拆解当下推荐系统技术：从刷视频到点外卖，藏着你不知道的进化与坑
你有没有过这种经历？
本来打开短视频只想搜个宫保鸡丁的做法，结果一划就是三个小时，最后看完了一整辑猫咪拆家合集。
打开外卖软件，首页第一个推的刚好就是你上周想吃没敢点的烧烤。
逛电商搜了一次婴儿车，接下来半个月打开首页全是母婴用品，烦得你想拉黑。
这些全都是推荐系统的功劳——或者说，锅。
传统推荐系统协同过滤用户物品矩阵图
那时候的算法，现在看来粗糙得很，数据少的时候推不准，数据多了算不动，性能卡得要死。
后来慢慢进化成了“多路召回+精排”的经典架构，这个架构用到现在，绝大多数互联网公司的核心推荐链路还是它，哪怕是抖音淘宝这种顶流，也没完全换掉。
什么是多路召回？简单说就是先从全量商品库里，用不同的策略快速筛出几百个你可能感兴趣的，比如从历史浏览里捞一批，从同类用户喜欢的里捞一批，从热门内容里捞一批，先把范围缩小。然后再交给精排模型，挨个给这些候选打分排序，把分最高的十几个放到你首页。
现在吹的大模型推荐，根本不是把整个架构全换了。
绝大多数落地的方案，都是大模型做召回阶段的语义理解，或者冷启动的兴趣挖掘，该用传统精排的地方还是用，毕竟全用大模型跑一遍，一个请求几秒出结果，用户早划走了，成本也扛不住。
之前见过不少创业公司拿“全大模型推荐”吹牛逼，说白了就是割投资人的钱，真上线跑两天，GPU账单就能把公司拖垮。
现代推荐系统多路召回精排架构流程图
这张图很多人都在论文里见过，可真到落地调参的时候，每个公司的坑都不一样，哪有什么通用的完美方案。
接下来推荐系统技术会往哪儿走？我看好两个落地方向
很多论文吹的花里胡哨的方向，其实十年内都落不了地，我反倒觉得两个方向接下来会很快普及。
第一个就是大模型和传统推荐架构的深度耦合。
不是替换，是互补。大模型擅长语义理解，擅长从零散的用户行为里挖潜在兴趣，那就让大模型干这个，多路召回阶段帮忙筛更准的候选，冷启动阶段帮忙快速打标签。传统的精排模型擅长点击率转化率预估，速度快成本低，那就还是干精排。
这种玩法现在已经在大厂落地了，效果确实比纯传统架构好，成本也比纯大模型推荐低太多，接下来一两年，中大型公司都会跟上。
第二个方向就是用户可控的推荐。
之前算法都是黑盒，你不知道为什么给你推这个，也改不了，只能被动接受。现在越来越多产品开始做开放控制了，比如你可以直接说“我不想再看这类内容”，甚至可以调整推荐的探索比例，“我今天就想看点新鲜的”。
不过话说回来，这个方向也难，让用户控制多了，点击率下降，KPI不好看，所以很多公司不愿意做。但用户的抱怨已经越来越多了，早做早抢用户，对吧？
我之前跟一个算法总监聊天，他说做推荐这么多年，最大的感悟就是，推荐系统不是要把用户拴在你的产品里，是要帮用户找到他真正想要的东西。
说真的，我挺认同这句话。你现在能看到这篇文章，本身就是推荐系统技术发挥作用的结果——它猜对了你想看点有意思的技术内容，对吧？
别再迷信大模型万能论，现在的推荐系统早不是十年前的协同过滤了
说实话，很多外行人提起推荐系统，第一反应要么是“不就是给人贴标签推同类吗”，要么就是“现在都全换大模型了对吧”。 真不对。 最早的推荐系统确实简单，十年前淘宝刚做个性化推荐的时候，主流用的就是协同过滤，核心逻辑就是“和你兴趣差不多的人喜欢什么，就给你推什么”。传统推荐系统协同过滤用户物品矩阵图
那时候的算法，现在看来粗糙得很，数据少的时候推不准，数据多了算不动，性能卡得要死。
后来慢慢进化成了“多路召回+精排”的经典架构，这个架构用到现在，绝大多数互联网公司的核心推荐链路还是它，哪怕是抖音淘宝这种顶流，也没完全换掉。
