作者通行教材
（版本众多，未指定）
推荐系统的核心任务只有一句话：把合适的内容推给合适的人。而它真正的难点，是在用户兴趣、内容供给与商业目标之间做多目标权衡。
一句话总览 + 关键事实六格
这本书真正的中轴线，是"为谁优化"
| 维度 | 相关性导向 | 价值导向 |
|---|---|---|
| 优化对象 | 用户当下的点击/观看 | 用户长期价值 + 内容生态 + 商业目标 |
| 主指标 | 点击率、时长 | 转化、留存、多样性、健康度 |
| 风险 | 信息茧房、标题党得势 | 短期数据未必好看，需权衡 |
| 新增内容 | 只推"已被验证喜欢"的 | 主动探索新内容，养生态 |
| 难点 | 容易被"刷分"钻空子 | 多目标互相打架，难定权重 |
把绕不开的六个名词，翻成"人话 + 类比"
两类思路：基于用户（"和你相似的人还喜欢 X"）、基于物品（"买过 A 的人常买 B"）。核心是"众人智慧"——用群体的行为来预测你。
把"用户×物品"的大表格，拆成两组更小的"隐藏特征"（比如你偏数码、偏低价，商品偏数码、偏高客单），用这些隐藏口味去补空白、做预测。
一个刚注册的人、一个刚上架的商品，系统没有任何行为数据可参考，推荐的"地基"是空的——这是教材里反复强调的硬骨头。
当行为数据不够，就靠内容本身的特征（类目、关键词、价格带）和用户画像（地域、历史偏好）来补。画像越准，冷启动越容易熬过去。
通常分两步：先从海量内容里"召回"候选，再用模型给候选打分排序。打分不只看点击，还要兼顾转化、时长、多样性等多个目标。
若只追"你爱看什么"，系统会把你困在越来越窄的同质内容里；同时训练数据里的社会偏见，也会被系统学走并放大。这是价值导向要对抗的东西。
通行教材一般沿着"从基础算法到工程难题"的顺序展开
先讲清楚"推荐系统要解决什么"：在信息过载里做匹配，以及电商、内容、广告等场景的目标差异。
先定义，再解题从最直觉的"看邻居"方法讲起，包括相似度怎么算、矩阵稀疏带来的问题。
推荐系统的起点把协同过滤升级为"学隐藏特征"的建模思路，缓解稀疏、提升泛化，是工业界长期的主力方法之一。
从"记行为"到"学口味"专门处理"没数据时怎么办"：靠内容特征、用户画像、试探性曝光来破冰。
没有数据也得开工从"召回候选"到"综合打分排序"，并讨论点击、转化、时长、多样性等多目标如何调和，以及探索与利用的取舍。
多目标打架是日常讲怎么衡量好坏（准确率、召回率、AUC、NDCG 等概念级指标），并正视信息茧房、反馈偏差、公平性等副作用。
不仅要准，还要负责任据通行知识体系概述，措辞非原文直引；拿不准的已降级为概括句
该领域一个被广泛接受的核心判断是：推荐系统的根本挑战，不在于"预测得准"，而在于"在用户、内容与平台的多重目标之间取得可被接受的平衡"。
教材普遍强调：冷启动是推荐系统绕不开的硬骨头——当新用户或新物品没有任何行为数据，再好的模型也失去了"地基"。
通行体系反复提示：若只优化"用户当下想看"，系统会逐步把人困在同质内容里——信息茧房是单目标优化的自然副产品。
该领域主张：评估推荐不能只看点击率一类指标，还要看召回、排序质量（如 NDCG）与长期健康度——单看一个点会误导方向。
教材常指出一个张力：系统的表现高度依赖用户反馈数据，而反馈本身又会被系统"喂给什么"所塑造——于是出现自我强化的偏差循环。
6 条，每条对应书里的一个概念
选品、定价没把握时，先看"和你最像的那批卖家/用户"在怎么做——基于用户的协同过滤，本质就是"找相似样本借经验"。
对应：协同过滤新品零数据也能被推，靠的是"类目/场景/价格带"这些特征。上架时把属性填全、写准，等于帮系统跨过冷启动这道坎。
对应：冷启动与内容特征只盯点击率会养出标题党，只盯 GMV 会牺牲复购。像多目标排序那样，给自己定 2–3 个互相牵制的指标，才不会跑偏。
对应：排序与多目标系统要拿一部分流量试没验证过的内容（探索与利用）。你的选品和投放也该留一小块预算去试新，别全压在"已被证明"的老路。
对应：探索与利用你刷到的竞品情报、行业观点，也可能是算法喂出来的同质信息。主动换来源、看对立面，避免把"算法让你看到的"当成"全貌"。
对应：信息茧房你推什么，用户就反馈什么，于是你更信那套——这是反馈偏差。复盘时要问：这个结果，是市场真这样，还是我被自己的动作塑造的？
对应：反馈偏差四类读者 + 读前提示（诚实版）