设计是工程与效果的折中，理解这个分层才能做好推荐。
最终展示还要考虑多样性和新鲜度，不能只按分数排序。规则打散、去重、探索流量都是常见手段。推荐是数据、算法与产品目标的综合平衡。
