用户行为数据是推荐的基础
打开购物网站，刚搜过手机支架，接着就弹出车载支架、磁吸充电器的广告，这不是巧合。系统在记录你的每一次点击、浏览时长和加购动作。比如你在视频平台看一部剧，看到一半退出，平台会认为内容不够吸引你；如果一口气看完三集，算法就会推送类似题材。这些操作统称为用户行为数据，是推荐系统的燃料。
显性反馈与隐性反馈的区别
评分、点赞、收藏属于显性反馈，是你主动表达偏好的方式。但大多数人不会专门打分，系统更依赖隐性反馈：页面停留时间、滑动速度、是否拉到页面底部。比如你在美食博客停留8分钟，图片加载完整，极可能对菜谱感兴趣；如果3秒跳出，说明标题或封面没打动你。
用户属性补充画像维度
年龄、性别、地域这些基础信息能快速缩小推荐范围。一个住在哈尔滨的50岁用户，大概率不会收到冲浪课程广告。注册时填写的职业信息也有用——程序员常被推送机械键盘，教师群体则看到更多教辅资料。有些平台通过问卷收集兴趣标签，比如“喜欢摄影”“关注新能源汽车”，这类数据虽少但精度高。
设备与环境数据的影响
同一人用不同设备，推荐结果可能完全不同。工作日早上用手机看新闻，中午用公司电脑搜游戏攻略，晚上在家平板追剧。系统识别到设备切换场景，会调整内容权重。网络状态也会影响推荐策略，4G环境下优先推送小体积图文，Wi-Fi 环境则大胆推荐高清视频。
社交关系链带来的连锁反应
好友点赞的商品会出现在你的推荐流，不是因为你也喜欢，而是系统假设存在相似品味。微信群转发的拼团链接，点开后首页立刻堆满同类低价商品。这种数据最典型的例子是朋友圈广告——同事刚买了跑步机，隔天你就收到同款促销弹窗。
上下文场景触发即时需求
下雨天打车软件自动推荐雨伞租赁，深夜外卖APP突出烧烤炸鸡，都是利用时间、天气等上下文数据。手机定位到商场附近，购物APP立即推送店内折扣券。这类数据时效性强，错过场景就失去价值，但精准度极高。
历史交互数据构建长期模型
三年前买过婴儿奶粉的用户，现在可能收到儿童绘本推荐。系统不会清空旧记录，而是动态调整权重。搜索过“如何修复蓝屏错误”的用户，后续会持续收到电脑维修教程，即使他再没点开过相关链接。这种长周期数据帮助平台判断用户所处的生命阶段或兴趣演变路径。