推荐算法背后的数据真相
打开短视频App，刷两条就停不下来。刚搜完咖啡机，购物软件就开始推各种滤纸和豆子。这不是巧合，是推荐算法在“读你”。它能猜你喜欢什么，靠的是一堆你留下的数字痕迹。
你在平台上的行为全被记下
点击、停留时长、滑动速度，这些动作都会被记录。比如你看一个视频看到一半就划走，系统会标记“不感兴趣”；如果反复看同一类内容，比如宠物猫搞笑片段，接下来首页就会塞满猫片。连你截图、收藏、转发的动作，也会被当成强信号处理。
搜索关键词更是直接暴露兴趣。搜过“露营装备”，哪怕没买，之后几天都会看到帐篷、折叠椅的广告。有些平台甚至会分析你在页面上悬停的时间——光标在某张图上多停两秒，也算一次潜在点击。
设备和环境信息也在采集范围
你的手机型号、操作系统、网络状态（WiFi还是流量）、地理位置，都会传给服务器。比如你常在晚上9点用iPhone在家刷剧，系统就知道你是固定时段的高价值用户，优先推送新剧预告。要是突然换到安卓低端机、用移动数据访问，推荐内容可能会变得更“接地气”。
GPS定位还能判断你是否在通勤。早高峰地铁站附近打开外卖App，首页可能直接弹出早餐套餐，而不是深夜烧烤推荐。
社交关系也是重要参考
如果你和朋友互相关注，对方点赞了某个视频，你也更容易刷到。平台会构建“兴趣圈子”，把相似用户的行为做交叉匹配。你没搜过“飞盘狗”，但你关注的人都在看，算法会觉得这可能也适合你。
好友列表、群聊分享记录、共同参与的话题活动，都在悄悄影响推荐池的构成。有时候你觉得“这玩意儿怎么知道我喜欢这个”，其实是因为周围人都在推它。
别忘了那些你主动填的信息
注册时选的兴趣标签、性别、年龄、职业，虽然看起来无关紧要，却是算法最初的“冷启动”依据。一个标明“科技爱好者”的用户，哪怕还没开始浏览，首页也会优先加载数码评测内容。
个人资料里的城市、学历、婚姻状况，也会用于人群分层。一线城市未婚青年看到的租房广告，和三四线已婚用户的完全不同。
网页埋点代码在默默工作
很多网站会在页面插入追踪脚本，记录你的操作路径。比如电商详情页的埋点配置可能长这样：
<script>
trackEvent('product_view', {
item_id: '12345',
category: 'coffee_machine',
duration: 47,
user_id: 'u_8892'
});
</script>这类代码会把你的行为打包发送到数据分析后台，成为模型训练的一部分。下次你打开同类页面，推荐栏已经换上了更匹配的选项。
推荐算法不是魔法，它靠的是海量数据拼出你的数字画像。你以为自己在浏览内容，其实每一秒都在被观察、归类、预测。理解它收集什么，才能更好掌控自己看到的世界。