推荐系统概述：从零到一的核心认知

大家好，我是这门课的主讲。今天咱们聊聊推荐系统的「前世今生」。说实话，我入行那会儿，推荐系统还是个挺神秘的东西。现在呢？它已经渗透到生活的每个角落了。

你打开抖音，刷到停不下来——这是推荐系统。你在淘宝搜了个「保温杯」，首页立刻推了一堆——这也是推荐系统。甚至你点外卖，平台给你推荐的「猜你喜欢」——还是推荐系统。

嗯，咱们先别急着写代码。先把地基打牢。

推荐系统发展史：从规则到智能

推荐系统不是一天建成的。我把它分成三个阶段：

• 第一阶段：基于规则的推荐（1990年代）——说白了就是「人工写死规则」。比如「买了A的人也买了B」，或者「喜欢科幻片的人也喜欢动作片」。我在早期项目里见过，运营同学手动配置推荐列表，累得够呛。
• 第二阶段：协同过滤时代（2000年代）——这是推荐系统的「文艺复兴」。用户-物品矩阵、相似度计算、矩阵分解...Netflix百万美金大奖就是这时候搞的。我记得当时团队为了调一个SVD模型，连续加班两周。
• 第三阶段：深度学习时代（2010年代至今）——DNN、Wide & Deep、Transformer、多目标优化...模型越来越复杂，效果也越来越好。但说实话，我见过不少团队盲目上大模型，结果线上效果还不如简单的LR。

推荐系统应用场景：无处不在的「猜你喜欢」

你想想看，推荐系统到底在解决什么问题？

本质上就一句话：在信息过载的时代，帮用户找到他想要的东西。

常见的应用场景有这些：

场景	典型产品	推荐目标
内容推荐	抖音、今日头条、B站	提升用户时长、点击率
电商推荐	淘宝、京东、拼多多	提升转化率、GMV
社交推荐	微信视频号、微博	提升互动率、关注数
生活服务	美团、大众点评	提升下单率、复购率
音乐/视频	网易云音乐、Netflix	提升播放时长、留存

每个场景的优化目标都不一样。我在做电商推荐时，最头疼的就是「点击率」和「转化率」之间的博弈——用户点了不买，等于白干。

推荐系统核心架构：从数据到决策

一个完整的推荐系统，说白了就是一条流水线。我习惯把它分成四个模块：

1. 数据层——这是地基。用户行为日志、物品属性、上下文信息...没有数据，一切都是空谈。
2. 召回层——从海量物品中快速筛选出候选集。比如从100万商品里选出1000个。常用的有协同过滤、向量检索、图召回等。
3. 排序层——对候选集进行精准排序。CTR预估、CVR预估、多目标排序...这是模型最密集的地方。
4. 重排层——最后一道关卡。去重、打散、多样性控制、业务规则...嗯，这里最容易出幺蛾子。

我画个简单的流程图给你看：

用户请求 → 数据层(特征提取) → 召回层(粗筛) → 排序层(精排) → 重排层(后处理) → 返回结果

你可能会问：「为什么需要这么多层？」

原因很简单：性能和效果之间的平衡。如果直接对所有物品做精排，计算量太大了，用户等不起。所以先召回，再排序，最后重排——每一层都在做「减法」。

小结：这一章你该带走什么？

好了，咱们总结一下：

• 推荐系统经历了规则→协同过滤→深度学习三个阶段。别盲目追新，适合的才是最好的。
• 应用场景不同，优化目标也不同。先搞清楚你的业务要什么。
• 核心架构是「数据→召回→排序→重排」。每一层都有它的价值，别跳过。

下一章，咱们会深入「日志采集」——也就是推荐系统的「眼睛」。没有好的数据，再牛的模型也是白搭。到时候我会分享一些我在埋点实战中踩过的坑，保证让你少走弯路。

嗯，今天就到这儿。有问题欢迎交流。