北京
做推薦系統的人，大多從協同過濾入門。用 MovieLens 數據集跑一版矩陣分解，準確率挺好看，損失函數收斂得也干凈，會讓你覺得已經理解了這個問題。
但一旦把同樣的思路搬進金融科技產品里，整個方案往往會悄悄散架。交互矩陣稀疏到 99.7% 是空的，一半用戶三年里只碰過一款產品；中途上線的新儲蓄賬戶，模型完全不知該如何推薦。到了審查環節，合規部門讓你用“人能聽懂的話”解釋，為什么系統把高風險投資品推給了一位退休人士——“因為嵌入向量相近的用戶也點過”——這個回答根本過不了關。
這些年在借貸、銀行和投資平臺等金融場景中，我們發現失敗模式總是那幾樣，而且根源在結構上，不是偶然。協同過濾的幾個核心假設——交互數據夠多、產品目錄穩定、不需要解釋推薦理由——在金融業務里幾乎站不住腳。
標準的協同過濾管線會把所有用戶行為壓扁成“接觸/未接觸”的二值信號，但這在金融領域很危險。如果一個用戶瀏覽了某個產品頁，第二天卻注銷了賬戶，這絕不是一個弱正向反饋，而是一個危險信號。更何況，金融產品沒有評分，只能從頁面瀏覽、試算工具使用情況、申請啟動和完成率等隱性信號中推斷偏好，還得把客服來電和賬戶注銷這類負向信號一并納入。
經過多個項目累積的經驗，我們提煉出一種混合架構：在冷啟動側引入基于規則和產品元數據的相似匹配來應對新物品問題；對于有一定交互行為的用戶，則用可解釋的淺層模型（如邏輯回歸或梯度提升樹）替代深不可測的嵌入層，保證每條推薦都能被合規審查。同時，將用戶生命階段事件——比如工資代發變更、定期存款到期——作為實時觸發器，而不是依賴天級批處理，使推薦時機更貼近實際財務決策節點。
這篇分享將三件事具體化了：第一，標準方法在金融領域為何失效，以及真實數據長什么樣；第二，一套圍繞金融約束設計的混合推薦架構，而非從流媒體或電商直接搬來的方案；第三，附帶可參考的代碼藍圖，讓你不必從零開始搭建生產系統。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
