binma1231. 项目概述：当推荐系统遇上短视频
三年前接手一个短视频平台重构项目时，我第一次体会到协同过滤算法的魔力。当时平台日活30万用户，但平均观看时长只有2.1分钟。引入基于用户行为的协同过滤后，三个月内观看时长提升到4.7分钟——这就是为什么我现在每次聊推荐系统都特别来劲。
这个Python+Django+Vue3技术栈的短视频系统，核心在于用协同过滤算法解决内容分发的"冷启动"和"信息茧房"问题。不同于传统基于内容标签的推荐，协同过滤通过挖掘用户群体行为模式，能发现"喜欢A视频的人也倾向于喜欢B视频"这类隐藏关联，即使这两个视频的标签毫无交集。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计解析
2.1 技术栈选型逻辑
选择Django作为后端框架时，我们重点考察了其ORM对复杂查询的封装能力。比如计算用户相似度时需要频繁执行这样的查询：
python复制# 获取用户A点赞过的视频ID列表
liked_videos = UserBehavior.objects.filter(
user_id=target_user,
behavior_type='like'
).values_list('video_id', flat=True)
Vue3的组合式API则完美适配推荐结果的实时更新需求。当用户在移动端下滑刷新时，前端通过axios发送的请求体包含最近10次交互事件的时间戳：
javascript复制const payload = {
last_behaviors: [
{video_id: 123, timestamp: 1689923475, type: 'share'},
{video_id: 456, timestamp: 1689923012, type: 'pause_at_30s'}
]
}
2.2 数据流设计要点
用户行为采集采用异步埋点方案，通过Redis消息队列削峰。我们自定义了行为权重系数：
- 完整观看=1.0
- 点赞=0.7
- 分享=0.5
- 暂停=0.3（根据暂停位置动态调整）
关键经验：不要在用户高频率操作时同步写入数据库，我们曾因此导致API响应时间从200ms飙升到1.2s