低频 B2B 推荐系统怎么做：先让排序可解释，再追求模型复杂度

摘要：讨论低频、样本少、决策成本高的 B2B 推荐场景，如何组合规则、时效、业务阶段和反馈信号，构建可解释的排序系统。 关键词：推荐系统、B2B 推荐、可解释排序、Learning to Rank、商机推荐、冷启动 推荐系统的经典案例大多来自短视频、电商和音乐：用户行为密集，反馈速度快，模型可以从海量点击中不断学习。但很多 B2B 场景恰好相反。 一次项目决策可能持续数周，真正的正样本很少；用户不点击并不代表不感兴趣，也可能只是尚未处理；一个错误推荐不会只浪费几秒钟，而可能占用销售、售前和管理人员数小时。 在这种低频、高成本场景中，一开始就追求复杂模型通常不会带来最好的投入产出比。更可靠的顺序是：先建立可解释的候选集和排序基线，再逐步引入行为学习。 图 1：推荐结果同时展示匹配度、命中方向和阶段提示。截图取自 标脉云 的真实业务界面。 先定义“值得推荐”，再定义分数 推荐系统经常从“有哪些特征”开始讨论，但低频 B2B 产品更应该先回答：什么样的项目值得让用户花时间核验？ 一个相对完整的定义通常包含四类条件： 业务相关：产品、服务、行业或采购主体与企业能力有关；…