从0到1搭建政策推荐系统：政策快报的实践

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

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。