准备好这些
- 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
以下步骤以项目当前整理的代码与文档为依据。外部平台和业务系统可能发生变化；完整限制见项目详情。
操作步骤
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
用案例检查理解
以下为虚构数据与预期操作示例，用于理解流程，不代表真实业务执行结果。
查看「相似内容与相似人群的区别」 ↗常见问题
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。
相关文件
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。