推荐和风控中大量决策本质上是概率判断。条件概率描述在已知某事件发生的前提下另一事件发生的可能性，是理解用户行为和模型输出的基础工具。
贝叶斯公式把先验概率和似然结合得到后验概率。用户点击某类内容的先验很低，但看到好友点赞这一证据后，后验概率会上升。推荐系统融合多路信号，本质上就在做类似更新。
贝叶斯思维的价值在于区分先验和证据。新用户缺乏行为时，先验（热门内容）占主导；行为积累后，证据权重上升。理解这一点，就能解释冷启动策略为何要分阶段调整。
条件独立假设简化了计算，但现实中特征往往相关。朴素贝叶斯因此校准偏差，概率绝对值不可全信，但排序能力常仍可用。使用时要知道假设边界。
概率不是确定性结论。模型输出 0.7 的点击概率，意味着类似场景约七成会点击，不是这次一定点击。用概率思维看待模型输出，才能正确设计阈值和融合策略。
