推薦系統概述#

什麼是推薦系統#

推薦系統的本質是在用戶和物品之間建立連接。這個連接可以是：

• 用戶點擊了某個商品
• 用戶收藏了某篇文章
• 用戶購買了某個產品
• 用戶關注了某個人

推薦系統的核心目標：利用已有的用戶-物品連接，預測未來可能產生的連接。

是否需要推薦系統#

評估推薦系統價值的公式：

價值 = ΔConnection / (ΔUser × ΔItem)

當這個比值足夠大時，推薦系統才能創造價值。如果平台規模較小，可能人工推薦更有效。

推薦系統的經典問題#

1. 冷啟動問題#

新用戶或新物品缺乏歷史資料，難以進行個性化推薦。

2. 探索與利用 (Exploration vs Exploitation)#

只推薦用戶已知喜歡的內容會導致「資訊繭房」，需要平衡已知興趣（利用）和發現新興趣（探索）。

推薦策略 = α × 利用（已知興趣）+ (1-α) × 探索（潛在興趣）

3. 推薦解釋性#

用戶需要知道「為什麼推薦這個給我」，增強信任感和接受度。

推薦系統的思維模式#

不確定性思維#

推薦系統處理的是概率問題，需要接受：

• 推薦結果不可能 100% 準確
• 同樣的輸入可能產生不同的輸出
• 需要通過資料來驗證假設

資料驅動#

核心原則：不要相信直覺，要相信資料。

• 用戶說喜歡什麼不重要，用戶做了什麼才重要
• A/B 測試是驗證改進效果的金標準

系統工程思維#

推薦系統不只是演算法，還包括：

推薦系統 = 資料採集 + 特徵工程 + 模型訓練 + 線上服務 + 效果評估

三種資訊取得方式#

三者都在解決資訊過載問題，技術上有很多共通之處，但目標和約束不同。

推薦系統的產品形式#

猜你喜歡#

• 首頁個性化推薦
• 根據用戶歷史行為推薦相關內容

相關推薦#

• 物品詳情頁的「看了又看」「買了又買」
• 基於當前物品推薦相關物品

資訊流 (Feed)#

• 社交動態流
• 資訊閱讀流
• 短影片流

排行榜#

• 熱門排行
• 新品推薦
• 編輯精選

推薦系統的核心流程#

用戶請求 → 召回 → 粗排 → 精排 → 重排 → 展示
            ↓
        多路召回策略
            ↓
        候選集融合
            ↓
        CTR/CVR 預估
            ↓
        業務規則調整

召回層#

• 目標：從海量物品中快速篩選出候選集
• 方法：協同過濾、內容匹配、向量召回
• 規模：從百萬級 → 數千

排序層#

• 目標：對候選集進行精細排序
• 方法：機器學習模型（LR、GBDT、DNN）
• 規模：數千 → 數十

重排層#

• 目標：滿足業務規則和多樣性要求
• 方法：規則過濾、打散去重、多樣性控制

推薦系統的商業價值#

推薦系統是注意力存儲器：

注意力 = 內容消耗加速度 × 內容複雜度

在注意力稀缺的時代，推薦系統通過「投其所好」的方式存儲用戶注意力，再通過廣告等方式變現。

總結#