聊聊推荐系统技术：从错推到懂你，它走过了哪些路

你有没有过这种诡异的体验？ 昨天刚跟朋友随口聊了一句想养猫，今天打开淘宝，首页从上到下全是猫砂猫爬架猫窝。 更离谱的是，早年你帮家人买了一次降压药，接下来三四年，你的购物APP全是中老年保健品广告，删记录、点不感兴趣都不好使！ 对，这就是推荐系统干的好事。 早期的它，说它是“人工智障”都不为过。

早期推荐系统技术，踩过那些哭笑不得的坑

最早做推荐，最火的方法就是协同过滤，核心逻辑很简单：物以类聚，人以群分。 和你兴趣差不多的人买了什么，你就会被推什么。你买了A，就给你推和A经常被一起买的B。 听起来逻辑通顺对不对？ 用起来全是bug。 最典型的就是冷启动问题。新用户刚注册，什么行为都没有，你给推什么？总不能推热门商品凑数吧？新人本来就是来找自己想要的东西，推一堆全民爆款，留不住人。新商品更惨，刚上架没人点击没人买，算法根本不知道它该推给谁，直接压箱底，多少质量不错的小众产品就这么死了。 还有更尴尬的。你帮怀孕的姐姐买一次孕妇装，算法直接给你打上“孕妇”标签，接下来一年，首页全是母婴用品，你一个单身狗，看着满屏的纸尿裤，欲哭无泪。 早期协同过滤推荐系统错推案例截图 说实话，那时候做推荐算法的工程师，脱发速度都是普通工程师的两倍。天天对着数据后台调规则，改参数，今天这个错推问题解决了，明天又冒出来十个新的。 后来Google提出的Wide&Deep模型出来，把人工规则的Wide部分和做泛化的Deep部分结合，一下子解决了很多问题，既记住了用户的明确行为，又能挖出来潜在兴趣，当年出来的时候，整个行业都沸腾了，各大厂纷纷跟进，推荐准确率一下子涨了一大截。 不过问题还是没完全解决。算法还是搞不懂，你的一次点击到底是真喜欢，还是手滑，还是帮别人买的。它只看关联，不看原因，所以错推的问题，一直都存在。

大模型时代，推荐系统技术终于开窍了？

最近这两年，大模型火了之后，第一个被改变的成熟领域就是推荐系统。 原来的算法是记标签，你点了什么就给你打什么标签，大模型不一样，它能懂上下文，懂你的真实意图。 你搜“下个月闺蜜结婚送什么”，它能知道，这是一次性需求，你不需要接下来半年都给你推结婚礼品。你刷到一条猫的视频点了赞，它能结合你之前全是狗的内容，判断你只是觉得这个猫可爱，不是突然想转行养猫，不会一下子把你的首页全换成猫内容。 我自己试过抖音的新推荐模型，前阵子我帮我妈搜了一次广场舞音响，搜完买完，接下来再也没给我推过相关的东西，放在五年前，这根本不敢想。 大模型融合推荐系统技术架构图 不过话说回来，现在的大模型推荐也不是完美的。 过度推荐的问题还是有，你只要点了一条卖房的内容，接下来天天给你推，好像生怕你不知道房价涨了一样。还有信息茧房的问题，虽然现在很多厂都说我们加了多样性扰动，会给你推不同领域的内容，但是大部分时候，推的那些不相关内容真的驴头不对马嘴，我上次刷美食探店，突然给我插了一个重型卡车的广告，我到现在都想不通算法是怎么想的。 还有隐私问题，现在推荐系统要懂你，就得拿你的数据，很多小APP拿你的数据乱卖不说，还把你的隐私给大模型训练，想想也挺后怕的。

接下来，推荐系统技术会往哪里走？

接下来，推荐系统技术会往哪里走？ 现在业内讨论最多的两个方向，其实都戳中了现在推荐的痛点。 第一个就是因果推理加入推荐系统。原来的推荐都是看关联：点击=喜欢，购买=需求。但是实际上，很多点击是误操作，很多购买是一次性的，因果推理就是要帮算法搞清楚，到底是什么原因让你点了这个内容，你是不是真的长期需要。说白了，就是让算法变聪明，不再死记硬背行为，会动脑子想原因。 第二个就是用户可控的可解释推荐。现在的推荐就是黑箱，你不知道它为什么给你推这个，你也改不了自己的兴趣标签。未来的推荐，应该是用户说了算，我不想要什么内容，直接删掉这个标签，永远不给我推就行，我想多看点什么，也可以直接加，不用算法天天猜来猜去猜错。 真的，就冲这点，我都盼着这个方向快点落地。现在那些APP的“不感兴趣”按钮，跟摆设没区别，点一万次还是给你推，烦都烦死了。 推荐系统技术发展到今天，早就不是电商或者短视频才用的东西了。你找工作，招聘网站给你推岗位；你去医院挂号，智能导诊给你推医生；你刷公众号，给你推你想看的文章，全靠它。 它已经变成了我们每天都在用，却很少注意到的基础设施。好的推荐能帮你省时间，找到你真正需要的东西，不好的推荐，只能浪费你的时间，收割你的注意力。 技术从来都不是坏的，关键是用它的人，到底是想帮用户，还是只想赚快钱。 对吧。