刷短视频时，刚想到火锅，下一秒就跳出毛肚广告；想买跑鞋，电商平台立刻推荐新款。这些“读心术”背后，其实是推荐算法在默默工作。它不像魔法，更像一套精密的流水线，把你的行为拆解、打标签，再拼出你可能喜欢的内容。
用户画像：给每个人贴上数字标签
每次点击、停留、收藏，系统都在记录。比如你常看健身视频，平台就给你打上“健身爱好者”“减脂人群”等标签。这些标签组成你的数字画像，就像超市会员卡记录消费习惯，只不过更细、更快。
协同过滤：用“和你相似的人”做参考
这类算法的核心逻辑是：如果A和B都喜欢X和Y，而A还喜欢Z，那B很可能也对Z感兴趣。比如你和朋友都爱看科幻片，你刚看完《流浪地球》，系统就会把朋友喜欢但你还没看的《火星救援》推给你。
常见实现方式之一是基于用户的协同过滤：
def recommend(user_id, user_item_matrix):
similar_users = find_similar_users(user_id, user_item_matrix)
recommendations = []
for other_user in similar_users:
items_rated = user_item_matrix[other_user]
for item, rating in items_rated.items():
if rating > 4 and item not in user_item_matrix[user_id]:
recommendations.append(item)
return top_n(recommendations)内容推荐：从物品特征匹配偏好
另一种思路是分析内容本身。比如你读了一篇关于咖啡机的文章，系统提取关键词“意式”“半自动”“家用”，然后去找其他带有类似标签的内容推给你。这就像图书管理员按主题分类，把同一类书摆在一起。
深度学习：捕捉复杂行为模式
现在的主流平台多用神经网络模型，比如YouTube的推荐系统会把用户观看序列输入深度网络，预测下一个最可能点击的视频。它不仅能记住你爱看什么，还能判断你在不同时间段、不同设备上的偏好变化。
例如，一个简化的行为序列模型可能长这样：
model = Sequential([
Embedding(vocab_size, 64),
LSTM(128, return_sequences=True),
Dropout(0.5),
Dense(num_items, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')实时反馈：越用越懂你
你点开一条新闻没看完就退出，系统立刻记下“兴趣不足”；你反复播放某首歌，标签权重马上上调。这种实时调整机制，让推荐越来越贴近当下心情，而不是停留在三个月前的兴趣上。
当然，这也带来“信息茧房”问题——你看得越多，系统越敢推同类内容，最终视野反而变窄。理解这套机制，不是为了抗拒推荐，而是学会在被“猜中”的同时，主动跳出框框，看看外面的世界。