聊聊当下的推荐系统技术：从猜你喜欢到懂你想要
早期推荐系统技术，还在靠「热门凑数」
放在十年前，没人敢想能有现在这个精度。那时候主流的就是协同过滤，逻辑简单得很：找和你爱好差不多的用户，把他们喜欢的东西塞给你。要么就是基于内容的推荐，你喜欢看甜宠剧，就把所有标签带甜宠的都堆给你。
说穿了就是碰运气。冷启动问题解决不了，新来的用户没行为数据，新来的商品没互动记录，只能往首页堆全网最火的东西，用户爱不爱接，全看缘分。还有逃不开的马太效应，越是火的东西越容易被推，越推越火，小众内容哪怕质量再好，也没机会露出。
传统协同过滤推荐系统流程图
那时候也有人尝试改模型，加了各种规则调权重，折腾来折腾去，精度提升没多少，推理速度先掉了一半，小平台根本扛不住这个算力成本。
大模型入局后，推荐系统技术换了赛道
这两年变化真的快。前几年行业还在聊Wide&Deep、DIN这些深度推荐模型，转脸大模型就把整个玩法掀了个遍。
现在的推荐，早已经不是只靠点击、收藏这些显性行为数据了。多模态大模型能把你发的评论文字、晒的商品图、看视频时的暂停位置、甚至滑动屏幕的速度都做成特征，拼出一个比你自己还清晰的用户画像。比如你之前搜了“一岁宝宝辅食锅”，过半个月搜“学步鞋”，它能直接串出来你家有个刚学走路的小宝宝，不会瞎把成人运动鞋推给你。
说实话我上次亲身经历真的惊到。我帮我姐搜了一次新生儿奶粉，之后整整三个月，我打开淘宝全是母婴用品——哪怕我一个单身汉根本用不上，它都记得我的搜索意图。换十年前，根本不可能有这么准的上下文关联。
大模型多模态推荐系统架构图
不过话说回来，现在的进步不止是多模态。之前的推荐都是找关联，比如经典的“买啤酒的人大多买尿布”，不管因果直接推，现在加入了因果推荐技术，能分清楚哪些是相关性，哪些是真的用户需求，不会乱塞没用的东西。很多平台现在已经把大模型和传统推荐模型做了融合，大模型负责做特征提取和用户意图理解，传统模型负责做快速推理，既保住了精度，又没把算力成本涨得太离谱，中小平台也能玩得起。
推荐系统技术现在还卡着哪些难点？
推荐系统技术现在还卡着哪些难点？
吹了这么多，不代表现在就完美了。行业里现在卡着的问题，还真不少。
第一个就是隐私。现在监管越来越严，平台不能随便拿用户的隐私数据训练模型，联邦学习、隐私计算这些技术本来是用来解决这个问题的，可落地之后才发现，训练效率和推理精度掉得太厉害，成本又高，很多平台还在观望，不敢全量换。
第二个就是老生常谈的信息茧房。你喜欢看养猫的内容，算法就一个劲给你推猫，你哪怕就是偶尔好奇点了一次，接下来半个月全是猫，想看点别的都难。现在技术上不是没有解法，加多样性调优就能破，可一加多样性，点击率就掉，平台营收跟着掉，谁愿意先吃这个亏？说白了，技术要给商业让步，这也是没办法的事。
第三个，冷启动的问题还是没完全解决。新出来的小众创作者、小商家，哪怕你的东西再好，没有足够的互动数据，算法还是不敢轻易给你推流量，想要出来还是得先砸钱买推广，大模型能靠文本内容提前提特征，比之前好太多，但还是做不到完全公平。
现在走在街上，随便拉一个人，他每天刷的内容、买的东西，几乎都是推荐系统挑过的。 谁也逃不开。 技术在往前走，从凑热门到猜喜好，再到现在能懂你的人生阶段，进步真的肉眼可见。 至于那些还没解决的问题，慢慢来吧。 技术从来都不是完美的，不是吗？