每天下班，打开手机想找家安静的咖啡馆看书，结果推来的全是网红打卡点；周末想找个近郊徒步路线，App却一直在推外地旅游套餐。这些问题，其实背后都跟“同城推荐算法”有关。
为什么需要专门的同城推荐模型？
通用推荐系统大多基于用户历史行为和物品相似度，比如你看了一部电影，就推荐同类型的。但同城场景不一样——时间短、位置敏感、决策快。你不会在周五晚上突然决定去成都吃火锅，但你可能会临时起意去城西新开的市集逛逛。
这就要求算法不仅要懂你的偏好，还得知道你现在在哪、能去多远、当下适合什么。比如下雨天，就不该推荐露天市集；傍晚六点，更适合推送附近步行15分钟内的晚餐选项。
核心要素：位置+时效+场景
一个实用的同城推荐模型，通常会整合三类数据：
- 空间特征：用户实时位置、目的地距离、交通方式（步行/骑行/开车）
- 时间特征：当前时段、是否工作日、停留时长预测
- 场景标签：通勤途中、周末休闲、朋友聚会、独自放空等
比如你在晚高峰地铁上刷App，系统识别出你是通勤状态，可能优先推荐公司附近可外带的轻食；而周六上午打开，则可能推送适合拍照的文艺小店。
简单模型示例：加权距离偏好匹配
对于中小型平台，可以先从规则引擎起步。下面是一个简化版的打分公式：
score = (popularity_weight * log(1 + reviews))
- (distance_decay * distance_km)
+ (category_bias if user_liked_before else 0)
+ (time_match_bonus if fits_current_time else 0)这个公式的意思是：基础热度加分，距离越远扣分越多，如果你之前点赞过同类店铺就额外加分，如果当前时间匹配营业高峰（比如午餐时段推餐厅），再加一点时效奖励。
实际运行中，distance_decay 和 time_match_bonus 都可以通过历史点击数据拟合出来。比如发现用户普遍不愿走超过3公里，那衰减系数就可以设得陡一些。
进阶思路：引入用户短期意图识别
有时候用户的行为会突然变化。比如一向喜欢探店的人，最近连续搜索了几个公园。这时候模型应该捕捉到“近期偏好偏移”，临时提升户外类目的权重。
做法之一是用滑动窗口统计最近7天的点击类别分布，一旦发现某类目占比突增（比如公园从10%跳到60%），就在未来24小时内动态调整推荐策略。
这种机制能让推荐更灵活。就像朋友了解你最近心情低落，自然会约你去湖边散步，而不是硬拉你去蹦迪。
别忘了冷启动问题
新用户刚注册时啥数据都没有，怎么办？可以用城市热力图做兜底。比如根据基站或Wi-Fi定位判断大致城区，直接推该区域近期搜索量上升最快的几个地点。
同时鼓励用户快速选择兴趣标签：“你喜欢咖啡、书店，还是手作市集？” 三个勾选就能让初始推荐准不少。
算法不是万能的，但它能让城市里的好去处不再藏得太深。一个好的同城推荐系统，不该只是“猜你喜欢”，而是“懂你此刻需要什么”。