个性化 Feed 与重排序：从热度榜到千人千面的时间线

问题 1：马太效应
  大 V 内容永远霸榜，长尾创作者的内容被淹没
  → 新创作者没有曝光，生态活力下降

问题 2：兴趣错配
  关注了科技内容，但时间线塞满无关热点
  → 用户刷着刷着流失

问题 3：新用户冷启动
  没有关注任何人，时间线空无一物
  → 只能用「全局热点」顶一下，体验差

个性化的收益：
□ 人均时长：内容相关性提升 → 刷得更久
□ 长尾激活：小众兴趣被覆盖 → 创作者留存上升
□ 商业价值：精准曝光 → 广告/付费转化更高

1. 候选生成（Candidate Generation）
   关注流 + 热点流 + 兴趣流 → 合并候选池（几十~几百条）
2. 特征工程（Feature）
   用户特征 + 内容特征 + 交互特征 + 实时信号
3. 粗排（Coarse Ranking）
   轻量模型/规则 → 从几百条筛到几十条
4. 精排（Fine Ranking）
   深度模型逐条打分 → 排序
5. 后处理（Post-processing）
   多样性约束、频控、已读去重、置顶规则
6. 写入时间线缓存，返回客户端

性能要求：
□ 单次刷新 < 100ms（含缓存命中）
□ 特征在线获取要有本地缓存（特征服务）
□ 粗排轻量、精排限量，避免全部过深度模型

显式信号（用户主动表达）：
□ 关注列表：最强烈的兴趣声明
□ 屏蔽/不感兴趣：负向信号
□ 标签/话题订阅：明确兴趣点

隐式信号（行为推断）：
□ 点击/点赞/转发/评论：不同强度的正反馈
□ 阅读时长：深度兴趣的代理指标
□ 停留位置：滚动深度
□ 收藏/分享：高质量兴趣

画像存储：
□ 用户兴趣向量（embedding）→ 向量库
□ 兴趣标签带权重（topic: {权重, 更新时间}）
□ 兴趣要衰减：老兴趣权重随时间衰减

信号权重示例：
关注 = 1.0，点赞 = 0.6，转发 = 0.8，评论 = 0.7，阅读>30s = 0.4，点击 = 0.2，曝光未点 = -0.1

路 1：关注流（最强信号）
  关注用户最近 N 条内容 → 基础候选
  大 V 限流：每个关注者最多取 K 条，防霸占

路 2：热点流（兜底）
  全局/分话题热点榜 → 补充活跃内容
  适合冷启动用户与低活跃用户

路 3：兴趣流（个性化扩展）
  用户兴趣标签 → 召回对应话题/相似内容
  embedding 召回：内容向量 ≈ 用户兴趣向量

路 4：社交扩展（可选）
  共同关注/二度关系 → 发现新内容源

候选合并：
□ 各路候选打标（来源路名），供后处理/评估使用
□ 去重：同一内容只保留一次
□ 候选上限：每路有配额，防止单路霸占

静态特征：
□ 内容：作者粉丝数、内容长度、媒体类型、标签
□ 用户：注册时长、活跃度、历史互动率

实时特征（在线计算/缓存）：
□ 内容实时热度：近 1h/6h/24h 的互动速度（非总量）
□ 作者实时状态：是否在线、近 1h 是否活跃
□ 用户-内容关系：历史对该作者的互动率
□ 新鲜度：内容的 age（分钟级），衰减因子

特征服务：
□ 特征以 KV 缓存提供（Redis/内存），避免查库
□ 特征版本管理，离线训练与在线使用保持一致

实时热度公式示例：
hot_score = ln(1 + 近1h互动数) * 新鲜度衰减
新鲜度衰减 = exp(-age_hours / T)   # T 按内容类型不同

粗排（几毫秒/条）：
□ 轻量模型：LR / 浅层 DNN / 规则打分
□ 目标：快速筛掉明显不相关的候选
□ 特征：用少量核心特征（热度、关注、兴趣相关性）

精排（几十毫秒/条）：
□ 深度模型：DIN / DIEN / 双塔 + 注意力
□ 目标：精确预估点击/时长/互动概率
□ 特征：全量特征 + 交叉特征

目标函数：
□ 单点目标：预估 pCTR（点击率）
□ 多目标：pCTR + pDuration + pEngage 加权
□ 排序分 = f(pCTR, pDuration, pEngage, 新鲜度, 多样性)

工程注意：
□ 特征一致性：在线打分必须用训练时同版本的特征
□ 模型上线：离线 AUC/GAUC 提升 → 在线 A/B 验证
□ 推理成本：精排只对粗排后的 Top-K 做

多样性约束：
□ 话题/Tag 去重：同一话题最多出现 K 条
□ 作者去重：同一作者最多出现 N 条（防霸榜）
□ 内容类型均衡：纯文字/图片/视频 混合

频控（Repetition Control）：
□ 用户已读内容不重推（seen list）
□ 展示过的内容降权（衰减重推概率）
□ 同一内容短时间不重复出现

去重与置顶：
□ 全局去重：同一内容在多路召回里只留一条
□ 置顶规则：官方公告/关注的特别事件 → 强制置顶（不走排序）

MMR 思路（最大边缘相关）：
score = α * 相关度 - (1-α) * max(与已选内容的相似度)
→ 平衡「相关」与「多样」

新用户冷启动：
□ 引导选择兴趣标签（最直接的信号）
□ 用注册信息推断（手机号地区/邀请人）
□ 先用「热点 + 热门长尾」混合推荐
□ 快速收集前几十次行为 → 快速建立画像

新内容冷启动：
□ 给小流量曝光机会（探索配额）
□ 用作者历史质量做先验
□ 提升期给内容加探索权重

探索-利用（E&E）：
□ 利用（Exploitation）：按模型排序
□ 探索（Exploration）：给低曝光但高潜力的内容机会
□ 实现：ε-greedy、UCB、Thompson sampling

探索的实现示例：
explore_score = 利用分 + λ * (不确定性/曝光次数)
→ 曝光越少、不确定性越高，越值得给机会

离线指标：
□ AUC / GAUC：排序质量
□ 覆盖率：长尾内容被推荐的比例
□ 多样性指标：话题/作者分布熵

在线指标（A/B）：
□ 核心：人均时长、7 日留存、互动率
□ 辅助：曝光到点击率（pCTR 校准）、次留
□ 防副作用：广告收入、创作者活跃度

实验机制：
□ 分桶实验：按用户 hash 分桶，桶间互不可见
□ 灰度节奏：1% → 5% → 25% → 100%
□ 指标护栏：时长涨了但留存跌了 → 不通过

上线决策：
□ 离线指标 + 在线 A/B 双确认
□ 单实验至少 7 天，跨完整周末
□ 结果显著性用置信区间判断，不只看均值