2、推荐系统概述：推荐系统核心目标、经典架构（召回-排序-重排）、实时推荐的价值

2.1 推荐系统的核心目标：不只是“猜你喜欢”

很多人觉得推荐系统就是“猜你喜欢”。嗯，这话没错，但太浅了。

我做了这么多年推荐，总结下来，核心目标其实就三个：

• 提升用户满意度——让用户觉得“这东西正是我想要的”。
• 提高业务转化——点击、下单、观看时长，总得有一个指标在涨。
• 保持系统健康度——别让推荐结果越来越窄，用户看啥都一个样。

说白了，推荐系统是在帮用户做决策。你想想看，信息过载的时代，用户根本翻不完所有商品或视频。系统替他筛选出最可能感兴趣的10个，这就是价值所在。

我在项目中遇到过一种情况：某个电商平台，点击率一直很高，但下单率就是上不去。后来一查，推荐出来的全是用户已经买过的东西。你说用户会再买一次吗？不会。所以，推荐系统不能只看点击，还得看转化和多样性。

2.2 经典架构：召回 → 排序 → 重排

推荐系统的经典架构，我习惯叫它“漏斗模型”。

为什么需要漏斗？因为候选集太大了。一个视频平台，可能有上千万条内容。你不可能把所有内容都拿去做精细排序，计算资源扛不住。

所以，我们分三步走：

第一步：召回

召回的目标是“快”。从千万级候选集中，快速捞出几百到几千个候选。

常用的召回策略有：

• 协同过滤：用户A和用户B行为相似，A喜欢的东西也推给B。
• 向量召回：把用户和物品都映射成向量，算相似度。
• 热点召回：最近最火的内容，先拿过来再说。

我建议，召回阶段不要只用一个策略。多路召回并行跑，最后合并去重。这样能保证多样性。

第二步：排序

排序的目标是“准”。对召回回来的几百个候选，用更复杂的模型做精细打分。

排序模型通常用：

• LR（逻辑回归）：简单可解释，适合做基线。
• GBDT / XGBoost：特征工程做得好，效果很稳。
• DNN（深度神经网络）：现在的主流，能自动学习特征交叉。

排序阶段，特征工程是关键。用户画像、物品属性、上下文信息（时间、地点、设备），能用的都用上。

第三步：重排

重排的目标是“稳”。排序出来的结果，直接展示给用户？不行。

为什么？因为排序模型只考虑了“单个物品的得分”，没考虑物品之间的相互影响。

重排要做的事：

• 去重：同一个作者的内容别连续出现三次。
• 打散：同类型的内容穿插开，别让用户审美疲劳。
• 多样性控制：保证推荐列表里有不同品类的内容。
• 业务规则注入：比如广告位固定、运营强插等。

重排阶段，我习惯用一些轻量级的规则或贪心算法。不需要太重的模型，但效果立竿见影。

2.3 实时推荐的价值：为什么不能等明天？

传统的推荐系统，通常是T+1更新。今天的行为，明天才生效。

但现在的用户，耐心越来越短。你想想看，用户刚搜了“iPhone 16”，结果推荐列表里还是昨天的“华为 Mate 60”。用户会怎么想？

实时推荐的价值，说白了就是“跟上用户的节奏”。

具体来说，实时推荐能解决三个问题：

1. 捕捉短期兴趣：用户点了一个视频，系统立刻知道他对这个话题感兴趣，马上调整推荐。
2. 应对突发热点：某个事件突然爆了，实时系统能秒级响应，把相关内容推上去。
3. 提升用户体验：用户刷了5条搞笑视频，第6条还是搞笑视频，用户会觉得“这系统懂我”。

我记得有一次做直播推荐，用户进入直播间后，系统需要实时判断他是否感兴趣。如果5秒内没有互动，就立刻换一个直播间推荐。这就是实时推荐的典型场景。

当然，实时推荐不是万能的。它也有代价：

• 计算成本高：实时计算需要更多的机器资源。
• 系统复杂度高：要处理数据延迟、容错、一致性等问题。
• 模型更新频繁：模型参数需要实时更新，容易出bug。

2.4 小结

这一章我们聊了推荐系统的核心目标、经典的三层架构，以及实时推荐的价值。

说白了，推荐系统就是一个“在正确的时间，把正确的内容，推给正确的人”的系统。而流式计算，就是让这个“正确的时间”从“明天”变成“现在”。

下一章，我们会深入流式计算的核心技术，聊聊 Kafka、Flink 这些工具到底怎么用。到时候见。