一句话总结
数据算法就是：给 AI 挑对输入数据，并按数据特点选对处理方法。 数据分三类------用户（主体）、物品（客体）、场景（环境），每类的玩法不一样。
打个比方：AI 像个学生，你不能什么教材都塞给它。得先分清楚哪些是"关于人的资料"、哪些是"关于商品的资料"、哪些是"关于当下环境的资料"，然后因材施教。
先搞懂：数据为什么要分类？
AI 自己不会判断哪些数据重要。比如要让智能体察觉"班主任在凝视你"，它得问遍全身传感器才找得到规律，但人凭经验就知道：看和听最重要，给它摄像头和麦克风就行。
所以系统里的数据统一分成三类：
| 类别 | 大白话 | 推荐系统里对应 |
|---|---|---|
| 主体数据 | 关于"人"的 | 用户特征 |
| 客体数据 | 关于"东西"的 | 物品特征 |
| 环境数据 | 关于"当下情况"的 | 场景特征 |
核心内容分三块
第一块：用户特征------搞清楚"谁在买"
用户画像是每个产品最宝贵的资源，也是 AI 系统里价值最高的数据。
DMP：用户数据的大管家
科技公司用专门的 DMP（数据管理平台） 来管用户数据，数据来源分三种：
- 第一方数据：用户用自己产品时产生的（注册信息、点击、购买、收藏）
- 第二方数据：公司内部其他产品或合作伙伴给的
- 第三方数据：从数据供应商那买的
DMP 把这些综合起来生成用户画像。但有两个技术难题：
- 身份对齐：同一个人在多个设备、多个账号上的数据，要能认出是同一个人
- 挖掘潜在用户：比如找出"和保时捷车主相似的人"
这两个能力不只是提升模型效果，还是系统的"印钞机"------能大幅提高营销收入。
Lookalike：找相似的人
人群扩展算法，三大作用：
- 挖潜在高净值用户：找到和现有优质客户相似的人，扩大推广范围
- 提高风控能力：通过相似行为发现黑灰产团伙
- 冷启动推荐：新用户没数据，用相似的人的特征代替
GraphSAGE：端到端的图学习
上节课讲的 DeepWalk 是"先随机游走生成序列，再丢给 Word2Vec"------分两步，会丢信息。GraphSAGE 是端到端的，一步到位，四步走：
- 建图：用户是节点，有相同属性就连一条边
- 采集：随机选一个节点，往外走两步，形成一棵树（采很多棵备用）
- 聚合：从最底层往上层一层层聚合信息
- 训练：把节点原来的特征和聚合来的邻居特征拼在一起，调参数让空间距离和真实关系一致
核心思想和大模型 Transformer 里的位置编码很像，后面会详细讲。
背后的假设叫鸭子测试：看起来像鸭子、走路像鸭子、叫起来像鸭子，那它就是鸭子。
第二块：物品特征------搞清楚"卖的是什么"
物品是商业目标的载体，和几乎所有实体都有交互，最适合建知识图谱。
知识图谱（KG）：一张"关系网"
属于符号主义派，用 "实体 - 关系 - 实体" 的三元组来组织知识。比如：
周杰伦 - 演唱 - 稻香 稻香 - 所属专辑 - 魔杰座
和普通图不一样的是，边上携带了丰富的关系信息。知识图谱不只是推荐系统用，也是大模型提示语工程的重要组成部分。
构建知识图谱的三步（重点记这个）
| 步骤 | 干啥的 | 大白话 |
|---|---|---|
| 知识抽取 | 从文本、网页、数据库里提取实体、属性、关系 | 拿知识 |
| 知识融合 | 解决不同来源数据的不一致和冲突，对齐实体和关系 | 合知识 |
| 知识加工 | 清洗、补全、推理，让图谱更可靠好用 | 学知识 |
具体每步用什么算法不重要（学过的算法几乎都能用），搞清楚三步的定位才重要。
知识图谱能干嘛？
在推荐系统里，可以构建"物品地图"，找到各个兴趣点（POI）。比如用户对"美白"感兴趣，就实时收集相关物料，自动组合成商品创意（使用前后对比图等），点击率更高。
第三块：场景特征------搞清楚"现在什么情况"
场景特征来自每次请求时客户端上报的信息，刻画用户当下的全景：
- 在哪个界面（App、页面、广告位）
- 设备信息（手机型号、电量、信号强度）
- 地点信息（城市、气温）
- ......
怎么区分场景特征和用户特征？
- 长期习惯 → 放进用户画像（比如"这个人爱运动"）
- 高频变化 → 放进场景特征（比如"现在是凌晨3点"）
实时特征：场景特征的最大价值
用户画像和物品特征相对稳定，更新慢。如果没有场景特征，模型的输入可能很长时间都不变，推荐就"僵住了"。
实时特征（比如"最近 30 分钟点击了多少商品""最近 1 小时浏览了什么"）让模型变得敏感，能捕捉用户当下的意图变化。
比如用户白天在看办公椅，晚上突然在搜婴儿床------场景特征一变，推荐就得立刻跟上。
必知术语
| 术语 | 大白话 |
|---|---|
| 主体/客体/环境数据 | 关于人的 / 关于物的 / 关于当下情况的 |
| 用户画像 | 把用户的各种信息综合起来的"人物档案" |
| DMP | 数据管理平台，管用户数据的大管家 |
| 第一/二/三方数据 | 自己产的 / 合作方给的 / 花钱买的 |
| 身份对齐 | 认出多个设备/账号背后是同一个人 |
| Lookalike | 找相似的人，扩人群、做风控、冷启动 |
| GraphSAGE | 端到端图神经网络，比 DeepWalk 少丢信息 |
| 鸭子测试 | 长得像、走得像、叫得像，就是同类 |
| 知识图谱（KG） | 实体-关系-实体组成的关系网 |
| 知识抽取/融合/加工 | 拿知识 / 合知识 / 学知识 |
| POI | 兴趣点，知识图谱里的关键节点 |
| 实时特征 | 最近几分钟/几小时的行为数据，让模型变敏感 |
记忆口诀
数据算法三分类：
- 用户 ------ 画像 + DMP 管理，Lookalike 找人，GraphSAGE 算关系
- 物品 ------ 知识图谱装关系，抽取→融合→加工三步走
- 场景 ------ 抓实时变化，让模型不"僵住"
图神经网络、知识图谱、跨模态预训练，是大模型的三大前序知识，务必掌握。