1. 推荐系统概述：发展史、应用场景与核心指标
大家好，我是你们这门课的主讲。今天咱们聊聊推荐系统的“前世今生”。说实话，我入行那会儿，推荐系统还没这么火，大家还在纠结“协同过滤”到底怎么算相似度。一晃这么多年过去，推荐系统已经成了互联网的“水电煤”。
这一章，我不打算讲太深的理论。咱们先搞清楚三件事：这玩意儿怎么来的？用在哪？怎么衡量它好不好？ 嗯，打好这个底子，后面咱们才能放心地调模型、怼参数。
1.1 推荐系统发展史：从“猜你喜欢”到“比你更懂你”
推荐系统的发展，说白了就是一场“猜心思”的进化史。我把它分成几个阶段，你品品看。
第一阶段：萌芽期（1990s - 2000s）
最早的推荐系统，其实挺“笨”的。我记得1994年有个叫GroupLens的研究组，搞了个新闻推荐。怎么推的呢？就是找一群跟你口味差不多的人，他们看啥，就推给你啥。这就是经典的协同过滤。
那时候没什么深度学习，全靠用户行为数据硬算。我在项目中遇到过一个问题：新用户来了，啥行为都没有，系统直接“傻眼”。这就是后来大家常说的冷启动问题。嗯，这个坑咱们后面会专门讲怎么填。
第二阶段：爆发期（2006 - 2012）
2006年，Netflix搞了个推荐算法大赛，悬赏100万美元。这一下子把全世界的算法高手都炸出来了。矩阵分解、SVD（奇异值分解）这些技术开始大放异彩。说白了，就是把用户和物品都映射到一个“隐空间”里，然后算匹配度。
我个人习惯把这段时间称为“特征工程”的黄金时代。大家发现，光靠用户行为不够，还得加上物品属性、用户画像。你想想看，一个喜欢看科幻片的人，你给他推《星际穿越》和推《喜羊羊》，效果能一样吗？
第三阶段：深度学习时代（2012 - 至今）
2012年之后，深度学习开始渗透到推荐领域。Wide & Deep、DeepFM、DIN这些模型一个接一个地冒出来。为什么？因为深度学习能自动学习特征交互，不用人手工去拼特征了。
我曾经在一个电商项目中，把模型从LR（逻辑回归）换成DeepFM，CTR（点击率）直接涨了8%。但这里有个坑：模型越复杂，对数据量和计算资源的要求就越高。小公司别盲目上大模型，否则你会发现自己连训练都跑不完。
核心观点：推荐系统的发展，本质上是“从人工规则到自动学习”的演进。但无论技术怎么变，理解用户意图始终是核心。
1.2 推荐系统应用场景：无处不在的“猜你喜欢”
你打开手机，几乎每个App都在用推荐系统。我随便列几个典型的场景，你看看是不是都遇到过。
- 内容推荐（短视频、新闻、文章）：抖音、今日头条是典型代表。核心是“留住用户时长”，所以模型会偏向推荐那些“高点击、高完播”的内容。
- 电商推荐（商品、店铺）：淘宝、京东。核心是“转化率”和“GMV”。我做过一个案例，把“加购”作为优化目标，比单纯优化“点击”带来的收入高了30%。
- 社交推荐（好友、动态）：微信、微博。核心是“社交关系链”和“互动率”。这里有个特点：用户更倾向于看到“熟人”的内容，所以协同过滤的效果往往比内容推荐好。
- 生活服务推荐（外卖、酒店、出行）：美团、携程。核心是“时效性”和“地理位置”。你想想看，中午12点给你推荐早餐，那不是找骂吗？
避坑指南：我曾经接手过一个项目，团队把电商的推荐模型直接搬到短视频场景，结果CTR惨不忍睹。为什么？因为电商用户是“有目的”的浏览，而短视频用户是“无目的”的消遣。场景不同，模型设计思路完全不同。
1.3 推荐系统核心指标：怎么才算“好”？
做推荐系统，最怕的就是“自嗨”。你觉得推得好，用户不买账，那等于零。所以，咱们得用指标说话。我一般把指标分成三类：离线指标、在线指标、业务指标。
1.3.1 离线指标（模型训练时看）
这些指标在实验室里就能算，不需要上线。常见的有：
- AUC（Area Under Curve）：衡量模型排序能力。AUC越高，说明模型把正样本排在前面的能力越强。我个人习惯，AUC低于0.7的模型，基本不会上线。
- LogLoss（对数损失）：衡量预测概率的准确性。LogLoss越低，说明模型预测的概率越接近真实值。
- NDCG（归一化折损累计增益）：衡量排序列表的质量。特别适合Top-N推荐场景。
| 指标 | 含义 | 取值范围 | 我的经验阈值 |
|---|---|---|---|
| AUC | 排序能力 | 0.5 - 1.0 | ≥ 0.75 可上线 |
| LogLoss | 概率准确性 | 0 - ∞ | 越低越好 |
| NDCG@K | Top-K排序质量 | 0 - 1.0 | ≥ 0.6 算合格 |
1.3.2 在线指标（A/B测试时看）
离线指标再好看，不上线跑一跑，你永远不知道真实效果。在线指标直接反映用户行为：
- CTR（点击率）：用户看到推荐后点击的比例。这是最基础的指标。
- CVR（转化率）：用户点击后完成目标行为（购买、注册、下载）的比例。
- 用户停留时长：用户在你的推荐页面上花了多少时间。对于内容平台，这个指标比CTR更重要。
注意：在线指标受很多因素影响，比如UI设计、网络延迟、甚至天气。我曾经做过一个实验，同一个模型，周一和周五的CTR差了5%。所以，做A/B测试时，一定要控制变量，并且跑够时间（至少一周）。
1.3.3 业务指标（老板看）
最后，老板关心的永远是钱和增长。常见的业务指标有：
- GMV（商品交易总额）：电商平台的核心。
- DAU/MAU（日活/月活）：用户规模。
- 留存率：用户第二天、第七天还来不来。我见过很多模型，CTR很高，但留存率很低。为什么？因为推荐的内容太“标题党”，用户点进去发现是垃圾，下次就不来了。
嗯，这里要强调一点：不要为了优化一个指标而牺牲用户体验。比如，为了提高CTR，疯狂推荐“震惊体”内容，短期数据好看，长期用户流失。这个度，得把握好。
小结
这一章，咱们把推荐系统的“骨架”搭起来了。你知道了它怎么来的（发展史）、用在哪（应用场景）、怎么衡量（核心指标）。下一章，咱们就要开始动手了——从最简单的协同过滤模型讲起。
记住一句话：推荐系统不是算法竞赛，而是工程实践。数据、场景、指标，这三样东西比模型本身更重要。好了，今天就到这儿，有问题咱们评论区见。