政策快报平台的核心功能之一是“智能推荐”——把用户可能感兴趣的政策推送到他面前而不是让他自己去搜。推荐系统上线第一天逻辑很简单用户选了“制造业”系统就把所有带“制造业”标签的政策推给他。当时推荐点击率只有12%左右。现在的推荐点击率稳定在38%以上。从12%到38%经历了多次迭代。今天复盘推荐系统从0到1的搭建过程以及几次关键优化的逻辑。4个关键阶段阶段一基于标签的推荐V1.0逻辑用户注册时选择行业和地区系统按这些标签匹配政策。优点简单直接技术门槛低冷启动友好新用户注册即有推荐。缺点标签太粗匹配精度有限用户很快觉得“推的东西跟我关系不大”。点击率约12%阶段二基于关键词的推荐V2.0逻辑在标签基础上增加了关键词设置。用户可以设置3-5个关键词系统优先推送标题或正文包含这些词的政策。优点比纯标签匹配更精准。缺点用户不会设关键词大部分用户注册完就走了而且关键词匹配方式死板政策里写的是“专项资金”但用户设的是“补贴”匹配不上错过很多机会。点击率约18%阶段三基于行为的推荐V3.0逻辑不依赖用户手动设置而是观察用户行为。用户在平台上点击了哪些政策、搜索了什么词、停留了多久、收藏了什么——这些行为被用来推断用户的真实兴趣。具体做法用户点击一条政策系统记录该政策的行业标签和关键词更新用户画像权重用户搜索一个词系统记录该词作为用户兴趣信号用户收藏一条政策该政策的相关标签权重加倍优点用户不需要主动设置系统自动学习。行为比问卷更能反映真实需求。缺点新用户没有行为数据冷启动问题突出。点击率约28%阶段四基于语义的混合推荐V4.0逻辑针对新用户冷启动问题注册环节引导用户选择更细粒度的标签三级行业分类。对老用户结合行为数据和政策语义向量计算用户与政策的匹配度。具体做法新用户注册时选择三级行业标签企业规模生成初始画像老用户行为数据语义向量匹配持续更新画像混合排序相关性得分 × 时效性权重 × 用户行为权重点击率约38%技术架构text复制下载用户请求 → 召回阶段 → 候选集 → 排序阶段 → 返回结果 召回策略 - 标签匹配召回行业、地区 - 行为相似召回同标签用户点击过的政策 - 语义向量召回用户画像向量 × 政策向量 - 热度召回近期热门政策兜底 排序特征 - 相关性得分标签匹配度、语义相似度 - 时效性得分发布天数、截止日期 - 行为得分用户历史点击、收藏权重 - 质量得分政策热度、用户互动效果数据版本核心逻辑点击率V1.0标签匹配12%V2.0关键词匹配18%V3.0行为学习28%V4.0语义混合38%几条经验经验一从简单开始逐步迭代。V1.0虽然简陋但上线就能用且积累了用户数据为后续优化打基础。如果一开始就想做V4.0可能半年都上不了线。经验二行为比问卷更真实。用户自己选的标签和实际点击的内容往往不一致。行为数据比问卷数据更能反映真实需求。经验三新用户用规则老用户用模型。新用户没有行为数据靠注册信息做规则推荐冷启动方案。老用户行为丰富用模型推荐个性化方案。政策推荐系统的核心目标不是“用户点得越多越好”而是“用户找到他需要的政策”。这两个目标有时候是一致的有时候不一致。点击率是手段用户留存才是目的。