01它能帮你做什么
✓四方向相似度实验
✓模型与公式评分思路
✓离线评估
✓Top50 结果生成
使用前准备
- 阅读 DATA_REQUIREMENTS.md 并准备符合要求的数据
- Python 与 requirements.txt 依赖
- 足够规模且有权使用的训练与评估样本
02从这里开始
整理输入
先阅读 DATA_REQUIREMENTS.md，核对标识、字段、缺失值和单位。使用自己的训练与评估数据，公开虚构样例不能替代完整输入。
验证方向
先评估内容方向。
python scripts/run_direction_similarity_experiment.py --direction content --topk 10生成结果
确认口径后生成 Top50。
python scripts/build_similar_kol_top50.py --topk 50 --model extra_trees --output similar_kol_top50.csv
03用一个例子看明白
案例使用示例或虚构数据，用于说明流程，不代表真实业务效果。
04获取文件
选择需要的文件。固定版本保留原始内容，可用校验值确认下载完整性。
similar-kol-2026.10.22-source.zip
查看 SHA256 校验值
f9eb1a0d03b9989ea3e16e3fa347c9e0d1033a1650c49a79da40d15608918f88similar-kol-2026.10.22-examples.zip
查看 SHA256 校验值
4faf3fc7d4cb5978ae219566a4287e99ef75184ddf0fa61a59da3a84f150b0e7模型源码公开整理版。真实输入和离线推荐结果未分发，样例不能替代训练数据。
05你可能会遇到的问题
公式版和模型版怎么选？
公式便于解释和快速重跑；模型需训练与评估。应按数据与目标选择。
06适用范围与当前限制
- 公开包不含真实业务数据。
- 推荐质量需在自己的数据上验证。
- 公开包没有查询前端及分片数据，结果以脚本生成文件为准。
本页资料整理于 2026-10-22。这不是运行兼容性验证日期。下载包有完整性校验；依赖外部系统的真实操作，请按所需权限和环境使用。