推荐系统的第一步不是模型，而是数据常识。用户点击、停留、滑过都是行为信号，但信号有噪声。先弄清曝光与点击的区别，才能判断哪些数据可信，哪些只是偶然。
数据清洗决定了系统上限。重复行为、机器人流量、极端活跃用户都会扭曲统计结果。常见做法是按时间窗口去重、按用户分层过滤，并保留原始日志以便追溯。
排序环节通常分召回与精排。召回从海量内容中粗筛候选，精排再按预估点击率打分。两阶段设计是为了在效果与算力之间取得平衡。
最终排序分数常是点击率与业务权重的组合。理解这条链路，才能定位效果问题的真正来源：是数据脏了，还是排序权重失衡。
