解读

1. 业务诉求模糊：仅给出“提升用户活跃度”，未说明活跃度的口径（DAU、MAU、人均时长、次日留存、互动深度等），也未给出可量化的目标值与优先级。
2. 需识别“AI 可解”场景：并非所有活跃手段都需 AI，先排除运营活动、渠道投放、补贴等非 AI 手段，聚焦“数据驱动+算法增益”才能发力的环节。
3. 必须对齐北极星指标：国内主流 App 通常以“DAU”或“人均单日使用时长”作为北极星指标，但不同垂类差异大（电商看回访下单率、内容社区看发布/互动率）。
4. 合规与伦理红线：国内《个人信息保护法》《算法推荐管理规定》要求“显著告知+一键关闭+无歧视”，任何算法策略必须可解释、可干预、可下线。
5. 资源约束：数据标注预算、GPU 算力、推理延迟、端侧功耗、AB 实验流量、研发排期均需提前评估，避免“算法完美、上线即崩”。

知识点

1. 活跃度拆解公式：
   DAU = 新增激活 × 次留 × 七留 × 三十留 × 老客回访率
   人均时长 = 人均启动次数 × 单次时长
   任一因子下降都会导致活跃度下跌，AI 需定位最短板。

2. 因果链 vs 相关链：活跃下降可能是内容供给不足、推荐不准、push 疲劳、竞品补贴、节假日效应；需用因果推断（双重差分、断点回归）排除伪相关。

3. AI 增益三板斧：
   a. 召回增益：多路召回（I2I、U2I、U2U2I、冷启动向量）+ 知识图谱+多模态语义。
   b. 排序增益：多目标学习（CTR、完播、点赞、关注、留存、负向信号）+ 长短期兴趣分离+ 强化学习。
   c. 触达增益：智能 push（发送时机、文案、素材、频次）+ 桌面 widget 预测 + 场景化重入（耳机插入→音频推荐）。

4. 数据闭环：埋点→样本→特征→模型→线上推理→效果回收→样本，必须 24h 内完成，否则模型“追不上用户兴趣漂移”。

5. 评估体系：离线 AUC、GAUC、Recall@K；在线 AB 实验核心指标（DAU、时长、留存、负向指标：卸载、投诉、举报）；必须预留 5% 空白桶做安全垫。

6. 合规设计：

   • 用户画像开关：关闭后降级到热门/编辑精选，不得拒绝服务。
   • 显著标识“算法推荐”字样，提供“一键重置兴趣标签”。
   • 未成年人、老年人、外卖骑手等特殊群体需单独策略，避免“信息茧房/价格歧视”处罚。

7. 算力成本：粗排向量检索 10ms 内返回，精排模型 <30ms，GPU 显存占用 <6G，否则需蒸馏/量化；国内云厂商 A10 卡按小时计费，需做 ROI 测算。

答案

【30 秒电梯稿】
“我会把‘提升用户活跃度’拆成‘召回-排序-触达’三步，先通过 3 天数据探查找到最短板，再用多目标推荐+智能 push 组合策略，目标 4 周内把 DAU 提升 8%，人均时长提升 6%，同时保持负向投诉率 <0.1%。”

【详细 5 步法】
Step1 指标对焦（Day1-2）

• 与业务、BI、财务三方拉齐：北极星指标 = DAU，辅助指标 = 人均时长、次日留存、负向投诉率。
• 给出基线：近 30 天 DAU 均值 520 万，目标 4 周后达到 562 万（+8%）。
• 划定边界：不动补贴预算、不动新客渠道，仅通过算法+产品迭代完成。

Step2 数据探查 & 因果定位（Day3-5）

• 拆分人群：新客、活跃老客、沉默预警（7 天未启）、流失召回（30 天未启）。
• 发现沉默预警人群占 DAU 跌幅 62%，且 80% 沉默前有“连续 3 天 push 点击为 0”行为。
• 用双重差分验证：push 文案疲劳导致次日留存下降 4.3%，p<0.01，可确定为因果。

Step3 AI 策略设计（Day6-10）

1. 召回侧：

   • 新增“沉默兴趣复活”召回路：利用 90 天前交互行为+协同过滤，产出 500 候选池。
   • 冷启动内容冷启：对新发布 2h 内 item，用多模态 CLIP 向量打标，优先探索沉默用户。

2. 排序侧：

   • 多目标 MMoE：主任务 DAU 增益（留存 proxy 标签），辅助任务负向反馈（点踩、举报）。
   • 长短期兴趣分离：Transformer 建模 14 天长期，DIN 建模实时 30min 短期。

3. 触达侧：

   • 智能 push 模型：XGBoost 预测“发送时机”+GPT-2 微调生成 3 条文案+bandit 实时选优。
   • 频次控制：沉默预警用户 48 小时内最多 1 条，且避开 22:30-7:30 睡眠时段。

Step4 数据与算力方案

• 样本：近 90 天 50 亿条曝光-点击-留存样本，负采样 1:10；用 Hive 小时级导出至 Kafka。
• 特征：用户侧 400 维、item 侧 300 维、上下文 100 维；做差分隐私脱敏，经纬度网格化到 1km×1km。
• 模型：TensorFlow 2.11，A100 训练 6 小时，蒸馏到 6 层 Bert 小模型，推理延迟 18ms，GPU 显存 4.8G。
• 标注：无需额外人工标注，利用已有埋点回流自动打标，节省 0 元预算。

Step5 上线与迭代（Day11-28）

• AB 实验：实验组 40%、对照组 55%、空白桶 5%，运行 21 天。
• 结果：DAU +8.4%，人均时长 +6.7%，沉默用户召回率 +12%，push 投诉率 0.08%（↓0.03pp）。
• 迭代：负向率虽下降，但发现 46 岁以上人群 push 点击率低于均值 30%，下一版加入年龄分层 bandit，继续优化。
• 合规复盘：已提供“个性化推荐关闭”入口，关闭人群仍享编辑精选，无用户投诉“强制算法”问题。

拓展思考

1. 如果业务方下一句话是“预算砍半，但目标不变”，如何再拆解？

   • 砍掉 GPU 训练，改用 CPU 分布式 LightGBM 做特征工程+模型，推理延迟 25ms 仍可接受；
   • 复用已有向量库，不做增量 CLIP 训练，只离线周更；
   • 把 push 文案生成从 GPT-2 微调降级到规则模板+实时替换关键词，节省 90% 算力。

2. 若竞品同期砸 1 亿补贴拉活，算法增益被“补贴噪声”淹没，如何证明价值？

   • 采用“双重差分+工具变量”：选取竞品未覆盖的三四线城市作为对照组，验证实验组 DAU 涨幅仍高于对照组 3.2%，排除补贴影响。

3. 面对监管突然要求“算法备案”，如何在 10 天内补齐材料？

   • 提前准备《算法安全自评报告》模板：数据来源合法性说明、模型结构图、特征重要性 Top20、风险防控策略、用户申诉通道截图；
   • 把“可解释”模块做成产品化：在“设置-推荐解释”里展示“因为你看过 A 所以推荐 B”的文案，满足《算法推荐管理规定》第九条。