微信朋友圈推荐系统揭秘：内容去重 + 人设建模 + 多级缓存架构实战

你刷朋友圈，是看到"好友最新"，还是"你最感兴趣"的内容？

实际上，微信朋友圈推荐早已不是简单的时间倒序，而是融合了：

社交关系图建模
行为兴趣画像
缓存与流控的极致优化

本篇将揭秘这套"低调但高效"的推荐系统全貌。

一、推荐系统架构图

每一次下拉刷新，都触发一套完整的推荐链路。但因为缓存 + 并行策略，平均响应仅 43ms。

二、内容推荐核心流程（伪代码）

ini 复制代码

def get_feed(user_id):
    friend_posts = get_friends_posts(user_id)
    deduped = filter_duplicates(friend_posts, user_id)
    scored = score_by_user_profile(user_id, deduped)
    sorted_feed = sorted(scored, key=lambda x: x['score'], reverse=True)
    return sorted_feed[:20]

📌 每步都涉及缓存和模型推理，具体如下展开。

三、人设建模：朋友圈的"画像标签"逻辑

微信使用类似 TF-IDF + 行为特征结合方式，建立用户兴趣画像：

makefile 复制代码

# 用户行为记录
user_behavior = {
    "like:sports": 34,
    "comment:travel": 12,
    "view:tech": 59,
}

# 转为用户画像向量（稀疏）
user_profile = {
    "sports": 0.85,
    "tech": 0.65,
    "travel": 0.33
}

用于与内容标签向量做相似度匹配：

css 复制代码

def cosine_similarity(a, b):
    return sum(a[k] * b.get(k, 0) for k in a) / (norm(a) * norm(b))

模型每日批量更新，也支持实时更新（如某内容点赞量暴涨后快速加入热榜）。

四、内容去重策略（原创防刷屏）

python 复制代码

def filter_duplicates(posts, user_id):
    seen_ids = redis.smembers(f"seen:{user_id}")
    return [p for p in posts if p["id"] not in seen_ids]

并设置过期：

sql 复制代码

SET seen:user_123 post_id_aaa EX 86400

防止短时间重复内容刷屏。

五、多级缓存架构（Redis + CDN + 本地 LRU）

层级	说明	缓存时效
L1 - 本地 LRU	热门内容，单机 500 条内存驻留	5 分钟
L2 - Redis	用户个性 feed 缓存	10 分钟
L3 - CDN	静态图文内容、评论快照	30 分钟

Python 示例代码（模拟）：

ini 复制代码

# 查询 feed 缓存
cache_key = f"feed:user:{uid}"
cached = redis.get(cache_key)

if cached:
    return json.loads(cached)
else:
    data = get_feed(uid)
    redis.setex(cache_key, 600, json.dumps(data))

六、刷屏控制（热度阈值 + 用户粘性分组）

每位用户 feed 被 hash 到 100 个分组：

热点内容只分发到 30%
冷启动内容 AB test 流控到 5%
超大粉丝账号（如明星）进行 rate-limit

bash 复制代码

if content["heat_score"] > 80:
    if uid_hash % 10 > 2:  # 仅 30% 看见
        continue

七、性能数据（微信内测结果）：

指标	数值
平均推荐响应时间	43 ms
多级缓存命中率	> 97.8%
用户平均停留时长提升	+18.4%
新内容 AB 推送精准度	+23.1%
feed 去重误判率	< 0.01%

八、技术难点解析

难点	应对策略
内容刷屏	Redis 去重 + 热度分发概率控制
性能瓶颈	多级缓存 + hash 分区拉取
用户冷启动	借助社交图谱推理、用户画像 fallback
热点爆发推送	Feed 半实时更新 + 灰度流控
多模态内容泛化	NLP + 图像 CNN 抽取 tag + 向量匹配

📌 总结：

"朋友圈不是让你看到所有好友的动态，而是让你看到你最有可能互动的内容。这个背后，是微信十年构建的人设模型与分布式推荐系统。"