构建推荐系统不一定要从复杂的模型开始，文本处理是其中最实用、最容易上手的切入点。关键在于：把用户行为、物品描述、上下文信息这些非结构化文本，转化成能被算法理解的向量，并让相似性计算真正反映业务逻辑。
用TF-IDF+余弦相似度快速搭建内容推荐基线
这是最经典也最有效的文本推荐起点。适合新闻、商品详情页、短视频标题等以文本描述为主的场景。
- 对物品（如文章）的标题、摘要、标签做分词，过滤停用词，保留有意义的关键词
- 用TF-IDF将每篇文档转为固定长度的稀疏向量（sklearn的TfidfVectorizer可直接实现）
- 离线预计算所有物品两两之间的余弦相似度，存为邻接表或FAISS索引
- 给用户推荐时，取其最近点击/收藏物品的Top-K相似物品，去重合并后按相似度加权排序
注意：TF-IDF本身不理解语义，但胜在稳定、可解释、训练快。上线前建议人工抽检10条推荐结果，看是否“看起来合理”——这是比AUC更早发现问题的方式。
引入用户行为序列提升个性化程度
纯内容相似容易陷入“标题党推荐”，加入用户真实交互行为能显著纠偏。
- 把用户近期点击/停留/分享的物品ID序列，映射为对应TF-IDF向量的平均值，得到“用户兴趣向量”
- 也可用Word2Vec或Sentence-BERT对物品文本做嵌入，再用简单RNN或Attention聚合用户行为序列
- 推荐时不再只匹配物品-物品相似度，而是计算“用户向量 vs 候选物品向量”的内积，更贴近个体偏好
例如：一个用户连续看了3篇“Python爬虫入门”“Requests库详解”“XPath语法总结”，系统应优先推“Scrapy框架实战”，而不是仅靠标题相似度推“Java网络编程”。
轻量融合规则与统计特征防badcase
纯向量计算容易忽略业务约束。加几条硬规则和统计信号，效果立竿见影。
- 冷启动物品：没有交互数据？用类目热度+发布时间衰减因子临时打分
- 过滤机制：屏蔽用户已读/已购/黑名单类目；限制单日同主题推荐不超过2条
- 多样性控制：用MMR（Maximal Marginal Relevance）在相关性和新颖性间折中，避免连推5条“iPhone15评测”
- 实时反馈：用户跳过某推荐？下一轮立即降低该物品及其语义近邻的权重
这些不是“锦上添花”，而是上线第一天就该有的兜底能力。
逐步过渡到微调小模型，不追求大而全
当TF-IDF+规则方案稳定跑通且有明确瓶颈（比如长尾物品推荐不准、多语言混杂），再考虑升级。
- 优先试Sentence-BERT微调：用业务内的点击日志构造正样本（用户点击A→B）、负样本（随机采样
未曝光物品），在公开中文SBERT基础上继续训练
- 不急着上Graph Neural Network或双塔DNN——多数中小团队80%的收益来自把文本清洗、分词、停用词表、向量归一化这些细节做扎实
- 上线前务必做AB测试：新模型只需在5%流量上对比老策略的CTR、完播率、停留时长，而非盲目追求离线指标提升
基本上就这些。文本推荐的本质不是堆模型，而是让机器读懂你写的那几行标题、简介和用户留下的那串点击痕迹。
未曝光物品），在公开中文SBERT基础上继续训练