前言

推荐系统在当今时代已然成为网络生活不可忽视的一部分。时常可以得见犹如无数巧合重叠般的推送结果，昨日刚听闻新品爆红，今日便可刷到此品优惠：这就是推送算法的力量。
那么，在当今时代，了解如何正确利用这一系统就显得尤为重要了。因此，我在这里以我个人的一点力量做些分析，然后谈谈我个人的使用心得。
本计划本文是单篇的，最后还是决定分为多篇章。你现在看到的这一篇是第一篇。

在本篇章中我们主要描述技术原理和我的个人理解。

推送的技术原理

本文此处大量参考 美团推荐算法实践 - 美团技术团队 进行书写，并加入个人自身理解

表象

推送给我们带来的直观感受显而易见。今天刷到一个信息停滞一会，第二天就能看到一堆相关信息。时不时还能突然发现熟悉的好友也在某某社交平台发视频，而平台犹如精准投送一样询问她/他是否是你“你熟悉的人”。

从行为出发

数据乃算法、模型之本
各类平台凭借众多使用者，大量产生了行为数据。从使用的人的行为，可以暗示他们的意图。

我们不妨如此假设。如果你今天搜索了“猫”，这对平台意味着什么？你可能是个喜欢猫的人，可能是云吸猫，也可能是你刷到了一些关于猫的梗图想要了解。你点开了第一个搜索结果，是关于可爱的猫咪对主人撒娇的视频。这一点，可以体现你的目的更加贴近于想要吸猫。
进入视频之后，你完整的刷完了15秒的视频三轮，打开评论区评价了想要你自家的猫咪也可以更黏人一些。你评论了视频，还让视频反复播放，这就侧面体现了你真的很喜欢这一类的内容。这便是正反馈数据，体现你对这一类内容的喜爱。

反之亦然。如果你刷到了一个关于猫的视频，但是你觉得这只猫对你反复哈气，不太喜欢，快速的划过了。对于平台，快速划过视频便暗示了你不喜欢这种类型的猫视频，对他形成了负反馈，你不喜欢这种视频。

行为，侧面反映了使用者的心理。

再量化行为

但单靠这些孤立的行为是无法定义一个视频、一篇推文，更是无法定义一个人的特质的。我们常说推送是依赖“用户画像”，不过要我来说，用户画像更像是一个橡皮泥做的精致雕塑。一些如同前文所提到的基本数据，再加上一些处理过的数据，在使用过程中不断重塑修改原本的刻画，让这些内容更加贴近人心中他们的类别。

在利用数据推算本质之前，我们需要产生数据。生活中处处有数学，我们可以利用各类算法将这些行为量化成数据。不过，数据也并非全部可以采用。如果一个人是广告账号，只会发送没有实际意义的帖子，那么他的数据必然是要被舍去的。

比如美团的技术团队就提到在过滤时需要对数据进行处理。像是刷单、代购、作弊这些数据，他们会严重影响算法，需要清洗掉。而训练数据应该更加注意近期的行为，这更能反映用户接下来将要做些什么。

同时，你的IP属地这样没有主动告知平台的行为也显得非常重要。一个长期在上海的用户，今天突然IP变成杭州了，还发了几张风景美图，这是在做什么？必然是到杭州去旅游看风景去了。这些额外的信息也可以被量化，加入基本的推理算法，从而达成更好的推送。

此外，再由你作为一个用户，整体的行为总结处理。然后，得到与你相近的这一人群行为的模式。而你的单个行为表现，则更可以体现出你自身的行为特制，直接有效的反映出你的个性。
最直观关于群体行为模式的案例就是某短视频平台，如果你的好友观看了某分类的视频而你尚未观看过这一类，便会表现出尝试推送他的喜好，试图寻找你和这一好友共性的特质。
而个体行为模式则反之，更加注重你这个人本身的兴趣，