拆解推荐系统技术：从刷不停的信息流看懂底层逻辑

你早上醒过来第一件事，摸过手机刷十分钟。是不是越刷越停不下来？ 刚搜完婴儿奶粉，打开外卖APP都能给你推宝宝辅食零食。刚和朋友吐槽完掉头发，护肤号就推给你防脱洗发水。 这不是什么读心术，全是推荐系统技术的功劳。

早期推荐系统技术，走了很多弯路

最早做推荐的时候，哪有什么深度学习。最主流的方法就是协同过滤，说白了就是找"同好"。 你喜欢A电影，一万个和你喜好差不多的人里，八成都喜欢B电影，那就把B推给你。就这么简单。 说实话，思路很朴素，效果也还行。可问题也太明显了。 新用户刚来，什么行为都没有，怎么给你推？这就是所有人都头疼的冷启动问题。 用户行为太少，矩阵稀疏得像筛子，算出来的相似性根本不准，推出来的东西驴唇不对马嘴。 早年很多中小平台做推荐，做完还不如编辑手动排页点击率高，就是栽在这了。 传统协同过滤推荐系统逻辑示意图 后来又出了内容-based推荐，你点过的文章都是讲篮球的，那就给你推更多带篮球标签的内容。解决了一部分冷启动的问题，可又陷入另一个坑：你永远只能拿到和你看过的差不多的东西，一点新鲜感都没有。

大厂现在抢着用的，大模型加持的新玩法

大概从2018年之后，深度学习彻底改了推荐系统技术的玩法。 从最早的逻辑回归，到FM，再到后来的双塔召回模型、DIN深度兴趣网络，推荐系统终于能捕捉到你隐藏的偏好，而不是只停留在表面标签。 最近两年更疯了，所有人都在往推荐里塞大模型。 以前的推荐链路分几块：召回、排序、重排，每一块干每一块的活。召回就是从几百万内容里捞出几百个你可能喜欢的，排序再给这些内容打分排顺序，最后重排调调多样性。 现在呢？大模型全链路推荐直接把每一步都重新做了一遍。 大模型能理解内容的语义，能理解你评论里说的"这个包包好适合通勤"是什么意思，不是只抓"包包""通勤"两个标签。它还能把你的行为序列转换成更精准的用户表征，你上周点过一次露营装备，只是好奇看了一眼，还是真的打算下个月去露营，它都能分清楚。 大模型增强推荐系统技术架构图 我前阵子测过抖音新上线的大模型推荐，输入一句"给我找几个适合周末带两岁娃去的北京近郊景点"，出来的结果真的比原来搜关键词准太多，连"有没有母婴室""能不能推婴儿车"这种隐性需求都考虑到了。 惊到我了。真的。

推荐系统技术越发达，反而越矛盾

推荐系统技术越发达，反而越矛盾 所有人都在说信息茧房，对吧？ 我自己深有体会，去年装修的时候搜了两次美式橱柜，接下来整整三个月，不管刷什么APP，全给我推装修。我都装完入住快半年了，还给我推！烦不烦啊！ 技术越准，越容易把你困在你自己的小圈子里。 现在技术圈也在解决这个问题，不是做不到推给你新东西，是商业平台愿不愿意。毕竟推你熟悉的东西，你停留更长，点广告更多，平台收入更高。推给你新东西，万一你不喜欢直接退了，数据反而不好看。 不过话说回来，最近一年能感觉到变化。我刷小红书，现在经常能刷到我完全没接触过的领域，比如手工皮具、天文摄影，点进去看居然真的能看半天，原来我也有这个需求啊，自己都不知道。 这就是新技术的好处，它不再只盯着你过去的行为，而是能挖你潜在的兴趣。 还有一个很有意思的趋势，现在很多平台开始做"场景化推荐"，你早上八点钟打开，推给你通勤路上听的播客和早餐店，你周末晚上打开，推给你评分高的火锅店和新上的电影，比原来只看你的标签准多了。 推荐系统技术发展到今天，早就不是原来那个"找同好贴标签"的简单工具了。它现在就像一个慢慢摸透你脾气的朋友，知道你喜欢什么，也知道你什么时候想要点新鲜的。 你下次刷手机刷到停不下来的时候，不妨多想想，这条内容为什么会出现在你面前。其实还挺有意思的。