1、推荐系统概述

大家好，我是这门课的主讲。今天咱们聊聊推荐系统的那些事儿。说实话，我做了十几年搜索推荐，每次跟新人聊这个话题，都会从这个问题开始——推荐系统到底解决了什么问题？

你想想看，没有推荐系统的时代，用户是怎么找东西的？要么自己搜，要么看排行榜。但这两个方式都有硬伤——搜不到你不知道的东西，排行榜又太大众化。嗯，推荐系统就是来解决这个矛盾的。

1.1 推荐系统的发展历史

推荐系统不是一天建成的。我把它分成三个阶段来讲：

• 萌芽期（1990年代）：最早的推荐系统，像GroupLens研究组做的新闻推荐。那时候思路很简单——协同过滤，就是「和你相似的人喜欢什么，就推给你什么」。我在读研时还复现过这个算法，说实话，数据稀疏时效果很一般。
• 成长期（2000-2010年）：电商崛起，亚马逊、淘宝开始大规模用推荐。这个阶段最大的变化是——从单一算法走向混合策略。我记得2009年帮一家电商做推荐，当时最头疼的是冷启动问题，新用户来了啥数据都没有，只能靠热门推荐顶着。
• 爆发期（2010年至今）：深度学习来了。YouTube、TikTok这些平台把推荐系统推到了新高度。说白了，现在的推荐系统已经不是「猜你喜欢」，而是「创造你喜欢」——通过算法塑造用户兴趣。

1.2 推荐系统的核心价值

我经常跟产品经理说，推荐系统不是锦上添花，而是商业引擎。它的核心价值体现在三个层面：

1. 提升用户体验：帮用户省时间。你想想看，刷抖音时你根本不用想下一屏看什么，系统已经帮你选好了。这就是推荐的价值——降低用户决策成本。
2. 增加平台收益：电商场景下，推荐带来的GMV占比通常在30%以上。我在某电商平台做过一个A/B测试，仅仅优化了推荐排序，转化率就提升了8%。
3. 挖掘长尾内容：没有推荐系统，90%的内容可能永远没人看。推荐系统能把那些小众但优质的内容推给真正需要的人。这一点在新闻和视频平台尤其重要。

1.3 推荐系统的应用场景

不同场景下，推荐系统的打法完全不同。我挑三个典型场景聊聊：

电商推荐

电商推荐的核心是转化。用户来购物平台，目的性很强——要么搜东西，要么逛一逛。我建议电商推荐要关注两个点：

• 关联推荐：买了手机，推荐手机壳。这个场景下，协同过滤效果很好。
• 实时性：用户刚搜了「运动鞋」，首页推荐立刻要跟上。延迟超过1秒，转化率就会掉。

短视频推荐

短视频推荐的核心是留存。用户刷视频没有明确目的，系统要做的就是「留住他」。这里有个坑——千万别只推爆款。我曾经见过一个短视频平台，算法疯狂推热门视频，结果用户很快就腻了。为什么？因为缺乏多样性。

新闻推荐

新闻推荐的核心是时效性+权威性。跟电商和视频不同，新闻推荐不能只看用户兴趣。比如用户喜欢看娱乐新闻，但你不能只推娱乐——重大新闻事件必须优先。我建议新闻推荐要加一个「时效性权重」，让新内容有更高的曝光机会。

场景	核心目标	典型算法	避坑点
电商	转化率	协同过滤、关联规则	注意冷启动
短视频	用户留存	深度学习、多目标优化	避免信息茧房
新闻	时效性+权威性	内容召回、实时排序	不要忽略重大事件

1.4 推荐系统的评价指标

评价推荐系统好不好，不能只看一个指标。我习惯从四个维度来评估：

准确率（Precision）

推荐的内容中，用户真正感兴趣的比例。公式很简单：准确率 = 推荐中用户喜欢的数量 / 推荐的总数量。但注意，准确率高不代表系统好——如果你只推荐用户已经看过的东西，准确率可能很高，但用户会觉得无聊。

召回率（Recall）

用户所有感兴趣的内容中，系统推荐了多少。公式：召回率 = 推荐中用户喜欢的数量 / 用户喜欢的总数量。召回率低，说明系统漏掉了太多好内容。我在做新闻推荐时，曾经因为召回策略太保守，导致很多优质长尾文章永远出不来。

覆盖率（Coverage）

推荐系统覆盖了多少内容。如果系统只推荐头部10%的内容，覆盖率就很低。我建议覆盖率至少要达到60%以上，否则平台的长尾内容就废了。

多样性（Diversity）

推荐列表中内容的差异程度。多样性太低，用户容易陷入「信息茧房」。举个例子，用户看了3条体育新闻，第4条还是体育——用户可能就划走了。我常用的做法是在排序阶段加入多样性惩罚，让不同类别的内容交替出现。

好了，这一章的内容就到这里。下一章我们会深入ElasticSearch，看看怎么用它来搭建推荐系统的底层架构。如果你对推荐指标还有疑问，欢迎在评论区留言——我尽量每一条都回复。