从“人找片”到“片找人”
十年前打开一个影视站点，第一件事是在搜索框里敲下片名。你不知道有什么可看，只能靠朋友推荐、论坛帖子和零散的榜单一点点拼。现在顺序反过来了：首页还没加载完，一排排封面已经摆在那儿，等着你点进去。变化的核心，是从“人找片”变成了“片找人”。这件事听起来简单，背后却是一整套关于取舍的工程。
推荐系统到底在看什么
一个成熟的智能推荐模型，通常会同时参考三类信号。第一类是显性信号，比如你的评分、收藏、搜索词，这些是你主动告诉系统的；第二类是隐性信号，比如你在某张卡片上停留了多久、看到第几集退出、有没有反复拖进度条，这些是你不经意间透露的；第三类是环境信号，比如你打开页面的时间段和设备类型。
三类信号加权之后，才会生成你看到的那一排封面。很多人以为推荐只是按热度排序，其实热度只在冷启动阶段占较大权重。等系统对你有了足够了解，个性化的比重会迅速超过大众热度，这也是为什么同一个页面在不同人眼里长得完全不一样。
冷启动：前三十分钟决定一切
新用户打开平台的前三十分钟，是整个推荐链路里最脆弱的环节。此时系统对你一无所知，只能靠默认策略兜底。常见做法是先推一批覆盖面广、口碑稳定的内容，同时快速收集你的点击反馈。
如果这半小时里你连续三次划走推荐，系统后面就需要更长时间才能纠偏。所以真正拉开差距的，不是算法多复杂，而是冷启动阶段敢不敢给用户多样化的选择。太保守，用户觉得无聊；太激进，用户觉得莫名其妙。
标签颗粒度之争
分类标签是推荐系统的骨架。标签太粗，用户点进“爱情”之后看到的全是同质内容，很快就会腻；标签太细，又会出现每个标签下只有几部作品的尴尬局面。比较稳妥的做法是分层：大类保持稳定，细分标签随内容量动态增减。这样既能保证导航清晰，也能让长尾内容找到属于自己的位置。
算法之外的人情味
再好的模型也有失灵的时候。有人就是想随便看看，有人只想重温一部老片，有人根本不知道自己想看什么。这时候编辑人工挑选的片单反而更管用——它不追求命中率，追求的是意外之喜。算法负责效率，人工负责惊喜，两者配合，一个平台的内容生态才算完整。