什么是多路召回？简单说就是先从全量商品库里，用不同的策略快速筛出几百个你可能感兴趣的，比如从历史浏览里捞一批，从同类用户喜欢的里捞一批，从热门内容里捞一批，先把范围缩小。然后再交给精排模型，挨个给这些候选打分排序，把分最高的十几个放到你首页。
现在吹的大模型推荐，根本不是把整个架构全换了。
绝大多数落地的方案，都是大模型做召回阶段的语义理解，或者冷启动的兴趣挖掘，该用传统精排的地方还是用，毕竟全用大模型跑一遍，一个请求几秒出结果，用户早划走了，成本也扛不住。
之前见过不少创业公司拿“全大模型推荐”吹牛逼，说白了就是割投资人的钱，真上线跑两天，GPU账单就能把公司拖垮。
现在推荐系统技术最头疼的三个痛点，全行业都在啃
推荐系统做了几十年，至今还有一堆解决不了的问题，每个做算法的都挠头。 第一个就是冷启动。 新用户刚注册，啥行为数据都没有，你给人推什么？推热门内容吗，那个性化等于没有，用户留不住。靠注册时选的兴趣标签吗？绝大多数用户注册的时候都是随便点，根本不准。 现在主流的玩法是靠大模型做语义冷启动，你填个个人简介，或者搜了一个关键词，大模型直接给你挖出潜在兴趣，比之前的规则匹配准多了，但还是达不到老用户的推荐精度，对吧？ 第二个就是所有人都骂的信息茧房。 你喜欢看养猫的内容，算法就一直给你推养猫的，推到你最后刷不出任何别的东西，烦都烦死了。 现在行业里的解法是做探索-利用（EE）平衡，说白了就是每天固定拿出一部分流量，给你推一点你没接触过的内容，碰对了，就抓住了你新的兴趣，碰错了，你最多划走，损失也不大。 之前抖音内部测过，把探索内容的占比从5%提到15%，整体用户停留不跌反涨，你说有意思不？很多人其实潜意识里也想看点不一样的，只是自己不说。 第三个就是多场景兴趣对齐。 你上周出差搜了一次上海的酒店，你说算法该不该接下来半个月一直给你推酒店？ 大多数时候不该，因为你搜酒店是一次性需求，不是你真的喜欢酒店。但如果你是做酒店采购的，天天搜酒店，那又该推。 怎么区分不同场景下的真实意图？现在的算法还做不到百分百准确，不然也不会有那么多人吐槽“搜了一次就推一辈子”。现代推荐系统多路召回精排架构流程图
这张图很多人都在论文里见过，可真到落地调参的时候，每个公司的坑都不一样，哪有什么通用的完美方案。
接下来推荐系统技术会往哪儿走？我看好两个落地方向
接下来推荐系统技术会往哪儿走？我看好两个落地方向
很多论文吹的花里胡哨的方向，其实十年内都落不了地，我反倒觉得两个方向接下来会很快普及。
第一个就是大模型和传统推荐架构的深度耦合。
不是替换，是互补。大模型擅长语义理解，擅长从零散的用户行为里挖潜在兴趣，那就让大模型干这个，多路召回阶段帮忙筛更准的候选，冷启动阶段帮忙快速打标签。传统的精排模型擅长点击率转化率预估，速度快成本低，那就还是干精排。
这种玩法现在已经在大厂落地了，效果确实比纯传统架构好，成本也比纯大模型推荐低太多，接下来一两年，中大型公司都会跟上。
第二个方向就是用户可控的推荐。
之前算法都是黑盒，你不知道为什么给你推这个，也改不了，只能被动接受。现在越来越多产品开始做开放控制了，比如你可以直接说“我不想再看这类内容”，甚至可以调整推荐的探索比例，“我今天就想看点新鲜的”。
不过话说回来，这个方向也难，让用户控制多了，点击率下降，KPI不好看，所以很多公司不愿意做。但用户的抱怨已经越来越多了，早做早抢用户，对吧？
我之前跟一个算法总监聊天，他说做推荐这么多年，最大的感悟就是，推荐系统不是要把用户拴在你的产品里，是要帮用户找到他真正想要的东西。
说真的，我挺认同这句话。你现在能看到这篇文章，本身就是推荐系统技术发挥作用的结果——它猜对了你想看点有意思的技术内容，对吧？